Geri Dön

Otomatik makine öğrenmesi (automl) sistemi ve web arayüzü geliştirilmesi

Development of an automated machine learning (automl) system and web interface

PDF İndir

  1. Tez No: 965813
  2. Yazar: FATİH ŞEN
  3. Danışmanlar: PROF. DR. SERDAR İPLİKÇİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Pamukkale Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Makine öğrenmesi günümüzde hayatımızın içerisinde bulunmaktadır. Hayatın birçok alanında görülebilmektedir. Makine öğrenmesi, verimliliği artırır, manuel ayarlardan kurtarır ve işlem süresini kısaltan uygulamalar barındırır. Geliştirilen web tabanlı arayüz, çok sayıda yöntemi arka planda otomatik olarak çalıştırarak, en uygun sonuçları kullanıcıya sunmaktadır. Esnek yapı ve analiz süresini kısaltacak bir yapı kurulmuştur. Geliştirilen sistem, Python'ın scikit-learn ve Streamlit kütüphaneleri kullanılarak tasarlanmış, kullanıcı arayüzü, iş mantığı ve veri işleme katmanlarından oluşan katmanlı bir mimariye sahiptir. Tüm scikit-learn modelleri ve araçları için ayrı sarmalayıcı(wrapper) sistemler yazılmıştır. Sistem; 15 farklı sınıflandırma, 15 farklı regresyon ve 8 farklı kümeleme algoritması gibi temel makine öğrenmesi görevlerini desteklemektedir. Ayrıca, kapsamlı veri ön işleme (ölçekleme, eksik veri doldurma, kodlama, özellik mühendisliği, özellik seçimi, veri örnekleme, PCA), model karşılaştırma, hiperparametre optimizasyonu (Optuna entegrasyonu ile), oturum yönetimi ve detaylı görselleştirme yetenekleri sunmaktadır. Geliştirilen sistem, çeşitli sentetik veri setleri üzerinde sınıflandırma, regresyon ve kümeleme görevleri için test edilmiştir. Bu çalışma, farklı uzmanlık alanlarından kullanıcıların kod bilgisi olmadan veri setleri üzerinde makine öğrenmesi algoritmalarını uygulamasını, değerlendirmesini ve performanslarını karşılaştırmasını sağlamaktadır.

Özet (Çeviri)

Machine learning is part of our everyday lives today. It can be seen in many areas of life. Machine learning increases efficiency, eliminates manual adjustments, and includes applications that shorten processing time. The developed web-based interface automatically runs multiple methods in the background to provide users with the most appropriate results. A flexible structure has been established to shorten the analysis time. The developed system is designed using Python's scikit-learn and Streamlit libraries and has a layered architecture consisting of a user interface, business logic, and data processing layers. Separate wrapper systems have been written for all scikit-learn models and tools. The system supports basic machine learning tasks such as 15 different classification, 15 different regression, and 8 different clustering algorithms. Additionally, it offers comprehensive data preprocessing (scaling, missing data imputation, encoding, feature engineering, feature selection, data sampling, PCA), model comparison, hyperparameter optimization (with Optuna integration), session management, and detailed visualization capabilities. The developed system has been tested on various synthetic datasets for classification, regression, and clustering tasks. This work enables users from different fields of expertise to apply, evaluate, and compare the performance of machine learning algorithms on datasets without requiring coding knowledge.

Geri Dön