Makine öğrenmesi ile nohutta verim ve tür tahmini
Chickpea yield and species prediction with machine learning
- Tez No: 777712
- Danışmanlar: DR. ÖĞR. ÜYESİ KERİM KARADAĞ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Harran Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 84
Özet
Tarım sektöründe üretimin artışı; ekilebilen tarım alanlarının genişletilmesi bakımın, sulamanın uygun yöntemlerle zamanında yapılması ve uygun tohum türlerinin secimi gibi parametrelere bağlıdır. Artmakta olan insan nüfusuna sağlıklı ve yeterli gıda üretilebilmesi için tarım alanları yetersiz kalmaktadır. Sağlıklı ve yeterli gıda ihtiyacının karşılanabilmesi için birim alandan sağlıklı ve çok ürün elde etmenin gerektiği anlaşılmıştır. Verimliği artırmanın ön koşulu ise uygun tohum türlerin seçilmesi olduğu görülmüştür. Yapılan bu çalışma iki aşamada gerçekleşmiştir. Birinci aşamada nohut bitkisine ait özelliklerden makine öğrenme yöntemleri ile sınıflandırma işlemi yapılarak nohut tür tahmini yapıldı ikinci aşamada türlere ait verim değerleri regresyon yöntemi ile tahmin edilmiştir. Verilerin test ve eğitim için ayrıştırılmasında çapraz doğrulama 5 ve %50 eğitim %50 test şeklinde gerçekleşmiştir. Makine öğrenmesi sınıflandırma yöntemlerinden karar ağaçları (KA), destek vektör makineleri (DVM) ve k en yakın komşuluk (KNN) yöntemleri uygun görülmüş ve kullanılmıştır. Başarı ölçütü olarak doğruluk kullanılmıştır. Ham veri seti, ham + sentetik veri seti ve sadece sentetik veri setinden oluşan üç sınıfta işlem yapılmıştır. Elde edilen sonuçların başarı oranları karşılaştırıldığında yalnızca ham veriler kullanılarak yapılan sınıflandırmada en yüksek başarı oranı %90.6 doğruluk oranı ile DVM olmuştur. Aynı şekilde ham veriler ile birlikte oluşturulan sentetik verilerin kullanıldığı veri setinin sınıflandırma başarı oranı en yüksek %100 doğruluk oranı ile KA olmuştur. Sadece sentetik verilerden oluşan veri seti kullanıldığında sınıflandırmada en yüksek başarı oranı %95.4 doğruluk oranı ile KNN olmuştur. Başarı performanslarının yüksek olması makine öğrenme yöntemlerinin bu alanda kullanılabileceğini göstermiştir.
Özet (Çeviri)
Increase in production in the agricultural sector; The expansion of cultivated agricultural areas depends on parameters such as timely maintenance, irrigation with appropriate methods and selection of appropriate seed types. Agricultural areas are insufficient to produce healthy and sufficient food for the increasing human population. It has been understood that in order to meet the need for healthy and sufficient food, it is necessary to obtain healthy and many products from the unit area. It has been seen that the prerequisite for increasing productivity is the selection of suitable seed species. This study was carried out in two stages. In the first stage, chickpea species were estimated by classifying the characteristics of the chickpea plant with machine learning methods, and in the second stage, the yield values of the species were estimated by regression method. In the separation of the data for testing and training, cross validation was 5 and 50% training was 50% testing. Decision trees (CA), support vector machines (SVM) and k nearest neighbor (KNN) methods from machine learning classification methods were found suitable and used. Accuracy was used as a measure of success. Three classes of raw data set, raw + synthetic data set and only synthetic data set were processed. When the success rates of the results obtained were compared, the highest success rate in the classification using only raw data was SVM with an accuracy rate of 90.6%. Likewise, the classification success rate of the dataset, in which synthetic data created together with the raw data, was used, was KA with the highest 100% accuracy rate. When the dataset consisting of only synthetic data was used, the highest success rate in classification was KNN with an accuracy rate of 95.4%. The high success performances have shown that machine learning methods can be used in this field.
Benzer Tezler
- Makine öğrenmesi ile etkileşimli yardım masası sistemi tasarımı
Interactive helpdesk system design with machine learning
BUĞRA KAAN TÜRKMENOĞLU
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. OKTAY YILDIZ
- Makine öğrenmesi ile kısıtlara dayalı zımpara seçimi
Abrasive selection based on constraints with the help of machine learning
MELİH SARILIGİL
Yüksek Lisans
Türkçe
2023
Makine MühendisliğiBalıkesir ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ ORAL
- Makine öğrenmesi ile gelişmiş polarizasyon kestirim yöntemi
Advanced polarization estimation method with machine learning
YUSUF ÖNÜR
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiTOBB Ekonomi ve Teknoloji ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HARUN TAHA HAYVACI
- Makine öğrenmesi ile uzaktan eğitim öğrencilerinin performanslarının değerlendirilmesi
Evaluating distance learning students' performance by machine learning
OSMAN YILDIZ
Doktora
Türkçe
2014
Eğitim ve Öğretimİstanbul ÜniversitesiEnformatik Ana Bilim Dalı
PROF. DR. SEVİNÇ GÜLSEÇEN
DOÇ. DR. ABDULLAH BAL
- Makine öğrenmesi ile periodontal hastalık risk tahmini
Periodontal disease risk prediction via machine learning
AYŞE SİNEM SEVİNÇ
Diş Hekimliği Uzmanlık
Türkçe
2021
Diş HekimliğiBolu Abant İzzet Baysal ÜniversitesiPeriodontoloji Ana Bilim Dalı
DOÇ. DR. ŞADİYE GÜNPINAR