Akademik Veri Yönetim Sistemi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: MUHAMMED RESUL AYDIN
Danışman: Bahadır Gülsün
Özet:
Tahminleme, gelecekteki eğilimleri öngörebilmek için önemli bir araç olup; mühendislik, finans, sağlık gibi çeşitli alanlarda bilgiye dayalı kararlar alabilmek için kullanılmaktadır. Doğru tahminleme, kaynakların etkin bir şekilde dağıtılması, envanterin yönetilmesi ve kararların bilgiyle desteklenmesi açısından yadsınamaz bir öneme sahiptir. Verilerin giderek daha karmaşık hale gelmesi sebebiyle, makine öğrenimi modelleri, karmaşık veri desenlerini öğrenme ve anlamlandırma yetenekleri sayesinde, güvenilir tahminleme sistemleri oluşturmak için değerli araçlar haline gelmiştir. Bu çalışma, makine öğrenimi algoritmaları ile geliştirilen tahminleme modellerinin optimizasyonunu gerçekleştirmek amacıyla, Yapay Arı Kolonisi (ABC) ve Ateş Şahini Optimizasyonu (FHO) algoritmalarını birleştiren yeni bir metasezgisel algoritma (ABC-FHO) sunmaktadır. İki metasezgisel algoritmanın güçlü yönlerinden yararlanılarak oluşturulan hibrit yaklaşım, tahminlerin doğruluğunu ve güvenilirliğini arttırmaktadır. Bu çalışmanın odağı, yaygın olarak kullanılan bir makine öğrenimi algoritması olan Ekstrem Gradyan Arttırma (XGBoost) ile oluşturulan tahmin modellerinin hiperparametrelerini optimize ederek, makine öğrenimi modellerinin performansını geliştirmektir. Üç farklı veri seti üzerinde yapılan testler, hibrit ABC-FHO modelinin Genetik Algoritma (GA), Gri Kurt Optimizasyonu (GWO), Yapay Tavşan Optimizasyonu (ARO), Beyaz Köpek Balığı Optimizasyonu (WSO), bağımsız ABC ve bağımsız FHO gibi algoritmalardan daha iyi performans gösterdiğini ortaya koymaktadır. Ayrıca, bu çalışmada FHO, tahminleme modellerinde hiperparametre optimizasyonu için ilk kez uygulanmıştır. İstatistiksel performans metrikleri ve istatistiksel testler kullanılarak değerlendirilen sonuçlar, ABC-FHO algoritmasının üstün performansını doğrulamaktadır. Bu çalışma, tahminleme tekniklerinde önemli bir ilerleme sağlayarak, tahmin modellerinin iyileştirilmesi ve çeşitli alanlarda bilgiye dayalı, daha güvenilir karar alma süreçlerini desteklemek için pratik ve etkili bir çözüm sunmaktadır.