Makine Öğrenmesi Ve Genetik Algoritma Temelli ATM Lokasyonlarının Belirlenmesi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Elektrik-Elektronik Fakültesi, Bilgisayar Mühendisliği, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: İzzet Birden
Danışman: Banu Diri
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:ATM'ler, bankacılık hizmetlerinin müşterilere ulaştırılmasında önemli rol oynayan dijital kanallardır. Şube gişesi, mobil şube, internet bankacılığı vb. kanallardan yapılan finansal ve finansal olmayan işlemlerin birçoğu ATM'lerden de sağlanmaktadır. Bu bakımdan, ATM'lerin ulaşılabilir lokasyonlarda olmaları müşteriler açısından önem arz etmektedir. ATM'ler, şube bağımlı ve şube bağımsız olarak konumlandırılırlar. Banka şubelerinde bulunan ATM'lerin lokasyonu, ait olduğu şubeye bağlı olmaktadır. Bu nedenle, çalışma yapılırken dış cephe (offsite) ATM'lerin lokasyon seçimleri ele alınmıştır. ATM lokasyon seçim çalışmalarında, literatürde farklı yöntemler denenmiştir. İstatistiki yöntemler, makine öğrenmesi teknikleri ve özellikle Coğrafi Bilgi Sistemleri (GIS) bu alanda uygulanmaktadır. Bu çalışmada ele alınan problem, gerçek bir dünya problemidir. Veri seti olarak, gerçek ATM lokasyon verilerinden oluşan ve farklı demografik, ekonomik ve coğrafi özellikleri içeren bir veri seti kullanılmıştır. Bu çalışmada, lokasyon tespiti için ilk aşamada farklı makine öğrenmesi ve regresyon modelleri denenmiştir. Model, verilen lokasyon girdilerine göre 0 ile 100 arasında bir puan üretmekte ve bu puanın 100'e yakın olması, o lokasyona ATM kurulmasının bankalar açısından daha faydalı olacağı anlamına gelmektedir. Makine öğrenmesi modelleri arasında en başarılı sonuç Rastgele Orman modeli ile elde edilmiştir. Makine öğrenmesi çalışmasında 97 özellikten oluşan ham veri seti 81 özelliğe indirgenmiştir. İkinci fazda, Genetik Algoritma kullanılarak, özellik seçimi yapılması sağlanmıştır. Toplamda 11 özellik seçilmiş olup, bu özellikler tekrardan ilk fazda makine öğrenmesinde en fazla başarıyı gösteren model olan Rastgele Orman algoritması ile değerlendirilmiştir. Model performansları R-kare, ortalama kare hatası (MSE) ve ortalama mutlak hata (MAE) metrikleriyle ölçülmüştür. Üçüncü aşamada, Weka uygulaması kullanılarak veri setinden özellikler seçilmiş olup, bu özellikler de ikinci fazdaki gibi Rastgele Orman modeli ile değerlendirilmiştir. İlk fazdaki Rastgele Orman modeli 0,91 R-Kare oranıyla başarı elde ederken, Genetik Algoritma ile özellik seçimleri sonrası bu oranın 0,97'ye, Weka ile özellik seçimleri sonrası 0,93'e yükseldiği görülmüştür. Gelecekteki çalışmalarda, daha büyük veri setlerinin kullanımı, farklı makine öğrenmesi algoritmalarının entegrasyonu ve hiper-parametre optimizasyonlarının denenmesiyle modellerin başarısı artırılabilir.