Search

Migration is a concept as old as human history. Large-scale migrations have occurred in every period of human history. There are many economic, social, political and legal reasons behind migration movements. It is known that economic reasons are the most determining factors in the occurrence of migration. Generally, the direction of migration is from rural to urban, underdeveloped regions to developed regions, east to west in Turkey. Population is largely concentrated in cities. Cities with a high level of economic development are the cities with the most populous population. While many socio-economic indicators can be used to reveal the level of economic development, an evaluation can also be made based on the GDP data of the provinces, which is considered as a combination of these indicators. In the study, a statistical significance relationship is sought between migration data and GDP data of the provinces. The analysis method used is the cluster analysis. According to the results, the basic hypothesis of the study is confirmed at a rate of 79%. That means, the provinces with high GDP levels receive immigration, while the provinces with low GDP emigrate. Göç, insanlık tarihi kadar eski bir kavramdır. İnsanlık tarihinin her döneminde büyük ölçekli göçler meydana gelmiştir. Göç hareketlerinin temelinde çok sayıda ekonomik, sosyal, kültürel, siyasi ve hukuki neden yer almaktadır. Göçün ortaya çıkmasında en belirleyici etkenin ekonomik nedenler olduğu bilinmektedir. Türkiye’de göçün yönü genellikle kırdan kente, az gelişmiş yörelerden gelişmiş yörelere, doğudan batıya doğru olmuştur. Nüfus, büyük ölçüde kentlerde toplanmıştır. Ekonomik gelişmişlik düzeyi yüksek olan kentler, nüfusu en kalabalık olan kentlerdir. Ekonomik gelişmişlik düzeyini ortaya koymak üzere çok sayıda sosyo- ekonomik göstergeden yararlanılabileceği gibi, bu göstergelerin bir bileşkesi olarak kabul ettiğimiz illerin Gayrisafi Yurtiçi Hâsıla (GSYH) verilerini temel alarak bir değerlendirme de yapılabilir. Bu çalışmada, illerin göç verileri ile illerin GSYH verileri arasında istatistiksel bir anlamlılık ilişkisi aranmaktadır. Kullanılan analiz yöntemi kümeleme analizidir. Sonuçlara göre çalışmamızın temel hipotezi %79 oranında doğrulanmaktadır. Yani GSYİH düzeyi yüksek olan iller göç alırken, GSYİH düzeyi düşük olan iller göç vermektedir.

Aim: It is a known fact that diabetes mellitus is increasing frequently and triggering many different diseases. Therefore, early diagnosis of the disease is important. This study was trying to predict the early diagnosis of the disease, according to machine learning methods by measuring plasma glucose concentration, serum insulin resistance, and diastolic blood pressure. Material and Methods: In the study, the public dataset from a website consists of 768 samples and nine variables. Three different machine learning strategies were used in the early diagnosis of diabetes mellitus (Support Vector Machine, Multilayer Perceptron, and Stochastic Gradient Boosting). 3 repeats and 10 fold cross-validation method was used to optimize the hyperparameters. The model’s performance parameters were evaluated based on accuracy, specificity, sensitivity, confusion matrix, positive predictive value (precision), negative predictive value, and AUC (area under the ROC curve). Results: According to the experimental results (the criteria of accuracy (0.79), sensitivity (0.57), specificity (0.91), positive predictive value (0.79), negative predictive value (0.80), and AUC (0.74)) the Support Vector Machine was more successful than other methods. Conclusion: Plasma glucose concentration, serum insulin resistance, and diastolic blood pressure markers are important indicators in the early diagnosis of diabetes mellitus. In this study, it was seen that these markers make a significant contribution to the early diagnosis of diabetes mellitus. However, it has been observed that these indicators alone will not be sufficient in the early diagnosis of the disease, especially since age, body mass index and pregnancy contribute significantly. Amaç: Diyabetin sıklıkla arttığı ve bir çok farklı hastalığı tetiklediği bilinen bir gerçektir. Bu nedenle hastalığın erken teşhisi önemlidir. Bu çalışmada plazma glukoz konsantrasyonu, serum insülin direnci ve diyastolik kan basıncı göstergelerinden, makine öğrenmesi yöntemlerine göre hastalığın erken teşhisi öngörülmeye çalışılmıştır. Materyal ve Metot: Çalışmada, bir web sitesinden alınan halka açık veri seti 768 örnek ve dokuz değişkenden oluşmaktadır. Diyabetin erken teşhisinde üç farklı makine öğrenme stratejisi kullanıldı (Destek Vektör Makineleri, Çok Katmanlı Algılayıcılar ve Stokastik Gradyan Artırma). Hiper parametre optimizasyonu için 3 tekrarlı 10 kat tekrarlı çapraz doğrulama yöntemi kullanıldı. Modellerin performansı doğruluk, seçicilik, duyarlılık, karışıklık matrisi, pozitif tahmin değeri (kesinlik), negatif tahmin değeri ve AUC (ROC eğrisi altında kalan alan) temel alınarak değerlendirilmiştir. Bulgular: Deneysel sonuçlara göre (doğruluk (0.79), duyarlılık (0.57), özgüllük (0.91), pozitif tahmin değeri (0.79), negatif tahmin değeri (0.80) ve AUC (0.74) kriterleri), Destek Vektör Makineleri diğer yöntemlere göre daha başarılı çıkmıştır. Sonuç: Diyabet hastalığının erken tanısında plazma glukoz konsantrasyonu, serum insülin direnci ve diastolik kan basinci belirteçleri önemli göstergelerdir. Bu çalışmada da bu belirteçlerin diyabetin erken tanısında önemli katkı sağladığı görülmüştür. Ancak tek başlarına bu göstergelerin hastalığın erken tanısında yeterli olmayacağı özellikle yaş, beden kitle indeksi ve gebeliğin de önemli derecede katkı sağladığı görülmüştür.

Aim: Data mining is the discovery process of beneficial information, not revealed from large-scale data beforehand. One of the fields in which data mining is widely used is health. With data mining, the diagnosis and treatment of the disease and the risk factors affecting the disease can be determined quickly. Association rules are one of the data mining techniques. The aim of this study is to determine patient profiles by obtaining strong association rules with the apriori algorithm, which is one of the association rule algorithms. Material and Method: The data set used in the study consists of 205 acute myocardial infarction (AMI) patients. The patients have also carried the genotype of the FNDC5 (rs3480, rs726344, rs16835198) polymorphisms. Support and confidence measures are used to evaluate the rules obtained in the Apriori algorithm. The rules obtained by these measures are correct but not strong. Therefore, interest measures are used, besides two basic measures, with the aim of obtaining stronger rules. In this study For reaching stronger rules, interest measures lift, conviction, certainty factor, cosine, phi and mutual information are applied. Results: In this study, 108 rules were obtained. The proposed interest measures were implemented to reach stronger rules and as a result 29 of the rules were qualified as strong. Conclusion: As a result, stronger rules have been obtained with the use of interest measures in the clinical decision making process. Thanks to the strong rules obtained, it will facilitate the patient profile determination and clinical decision-making process of AMI patients. Amaç: Veri madenciliği, önceden büyük ölçekli verilerden ortaya çıkarılmayan faydalı bilgilerin keşfedilme sürecidir. Veri madenciliğinin yaygın olarak kullanıldığı alanlardan biri de sağlıktır. Veri madenciliği ile hastalığın tanı ve tedavisi ile hastalığı etkileyen risk faktörleri hızlı bir şekilde belirlenebilmektedir. Birliktelik kuralları, veri madenciliği tekniklerinden biridir. Bu çalışmanın amacı, birliktelik kuralı algoritmalarından biri olan apriori algoritması ile güçlü birliktelik kuralları elde ederek hasta profillerini belirlemektir. Materyal ve Metot: Çalışmada kullanılan veri seti 205 akut miyokard enfarktüsü (AMI) hastasından oluşmaktadır. Hastalar ayrıca FNDC5 polimorfizmlerinin rs3480, rs726344, rs16835198 genotipini de taşımaktadır. Apriori algoritması ile elde edilen kuralları değerlendirmek için destek ve güven ölçüleri kullanılır. Ancak bu ölçütler ile elde edilen kurallar doğrudur ancak güçlü değildir. Bu nedenle, daha güçlü kurallar elde etmek amacıyla iki temel ölçütün yanı sıra ilginçlik ölçütleri kullanılmaktadır. Bu çalışmada daha güçlü kurallara ulaşmak için ilginçlik ölçütlerinden kaldıraç, kanaat, kesinlik faktörü, cosine, korelasyon katsayısı (phi) ve karşılıklı bilgi ölçütleri uygulanmıştır. Bulgular: Çalışmada 108 kural elde edilmiştir. Bu kurallara ilginçlik ölçütlerinin de uygulanması ile elde edilen kural sayısı 29 olmuştur ve bu kurallar güçlü kural olarak nitelendirilmiştir. Sonuç: Sonuç olarak, klinik karar verme sürecinde ilginçlik ölçütlerinin kullanılmasıyla daha güçlü kurallar elde edilmiştir. Elde edilen güçlü kurallar sayesinde AMİ hastalarının hasta profili belirleme ve klinik karar verme sürecini kolaylaştıracaktır.

Obesity occurs as a result of excessive fat storage in the body and brings along physical and mental problems [1]. The physical function has been associated with impaired quality of life in various areas such as distress in society, sexual function, self-esteem, and work-related quality of life [2]. The prevalence of obesity has been steadily increasing over the past few decades and is now unprecedented. This increase has occurred in almost all ages, genders, and races. These data show that the segments of individuals in the highest weight categories i.e. (BMI> 40 kg / m2) increased proportionally more than those in the lower BMI categories (BMI

Association rules mining is one of the uttermost applied techniques in data mining and artificial intelligence. Support and confidence are two basic measures employed in the evaluation of association rules. The rules obtained with these two values are often correct; however, they are not strong rules. Most of the rules, especially with a high support value, are misleading. For this reason, there are many interestingness measures proposed to achieve stronger rules. In this study it is aimed to establish strong association rules with variables in open sourced heart data set. In the current study, Apriori algorithm was used to obtain the rules. As a result of the analysis, only 55 confidence and support criteria were taken into consideration. For more powerful rules, certainty factor was used as one of the interestingness measure proposed in the literature, and it was concluded that only 26 of these rules were strong. As a result of the analysis of the findings obtained in the context of the research, it can be inferred that stronger rules can be obtained by using the certainty factor in association rules mining.