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: 172
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
- 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
- Bazı tıbbi görüntülerin kuantum teknolojik yöntemler ile analizi
Analysis of some medical images with quantum technological methods
NİLAY DURMUŞ
Yüksek Lisans
Türkçe
2022
Fizik ve Fizik MühendisliğiÇanakkale Onsekiz Mart ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. İHSAN YILMAZ
- Makine öğrenmesi yöntemleriyle enflasyona etki eden faktörlerin incelenmesi: Türkiye örneği
Using machine learning methods to examine factors affecting inflation: The example of Türkiye
HASAN ŞEN
Yüksek Lisans
Türkçe
2023
Endüstri ve Endüstri MühendisliğiBursa Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖMER FARUK EFE
- Kalp yetmezliği riskinin makine öğrenmesi yöntemleri ile analiz edilmesi
Analysis of heart failure risk with machine learning methods
SEMA BİLEKYİĞİT
Yüksek Lisans
Türkçe
2022
Mühendislik BilimleriKaramanoğlu Mehmetbey ÜniversitesiMühendislik Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYŞE ELDEM
- 3 boyutlu nokta bulutlarının modellenmesinde metasezgisel yaklaşımlar
Metaheuristic algorithms to modelling in 3D point clouds
ÜLKÜ KIRICI YILDIRIM
Doktora
Türkçe
2024
Jeodezi ve FotogrametriOndokuz Mayıs ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. YASEMİN ŞİŞMAN