Makine öğrenmesi ve genetik algoritma temelli atm lokasyonlarının belirlenmesi
Determination of atm locations based on machine learning and genetic algorithm
- Tez No: 887860
- Danışmanlar: PROF. DR. BANU DİRİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
ATM'ler, bankacılık hizmetlerinin müşterilere ulaştırılmasında önemli rol oynayan dijital kanallardır. Şube gişesi, mobil şube, internet bankacılığı vb. kanallardan yapılan finansal ve finansal olmayan işlemlerin birçoğu ATM'lerden de sağlanmaktadır. Bu bakımdan, ATM'lerin ulaşılabilir lokasyonlarda olmaları müşteriler açısından önem arz etmektedir. ATM'ler, şube bağımlı ve şube bağımsız olarak konumlandırılırlar. Banka şubelerinde bulunan ATM'lerin lokasyonu, ait olduğu şubeye bağlı olmaktadır. Bu nedenle, çalışma yapılırken dış cephe (offsite) ATM'lerin lokasyon seçimleri ele alınmıştır. ATM lokasyon seçim çalışmalarında, literatürde farklı yöntemler denenmiştir. İstatistiki yöntemler, makine öğrenmesi teknikleri ve özellikle Coğrafi Bilgi Sistemleri (GIS) bu alanda uygulanmaktadır. Bu çalışmada ele alınan problem, gerçek bir dünya problemidir. Veri seti olarak, gerçek ATM lokasyon verilerinden oluşan ve farklı demografik, ekonomik ve coğrafi özellikleri içeren bir veri seti kullanılmıştır. Bu çalışmada, lokasyon tespiti için ilk aşamada farklı makine öğrenmesi ve regresyon modelleri denenmiştir. Model, verilen lokasyon girdilerine göre 0 ile 100 arasında bir puan üretmekte ve bu puanın 100'e yakın olması, o lokasyona ATM kurulmasının bankalar açısından daha faydalı olacağı anlamına gelmektedir. Makine öğrenmesi modelleri arasında en başarılı sonuç Rastgele Orman modeli ile elde edilmiştir. Makine öğrenmesi çalışmasında 97 özellikten oluşan ham veri seti 81 özelliğe indirgenmiştir. İkinci fazda, Genetik Algoritma kullanılarak, özellik seçimi yapılması sağlanmıştır. Toplamda 11 özellik seçilmiş olup, bu özellikler tekrardan ilk fazda makine öğrenmesinde en fazla başarıyı gösteren model olan Rastgele Orman algoritması ile değerlendirilmiştir. Model performansları R-kare, ortalama kare hatası (MSE) ve ortalama mutlak hata (MAE) metrikleriyle ölçülmüştür. Üçüncü aşamada, Weka uygulaması kullanılarak veri setinden özellikler seçilmiş olup, bu özellikler de ikinci fazdaki gibi Rastgele Orman modeli ile değerlendirilmiştir. İlk fazdaki Rastgele Orman modeli 0,91 R-Kare oranıyla başarı elde ederken, Genetik Algoritma ile özellik seçimleri sonrası bu oranın 0,97'ye, Weka ile özellik seçimleri sonrası 0,93'e yükseldiği görülmüştür. Gelecekteki çalışmalarda, daha büyük veri setlerinin kullanımı, farklı makine öğrenmesi algoritmalarının entegrasyonu ve hiper-parametre optimizasyonlarının denenmesiyle modellerin başarısı artırılabilir.
Özet (Çeviri)
ATMs are digital channels that play an important role in delivering banking services to customers. Many of the financial and non-financial transactions made through channels such as branch counters, mobile branches, internet banking, etc. are also available through ATMs. In this respect, it is important for customers that ATMs are located in accessible locations. ATMs are positioned as branch-dependent and branch-independent. The location of ATMs in bank branches depends on the branch to which they belong. Therefore, this study focuses on the location selection of offsite ATMs. In ATM location selection studies, different methods have been tried in the literature. Statistical methods, machine learning techniques and especially Geographic Information Systems (GIS) have been applied in this field. The problem in this study is a real world problem. In this study, different machine learning and regression models are tested in the first stage for location detection. The model produces a score between 0 and 100 based on the given location inputs, and a score closer to 100 means that it is more beneficial for banks to install ATMs in that location. The most successful result among the Machine Learning models was obtained with the Random Forest model. In the machine learning study, the raw data set consisting of 97 features was reduced to 81 features. In the second phase, genetic algorithm were used to select features. A total of 11 features were selected and these features were again evaluated with the Random Forest algorithm, which was the most successful model in Machine Learning in the first phase. Model performances were measured by R-square, mean square error (MSE) and mean absolute error (MAE) metrics. In the third phase, features were selected from the dataset using the Weka application, and these features were evaluated with the Random Forest model as in the second phase. While the Random Forest model in the first phase achieved a success with an R-square ratio of 0.91, this ratio increased to 0.97 after feature selection with Genetic Algorithm and to 0.93 after feature selection with Weka. In future studies, the success of the models can be improved by using larger data sets, integrating different Machine Learning algorithms, and testing hyper-parameter optimizations.
Benzer Tezler
- Makine Öğrenmesi ve Genetik Algoritma Kullanılarak Anomali Tabanlı Saldırı Tespit Sistemi
Anomaly Based Intrusion Detection System Using Machine Learning And Genetic Algorithm
MUSTAFA VEYSEL ÖZSARI
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYHAN AYDIN
- Bina inşaatlarında iş kazalarının sonuçlarının ve etkilerinin makine öğrenmesi ile tahmini ve risk optimizasyonu
Predicting the outcomes and impacts of occupational accidents in building construction utilizing machine learning and risk optimization
ÖZGE ALBOĞA IŞIK
Doktora
Türkçe
2025
İnşaat Mühendisliğiİskenderun Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ERCAN ERDİŞ
DR. ÖĞR. ÜYESİ SERKAN AYDINLI
- Meta-analysis of microRNA and gene selection using machine learning
Makine öğrenmesi kullanarak microRNA meta-analizi ve gen seçimi
ELNAZ PASHAEI
Doktora
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NİZAMETTİN AYDIN
- Hybrid machine learning approach for scrap prediction: An xgboost and catboost integration
Hurda tahmini için makine öğrenmesi yaklaşımı: Xgboost ve catboost entegrasyonu
EMİNE NUR NACAR
Doktora
İngilizce
2025
Endüstri ve Endüstri MühendisliğiAnkara Yıldırım Beyazıt ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ERGÜN ERASLAN
- Makı̇ne öğrenmesı̇ ı̇le sürü robotları ı̇çı̇n savaş stratejı̇sı̇ modelı̇
A q-learning based approach for simple and multi-agent systems
ÜMİT ULUSOY
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET SERDAR GÜZEL