Yapay zekâ makine öğrenmesi yöntemleriyle işsizlerin zamana göre işsiz kalma risklerinin tespiti
Detection of the risk of unemployed people being unemployed by time using artificial intelligence machine learning methods
- Tez No: 892322
- Danışmanlar: PROF. DR. HİDAYET TAKCI
- 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: Sivas Cumhuriyet Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yapay Zeka ve Veri Bilimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
İşsizlik hem oluşum sebepleri hem de sonuçları itibariyle çok boyutlu bir sorun olarak çözüm beklemektedir. İşsizlik sorunun çözümünde mikro düzeyde aktif istihdam politikası aracı olan iş arayan danışmanlığı önemli konumdadır. Danışmanlığın planı ise bireysel eylem planı ile sağlanmaktadır. İyi bir bireysel eylem planı geçerli bir iş profillemesi ile mümkündür. İş profilleme ile iş arayanlar iş arama özelliklerine göre ayırt edilebilir ve sınıflandırılabilir. Gerçekçi bir iş profilleme ise zamana göre işsiz kalma risk tespiti ile gerçekleşebilir. İşsiz kalma risk tespitine dayalı profilleme işlemi ise istatistiksel profillemedir. Bilimsel çalışmalar klasik istatistiksel modellemelere alternatif olarak yapay zekâ makine öğrenmesi modellerini sunmaktadır. Bu çalışmada Sivas İŞKUR'a başvuran işsizlerin bazı iş arama özellikleri üzerinden başvuru sonrası bir yıl içerisinde işe yerleşmeleri istatistiksel yöntemler ve makine öğrenmesi yöntemleri ile modellenmesi, sınıflandırılması, yöntemlerin karşılaştırılması yapılmıştır. Ayrıca işsizlik risk sınıfları ve işe yerleştirmede etkili olan değişkenler belirlenmiştir. Çalışma sonuçlarına göre makine öğrenmesi modelleri istatistiksel modellere göre çoğunlukla daha yüksek doğruluk performansı göstermiştir. Model doğruluk performansında ana belirleyici faktörün model algoritmalarının olduğu tespit edilmiştir. En yüksek doğruluk performansı %78,8 rasgele orman modellemesinde gerçekleşmiştir. En düşük performans ise lojistik regresyon ve naive bayes gibi istatistik tabanlı modellerde gerçekleşmiştir. Risk sınıflandırması için rasgele orman regresyon kullanılmış ve iyi bir açıklama oran(0,48) elde edilmiştir. Sınıflandırmaya göre Sivas da işsiz kalma riski taşıyanların oranı %76,6 olarak hesaplanmıştır. Modeldeki iş arama özelliklerinin işsizin işe yerleşmesi ile çok zayıf ilişkisi olduğu ve başkaca özellikler ile daha iyi bir modelleme yapılacağı tespit edilmiştir. Yapay zekâ makine öğrenmesi algoritmaları ile yapılan iş profilleme işleminin il işsizlik sorunun çözümüne önemli katkılar sağlayacağı sonucuna varılmıştır.
Özet (Çeviri)
Unemployment awaits a solution as a multi-dimensional problem, both in terms of its causes and consequences. Job seeker consultancy, which is an active employment policy tool at the micro level, is important in solving the unemployment problem. The consultancy plan is provided with an individual action plan. A good individual action plan is possible with a valid job profiling. With job profiling, job seekers can be distinguished and classified according to their job search characteristics. A realistic job profiling can be achieved by determining the risk of becoming unemployed over time. The profiling process based on unemployment risk detection is statistical profiling. Scientific studies offer artificial intelligence machine learning models as an alternative to classical statistical modeling. In this study, the job placement of unemployed people who applied to Sivas İŞKUR within one year after the application, based on some job search characteristics, was modeled, classified and compared with statistical methods and machine learning methods. Additionally, unemployment risk classes and variables effective in job placement were determined. According to the study results, machine learning models generally showed higher accuracy performance than statistical models. It has been determined that model algorithms are the main determining factor in model accuracy performance. The highest accuracy performance was 78.8% in random forest modeling. The lowest performance was achieved in statistical-based models such as logistic regression and naive bayes. Random forest regression was used for risk classification and a good explanation rate (0.48) was obtained. According to the classification, the rate of people at risk of becoming unemployed in Sivas is calculated as 76.6%. It has been determined that the job search features in the model have a very weak relationship with the job placement of the unemployed and that a better modeling can be done with other features. It has been concluded that job profiling with artificial intelligence machine learning algorithms will make significant contributions to the solution of the provincial unemployment problem.
Benzer Tezler
- İnşaat işgücü özelinde verimlilik: LC-BIM sinerjisinin etkisi ve makine öğrenmesi teknikleri ile ölçülmesi
Construction labor productivity: impact of LC-BIM synergy and measurement with machine learning techniques
İBRAHİM KARATAŞ
Doktora
Türkçe
2023
İnşaat MühendisliğiOsmaniye Korkut Ata Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULKADİR BUDAK
- Ergonomik kısıtlar altında atama problemleri için yapay zekâ destekli çözüm yaklaşımı
Artificial intelligence-supported solution approach for assignment problems under ergonomic constraints
EMİNE RUMEYSA ATMACA
Doktora
Türkçe
2026
Endüstri ve Endüstri MühendisliğiSüleyman Demirel ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLTEKİN ÖZDEMİR
- Birer fintech oluşumu olarak Türkiye'de ödeme sistemleri ile ödeme ve elektronik para kuruluşları ve bir denetim modeli önerisi
Payment systems, payment and electronic money institutions in Turkey as formations of fintech and a proposal for audit model
ENVER SEDAT GÜLTEKİN
- İzmir ili içme suyu tüketimini etkileyen faktörlerin belirlenmesi ve makine öğrenmesi yöntemleriyle su tüketiminin incelenmesi
Determination of factors affecting drinking water consumption in İzmir province and analysis of water consumption using machine learning methods
FATİH TEK
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Katip Çelebi ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATMA GÜNSELİ ÇIKLAÇANDIR
- Deniz taşımacılığında makine öğrenmesi yöntemleriyle talep ve teslim süresi tahmini
Demand and lead time prediction with machine learning methods in maritime shipping
LARA J M NASER
Yüksek Lisans
Türkçe
2025
Endüstri ve Endüstri MühendisliğiBursa Uludağ ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEVAL ENE YALÇIN