Machine learning applications for selection processes of military projects: A data-driven approach
Askeri projelerin seçim süreçlerine yönelik makine öğrenmesi uygulamaları: Veri odaklı bir yaklaşım
- Tez No: 998094
- Danışmanlar: DR. ÖĞR. ÜYESİ DUYGU AGHAZADEH
- Tez Türü: Yüksek Lisans
- Konular: İşletme, Business Administration
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Türk Hava Kurumu Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Son yıllarda Makine Öğrenmesi, savunma alanı dâhil olmak üzere birçok sektörde karar verme süreçlerini destekleyen önemli bir teknoloji hâline gelmiştir. Özellikle sınırlı kaynakların tahsisi, risklerin yönetimi ve zamanında karar alma gereksinimlerinin ön planda olduğu askeri nitelikli proje seçim süreçlerinde, öznel değerlendirmelere dayalı geleneksel yaklaşımlar tutarsızlık ve önyargı risklerini beraberinde getirebilmektedir. Literatürde finans, sağlık ve ulaştırma gibi alanlarda Makine Öğrenmesi yöntemlerinin karar kalitesini artırabildiği gösterilmiş olsa da, savunma projelerinin seçimine yönelik uygulamalar görece sınırlı kalmıştır. Bu tez çalışmasında savunma projelerinin, şirketlerin fikirlerinin uygulanabilir olduğunu gösteren kısa bir fizibilite aşaması olan Faz I'den, başarılı olan fikirlerin daha kapsamlı olarak geliştirilip prototipe dönüştürüldüğü aşama olan Faz II'ye geçiş olasılığının tahmin edilmesi problemi ikili bir sınıflandırma problemi olarak ele alınmış ve Makine Öğrenmesi tabanlı karar destek yaklaşımlarının uygulanabilirliği incelenmiştir. Çalışma kapsamında, ABD Savunma Bakanlığı'nın Küçük İşletme Yenilik Araştırma Programına (Small Business Innovation Research - DoD SBIR) ait açık kaynaklı veri seti kullanılarak Lojistik Regresyon, Karar Ağaçları ve Rastgele Orman algoritmaları uygulanmıştır. Tüm modeller aynı veri seti, aynı ön işleme adımları ve aynı eğitim-test bölünmesi altında değerlendirilerek karşılaştırılabilirlik sağlanmıştır. Model performansları; Alıcı İşletim Karakteristiği (Receiver Operating Characteristic - ROC) ve Kesinlik-Duyarlılık eğrileri, eşik duyarlılığı analizleri ve değişken önem değerlendirmeleri üzerinden incelenmiştir. Bulgular, Lojistik Regresyon modelinin yüksek yorumlanabilirliğiyle güçlü bir temel yaklaşım sunduğunu, Karar Ağaçları modelinin karar mantığını açık kurallar aracılığıyla görünür kıldığını ve Rastgele Orman modelinin daha kararlı ve yüksek performanslı sonuçlar ürettiğini göstermektedir. Elde edilen sonuçlar, farklı model türlerinin tek başına değil, tamamlayıcı biçimde ele alınmasının karar süreçlerine daha dengeli bir bakış sunduğunu ortaya koymaktadır. Bu bağlamda, Makine Öğrenmesi tabanlı yaklaşımların savunma projelerinin seçiminde insan değerlendirmelerini destekleyen ve karar süreçlerinin tutarlılığını artıran araçlar olarak değerlendirilebileceği sonucuna ulaşılmıştır.
Özet (Çeviri)
In recent years, Machine Learning has become an important technology supporting decision-making processes in many sectors, including defense. Especially in military-related project selection processes where the allocation of limited resources, risk management, and the need for timely decision-making are paramount, traditional approaches based on subjective evaluations can carry risks of inconsistency and bias. Although the literature shows that Machine Learning methods can improve decision quality in areas such as finance, healthcare, and transportation, applications for defense project selection have remained relatively limited. This thesis addresses the problem of predicting the probability of defense projects progressing from Phase I, a brief feasibility stage demonstrating the viability of company ideas, to Phase II, where successful ideas are more comprehensively developed and prototyped. This problem is treated as a binary classification problem, and the applicability of machine learning-based decision support approaches is examined. Within the scope of the study, Logistic Regression, Decision Tree, and Random Forest algorithms were applied using an open-source dataset from the US Department of Defense's Small Business Innovation Research (SBIR-DoD) program. All models were evaluated under the same dataset, the same preprocessing steps, and the same training-testing split to ensure comparability. Model performances were examined through Receiver Operating Characteristic (ROC) and Precision-Recall curves, threshold sensitivity analyses, and variable importance evaluations. The findings show that the Logistic Regression model offers a robust baseline approach with high interpretability, the Decision Tree model makes the decision logic visible through explicit rules, and the Random Forest model produces more stable and higher-performing results. The results obtained reveal that considering different model types in a complementary manner, rather than individually, provides a more balanced perspective on decision-making processes. In this context, it was concluded that Machine Learning-based approaches can be evaluated as tools that support human assessments in the selection of defense projects and increase the consistency of decision-making processes.
Benzer Tezler
- Aircraft detection using deep learning
Derin öğrenme kullanarak hava aracı tespiti
UTKU MUTLU
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. SEDEF KENT PINAR
- İnsansız hava araçları vasıtasıyla karasal görüntüler üzerinden nesne tespiti
Object detection on terrestrial imagery using unmanned aerial vehicles
SELÇUK ÇİFTÇİ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATİH ÇALLI
- Hierarchical reinforcement learning in complex wargame environments
Kompleks savaş oyunu ortamlarında hiyerarşik pekiştirmeli öğrenme
KUBİLAY KAĞAN KÖMÜRCÜ
Yüksek Lisans
İngilizce
2024
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DOÇ. DR. NAZIM KEMAL ÜRE
- GPU üzerinde yazılım tabanlı anten gerçeklenmesi
Realization of software-defined antenna on GPU
ABDULLAH BAKIRTAŞ
Yüksek Lisans
Türkçe
2015
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. SELÇUK PAKER
- Derin öğrenme ile modülasyon sınıflandırması
Modulation classification with deep learning
SELÇUK BALSÜZEN
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MESUT KARTAL