Davranışların interneti (IoB) çerçevesinde makine öğrenimi tabanlı sınıflandırma yöntemlerinin değerlendirilmesi
Evaluation of machine learning based classificationmethods within the framework ofinternet of behaviors (IoB)
- Tez No: 1018548
- Danışmanlar: DR. ÖĞR. ÜYESİ EMİN SERTAÇ ARI
- Tez Türü: Doktora
- Konular: Yönetim Bilişim Sistemleri, Management Information Systems
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Osmaniye Korkut Ata Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmanın temel amacı, doğal yaşam koşullarında toplanan çok modlu davranışsal veriler kullanılarak göreli stres düzeyinin makine öğrenimi tabanlı yöntemlerle tahmin edilebilirliğini değerlendirmektir. Bu kapsamda Elektrokardiyagram (ECG) ve Elektrodermal (EDA) sinyallerini kapsayan fizyolojik sinyaller ve Atalet Ölçüm Birimi (Inertial Measurement Unit-IMU) tabanlı hareket verilerinin bütünleştirilmesinin, tekil veri kaynaklarına dayalı modellere kıyasla sınıflandırma performansına olan etkisi incelenmektedir. Çalışmada OpenDriver (Açık Sürüş) veri seti kullanılmış ve çalışma Endüstriler Arası Standart İşleme -Veri Madenciliği (CRISP-DM) metodolojisiyle yapılandırılmıştır. Veri seti 11 GB boyutunda oluşan 234.375 satır içeren ham değerlerden oluşmaktadır. Stres tahminlemede tamamlayıcı göstergelerin davranışsal verilerde içgörü elde edilmesinde etkisi incelenmiştir. Makine öğrenimi algoritmalarının sınıflandırma performansları doğruluk, dengelenmiş doğruluk, kesinlik, F1 skor ve duyarlılık metrikleri bakımından karşılaştırılmıştır. Elde edilen bulgular; fizyolojik ve davranışsal verilerin bütünleştirildiği çok modlu yaklaşımın, stresin karmaşık yapısını çözümlemede tekil yöntemlere kıyasla belirgin bir üstünlük sağladığını ortaya koymuştur. Geliştirilen modeller arasında Random Forest algoritması, %79 dengelenmiş doğruluk ve %76 F1 skoru ile en kararlı performansı sergileyerek doğrusal modellere (F1 ~%53) kıyasla ayırt edici bir başarı elde etmiştir.
Özet (Çeviri)
The primary objective of this study is to evaluate the predictability of relative stress levels using machine learning-based methods, utilizing multi-modal behavioral data collected under natural living conditions. In this context, the study investigates the impact of integrating physiological signals—including Electrocardiogram (ECG) and Electrodermal Activity (EDA)—with motion data based on Inertial Measurement Units (IMU) on classification performance, comparing this multi-modal approach to models relying on single data sources. The study was structured using the Cross-Industry Standard Process for Data Mining (CRISP-DM) methodology and utilized the OpenDriver dataset, which consists of 11 GB of raw data comprising 234,375 observations. The role of complementary indicators in gaining insights from behavioral data for stress prediction was examined, and the performance of machine learning algorithms was evaluated in terms of accuracy, balanced accuracy, precision, F1 score, and sensitivity metrics. The findings revealed that the multi-modal approach, which integrates physiological and behavioral data, provides a clear advantage over single methods in analyzing the complex structure of stress. Among the developed models, the Random Forest algorithm demonstrated the most stable performance with 79% balanced accuracy and a 76% F1 score, achieving distinct success compared to linear models (F1 ~53%).
Benzer Tezler
- Nesnelerin internetinden davranışların internetine: Davranışsal veri analizinin rolü
From the internet of things to the internet of behaviors: The role of behavioral data analysis
DUYGU AKSU
Doktora
Türkçe
2023
Siyasal BilimlerSüleyman Demirel ÜniversitesiSiyaset Bilimi ve Kamu Yönetimi Ana Bilim Dalı
DOÇ. DR. ELVETTİN AKMAN
- Davranışların interneti: Avukat web sitesi Google Analytics verileri ile kullanıcı davranış analizi
Internet of behaviours: lawyer website user behaviour analysis with Google Analytics data
ÖZNUR OCAK
Yüksek Lisans
Türkçe
2024
Yönetim Bilişim SistemleriDüzce ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. REMZİ BAŞAR
- Development of a new machine learning-based method to detect threats and prevent attacks on the internet of things and simulation with Cooja
Nesnelerin internetinde tehditleri algılamak ve saldırıları önlemek için makine öğrenmesi tabanlı yeni bir yöntem geliştirilmesi ve Cooja ile benzetimi
ALI HAMID AHMED SALEH FAREA
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. KEREM KÜÇÜK
- Evrimsel tabanlı kolektif öğrenme sistemleri kullanarak saldırı tespit sistemleri tasarımı
Intrusion detection systems design using evolutionary basedensemble learning systems
YAHYA BİLİR
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Sultan Mehmet Vakıf ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BERNA KİRAZ
- Bilgi ve iletişim teknolojilerinin kullanımında ilköğretim öğrencilerinin etik olmayan davranışlara ilişkin görüşlerinin incelenmesi
Nvestigation of elementary school students? opinions related to unethical behavior in the use of information and communication technologies
FATMA KÜBRA ÇELEN
Yüksek Lisans
Türkçe
2012
Bilim ve TeknolojiHacettepe ÜniversitesiBilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı
DOÇ. DR. S. SADİ SEFEROĞLU