ASTIM VERİ SETİ ÜZERİNE FEDERE ÖĞRENME VE MAKİNE ÖĞRENMESİ TEKNİKLERİNİN KARŞILAŞTIRILMASI
COMPARISON OF FEDERATED LEARNING AND MACHINE LEARNING TECHNIQUES ON AN ASTHMA DATASET
- Tez No: 958858
- Danışmanlar: DOÇ. DR. ARİF GÜRSOY
- Tez Türü: Yüksek Lisans
- Konular: Matematik, Mathematics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ege Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Matematik Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Bilimleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, astım hastalığına ilişkin bir veri seti kullanılarak geleneksel makine öğrenmesi algoritmaları ile federe öğrenme yöntemleri karşılaştırmalı olarak incelenmiştir. Sağlık verilerinde gizliliğin korunması, etik ilkeler ve veri güvenliği günümüzde büyük önem taşımaktadır. Bu bağlamda, çalışmada federe öğrenme (FL) yapısının, veriler merkezi bir yerde toplanmadan model eğitimi yapılmasına olanak tanıdığı için gizlilik açısından avantaj sunduğu görülmüştür. Ancak, veri dağılımına (IID, Non-IID) bağlı olarak model performansında değişiklikler gözlemlenmiştir. Makine öğrenmesi sürecinde, doğrusal regresyon, lojistik regresyon, SVM, karar ağaçları, KNN, XGBoost ve LightGBM gibi çeşitli algoritmalar uygulanmış; FL tarafında ise FedAvg ve FedMedian gibi optimizasyon stratejileri kullanılmıştır. Model başarıları doğruluk, F1 skoru ve işlem süresi gibi metriklerle değerlendirilmiştir. Ayrıca büyük veri, diferansiyel gizlilik, veri yönetişimi ve etik sorumluluklar kapsamında sağlık araştırmalarında güvenli yapay zekâ uygulamalarının önemi vurgulanmıştır.
Özet (Çeviri)
In this thesis, conventional machine learning algorithms and federated learning (FL) techniques are comparatively analyzed using an asthma-related dataset. In today's health research, protecting data privacy, ensuring ethical compliance, and maintaining data security are of great importance. Accordingly, the study shows that FL provides a privacy advantage by enabling model training without centralizing sensitive data. However, it has been observed that model performance varies depending on the data distribution (IID, Non-IID). Throughout the machine learning process, various algorithms such as linear regression, logistic regression, SVM, decision trees, KNN, XGBoost, and LightGBM were applied. On the FL side, optimization strategies such as FedAvg and FedMedian were employed. Model performances were evaluated using metrics such as accuracy, F1-score, and processing time. In addition, the study highlights the importance of secure AI applications in health research, particularly within the context of big data, differential privacy, data governance, and ethical responsibilities.
Benzer Tezler
- Kalkınma ekonomisi ve sağlık göstergeleri üzerine üç makale
Three essays on development economics and health indicators
ELİF ZEHRA YILMAZ
- Esnek hesaplama ve biyobilişim teknikleri ile bir klinik karar verme simülatörünün oluşturulması
Thoracic disease diagnosis using flexible computing and bioinformatics computing system
ORHAN ER
- Lung sound signal classification by using cosine similarity-basedmultilevel discrete wavelet transform decomposition with CNN-LSTM hybrid model
CNN-LSTM hıbrıt modelıyle kosınüs benzerlıgıne dayalı çok düzeylıayrık dalgacık dönüsümü ayrısımı kullanarak akcıger ses sınyalısınıflandırması
KHABAT HASAN ABDULLAH
- Çocuk akciğer x-ışını görüntülerinin derin öğrenme yöntemleri ile analizi
Analysis of child lung x-ray images with deep learningmethods
ÇAĞDAŞ ŞİMŞEK
- Zaman dizisi verilerinde ani değişimlerin tahmini için veri madenciliği yöntemleri ile öznitelik seçimi
Feature selection by data mining methods for prediction of abrupt changes in time series
AHMET DEVELİ
