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 işgörenlerin işe yabancılaşma durumunun sınıflandırılması
Classification of employees' work alienation with machine learning
AKIN SÖNMEZER
Yüksek Lisans
Türkçe
2024
İşletmeHacettepe Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. ÖZGE TAYFUR EKMEKCİ
- Makine öğrenmesi ile akademik başarı analizi ve tercih tespiti: Isparta ili örneği
Academic achievement analysis and preference determination with machine learning: The case of Isparta province
MUSTAFA İNAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBurdur Mehmet Akif Ersoy ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. EMRE ÇOMAK
DOÇ. DR. ONUR SEVLİ
- Makine öğrenmesi ile belge tanıma
Document recognition with machine learning
İSA YURDABAKAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMET ÇAKMAK
- Makine öğrenmesi ile hazır giyim perakende sektöründe satış tahmini
Sales forecasting in apparel retail industry with machine learning
SALİH CEYLAN
Yüksek Lisans
Türkçe
2024
Bilim ve TeknolojiYıldız Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BİROL ASLANYÜREK
- Makine öğrenmesi ile BİLSEM'de öğrenci başarısını tahmin etme
Predicting student achievement in BİLSEM exam with machine learning
HAKAN ESEN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELİM BUYRUKOĞLU