Geri Dön

Makine öğrenmesi algoritmaları ile geliştirilen erken uyarı sistemi ile çocukluk çağı obezite riskinin saptanması

Detection the risk of childhood obesity by early warning system developed with machine learning algorithms

PDF İndir

  1. Tez No: 746030
  2. Yazar: BURCU ÇAVDAR
  3. Danışmanlar: PROF. DR. BETÜL ÇİÇEK
  4. Tez Türü: Doktora
  5. Konular: Beslenme ve Diyetetik, Nutrition and Dietetics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Erciyes Üniversitesi
  10. Enstitü: Sağlık Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Beslenme ve Diyetetik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 136

Özet

Günümüzde çocukluk çağı obezite riskini tahmin edebilecek bilgisayar programları kullanılmaktadır. Çalışmanın amacı, makine öğrenmesi yaklaşımlarıyla çocukluk çağı obezite riskini tahmin edebilen erken uyarı sistemi geliştirmek ve bu sayede çocuklarda obezite henüz gelişmeden tespit edilebilmesine katkı sağlamaktır. İlk aşamada çocukluk çağı obezite riskini tahmin edebilen dinamik bir erken uyarı sistemi kurulmuştur. Sistem için Navie Bayes, k-en yakın komşu, yapay sinir ağı, karar ağacı, lojistik regresyon ve destek vektör makinesi algoritmalarının performansları doğruluk, duyarlılık, hassasiyet, F-ölçütü, Matthews korelasyon katsayısı, Kappa istatistiği değerleri ile belirlenmiştir. En yüksek doğrulukta tahmin işlemini karar ağacı algoritması gerçekleştirdiği için sistem bu algoritmayla kurulmuş ve bulut sağlayıcısına aktarılarak web tabanlı dinamik bir sisteme dönüştürülmüştür. İkinci aşamada sistem tarafından 100 çocuğun obezite risk tahminleri yapılmıştır. Sistem sonuçları ile obezite risk faktörleri arasındaki ilişki incelenerek sistemin doğruluğu teyit edilmiştir. Sonuç olarak çocukluk çağı obezite riski için %94 başarıyla tahmin işlemi gerçekleştiren bir erken uyarı sistemi kurulabilmiş ve çağımızın en ciddi problemlerinden olan obezite için gerekli önlemlerin henüz ortaya çıkmadan alınabilmesi mümkün hale gelmiştir

Özet (Çeviri)

Complex computer programs are used to predict the risk of childhood obesity. The aim of the study is to develop an early warning system that can predict the risk of childhood obesity with a machine learning approach and to contribute to the detection of obesity in children before it develops. In the first stage of the study, a dynamic early warning system that can predict childhood obesity risk. Naive bayes, k-nearest neighbor, artificial neural network, decision tree, logistic regression and support vector machine algorithms are used for the early warning system. The performances of the models were determined by accuaracy, recally, sensitivity, F-measure, Matthews correlation coefficient and Kappa statistic. The decision tree algorithm performed the prediction with the highest accuracy. The system was established with the decision tree algorithm. The system was transferred to the cloud provider and transformed into a web based dynamic system. In the second stage of the study, the obesity risks of 100 children were calculated. The accuracy of the system was confirmed by examining the relationship between system results and obesity risk factors. As a result, an early warning system that can predict childhood obesity risk with a success rate of 94% has been established. In this way, it has become possible to take the necessary measures for obesity, which is one of the most serious problems of our centurt, before it occurs.

Benzer Tezler

  1. Tez No

    837373

    Makine öğrenmesi algoritmaları ile ses sinyallerinden parkinson hastalığının tespit edilmesi

    Detecting parkinson's disease from audio signals with machine learning algorithms master's thesis

    YUSUF KARAGÖZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKTO Karatay Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALİ ÖZTÜRK

  2. Tez No

    836194

    Makine öğrenmesi algoritmaları ile tiroit kanseri teşhisi

    Diagnosis of thyroid cancer with machine learning algorithms

    İREM TURAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi

    Sayısal Yöntemler Ana Bilim Dalı

    PROF. DR. ÇİĞDEM ARICIGİL ÇİLAN

  3. Tez No

    800735

    Makine öğrenmesi yöntemleriyle orman yangını tahmini

    Forest fire prediction with machine learning methods

    ORHAN YILDIRIM

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ FARUK BATURALP GÜNAY

  4. Tez No

    795008

    Miyelodisplastik sendromu hastalığında erken ve ayırıcı teşhis için makine öğrenmesi yöntemlerinin performans kıyaslaması ve hibrit bir model önerisi

    Performance comparison of machine learning methods for early and differential diagnosis in myelodysplastic syndrome disease and a hybrid model proposal

    NAZLI ÖZDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBeykent Üniversitesi

    Bilgisayar Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ATINÇ YILMAZ

  5. Tez No

    858801

    Makine öğrenmesi yöntemleri kullanılarak ortaokul öğrencilerinin başarılarının değerlendirilmesi

    Evaluation of middle school students' achievements using machine learning methods

    ZEYNEP GÖKMEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Eğitim ve ÖğretimİSTANBUL TOPKAPI ÜNİVERSİTESİ

    Yazılım Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ALİ HAYDAR ESER

Geri Dön