Advanced approaches to fuzzy cognitive mapping for enhancing convergence, learning, and prediction
Yakınsama, öğrenme ve tahmin performansının iyileştirilmesi için bulanık bilişsel haritalarda ileri yaklaşımlar
- Tez No: 938060
- Danışmanlar: DOÇ. DR. UMUT ASAN
- Tez Türü: Doktora
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: 180
Özet
Bu tez çalışması, Bulanık Bilişsel Harita (BBH) tabanlı modellemenin etkinliğini artırmak amacıyla BBH'nin çıkarsama mekanizmasında bazı iyileştirmeler yapılmasına odaklanmaktadır. BBH, karmaşık sistemlerin modellenmesinde sıkça tercih edilen, kolay uygulanabilen ve hesaplama açısından pratik bir tekniktir. Bu yöntem, sistemi düğümler ve yönlü oklar yardımıyla harita üzerinde görselleştirir. Sistemin temel unsurları düğümler ile temsil edilirken, bu unsurlar arasındaki ilişkiler ise yönlü oklar aracılığıyla ifade edilir. Bu yönlü oklar, ilişkilerin derecesini gösteren sayısal ağırlıklar taşır. BBH, unsurlar arasındaki ilişkilerin varlığını ve büyüklüğünü kullanarak sistem davranışının analiz edilmesini mümkün kılar. BBH, karmaşık sistemlerin dinamiklerini modellemede sıklıkla tercih edilmesinin temel sebeplerinden biri kolay yapılandırılabilir olmasıdır. En basit haliyle BBH tekniği, uzman görüşlerine dayanarak sistemin temel unsurlarının ve bunlar arasındaki ilişkilerin belirlenmesine imkân sağlar. Ancak yalnızca uzman görüşüne dayalı bir yaklaşımın bazı sınırlılıkları bulunmaktadır. Uzman görüşlerine başvurmak, genellikle sistemin temel unsurlarının belirlenmesinde sorun yaratmazken, bu unsurlar arasındaki ilişkilerin ve özellikle ilişki güçlerinin belirlenmesinde yetersiz kalabilmektedir. Bu durumun temel nedeni, ele alınan sisteme dair uzmanlık alanlarının farklılığı veya uzmanların sistemi algılama biçimlerinin değişken olmasıdır. Dolayısıyla bu farklılıklar, modelde belirsizliğe ve kesin olmayan sonuçlara yol açabilmektedir. Böyle oluşturulmuş bir BBH modeli ise gerçek sistemin davranışlarını yeterince doğru yansıtamayabilir. Yukarıda belirtilen sorunlara çözüm arayan araştırmacılar, BBH modellerindeki ilişkilerin güçlerini temsil eden ağırlık değerlerini iyileştirmek amacıyla çeşitli öğrenme algoritmaları geliştirmiştir. Bu algoritmalar, başlangıçta uzman görüşleriyle belirlenen ilişki ağırlıklarını daha hassas biçimde güncellemeyi hedeflemektedir. Böylece uzmanların ortaya koyduğu ilk modele kıyasla, sistemi daha doğru biçimde yansıtan bir model elde edilmesi amaçlanmaktadır. Ağırlıkların güncellenmesi sürecinde, unsurların birlikte nasıl değiştiği analiz edilerek veya sistem davranışına ilişkin mevcut verilerden yararlanılarak modelin doğruluğu artırılmaktadır. Veri kullanımı için, sistem unsurlarının aktiflik düzeylerini gösteren aktivasyon seviyelerinin, farklı zamanlarda ölçülerek kaydedilmesi gerekmektedir. Başka bir ifadeyle, belirli bir anda sistemdeki her bir unsurun aktivasyon düzeyi, yani durum vektörü, elde edilmelidir. Ardışık anlarda elde edilen bu durum vektörleri, sistemin zamana bağlı davranışının veriye dayalı olarak temsil edilmesini sağlar. Literatürde araştırmacılar, ilişkilerin ağırlık değerlerini güncellemek amacıyla Genetik Algoritma ve Parçacık Sürüsü Optimizasyonu (PSO) gibi metasezgisel optimizasyon algoritmalarını sıklıkla kullanmıştır. Burada temel alınan mantık, gözlemlenen verilerde yer alan sistem davranışını mümkün olduğunca doğru biçimde tekrarlayabilecek bir BBH modeli oluşturmaktır. Başka bir ifadeyle, sistemin başlangıç aktivasyon seviyelerinden hareket edilerek, ilerleyen aşamalarda bu aktivasyon seviyelerinin nasıl değiştiğini ve durumlar arası geçişlerin nasıl gerçekleştiğini açıklayan bir davranış modeli geliştirilmesi hedeflenir. Bu süreçte, uzman görüşlerine dayanarak başlangıçta belirlenen ilişki ağırlıkları, gözlenen ardışık durumlar arasındaki geçişleri daha doğru biçimde yansıtacak şekilde güncellenir ve böylece daha hassas bir BBH modeli elde edilir. Veriye dayanarak ve bazı durumlarda ilişkilerle ilgili belirli kısıtları dikkate alarak, gözlenen sistem davranışını en az hata ile tekrarlayabilen bir model elde etme süreci, literatürde“BBH Öğrenimi”olarak adlandırılmaktadır. BBH Öğrenimi, ilişkilerin yönünü, işaretini ve gücünü (ağırlık değerlerini) belirlemeyi amaçlayan bir yöntemdir. BBH, karmaşık sistemlerin davranışlarını taklit etmek amacıyla ardışık iki sistem durumu arasındaki geçişi simüle eden bir çıkarsama mekanizması kullanır. Bu mekanizma, mevcut durumdan hareketle unsurlar arasındaki nedensel ilişkileri dikkate alarak sistemi bir sonraki duruma taşır; başka bir ifadeyle, unsurların yeni aktivasyon düzeylerini belirler. Böylece, model belirli bir başlangıç koşulundan başlayarak sistemin gelecekteki durumlarını tahmin eder. Literatürde, durumlar arası geçişleri gerçekleştiren çıkarsama mekanizması için genellikle sigmoid veya tanjant sigmoid gibi doğrusal olmayan aktivasyon fonksiyonları tercih edilmektedir. Klasik yaklaşımda, önce unsurlar arasındaki etkileşimler, etki yönleri ve şiddetleri tanımlanarak bir BBH modeli oluşturulur. Daha sonra bu model çalıştırılarak, sistemin zaman içindeki davranış örüntüsünü içeren yapay veri setleri elde edilir. Bu veri setleri, BBH öğreniminde başka bir modelin ilişki ağırlıklarını tespit etmek için kullanılır. Başka bir ifadeyle, bilinmeyen parametreleri belirlemek için üretilen yapay verilerden faydalanılır. Fakat böyle bir yöntem, önemli bir yanlılık riski taşır. Çünkü öğrenme sürecinde kullanılan yapay veriler, oluşturulmak istenen modelle birebir aynı çıkarsama yapısına sahip modellerden elde edilir. Bu durum, BBH modelinin gerçek sistem davranışına uyum sağlama yeteneğini zayıflatabilir ve öğrenilen modelin performansının olduğundan daha iyi görünmesine yol açabilir. BBH modellerinde klasik çıkarsama mekanizmasının kullanılmasına bağlı daha önemli başka bir sorun daha vardır. Bu sorun, modelin simülasyonu sırasında, farklı başlangıç durumlarından hareket edilmesine rağmen sistemin çoğunlukla aynı veya çok benzer bir son duruma yakınsamasıdır. Genel olarak BBH simülasyonlarında üç temel sistem davranışı ortaya çıkar: sabit duruma yakınsama, durumlar arasında döngüsel hareket ve kaotik davranış. Bunlardan en yaygın karşılaşılanı sabit duruma yakınsamadır. Sistemin zaman içinde belirli bir noktada dengelenmesini ifade eden bu davranış, özellikle fiziksel sistemlerin kontrol edilmesi açısından önemlidir. Örneğin enerji yönetimi, su dağıtımı veya endüstriyel süreçlerin güvenli ve tutarlı biçimde işlemesi için sistemin dengeli bir duruma ulaşması beklenir. Bununla birlikte, özellikle durumlar arasında döngüler veya karmaşık geçişler içeren sosyal sistemlerin modellenmesinde veya başlangıç koşullarına duyarlılık gerektiren tahminlerde ve senaryo analizlerinde klasik çıkarsama mekanizması yeterince etkili değildir. Sosyal sistemler, farklı unsurlar arasında karmaşık, doğrusal olmayan ve beklenmedik dinamik etkileşimlere sahip olduğundan, klasik yöntem bu tür yapıların dinamik değişimlerini doğru yansıtmakta zorlanır. Bu nedenle, sosyal sistemlerin belirsizliklerini ve değişkenliklerini daha iyi temsil edebilen, daha esnek ve uyarlanabilir çıkarsama yöntemlerine ihtiyaç duyulmaktadır. Bu tez çalışması, klasik çıkarsama mekanizmasının özellikle denge durumu hedeflemeyen karmaşık sistemlerdeki yetersizliğini gidermek üzere alternatif bir çıkarsama mekanizması önermektedir. Çalışmanın temel amacı, önerilen mekanizmanın klasik yöntemin eksik kaldığı durumları aşabildiğini ortaya koymaktır. Bu doğrultuda öncelikle tezin ikinci ve üçüncü bölümlerinde sırasıyla klasik BBH'nin kavramsal, kuramsal altyapısı özetlenmekte ve çıkarsama mekanizmasının sorunları ele alınmaktadır. Sonrasında, tez kapsamında yürütülen üç farklı çalışma üç ayrı bölümde detaylandırılmaktadır. Her bölüm, geliştirilen çıkarsama mekanizmasının farklı yönlerini vurgulamakta, mekanizmanın sağlayacağı potansiyel avantajları farklı uygulama alanları ve yaklaşımlarla ele almaktadır. Böylece, önerilen alternatif yöntemin etkinliği ve esnekliği çeşitli açılardan kapsamlı bir şekilde değerlendirilmektedir. Birinci kısım (Bölüm 4), tezde önerilen alternatif çıkarsama mekanizmasının kuramsal altyapısını ortaya koymaktadır. Bu mekanizma, doğrudan ilişkilerin yanı sıra dolaylı ilişkileri de modelleme sürecine dahil ederek, sistemin daha derin ve örtük bağlantılarını yakalamayı amaçlamaktadır. Dolaylı ilişkilerin ele alınmasıyla, sistem davranışı daha geniş bir perspektiften incelenebilmekte ve böylece modelin doğruluğu ve temsil yeteneği artırılmaktadır. Bu bölümde, sistem unsurlarının önem derecelerinin belirlenmesi süreci, unsurların doğrudan ve dolaylı ilişkileri birlikte dikkate alınarak gerçekleştirilmektedir. Buradaki temel varsayıma göre, bir unsurun sistem içindeki önemi, diğer unsurlarla arasındaki bağlantıların sayısına ve bu bağlantıların gücüne bağlı olarak artmaktadır. Bir başka ifadeyle, sistem içinde daha güçlü ve daha fazla ilişkiye sahip unsurlar, model açısından daha kritik ve önemli kabul edilmektedir. Ayrıca, bölümde önerilen bu yeni yaklaşımın uygulanabilirliği, ilişki yapısının belirsizlik içerdiği bir ortamda Çok Kriterli Karar Verme (ÇKKV) bağlamında gösterilmektedir. Bu uygulamada, unsurlar arasındaki doğrudan ve dolaylı nedensel ilişkiler kullanılarak kriterlerin göreceli önemleri değerlendirilmekte ve ilişki ağırlıklarına göre sıralanmaktadır. Böylece, önerilen mekanizmanın belirsiz ve karmaşık sistemlerde kriter önemlerini belirlemedeki esnekliği ve kapsamı, uygulamalı bir örnekle detaylı olarak ele alınmaktadır. İkinci kısım (Bölüm 5), önerilen alternatif çıkarsama mekanizmasının yöntemsel altyapısını ve uygulama yöntemini ayrıntılı olarak açıklamaktadır. Bu bölümün temel amacı, klasik mekanizmanın kısıtlılıklarını gidererek, karmaşık ve belirsizlik içeren sistemlerin dinamiklerini daha gerçekçi bir şekilde modelleyebilen bir mekanizma ortaya koymaktır. Bu amaç doğrultusunda geliştirilen mekanizma, dolaylı ilişkileri de simülasyon sürecine dahil ederek BBH modellerinin ifade gücünü artırmaktadır. Yöntemin temel farkı, klasik mekanizmada kullanılan ve sıklıkla sabit duruma yakınsamaya neden olan doğrusal olmayan aktivasyon fonksiyonları yerine, ilişki matrislerinin kuvvetlerinin kullanılmasıdır. Bu yaklaşımda, sistemdeki unsurlar arasındaki doğrudan ve dolaylı etkileri içeren ilişki matrisinin kuvvetleri (matrisin belirli bir k'ıncı kuvvetine kadar) hesaplanmakta ve her bir kuvvet matrisi, içindeki en yüksek değer baz alınarak normalize edilmektedir. Normalizasyon işlemi sayesinde farklı seviyelerdeki dolaylı ilişkilerin etkileri aynı ölçeğe indirgenerek birleştirilebilmektedir. Ardından normalize edilmiş tüm kuvvet matrislerinin toplamı, başlangıç durum vektörü ile çarpılarak sistemin belirli iterasyonlar sonrasındaki durumu elde edilir. Böylelikle, sistem davranışının başlangıç koşullarına göre farklılaşması mümkün kılınmakta, tek bir sabit noktaya yakınsama problemi giderilmektedir. Bölümde, geliştirilen mekanizmanın uygulanabilirliği, belirli bir alana yönelik tedarik zincirindeki kırılganlık faktörlerinin modellenmesi ile gösterilmektedir. Bu örnek uygulamada, farklı senaryolarda faktörlerin nasıl etkileşime geçtiği ve bu etkileşimlerin sistemin genel davranışını nasıl şekillendirdiği analiz edilmektedir. Yapılan analizler, tedarik zincirinde bulunan kritik zayıf noktaların belirlenmesine ve bu zayıflıkların sistem üzerindeki potansiyel etkilerinin daha kapsamlı biçimde anlaşılmasına katkı sağlamaktadır. Üçüncü kısım (Bölüm 6), önerilen alternatif çıkarsama mekanizmasının kapsamlı ve genelleştirilmiş bir değerlendirmesini içermektedir. Bu bölümde, geliştirilen çıkarsama mekanizmasının performansı farklı senaryolar altında analiz edilerek, mekanizmanın etkinlik derecesi ve klasik çıkarsama mekanizmalarına kıyasla sağladığı avantajları tartışılmaktadır. Ayrıca, önerilen yöntemin sınırlılıkları ve hangi koşullar altında daha verimli çalıştığı incelenerek mekanizmanın genel geçerliliği ve potansiyel kullanım alanları ortaya konmaktadır. Bu bölümde de önceki bölümde olduğu gibi, dolaylı ilişkiler hesaplamaya dahil edilmekte ve doğrusal olmayan aktivasyon fonksiyonlarından kaçınılmaktadır. İlişki matrisinin kuvvetleri alınarak dolaylı etkiler hesaplamaya katılmakta ve elde edilen yeni durum vektörleri normalizasyon işlemine tabi tutulmaktadır. Bu aşamada, farklı normalizasyon tekniklerinin etkinliği analiz edilmekte ve en uygun yöntem belirlenmeye çalışılmaktadır. Böylece dolaylı ilişkilerin sistem modellemesine dahil edilmesinin doğruluğu ve güvenirliği artırılmaktadır. Ayrıca, dolaylı ilişkilerin ve normalizasyon tekniklerinin farklı kombinasyonları denenerek çeşitli çıkarsama mekanizması tasarımları geliştirilmektedir. Bu analizlerde, hesaplamanın kümülatif (önceki durumların etkisini taşıyan) veya kümülatif olmayan şekilde yapılmasının etkileri de değerlendirilmektedir. Önerilen çıkarsama mekanizmasının, özellikle sabit duruma yakınsama göstermeyen verileri modelleme konusunda klasik yöntemlere göre daha verimli sonuçlar sağlayacağı öne sürülmektedir. Bu doğrultuda oluşturulan farklı çıkarsama mekanizması tasarımları ile yapılandırılan başlangıç BBH modellerinin optimizasyonu PSO algoritması kullanılarak yapılmaktadır. Bu optimizasyon sürecinde Heaviside, RMSE ve Maks-RMSE olmak üzere üç farklı amaç fonksiyonu minimize edilmektedir. Önerilen çıkarsama mekanizması tasarımlarının, söz konusu amaç fonksiyonlarını minimize etme performansları klasik çıkarsama mekanizmaları (sigmoid ve tanjant sigmoid fonksiyonları) ile karşılaştırılarak, yeni yaklaşımın üstünlükleri detaylı biçimde irdelenmektedir. Aynı bölümde, önerilen çıkarsama mekanizmasının BBH Öğrenimindeki performansını adil biçimde değerlendirmek amacıyla, karşılaştırılan mekanizmalardan herhangi biri kullanılarak veri üretimi yapılmamaktadır. Böylece, tüm çıkarsama mekanizmaları bağımsız veri kümeleri üzerinde değerlendirilmiş ve performans karşılaştırmalarının objektifliği sağlanmaktadır. Veri üretimi için, BBH çalışmalarının öncülerinden olan Dickerson ve Kosko'nun incelediği deniz canlıları ekosistemi modelindeki davranışlar temel alınmaktadır. Bu yaklaşım, ekosistemin karmaşık ve dinamik doğasını gerçekçi senaryolar üzerinden taklit ederek, oluşturulan veri kümelerinin herhangi bir modele bağlı olmamasını garanti altına almaktadır. Bu yöntem sayesinde, önerilen mekanizmanın performans değerlendirmesinde model kaynaklı yanlılıkların önüne geçilmektedir. Elde edilen bağımsız veri kümeleri üzerinde her bir çıkarsama mekanizması tasarımı, yani farklı normalizasyon yöntemleri, kümülatif hesaplama yaklaşımları ve farklı amaç fonksiyonları, istatistiksel olarak anlamlı sonuçlar elde etmek için 50 kez rastgele ilişki ağırlıklarına sahip BBH modelleri üzerinde test edilmektedir. Bu tekrarlı değerlendirmelerle, normalizasyon tekniklerinin, hesaplama yaklaşımlarının ve amaç fonksiyonlarının her birinin performansa etkisi derinlemesine analiz edilmektedir. Bu kapsamlı analiz, sonuçların geçerliliğini ve güvenilirliğini artırmaktadır. Ayrıca, bu tezde önerilen çıkarsama mekanizması, benzer amaçlarla önerilmiş ve üstel normalize edilen çıkarsama yöntemi olarak adlandırılan alternatif bir mekanizmayla da kıyaslanmaktadır. Bu iki mekanizma arasındaki performans karşılaştırması da 30 kez rastgele oluşturulan ilişki ağırlıklarına sahip modeller üzerinden gerçekleştirilmektedir. Yapılan analizlerin sonuçları, önerilen mekanizmanın deneylerin çoğunda daha üstün bir tahmin performansı sergilediğini Wilcoxon işaretli-sıra testi (Wilcoxon signed-rank test) ile istatistiksel olarak göstermektedir. Ayrıca, performans farkının büyüklüğü, etki büyüklüğü (effect size) hesaplarıyla da doğrulanmakta ve farkın pratik olarak önemli olduğu belirlenmektedir. Özellikle, Heaviside amaç fonksiyonunun minimize edildiği senaryolarda önerilen çıkarsama mekanizmasının sürekli olarak daha iyi sonuçlar verdiği görülmektedir. Önerilen mekanizma, üstel normalize edilen çıkarsama yöntemine kıyasla da belirgin biçimde daha iyi bir tahmin performansı sağlamaktadır. Sonuç olarak, bu tez çalışmasında klasik çıkarsama mekanizmalarının (sigmoid ve tanjant sigmoid gibi aktivasyon fonksiyonlarının) sistem davranışını tek bir sabit noktaya yakınsattığı ve bu nedenle özellikle döngüsel veya karmaşık davranışlar sergileyen tahmin problemlerinde yetersiz kaldığı vurgulanmaktadır. Bu sınırlamayı aşmak amacıyla dolaylı ilişkileri hesaplamaya dahil eden alternatif bir çıkarsama mekanizması geliştirilmekte ve bu mekanizmanın BBH Öğrenimi için daha uygun olduğu gösterilmektedir. Ayrıca, önerilen çıkarsama mekanizmasının probleme özel tasarımlar yoluyla farklı başlangıç durumlarına bağlı olarak farklı nihai durumlara yakınsama ya da döngüsel hareketleri modelleyebileceği kanıtlanmaktadır. Böylelikle önerilen yaklaşımın, yalnızca sabit duruma yakınsama ile sınırlı kalmadığı, karmaşık sistemlerin farklı dinamiklerini de başarılı şekilde modelleyebildiği ortaya konulmaktadır.
Özet (Çeviri)
Fuzzy Cognitive Maps (FCMs) are widely used for modeling complex systems and analyzing their dynamic behaviors. However, traditional FCMs rely on classical reasoning mechanisms, typically based on nonlinear activation functions such as sigmoid or hyperbolic tangent, that often converge to a steady state regardless of initial conditions. While this behavior may be acceptable for certain control-oriented problems, it limits the applicability of FCMs in both prediction and learning-based contexts where modeling non-equilibrium or cyclic behaviors is essential. Additionally, the common reliance on expert-defined relationships introduces subjectivity and inconsistency, which can compromise the reliability of the model, especially when interdependencies are intricate or partially hidden. This study addresses these limitations by proposing an alternative reasoning mechanism that incorporates indirect relationships through higher-order dependencies. By considering the powers of the relationship matrix, the mechanism captures the deeper structure of causal influence among system concepts. This provides a more comprehensive framework for modeling, predicting and learning complex behaviors. This thesis is structured around three key parts, each addressing a distinct aspect of the research. The first part introduces the conceptual foundation of the proposed mechanism, focusing on how the inclusion of both direct and indirect relationships enhances the assessment of concept importance in a system. This is demonstrated through an application in a decision-making context under uncertainty, where interrelated criteria are analyzed using fuzzy representations. The results show that accounting for hidden causal relationships improves the model's depth and interpretability. The second part elaborates the theoretical structure and implementation method. Unlike traditional approaches that rely on nonlinear activation functions, the proposed mechanism uses successive powers of the relationship matrix to represent indirect interrelationships. Each resulting matrix is normalized and aggregated to compute new activation levels. This approach enables dynamic transitions that generate solutions sensitive to initial conditions rather than always converging to a single fixed state. A case study on supply chain vulnerability analysis is presented to demonstrate how the method captures different behavioral patterns under various disruption scenarios. The third part presents a comprehensive experimental evaluation within the context of FCM learning. Different versions of the reasoning framework, using varied normalization techniques, cumulative and non-cumulative aggregation strategies, and three fitness functions (RMSE, Max-RMSE, and Heaviside), are tested on randomly initialized FCM models. The learning process is supported by the Particle Swarm Optimization (PSO) algorithm, which is used to fine-tune relationship weights based on historical data, reducing reliance on subjective expert inputs. Performance is compared against classical reasoning mechanisms and a recent exponential normalized reasoning approach. The results show that the proposed mechanism consistently provides higher prediction accuracy. Notably, the Heaviside function yields the best results across most setups. To ensure an unbiased evaluation, synthetic data were not generated using any of the tested mechanisms. Instead, the experiments utilized a real data about marine ecosystem involving large aquatic species such as dolphins, inspired by early pioneering work in the field. This approach ensured independence of test data and preserved objectivity in performance comparisons. Statistical validation using the Wilcoxon signed-rank test and effect size calculations confirmed the proposed method's superiority in most scenarios. In conclusion, this thesis presents an effective reasoning framework that extends the learning and prediction capabilities of FCMs. By moving beyond conventional activation-based reasoning and integrating higher-order structural knowledge, the proposed mechanism improves the accuracy of FCMs. It provides valuable tools for modeling complex dynamic systems in domains such as social analysis, ecological management, and strategic planning.
Benzer Tezler
- İnovasyon performansına etki eden faktörlerin bulanık bilişsel haritalama yöntemi ile önceliklendirilmesi ve telekomünikasyon sektöründe bulanık çok kriterli karar verme yöntemleri ile proje seçimi
Prioritization of factors affecting innovation performance using fuzzy cognitive mind mapping method and project selection in the telecommunication sector using fuzzy multi-criteria decision making techniques
ALİ CAN MUHTAR
Yüksek Lisans
Türkçe
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEDA YANIK ÖZBAY
- Çok ölçütlü sorun çözümüne yönelik bir bütünleşik karar destek modeli
Integrated decision aid model for multiattribute problem solving
YUSUF İLKER TOPÇU
Doktora
Türkçe
2000
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiPROF. DR. FÜSUN ÜLENGİN
- Ulaştırma problemlerinde bulanık optimizasyon
Başlık çevirisi yok
İSMAİL ÖZDABAN
Yüksek Lisans
Türkçe
1998
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. COŞKUN ÖZKAN
- Modelling breast cancer risk factors with fuzzy cognitive map
Göğüs kanserine etki eden faktörlerin bulanık bilişsel haritalama ile modellenmesi
AYŞEGÜL BÜYÜKAVCU
Yüksek Lisans
İngilizce
2013
Endüstri ve Endüstri MühendisliğiGalatasaray ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. YILDIZ ESRA ALBAYRAK
- Konteyner liman operasyonlarının makine öğrenmesi yöntemleri ile analizi
Analysis of container port operations using machine learning methods
ÜSTÜN ATAK
Doktora
Türkçe
2022
Deniz Bilimleriİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
PROF. DR. YASİN ARSLANOĞLU
PROF. DR. TOLGA KAYA