Search

Making up an important working area of finance applications, financial time series forecasting, with the advancements in Machine Learning (ML) methods in recent years, has become a topic that finance and academic circles attach more importance to. The aim of this study is to present a comparative review of ML methods in financial time series future value. In the study, the last 5-year closing data of two developed and emerging stock market indices and two high-volume stocks of the Istanbul stock market were used. Support Vector Regression (SVR), which is often used in index forecasting and found successful, and Random Forest (RF) and eXtreme Gradient Boosting (XGB) methods which are rarely used ensemble machine learning methods in time series forecasting in literature, are preferred. As a result of the study, when MAE, MAPE and RMSE criterions are taken into consideration, SVR was confirmed to be the best forecasting method., Finans uygulamalarının önemli bir çalışma alanını oluşturan finansal zaman serisi tahminlemesi son yıllarda makine öğrenmesi (Machine Learning, ML) yöntemlerinin gelişimi ile finans ve akademi çevrelerinin daha fazla önem atfettiği bir konu olmuştur. Bu çalışmanın amacı, finansal zaman serisi gelecek değerinin tahmininde ML yöntemlerinin karşılaştırmalı olarak bir incelemesini sunmaktır. Çalışmada gelişmiş ve gelişmekte olan iki borsa endeksi ve İstanbul borsasının yüksek hacimli iki hisse senedinin son 5 yıllık kapanış verileri kullanılmıştır. Endeks tahmininde sıklıkla kullanılmış ve başarılı bulunan Destek Vektör Regresyonu (Suport Vector Regression, SVR) ve literatürde zaman serisi tahmininde izine az rastladığımız topluluk (ensemble) makine öğrenmesi yöntemleri olan Rassal Orman (Random Forest, RF) ve Extrem Gradyan Arttırma (eXtreme Gradient Boosting, XGB) yöntemleri tercih edilmiştir. Çalışmanın bulgularına göre, MAE, MAPE ve RMSE kriterleri göz önünde bulundurulduğunda en iyi tahmin yöntemi SVR olarak tespit edilmiştir.

Ülke riski değerlendirmesi en genel anlamıyla bir ülkenin alabileceği dış yardımların ve yatırımcıların karşı karşıya kalacağı riskin bir ölçüsüdür. Bu sebeple ülke riskinin, ekonomik, finansal ve politik risk unsurlarının birlikte ele alındığı bir prosedürle oldukça hassas tahminler yapılarak ölçülmesi gerekmektedir. Tahmin yöntemi büyük bir titizlikle tercih edilmeli ve mutlaka farklı yöntemler ile desteklenmelidir. Bu amaçla çalışmada, iyi tahmin sonuçları üreten ve sıklıkla kullanılan LRA, KNN, CART ve DVM yöntemleri tercih edilmiştir. Tahmin modelini eğitmek için 2015-2019 yılları arasında 75 ülkenin farklı makroekonomik göstergeleri kullanılmıştır. Çalışmanın bulgularına göre tercih edilen tüm yöntemler ile oldukça başarılı tahmin sonuçlarının üretildiği söylenebilir. Farklı değerlendirme kriterlerinin ele alındığı ve her bir makine öğrenmesi algoritmasının 100 kez tekrar edildiği durumda, en iyi sonucu veren yöntem KNN algoritması olduğu görülmektedir. Takip eden yöntemler ise sırası ile, DVM, LRA ve CART algoritması olarak sıralanabilir., Country risk assessment, in the most general sense, is a measure of the foreign aid a country can receive and the risk the investors will face. Therefore, the related risk has to be measured by making rather sensitive predictions with a procedure where economical, financial and political risks are taken into account. The prediction method must be chosen with great accurateness and definitely supported with different methods. To that end, LRA, KNN, CART and DVM methods, which produce good estimation result and frequently used, are preferred in country risk predictions. Different macroeconomic indicators of 75 countries between the years 2015 and 2019 are used to train the prediction model. According to the findings of the study, it can be said that quite successful prediction results are produced with all the chosen methods. When different assessment criteria are taken into account and each machine learning algorithm are repeated 100 times, it is seen that the KNN algorithm is the best method to produce results. The following methods can be arrayed as DVM, LRA and CART.

Acute Lymphocytic Leukemia (ALL) is one of the most prevalent types of leukemia which has the risk of death of children is relatively higher than adults. The early diagnosis of this disease is crucial and it can be detected by examining the morphological changes of the blood cells. In this study, we exhibit a comparative study on the automatic classification and identification of the ALL with machine learning methodologies. Acute Lymphoblastic Challange Database (ALL-CDB) served by the Cancer Imaging Archive, which consists of 6500 digital microscopic pathology images from 118 subjects, is used. As the first step, the geometric features are extracted and after, the feature selection was performed with Principal Component Analysis (PCA). Finally, the classification process on the selected features was carried out by using Naive Bayes, k-Nearest Neighbor (k-NN), Linear Discriminant Analysis (LDA), Decision Tree (DT), Random Forest (RF), Support Vector Machine (SVM), and Multilayer Perceptron (MLP) neural network methods. The results between the methodologies have been analyzed in terms of accuracy, precision, recall, and F1-score metrics. According to the results, MLP gives the both highest accuracy and F1-score with 97% to classify the ALL cells for leukemia., Akut Lenfositik Lösemi (ALL) en sık görülen lösemi tiplerinden biridir ve çocukların ölüm riski yetişkinlere göre nispeten daha yüksektir. Bu hastalığın erken teşhisi çok kritik olup, kan hücrelerinin morfolojik değişiklikleri incelenerek tespit edilebilir. Bu çalışmada, ALL'nin makine öğrenmesi metodolojileri ile otomatik olarak sınıflandırılması ve tanımlanması üzerine karşılaştırmalı bir çalışma sunuyoruz. Çalışmada, 118 deneğe ait 6500 dijital mikroskobik patoloji görüntüsünden oluşan Kanser Görüntüleme Arşivi tarafından sunulan Akut Lenfoblastik Görüntü Veritabanı (ALL-CDB) kullanılmaktadır. İlk adım olarak geometrik öznitelikler çıkarılmıştır ve ardından Temel Bileşen Analizi (PCA) ile öznitelik seçimi yapılmıştır. Son olarak Naive Bayes, k-En Yakın Komşu (k-NN), Lineer Diskriminant Analizi (LDA), Karar Ağacı (DT), Rastgele Orman (RF), Destek Vektör Makinesi (SVM) ve Çok Katmanlı Algılayıcı (MLP) yöntemleri kullanılarak seçilen öznitelikler üzerinde sınıflandırma işlemi gerçekleştirilmiştir. Metodolojiler arasındaki sonuçlar, doğruluk, kesinlik, hatırlama ve F1-skor metrikleri açısından analiz edilmiştir. Sonuçlara göre MLP, ALL hücrelerini sınıflandırmak için %97 ile hem en yüksek doğruluk hem de F1-skorunu vermektedir.

Tam Metin / Full Text Uydu görüntülerinden bitkisel ürünlerin sınıflandırılması tarım alanlarının yönetimi, gıda güvenliğinin sağlanması ve tarımsal politikaların oluşturulması için oldukça önemli bilgiler sağlar. Bitki türleri genel olarak uydu görüntülerinden hesaplanan vejetasyon indekslerine dayalı olarak veya çeşitli görüntü sınıflandırma teknikleri ile tahmin edilmektedir. Fakat bu yaklaşımlarda farklı bitkilerin benzer fenelojik ve spektral özelliklere sahip olması nedeniyle başarı oranı düşüktür. Bu nedenle bitki türlerinin uydu görüntüleri ile sınıflandırılması işleminde yeni, hassas ve başarılı bir yaklaşıma ihtiyaç duyulmaktadır. Bu çalışmanın amacı Rassal Orman (RO), Destek Vektör Makinesi (DVM) ve K-En Yakın Komşu (K-NN) makine öğrenme algoritmaları kullanılarak uydu görüntülerinden bitki türlerinin sınıflandırılmasıdır. Çalışma kapsamında 2020 yılı Gökhöyük Tarım İşletmesi Müdürlüğü’ne ait bitkisel üretim sahasında yetiştirilen bitkilerin sınıflandırılmasında zaman serisi biçiminde Sentinel 2 uydu görüntüleri kullanılmıştır. Çalışmadan elde edilen sonuçlara göre en başarılı sınıflandırma (%95.3) RO ile hesaplanırken en düşük başarı DVM ile elde edilmiştir (%75.9). K-NN ile yapılan sınıflandırma başarısı ise %91.8 olarak hesaplanmıştır. Crop classification provides important information for agricultural management, ensuring food security and developing agricultural policy. Generally, crop species are estimated based on vegetation indexes calculated from satellite images or by using various image classification techniques. However, this approach has low success rate due to different crop species have similar phenological and spectral features. For this reason, a new, accurate and robust approach is needed. The aim of this study was to classify crop from satellite image by using Random Forest (RO), Support Vector Machines (DVM) and K-Nearest Neighbors (K-NN) machine learning algorithms. Within the scope of the study, Sentinel 2 satellite images were used in time series format for the crop classification of grown in the field of Gökhöyük Agricultural Enterprise Directorate in 2020. According to the result of this study, while the most successful classification result obtained from RO, the lowest success was obtained from DVM. Classification success with K-NN was calculated as 91.8%.

Meme kanserinin erken aşamada teşhis edilmesi; tedavi yöntemlerinin sayısını, tedavinin başarıya ulaşma oranını ve hayatta kalma şansını arttırmaktadır. Gail Modeli, meme kanserinde temel faktörleri değerlendiren, kabul görmüş kanser riski değerlendirme modelidir. Bu çalışmada Gail Modeli baz alınarak makine öğrenmesi yöntemlerinin meme kanseri risk değerlendirmesinde karşılaştırılması amaçlanmıştır. İlk olarak veri setine Gail Modeli uygulanmış ve risk faktörü belirlenmiş, %70 eğitim %30 test ve %80 eğitim %20 test olmak üzere 2 ayrı eğitim test veri seti oluşturulmuştur. Daha sonra veri setlerine k-En Yakın Komşu, Yapay Sinir Ağları, Destek Vektör Makinesi ve Naive Bayes algoritmaları uygulanmış ve risk tahmin sonuçları karşılaştırılmıştır. Karşılaştırma sonuçlarına göre %70 eğitim %30 test veri seti için sınıflandırma performansı en düşükten en yükseğe doğru sırası ile k-NN (AUC=0.5375), NB (AUC=0.8542), SVM (AUC=0.9375) ve YSA(AUC=0.9875) şeklindedir. %80 eğitim %20 test veri seti için sınıflandırma performansı en düşükten en yükseğe doğru sırası ile k-NN (AUC=0.5892), SVM (AUC=0.9088), NB (AUC=0.9305) ve YSA (AUC=0.9718) şeklindedir Early diagnosis of breast cancer increases the number of possible treatments, the success rate of the treatments and the chance of survival. The Gail Model is a well accepted cancer risk assessment model which evaluates the main factors in breast cancer. The aim of this work is compare machine learning methods in breast cancer risk assessment based on the Gail Model.SVM, k-NN, ANN, NB algorithm with the purpose of breast cancer risk assessment. Firstly, risk factor was determined using the Gail method on the dataset, then dataset was divided into training - testing sets using 70 - 30 and 80 - 20 splits which resulted in two seperate training and testing sets. Afterwards, on each set, k-NN, ANN, SVM and NB algorithms were applied and results were compared based on the classification performance. According to the comparison results, the classification performance for 70% training and 30% test data set was k-NN (AUC=0.5375), NB (AUC=0.8542), SVM (AUC=0.9375) and ANN (AUC=0.9875) directly from from lowest to highest. On the other hand, for 80% training and 20% test data set, classification performance wasis from lowest to highest, respectively, k-NN (AUC=0.5892), SVM (AUC=0.9088), NB (AUC=0.9305) and ANN (AUC=0.9718)

Son yıllarda teknolojinin gelişmesi ile forumlar, bloglar ve sosyal medya insanlar tarafından çok fazla kullanılır hale gelmiştir. İnsanların görüş, fikir ve hislerini sosyal medya aracılığı ile paylaşmak istemesi sosyal medyayı önemli bir bilgi kaynağı haline getirmiştir. Özellikle twitter, üzerinde çalışılan önemli bir veri kaynağıdır. Sosyal medya üzerindeki fikir paylaşımlarının artması nedeniyle son yıllarda, insan duygularını anlama konusunda araştırmalar artmıştır. Bu tez çalışmasında, İngilizce bir metin içeriğindeki neşe, korku, öfke, üzüntü, tiksinti ve şaşkınlık duygularının otomatik olarak sınıflandırılmasında Topluluk Öğrenmesi yöntemlerinin etkileri ölçülmüştür. Bu amaçla Twitterdan elde edilen veri seti yanında International Survey on Emotion Antecedents and Reactions (ISEAR) veriseti üzerinde de deneysel çalışmalar yapılmıştır. Ayrıca duyguların üç sınıf şeklinde olumlu, olumsuz ve nötr olarak ifade edildiği Havayolu veri seti için de sonuçlar alınarak sunulmuştur. Temel sınıflandırıcılar olarak Multinomial Naive Bayes (MNB), Destek Vektör Makineleri (DVM) ve Karar Ağacı sınıflandırıcıları kullanılmıştır. Temel sınıflandırıcıların birleştirilmesi ile meta sınıflandırıcılar oluşturulmuştur. ISEAR veri seti üzerinde Bagging, Boosting ve Voting Topluluk Öğrenmesi yöntemleri kullanılarak beş duygu için sınıflandırma sonuçları ilk olarak bu çalışmada kapsamlı bir şekilde elde edilmiştir. Topluluk Öğrenmesi yöntemleri kullanımının temel sınıflandırıcıların başarı oranlarını arttırdığı, denenenler içerisinde en başarılı yöntemin de oylama (voting) olduğu gözlemlenmiştir., With the development of technology in recent years forums, blogs and social media have become used by much of the people. The fact that people want to share their opinions, ideas and feelings through social media has made social media an important source of information. Especially twitter, is an important data source being studied. In recent years, research on understanding human emotions has increased due to the increasing share of ideas on social media. In this thesis, the effects of Ensemble Learning methods on automatic classification of emotions which are joy, fear, anger, sadness, disgust and surprise in an English text content were measured. For this purpose, experimental studies have been conducted on International Survey on Emotion Antecedents and Reactions (ISEAR) dataset in addition to the dataset from Twitter. In addition, the results are presented for the Airline dataset in which emotions are expressed as three classes which are positive, nagative and neutral. Multinomial Naive Bayes (MNB), Support Vector Machines (SVM) and Decision Tree classifiers were used as the main classifiers. Meta classifiers were formed by combining the basic classifiers. The classification results which are created by using Bagging, Boosting and Voting Ensemble Learning methods on the ISEAR dataset for five emotions were firstly obtained in this study in a comprehensive manner. It has been observed that the use of Ensemble Learning methods increases the success rates of the main classifiers and voting is the most successful method among those tried.

TEZ12369 Tez (Yüksek Lisans) -- Çukurova Üniversitesi, Adana, 2019. Kaynakça (s. 57-61) var. XV, 63 s. :_rnk. res., tablo ;_29 cm. Kalp-solunum uygunluğu; solunum, kardiyovasküler ve iskelet-kas sistemlerine bağlı olduğu için sağlık ve fiziksel uygunluğun belirlenmesinde kullanılan önemli bir bileşendir. Kalp-solunum uygunluğunu tespit etmek için kullanılan standart yöntem maksimal egzersiz testi sırasında maksimum oksijen tüketiminin (VO2max) direk olarak ölçülmesidir. VO2max testi pahalı laboratuvar malzemesi, eğitimli teknisyenler, yüksek motivasyonlu bireyler, hatta bazı durumlarda bir doktorun desteğini gerektiren ve zaman alan bir testtir. Maksimal VO2max testinin dezavantajlarından dolayı, literatürde bu teste alternatif olarak birçok VO2max tahmin modeli önerilmiştir. Bu çalışmada, Derin Öğrenme Deep Learning (DP) yöntemi ile bireylerin VO2max değerini tahmin etmek üzere yeni modeller geliştirilecektir. Karşılaştırma amaçlı Destek Vektör Makinesi Support Vector Machine (SVM), Çok Katmanlı Algılayıcı Multilayer Perceptron (MLP) ve Tek Karar Ağacı Single Decision Tree (SDT) tabanlı tahmin modelleri de geliştirilecektir. Tahmin modellerinin performansı, 10 katlı çapraz doğrulama kullanılarak, standart tahmin hatası (Standard Error of Estimate – SEE) ve çoklu korelasyon katsayısı (Multiple Correlation Coefficient – R) hesaplanarak değerlen¬dirilecektir. DP tabanlı VO2max tahmin modellerinin diğer makine öğrenme tabanlı tahmin yöntemlerine göre daha performanslı çalışacağı beklenmektedir. Maximal oxygen uptake, or VO2max, is an external parameter that is affected by things like how many red blood cells the body has, how adapted the muscles are to distance running, and how much blood the heart can pump. It is measured as milliliters of oxygen used in one minute per kilogram of body weight. In a laboratory, it is calculated by measuring the volume (V) of oxygen (O2) that the body consumes while running on a treadmill which is the most accurate way. However, because of the serious drawbacks of direct measurement, a lot of studies have been conducted using machine learning methods to predict VO2max. The purpose of this study is to build new VO2max prediction models using deep learning (DL). The dataset has been split into training and test data using 70-30%, 80-20% split ratio, and 10-fold cross-validation. For comparison purposes, VO2max prediction models based on Multi-Layer Perceptron (MLP), Support Vector Machine (SVM), and Single Decision Tree (SDT) have also been developed. The performance of the prediction models has been evaluated using Standard Error of Estimate (SEE) and Multiple Correlation Coefficient (R). As a conclusion, DL can be used safely in VO2max prediction domain. Bu çalışma Ç.Ü. Bilimsel Araştırma Projeleri Birimi tarafından desteklenmiştir. Proje No: FYL-2018-10517.

Mathematics is one of the most important subjects for engineering education. In School of Engineering, students who enter university without basic mathematical knowledge and skills are categorized as mathematically 'at-risk'. The purpose of this study was to predict 'at risk' students by using Support Vector Machine method. Data of Pamukkale University School of Engineering's 434 incoming students of year 2007 were considered in this study. The result shows that students' university entrance examination mathematics, science and Turkish tests scores and students' high school graduation grade point average are important items to predict students' achievement at university calculus I course. SVM is trained with features of 289 students and tested with features of remaining 145 students. 86% of successful students for calculus I course was predicted as true by SVM., Matematik mühendislik eğitimindeki önemli konulardan biridir. Mühendislik fakültelerine temel matematik bilgi ve becerisi yetersiz olarak gelen öğrenciler, matematik dersinde riskli öğrenciler olarak sınıflandırılmaktadır. Bu çalışmanın amacı, Destek Vektör Makineleri yöntemini kullanarak riskli öğrencileri tahmin etmektir. 2007 yılında Pamukkale Üniversitesi mühendislik fakültesine başlayan 434 öğrencinin üniversiteye giriş sınavı sonuçlarına ait verilerin kullanıldığı araştırma sonuçlarına göre; öğrencilerin matematik, fen bilimleri, Türkçe testlerinin sonuçları ile lise mezuniyet başarı puanlarının, matematik I dersindeki başarılarını tahminde önemli rol oynadığı bulunmuştur. 289 öğrencinin verisi ile makine eğitilmiş, 145 öğrencinin verisi ise test için kullanılmış ve matematik I dersinden geçen öğrencilerin % 86'sı doğru olarak tahmin edilmiştir.