Destek vektör makineleri ile tahmine dayalı modelleme ve bir uygulama
Predictive modeling with support vector machines and an application
- Tez No: 305338
- Danışmanlar: DOÇ. DR. ALP BARAY
- Tez Türü: Doktora
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2011
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: 203
Özet
Bu tezde destek vektör makineleri yöntemi ile tahmine dayalı modelleme konusu işlenmiştir. Uygulamada, Türkiye'de Ocak 1991/Ağustos 2008 dönemine ait (210 ay) 21 ana imalat sanayi aylık sektörel kapasite kullanım oranları tahmini yapılmıştır. Ardından kurulan modellerle Ocak 2007/Aralık 2010 dönemine ait (48 ay) 21 ana imalat sanayi aylık sektörel kapasite kullanım oranları öngörüsü yapılmış ve Türkiye Kalkınma Bankasının kredi tahsisi değerlendirmesinde bulunduğu 11 firma için uygulama yapılmıştır. Sonuçlar yapay sinir ağları ve vektör otoregresyon yöntemleri sonuçları ile karşılaştırılmıştır.Çalışmanın ikinci kısmında ilk önce kalkınma ve yatırım bankacılığı kavramları ve faaliyet alanları tanımlanmış, ardından kapasite kullanım oranının tanımı yapılmış ve kapasite kullanım oranlarının yatırım ve kalkınma bankacılığı açısından önemi iktisadi olarak tartışılmıştır. Ayrıca analiz yöntemleri irdelenmiş ve tahmin yöntemleri performansları değerlendirme kriterleri üzerinde de durulmuştur.Üçüncü kısımda ilk önce yapay sinir ağları ve vektör otoregresyon yöntemlerine değinilmiş ve bu yöntemlerin uygulamaları üzerinde durulmuştur. Ardından tezin ana konusu olan destek vektör makineleri teorisi detaylı olarak incelenmiş ve konu ile ilgili uygulamalardan bahsedilmiştir.Dördüncü kısımda veri seti ve durağanlık testleri hakkında bilgi verilmiştir. Ardından tezde kullanılan tahmin yöntemlerinin teknik değerlerinden bahsedilmiştir. Daha sonra sonuçlar her bir sektör için ayrı ayrı eğitim ve test aşamaları ana başlığında 3 değerlendirme kriteri açısından değerlendirilmiştir. Bundan sonra bütün sektörler için her bir değerlendirme kriteri için eğitim ve test aşamaları için toplu tablolar oluşturulmuş ve yöntemlerin genel olarak değerlendirilebilmesi için varyans analizi testleri yapılmıştır.Tahmin başarısı genel değerlendirmesinin ardından seçilen 11 şirket için, ilk önce firma ile ilgili genel bilgiler verilmiştir. Ardından yazılan bir program ile herbir tahmin yöntemi ile öngörülen kapasite kullanım oranları değerleri ile net bugünkü değer ve iç verim oranı hesaplamaları yapılmıştır.Son olarak destek vektör makinelerinin tahminleme başarısı tezin uygulama sonuçları kapsamında değerlendirilmiştir.
Özet (Çeviri)
In this thesis predictive modeling with support vector machines issue is discussed. 21 Turkish main manufacturing sectorîal monthly capacity utilization ratios predicted for the period of January 1991- August 2008 (210 Months). Afterwards 21 Turkish main manufacturing sectorial monthly capacity utilization ratios forecasted for the period of January 2007- December 2010 (48 Months) and an application done with estimated models for selected 11 firms which were evaluated for credit allocation by Development Bank of Turkey. The Results are compared with artificial neural networks and vector auto regression results.In the second part of the thesis Development and investment banking issues and their business areas are defined. Moreover capacity utilization ratios is defined too and the economically importance of capacity utilization ratios within the scope of development and investment banking is argued. Besides analysis methods and the evaluating criteria of prediction methods performances are discussed.In the third part of the thesis firstly artificial neural networks and vector auto regression and their applications is introduced. Then the support vector machines which is the main aspect of this thesis and its applications is proposed too.In the fourth part of the thesis information about data, stationary tests and technical values of prediction methods is given.At the last part all individually sectors is evaluated for three evaluating criteria as training sections and test sections. Further general tables are created for every individual evaluating criteria as training sections and test sections and analysis of variance tests are done on the way of assessing success generally.After predicting success assessment, firstly general firm?s information about selected 11 firms given. Than net present value and internal rate of return done with forecasted capacity utilization rates which were obtained from predicting machines via software.As conclusion the success of the support vector machines is judged in the concept of application of this thesis.
Benzer Tezler
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Aktüeryal modellemede bulanık destek vektör makineleri
Fuzzy support vector machines in actuarial modeling
FURKAN BAŞER
Doktora
Türkçe
2013
Aktüerya BilimleriAnkara Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. AYŞEN APAYDIN
- Short term electricity load forecasting with deep learning
Derin öğrenme ile kısa dönemli elektrik yük talep tahmini
İBRAHİM YAZICI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Modeling of the marine diesel engines with comparative machine learning methodologies
Gemi dizel motorların karşılaştırmalı makine öğrenmesi yöntemleri ile modellenmesi
MEHMET İLTER ÖZMEN
Doktora
İngilizce
2024
Gemi Mühendisliğiİstanbul Teknik ÜniversitesiGemi İnşaatı ve Gemi Makineleri Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN AZMİ ÖZSOYSAL
- EMG verileri kullanılarak makine öğrenmesi yöntemleri ile polinöropati teşhisi
Machine learning based polyneuropathy diagnosis using electromyogram data
NİMET TANIK
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADNAN KAVAK