Geri Dön

Anomaly detection via machine learning

Makine öğrenmesi ile anormallik tespiti

  1. Tez No: 785547
  2. Yazar: GÖRKEM ERDEM
  3. Danışmanlar: PROF. DR. FEZA KERESTECİOĞLU, DR. ÖĞR. ÜYESİ MESUT ÇEVİK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Kadir Has Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 65

Özet

Perakende şirketleri, envanter stok seviyelerini düzenli olarak izler ve pazar konumlarını korumak için satışlara dayalı tahminlere göre stok seviyelerini yönetir. Envanter stoklarının doğruluğu, perakende şirketlerinin doğru bir strateji oluşturması için kritik öneme sahiptir. Birçok perakende şirketi, çalışan veya müşteri hırsızlığı, hasar veya bozulma, yanlış sevkiyatlar nedeniyle envanter stoğundaki yanlışlıkları tespit etmeye ve önlemeye çalışmaktadır. Makine öğrenmesi yöntemlerini kullanarak hatalı stokları tespit etmeyi amaçlayan çalışmamızda Türkiye'nin en büyük süpermarket zincirlerinden Migros Ticaret A.Ş.'nin gerçek envanter stoğu verileri kullanılmıştır. Anormal stok değerlerinin tespiti için İzolasyon Ormanı, Yerel Aykırı Değer Faktörü, Tek-Sınıf Destek Vektör Makinesi gibi birden fazla makine öğrenimi algoritması uygulanmıştır. Öte yandan, genellikle araştırmacılar yöntem geliştirmek için halka açık verileri kullanır; fakat özellikle denetimsiz öğrenme alanındaki makine öğrenmesi algoritmalarını gerçek hayattaki verilere uygulamak zordur. Bu tezde gerçek hayattaki verilerdeki problemlerin, örneğin verideki eksik ve ekstrem değerlerin vb. nasıl ele alınacağını gösteriyoruz. Deneysel sonuçlar, düşük ve yüksek seviyedeki envanter stoğundaki anormalliklerin tespitinde makine öğrenmesi yöntemlerinin performanslarını göstermektedir.

Özet (Çeviri)

Retail companies monitor inventory stock levels regularly and manage stock levels based on forecasted sales to sustain their market position. The accuracy of inventory stocks is critical for retail companies to create a correct strategy. Many retail companies try to detect and prevent inventory record inaccuracy caused by employee or customer theft, damage or spoilage and wrong shipments. This study is aimed to detect inaccurate stocks using machine learning methods. It uses the real inventory stock data of Migros Ticaret of Turkey's largest supermarket chains. A multiple of machine learning algorithms such as Isolation Forest (IF), Local Outlier Factor (LOF), One-Class Support Vector Machine (OCSVM) were used to detect abnormal stock values. On the other hand, generally, researchers use public data to develop methods, and it is challenging to apply machine learning algorithms to real-life data, especially in unsupervised learning. This thesis shows how to handle real-life data noises, missing values etc. The experimental findings show the performances of machine learning methods in detecting anomalies in low and high level inventory stock.

Benzer Tezler

  1. Real-time anomaly detection in UAV systems using TinyML on ARM Cortex-M microcontrollers

    ARM Cortex-M mikrodenetleyicilerde gömülü makine öğrenmesi kullanarak İHA sistemlerinde gerçek zamanlı anomali tespiti

    MEHMET ALPEREN BAKICI

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Havacılık ve Uzay Mühendisliğiİstanbul Teknik Üniversitesi

    Savunma Teknolojileri Ana Bilim Dalı

    PROF. DR. ECE OLCAY GÜNEŞ

  2. Fraud detection using deep neural networks

    Derin sinir ağları ile dolandırıcılık tespiti

    FAİK ÖZCAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YAKUP GENÇ

  3. Anomaly-based cyber intrusion detection system with ensemble classifier

    Topluluk öğrenmesiyle anomali tabanlı siber ihlal tespit sistemi

    ALPER SARIKAYA

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilişim Sistemleri Ana Bilim Dalı

    DOÇ. DR. BANU GÜNEL KILIÇ

  4. Network anomaly detection in cloud and IoT using fuzzy logic

    Başlık çevirisi yok

    SUSAN ISMAEL ABDULWAHHAB AL-HADEETHI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. GALİP CANSEVER

  5. Federated anomaly detection for log-based defense systems

    Log tabanlı savunma sistemleri için federe olağandışılık tespiti

    UĞUR ÜNAL

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKadir Has Üniversitesi

    Yönetim Bilimleri Ana Bilim Dalı

    PROF. DR. HASAN DAĞ