Makine öğrenmesi yöntemleri ile hastalık sınıflandırması
Classification of disease with machine learning methods
- Tez No: 1012470
- Danışmanlar: PROF. DR. MAHMUDE REVAN ÖZKALE ATICIOĞLU
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Destek Vektör Makinesi, Lojistik Regresyon, Rastgele Orman, Yapay Sinir Ağları, Naive Bayes, Support Vector Machines, Logistic Regression, Random Forest, Artificial Neural Networks, Naive Bayes
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Olasılık Teorisi ve Olasılık Süreçleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Hayatımızın neredeyse her alanına girmiş olan makine öğrenmesi, birçok alanda önemli gelişmeler sağlamıştır. Pazarlama, siber güvenlik, ulaştırma, borsa ve sağlık bu alanlardan sadece bazılarıdır. Makine öğrenmesi sayesinde büyük ilerlemeler kaydeden alanlardan biri de sağlık olmuştur. Sağlık alanında birçok hastalığın erken tanı, teşhis ve tedavi seçiminde makine öğrenmesi yöntemlerinin çok büyük önemi vardır. Bu tez çalışmasında oldukça yaygın olarak kullanılan Wisconsin Meme Kanseri Veri Kümesi ve Parkinson Hastalığı Veri Kümesi üzerinde R program dili kullanılarak makine öğrenmesi yöntemleri sınıflandırılması yapılmıştır. Makine öğrenmesi yöntemlerinden Lojistik Regresyon, K-En Yakın Komşular (KNN), Karar Ağaçları, Rastgele Orman (Random Forest), Yapay Sinir Ağları (ANN), Destek Vektör Makineleri (SVM), Naive Bayes olmak üzere 7 yöntem aynı anda kullanılmış ve karşılaştırılmaları yapılmıştır. Çalışma sonucunda makine öğrenmesi yöntemlerinden Rastgele Orman en dengeli, güvenilir ve yüksek performans gösteren model olarak bulunmuştur.
Özet (Çeviri)
Machine learning, which has penetrated nearly every aspect of our lives, has led to significant Advances in many areas. Marketing, cybersecurity, transportation, the stock market and healthcare are just some of these areas. Healthcare is one of the areas that has seen significant advances thanks to machine learning. Machine learning methods are crucial for the early detection, prognosis and treatment selection of many diseases in healthcare. In this thesis, a classification of machine learning methods was conducted using the widely used Wisconsin Breast Cancer Dataset and Parkinson's Disease using R programming language. Seven machine learning methods were used simultaneously and compared: Logistic Regression, K-Nearest Neighbors (KNN), Decision Trees, Random Forest, Artificial Neural Networks (ANN), Support Vector Machines (SVM), Naive Bayes. As a result of the study, the Random Forest model was found to be most stable, reliable and high-performing model.
Benzer Tezler
- Sağlık verileri üzerinde makine öğrenmesi ile hastalık sınıflandırması: RNA-SEQ, Tiroid ve cilt kanseri uygulamaları
Disease classification on health data using machine learning: Applications on RNA-SEQ, Thyroid, and skin cancer
FERDİ GÜLER
Yüksek Lisans
Türkçe
2025
BiyoistatistikGiresun Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. MELİH AĞRAZ
- Patoloji görüntülerinin derin öğrenme yöntemleri ile sınıflandırılması
Classification of pathology images with deep learning methods
MERAL KARAKURT
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOndokuz Mayıs ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İSMAİL İŞERİ
- Derin öğrenme yöntemleri kullanılarak demans türü hastalıkların sınıfandırılması
Classification of dementia-type diseases using deep learning methods
RUMEYSA NEGİŞ
Yüksek Lisans
Türkçe
2024
Mühendislik BilimleriFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZGÜR KARADUMAN
- Kelime gömme yaklaşımlarının iadesiz torbalanmasına dayanan uzun kısa süreli bellek mimarisi ve metin sınıflandırmasına uygulanması
Long-short term memory architecture based on non-returnable baggigng of word embedding approaches and an application to text classification
MUHAMMET OĞUZHAN YALÇIN
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMuğla Sıtkı Koçman Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. NEVİN GÜLER DİNCER
- Computer Aided Prognosis of Epileptic Patients Using Multi-Modality Data andArtificial Intelligence Techniques
Çoklu Modalite Verileri ve Yapay Zeka Teknikleri Kullanarak Epilepsi Hastalarına Bilgisayar Yardımıyla Teşhis Konulması
MASOUD LATIFINAVID
Yüksek Lisans
İngilizce
2009
Mekatronik MühendisliğiSharıf Unıversıty Of TechnologyMakine Mühendisliği Ana Bilim Dalı
PROF. DR. HAMID SOLTANIAN-ZADEH