Geri Dön

Makine öğrenmesi ile metin sınıflandırma: Bakım yönetim sistemi örneği

Text classification with machine learning: An example of a maintenance management system

PDF İndir

  1. Tez No: 704612
  2. Yazar: İBRAHİM BURAK TOSUN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ÇAĞLA EDİZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: İşletme, Bilim ve Teknoloji, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Business Administration, Science and Technology, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Makine öğrenmesi, Metin sınıflandırma, Machine learning, Text categorization
  7. Yıl: 2021
  8. Dil: Türkçe
  9. Üniversite: Sakarya Üniversitesi
  10. Enstitü: İşletme Enstitüsü
  11. Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Günümüzde firmalar için bilgiyi yönetmek, süreçleri kişilerden bağımsız hale getirmek açısından önem arz etmektedir. Bir çalışan tarafından elde edilen bilgi diğer çalışanlara da ulaştırılabilmeli ve çalışan iş yerinden ayrılsa dahi bilgi firmada kalıcı olmalıdır. Bu nedenle, firmaların farklı senaryolar için farklı bilgi yönetim sistemlerine ihtiyaçları giderek artmaktadır. Firmalarda kurulu makine, ekipman, ısıtma ve soğutma sistemleri gibi tüm varlıkların yönetilmesi, bakım süreçlerinin sağlıklı bir şekilde organize edilmesi, bakım işlerinin zamanında yapılması, yapılan bakım işlerinin takip edilebilmesi ve bakımların daha ekonomik yapılabilmesi için elektronik ortamda bir yönetim programı kullanmasının gerekliliği ortaya çıkmaktadır. Bu gerekliliği karşılamaya yönelik yazılan varlık ve bakım yönetimi programları yalnızca etkin bir şekilde kullanılabildiğinde istenen faydaları sağlamaktadır. Çalışmada iplik firmasında kullanılmakta olan varlık ve bakım yönetim programının ana işlevlerinden olan varlıklarda oluşan arızaların kaydedilmesi sürecine odaklanılmaktadır. Kayıt sürecinin kolaylaştırılması, hızlandırılması ve insan hatasının azaltılması üzerine önerilen makine öğrenmesi tekniği anlatılmaktadır. Bu teknik ile kayıt esnasında yazılan arıza açıklamasının makine öğrenmesi ile sınıflandırılarak ilgili arıza kategorisine atanması amaçlanmaktadır. Çalışma ile veri girişi yapanların işlerinin kolaylaşması ve hızlanması, bakımı yapacakların doğru bilgiye ulaşması, sistemin daha etkin ve verimli kullanılmasının süreci iyileştirmesi beklenmektedir. Bu çalışmada, makine öğrenmesi ile bakım yönetim sistemindeki arıza açıklamalarının, arıza tanımlarına göre sınıflandırılması için öznitelikler kelime torbası yöntemleri ile çıkarılmış ve model lojistik regresyon, lineer destek vektörü sınıflandırması (SVC), stokastik gradyan azalma sınıflandırıcısı (SGDC) ve Naive Bayes (NB) algoritmaları ile eğitilmiştir. Lineer SVC algoritması ve terim frekansı – ters doküman frekansı (TF-IDF) öznitelik çıkarma yöntemi ile bakım yönetim sistemindeki tüm arızaların %72,12'sine denk gelen 46 arıza tanımının tahminini %87 başarı ile yapabilen model oluşturulmuştur.

Özet (Çeviri)

Today, it is important for companies to manage information and to make processes independent from individuals. Information obtained by an employee should be able to be conveyed to other employees and the information should be permanent in the company even if the employee leaves the workplace. For this reason, the needs of companies for information management systems are increasing. It is necessary to use an electronic management program in order to manage all assets such as machinery, equipment, heating and cooling systems installed in companies, to organize maintenance processes in a healthy way. Asset and maintenance management programs written to meet this requirement provide the desired benefits only when they can be used effectively. This study focuses on the process of recording malfunctions in assets, which is one of the main functions of the asset and maintenance management program used in the yarn company. The recommended machine learning technique for facilitating and accelerating the registration process and reducing human error is explained. With this technique, it is aimed to classify the fault description written during the recording with machine learning and assign it to the relevant fault category. With the study, it is expected that the work of those who enter data will become easier and faster, those who will perform maintenance have access to the right information, and the more effective and efficient use of the system will improve the process. In order to classify the fault descriptions in the maintenance management system according to the fault definitions with machine learning, in this study, the attributes were extracted with bag of word methods and the model was trained with logistic regression, linear support vector classification (SVC), stochastic gradient descent - classifier (SGDC), Naive Bayes (NB) algorithms. With the Linear SVC algorithm and the TF-IDF feature extraction method, a model was created that can predict 46 fault definitions corresponding to 72.12% of all failures in the maintenance management system with 87% success.

Benzer Tezler

  1. Tez No

    990257

    Promptshıeld: polıcy-aware data loss preventıon framework for generatıve AI prompts

    Promptshıeld: Politika farkındalıklı üretken yapay zekâ istemleri için veri kaybı önleme çerçevesi

    EZGİ KELEŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞERİF BAHTİYAR

  2. Tez No

    880189

    A new framework for decentralized social networks: Harnessing blockchain, deep learning, and natural language processing

    Merkezsiz sosyal ağlar için yeni bir çerçeve: Blok zinciri, derin öğrenme ve doğal dil işlemeyi kullanmak

    AMIR AL KADAH

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ DENİZ BALTA

  3. Tez No

    203

    Diesel motorları yakıt püskürtme sistemlerinin dinamik simülasyonu

    Başlık çevirisi yok

    İRFAN KARAGÖZ

    Yüksek Lisans

    Türkçe

    Türkçe

    1986

    Makine MühendisliğiUludağ Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. OĞUZ BORAT

  4. Tez No

    257

    Kuyruk modelleri ve analizi üzerine bir uygulama

    Başlık çevirisi yok

    DİDEM ÖZPULAT

    Yüksek Lisans

    Türkçe

    Türkçe

    1985

    İstatistikEge Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    DOÇ. DR. FİKRET İKİZ

  5. Tez No

    320

    Yenileme yatırımları

    Başlık çevirisi yok

    OSMAN NURİ FİLİZ

    Yüksek Lisans

    Türkçe

    Türkçe

    1986

    İşletmeGazi Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. OSMAN OKKA

Geri Dön