Geri Dön

Data mining and machine learning in environmental informatics

Çevresel enformatikte veri madenciliği ve makine öğrenmesi

PDF İndir

  1. Tez No: 663012
  2. Yazar: GÖKSU TÜYSÜZOĞLU
  3. Danışmanlar: DOÇ. DR. DERYA BİRANT
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Birliktelik kural madenciliği, Kümeleme, Makine öğrenmesi, Regresyon, Sınıflandırma, Veri madenciliği, Zaman serileri, Association rule mining, Clustering, Machine learning, Regression, Classification, Data mining, Time series
  7. Yıl: 2021
  8. Dil: İngilizce
  9. Üniversite: Dokuz Eylül Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Çevresel enformatik, günümüzde, veri işleme ve analizi için veri madenciliği ve makine öğrenimi tekniklerinin sıklıkla kullanıldığı alanlardan biridir. Bu tezde, farklı konulardaki çevresel verileri içeren birkaç vaka çalışması, veri madenciliği ve makine öğrenmesi kapsamında farklı görevlerde (sınıflandırma, regresyon, kümeleme, birliktelik kuralı madenciliği, zaman serileri) incelenmiştir. Hava kalitesi izleme istasyonlarından elde edilen veriler ve meteorolojik veriler incelenerek belirli bir hava kalitesi izleme istasyonunun hangi istasyon tipine (endüstriyel, kırsal veya kentsel) ait olduğunun belirlenmesi, istasyonların benzerliklerine göre en doğru şekilde kümeleme uygulamasının yapılması deneysel çalışmaların belirli bir kısmını oluşturmaktadır. Ayrıca, hava kirletici maddeler ve meteorolojik faktörler arasındaki ilişkiler birliktelik analizi kapsamında detaylı bir şekilde incelenerek ilişki kuralları çıkarılmıştır. Diğer yandan, çeşitli derinliklerde toprak sıcaklığı tahmini için regresyon ve zaman serisi analizleri yapılmıştır. Hava ve toprak kaynaklı problemleri çözmek için önerilen yöntemler şu şekildedir: (i) yeni bir topluluk öğrenmesi yöntemi olan Geliştirilmiş Torbalama (eBagging), (ii) yarı denetimli yeni bir yöntem olan Kendi Kendine Eğitim Yoluyla Toprak Sıcaklığı Tahmini (STST), (iii) birden fazla görevi birlikte ele almak için önerilen Çoğunluk Oylamasına Dayalı Çok Görevli Kümeleme (MV-MTC), (iv) yeni bir ağırlıklı birliktelik kuralı madenciliği türü olan WARM ve (v) yeni bir toprak yönetim uygulaması olan Çok Görünümlü Çok Derinlikli Toprak Sıcaklığı Tahmini (MV-MD-STP)'dir. Deneysel sonuçlara bakıldığında, önerilen yeni yöntemlerin karşılaştırıldıkları son teknoloji yöntemlerden daha iyi performans gösterdiği ve çevre sorunlarına etkili çözümler sunduğu açıktır.

Özet (Çeviri)

Nowadays, environmental informatics is one of the fields where data mining and machine learning techniques for data processing & analysis are frequently used today. In this thesis, several case studies including environmental data on different subjects were conducted for different tasks (classification, regression, clustering, association rule mining, time series) under data mining and machine learning. Examining the data obtained from air quality monitoring stations and meteorological data, determining which station type (industrial, rural, or urban) a particular air quality monitoring station belongs to, and making the most accurate clustering application according to the similarities of the stations are a certain part of the experimental studies. In addition, the relations between air pollutants and meteorological factors were examined in detail within the scope of association rule mining analysis, and the relationship rules were drawn. On the other side, regression and time series analysis for soil temperature prediction at various depths were performed. The proposed methods to handle air and soil-related problems are as follows: (i) Enhanced Bagging (eBagging) which is a new ensemble learning method, (ii) Soil Temperature Prediction via Self-training (STST) which is a new semi-supervised learning method, (iii) Majority Voting Based Multi-Task Clustering (MV-MTC) which is proposed to consider multiple tasks jointly, (iv) WARM which is a new type of weighted association rule mining, and (v) Multi-View Multi-Depth Soil Temperature Prediction (MV-MD-STP) which is a new soil management framework. Considering the experimental results, it is clear that the newly proposed methods performed better than the other state-of-the-art methods they were compared to and offered effective solutions to environmental problems.

Benzer Tezler

  1. Tez No

    667328

    Highway traffic classification using data mining in machine learning

    Başlık çevirisi yok

    KHALID FARHAN MOHAMMED MOHAMMED

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Bilgi Teknolojileri Ana Bilim Dalı

    PROF. DR. OSMAN NURİ UÇAN

  2. Tez No

    609095

    Alışveriş merkezleri için çeşitli çevresel faktörlere göre müşteri adedi tahminleme çalışması

    Estimation of customer numbers for shopping centers according to various environmental factors

    ÇAĞATAY ÖZDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SEZİ ÇEVİK ONAR

  3. Tez No

    905434

    Sistemli mimari tasarım sürecinde üretken bir yapay yardımcı önerisi

    Proposal for a productive artificial aid in the systematic architectural design process

    BETÜL ŞEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Mimarlıkİstanbul Teknik Üniversitesi

    Bilişim Ana Bilim Dalı

    PROF. DR. YÜKSEL DEMİR

  4. Tez No

    1015369

    Makine öğrenmesi yöntemleri ile şirketlerin çevresel, sosyal ve yönetişim (ÇSY) skorlarının tahmin edilmesi: Borsa İstanbul (BIST) sürdürülebilirlik endeksi üzerine bir uygulama

    Prediction of environmental, social, and governance (ESG) scores of companies using machine learning methods: An application on the borsa istanbul (BIST) sustainability index

    MEHMET HANİFİ ATEŞ

    Doktora

    Türkçe

    Türkçe

    2026

    İşletmeMarmara Üniversitesi

    Sermaye Piyasası ve Borsa Ana Bilim Dalı

    PROF. DR. İDİL ÖZLEM KOÇ

  5. Tez No

    1006833

    Makine öğrenmesi yöntemleri ile obezite riski tahmini: Beslenme alışkanlıkları ve fiziksel aktivite düzeyine dayalı bir çalışma

    Prediction of obesity risk using machine learning methods: a study based on nutritional habits and physical activity level

    BİLGESU AYŞE MUTLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Beslenme ve DiyetetikGazi Üniversitesi

    Sağlık Bilişimi Ana Bilim Dalı

    PROF. DR. MEHMET ALİ ERGÜN

Geri Dön