Derin öğrenme tabanlı konut değerleme
Deep learning based housing valuation
- Tez No: 858721
- Danışmanlar: PROF. DR. OĞUZ GÜNGÖR
- Tez Türü: Doktora
- Konular: Ekonomi, Bilim ve Teknoloji, Economics, Science and Technology
- Anahtar Kelimeler: Derin öğrenme, Deep learning
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Gayrimenkul Geliştirme ve Yönetimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
İnsanların barınma amacıyla, hayatları boyunca hacim bakımından yaptıkları en önemli yatırım genel olarak konut satın alma üzerine olmuştur. Konut değerinin belirlenmesi bir problem olarak ortaya çıkmış ve bu amaçla çeşitli değerleme yöntemleri kullanılmıştır. Lisanslı Değerleme Uzmanları Kraliyet Kurumu (RICS), Yapay Sinir Ağları (YSA) yaklaşımı otomatik değerleme metotları arasında kullanılmaktadır. Bu çalışma kapsamında, Kayseri ilinin merkezindeki üç ilçede çok katlı binalarda yer alan konutların satış verileri toplanmıştır. Konutun bulunduğu binaya ait özellikler, konutun iç özellikleri ve konum bilgileri gibi üç kategoriden oluşan öznitelikler belirlenmiştir. Toplam 45 değişken içeren 1365 konut verisi eğitim, doğrulama ve test verisi olarak ayrılmıştır. Python yazılım dilinde, keras kütüphanesi kullanılarak 144 farklı DÖ mimarisi geliştirilmiştir. Bu mimarilerin başarıları, R-kare (r2), Ortalama Mutlak Hata (OMH), Ortalama Kareli Hata (OKH), Ortalama Mutlak Yüzde Hatası (OMYH), Ortalama Kare Hata Karekökü (OKHK) ve hataların standart sapması hesaplanarak karşılaştırılmıştır. Ayrıca Çoklu Doğrusal Regresyon (ÇDR) ve Coğrafi Ağırlıklı Regresyon (CAR) yöntemleri de kullanılarak konut değerleri tahmin edilmiştir. Elde edilen bulgulara göre; DÖ yöntemi OMYH ölçütü bakımından 0,057 değeri ile, ÇDR yönteminden %9,1 ve CAR yönteminden ise %7,3 oranında daha iyi sonuç vermiştir. Sonuç olarak, kentsel dönüşüm, toplu konut projeleri, yeni imara açılan bölgelerdeki konutlar, emlak vergi değerinin belirlenmesi, özniteliğe dayalı değer haritalarının oluşturulması, değer artış payı hesabını gerektiren imar planı tadilatları gibi toplu ve hızlı bir şekilde konut değerlemesinin yapılmasının gerekli olduğu durumlarda, Kayseri ilinde 3 ilçe merkezindeki çalışma sınırlarında kullanılabilecek başarılı bir DÖ mimarisi geliştirilmiştir.
Özet (Çeviri)
The most significant investment that people make in terms of volume for housing purposes throughout their lives has generally been buying a house. Determining the value of a house has emerged as a problem, and various valuation methods have been used for this purpose. Artificial Neural Networks (ANN) approach is one of the automatic valuation methods used by Royal Institution of Chartered Surveyors (RICS). In this study, sales data of residential properties located in multi-story buildings in three districts in the center of Kayseri province were collected. Attributes (variables) belonging to the building where the house is located, the internal features of the house, and the spatial characteristics of the building's location were determined as three categories. A total of 1365 housing data consisting of 45 variables were divided into training, validation, and test data. In the Python programming language, 144 different DÖ architectures have been developed using the Keras library. The successes of these architectures were compared by calculating the R-squared (r2) value, Mean Absolute Error (MAE), Mean Squared Error (MSE), Mean Absolute Percentage Error (MAPE), Root Mean Squared Error (RMSE) and the standard deviation of errors. In addition, Multiple Linear Regression (MLR) and Geographically Weighted Regression (GWR) methods were used to predict housing values. According to the findings, the DÖ method yielded better results in terms of the MAPE criterion with a value of 0.057, outperforming the MLR method by 9.1% and the GWR method by 7.3%. Consequently, in cases where it is necessary to carry out mass and rapid housing valuation, such as urban transformation, mass housing projects, housing in newly opened areas, determination of property tax value, creation of attribute-based value maps, and zoning plan amendments requiring the calculation of increment value share, a successful real estate valuation architecture has been developed within the working boundaries of 3 districts in Kayseri province.
Benzer Tezler
- A novel approach to house price prediction using segmented bayesian optimization based ensemble models
Segmentasyon ile bayes optimizasyon tabanlı ensemble modelleri kullanarak ev fiyatları öngörüsüne yeni bir yaklaşım
ARTUN PINAR
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBüyük Veri ve İş Analitiği Ana Bilim Dalı
DOÇ. DR. TUNCAY ÖZCAN
- X-ışını fındık görüntülerinde kusur belirlemeye yönelik derin öğrenme tabanlı bir yaklaşım
A deep learning based approach for defect detection in x-ray hazelnut images
SULTAN MURAT YILMAZ
Doktora
Türkçe
2025
ZiraatSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERAP ÇAKAR KAMAN
DR. ÖĞR. ÜYESİ ERKAN GÜLER
- Fractional-order derivative based adaptive methods for control and optimization
Kontrol ve optimizasyon için kesir mertebeli türev tabanlı adaptif yöntemler
MERT CAN KURUCU
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. MÜJDE GÜZELKAYA
PROF. DR. İBRAHİM EKSİN
- Deep image prior based high resolution isar imaging for missing data case
Eksik veri için derin görüntü önceli tabanlı yüksek çözünürlüklü tyar görüntüleme
NECMETTİN BAYAR
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Early prediction of probability of collision for LEO satellites using an ensemble learning with unscented transform based dataset generation from conjunction data messages
Yakınlaşma veri mesajlarından unscented transform tabanlı veri seti üretimi ile ensemble öğrenme kullanılarak LEO uyduları için çarpışma olasılığının erken tahmini
RABİA TÜYLEK TOK
Yüksek Lisans
Türkçe
2026
Havacılık ve Uzay Mühendisliğiİstanbul Teknik ÜniversitesiFizik Mühendisliği Ana Bilim Dalı
PROF. DR. EMRE ONUR KAHYA
DR. BURAK YAĞLIOĞLU