Mühendislikte yapay zeka ve uygulamaları 4

dc.contributor.editor	Gülseçen, Sevinç
dc.contributor.editor	İnal, Mehmet Melih
dc.contributor.editor	Torkul, Orhan
dc.contributor.editor	Uçar, Muhammed Kürşad
dc.date.accessioned	2023-01-17T07:54:12Z
dc.date.available	2023-01-17T07:54:12Z
dc.date.issued	2022
dc.identifier.uri	https://hdl.handle.net/20.500.12619/99473
dc.description.tableofcontents	1 Topluluk Makine Ögrenmesi Yöntemleri ˘ . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.1 Giri¸s 15 1.2 Makine Ögrenmesi ˘ 16 1.2.1 Makine Ögrenmesinin Hedefleri ˘ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.2.2 Makine Ögrenmesi Sürecinin Akı¸sı ˘ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.2.3 Makine Ögrenmesi Yakla¸sımları ˘ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.2.4 Makine Ögrenmesinde Performans De ˘ gerlendirme ˘ . . . . . . . . . . . . . . . . . . . . . . 19 1.2.5 Sınıflandırma Performans Kriterleri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.2.6 Regresyon Performans Kriterleri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 1.3 Topluluk Algoritmaları 21 1.3.1 Topluluk Algoritmalarının Çe¸sitleri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 1.3.2 Torbalama Topluluk Yöntemi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 1.3.3 Yükseltme Topluluk Yöntemi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 1.3.4 Oylama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 1.3.5 Yıgılmı¸s Genelleme Topluluk Yöntemi ˘ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 1.3.6 Topluluk Yöntemlerinin Faydaları . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 1.4 Uygulama 28 1.4.1 Yöntem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 1.5 Sonuçlar ve Tartı¸sma 34 1.6 Kaynaklar 36 2 Egitsel Veri Madencili ˘ gi ˘ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 2.1 Giri¸s 39 2.2 Egitsel Veri Madencili ˘ gi ˘ 41 2.3 Egitsel Veri Madencili ˘ gi ile ˘ ˙Ili¸skili Alanlar 41 2.4 Egitsel Veri Madencili ˘ ginin Bile¸senleri ˘ 42 2.5 Egitsel Veri Madencili ˘ gi Akı¸sı ˘ 42 2.6 Egitsel Veri Madencili ˘ gi Uygulama Alanları ve Süreçleri ˘ 44 2.7 Egitsel Veri Madencili ˘ ginde Ele Alınan De ˘ gi¸sken ve Konular ˘ 45 2.8 Egitimde Kural Çıkarımı ˘ 45 2.9 Uygulama 46 2.10 Kurallar 46 2.11 Kurallardan elde edilen bulgular 48 2.12 Ögrenme Analitikleri ve Kullanım Amacı ˘ 49 2.13 Ögrenme Analiti ˘ ginin Hedefleri ˘ 49 2.14 Ögrenme Analitiklerinin E ˘ gitimde Kullanılmasının Faydaları / Etkiledi ˘ gi Alan- ˘ lar? 49 2.15 Ögrenme Analiti ˘ gi ve E ˘ gitsel Veri Madencili ˘ gi ˘ ˙Ili¸skisi 50 2.16 Egitsel Veri Madencili ˘ gi ile ˘ ˙Ilgili Olası Ya¸sanabilecek Sorunlar 50 2.17 Kaynaklar 51 3 Üretim Sistemleri ˙Için Dijital ˙Ikiz Tasarımı . . . . . . . . . . . . . . . . . . . . . . . . . 53 3.1 Giri¸s 53 3.2 Model Olu¸sturma Süreci 54 3.2.1 Veri Toplama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 3.2.2 Veri Dönü¸stürme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 3.2.3 Modelin Olu¸sturulması . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 3.3 Dijital ˙Ikiz Uygulaması 60 3.3.1 Önerilen Metot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 3.3.2 Sonuçlar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 3.4 Kaynaklar 63 4 Dijital ˙Ikiz Yapay Zeka ˙Ili¸skisi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 4.1 Giri¸s 65 4.2 Dijital ˙Ikiz 66 4.3 Nesnelerin ˙Interneti ve Dijital ˙Ikiz ˙Ili¸skisi 67 4.4 Makina Ögrenmesi ve Dijital ˘ ˙Ikiz ˙Ili¸skisi 68 4.5 Dijital ˙Ikiz Nasıl Yapılır? 69 4.6 Dijital ˙Ikizin Kullanım Alanları 73 4.6.1 Akıllı ¸Sehirler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 4.6.2 ˙ Imalat Sektörü . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 4.6.3 Saglık ˘ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 4.7 Endüstride Dijital ˙Ikiz 74 4.8 Sonuç 75 4.9 Kaynaklar 76 5 Veriyi Anlama: Python ile ˙Istatistige Giri¸s ˘ . . . . . . . . . . . . . . . . . . . . . . . . 79 5.1 Giri¸s 79 5.2 Veriden Bilgiye 79 5.3 Programlama Dilleri 82 5.4 Kaynaklar 93 6 Egitsel Veri Madencili ˘ gi ve Sınıflandırma ˘ . . . . . . . . . . . . . . . . . . . . . . . . 95 6.1 Giri¸s 95 6.2 Egitsel Veri Madencili ˘ gi Nedir? ˘ 96 6.3 Verilerin Elde Edilmesi 97 6.4 Egitsel Veri Madencili ˘ ginde Kullanılan Modeller, Algoritmalar ve Ara¸stırma ˘ Konuları 99 6.5 Sınıflandırma Nedir ve Modeller Nasıl Degerlendirilir? ˘ 102 6.6 R ile Sınıflandırma Algoritmaları Kullanarak Bir Tahmin Modeli Geli¸stirme 104 6.7 Kaynaklar 108 7 Ürün Ya¸sam Döngüsü Yönetimi (PLM) . . . . . . . . . . . . . . . . . . . . . . . . . . 109 7.1 Giri¸s 109 7.2 PLM (Product Life Cycle Management) 111 7.3 Kaynaklar 112 8 Robotik Süreç Otomasyonu (RPA) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 8.1 Giri¸s 115 8.1.1 RPA Nedir? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 8.1.2 RPA’in Sagladı ˘ gı Faydalar ˘ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116 8.1.3 RPA Teknolojisi ˙ Ile Yapılan Bazı ˙ I¸slemler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116 8.1.4 RPA Ürünleri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117 8.2 Literatür Taraması 118 8.3 Örnek Uygulama 118 8.4 Sonuç 121 8.5 Kaynaklar 122 9 Sosyal Medyadan Veri Çekme Örnekleri . . . . . . . . . . . . . . . . . . . . . . . 123 9.1 Giri¸s 123 9.2 Veri ve Veri Tabanı 124 9.3 Veri Kaynakları 125 9.4 Veri Ön ˙I¸sleme 128 9.5 Veri Temizleme 128 9.6 Veri Birle¸stirme 129 9.7 Veri Dönü¸stürme 129 9.8 Min-Max Normalizasyonu 129 9.9 Veri ˙Indirgeme 130 9.10 Sosyal Medyadan Veri Çekme Örnekleri 130 9.11 Kullanılacak Kütüphaneler 130 9.12 Kaynaklar 135 10 Facebook Kats ile Zaman Serisi Analizi . . . . . . . . . . . . . . . . . . . . . . . . . 137 10.1 Giri¸s 137 10.2 Facebook Kats Kütüphanesi 138 10.2.1 Temel Kats Veri Yapıları . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138 10.3 Kats ile Tahminleme Yapmak 141 10.4 Kats ile Tespit Yapmak 143 10.4.1 Kats ile Degi¸sim Noktası Tespiti ˘ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144 10.4.2 Kats ile Uç Deger Tespiti ˘ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146 10.4.3 Kats ile Trend Tespiti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149 10.5 Kats ile Zaman Serisinden Özellik Çıkarımı 153 10.6 Tartı¸sma ve Sonuçlar 153 10.7 Kaynaklar 155 11 Kaba Küme Teorisi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157 11.1 Giri¸s 157 11.2 ˙Ilgili Çalı¸smalar 158 11.3 Kaba Kümeleme ve Temel Özellikleri 159 11.3.1 Önerilen Tahmin Modülü . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163 11.3.2 Son Egitim Süreci ˘ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163 11.3.3 Hata Hesaplama Kriterleri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164 11.4 Uygulama 164 11.5 Sonuçlar 168 11.6 Kaynaklar 168 12 Sinir Agları ve Derin Ö ˘ grenme ˘ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171 12.1 Introduction 171 12.2 Literature Survey 172 12.3 Structure of Artificial Neural Network 173 12.3.1 Artificial Neural Networks Layers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174 12.3.2 Effect of Each Layer and Neurons on the Model . . . . . . . . . . . . . . . . . . . . . . . . 174 12.4 Deep Learning 176 12.5 Application 176 12.6 Conclusion 181 12.7 References 181 13 Yapay Zeka Uygulamaları . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183 13.1 Giri¸s 183 13.2 Yapay Zeka 184 13.3 Makine Ögrenmesi ˘ 184 13.4 Yapay Sinir Agları (YSA) ˘ 186 13.5 Derin Ögrenme ˘ 186 13.6 Evri¸simsel Sinir Agları ˘ 187 13.7 Hızlı Bölgesel Tabanlı Evri¸simsel Sinir Agı (Faster R-CNN) ˘ 188 13.8 YOLO (You Only Look Once) 189 13.9 Örnek Uygulama - Akciger Kanserinin Tespiti ve Te¸shisi ˘ 189 13.10 Kaynaklar 198 14 Saglıkta Yapay Zeka ˘ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199 14.1 Giri¸s 199 14.2 Yapay Zeka ve Makine Ögrenmesi ˘ 200 14.2.1 Makine Ögrenmesinde Performans ˘ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201 14.3 Romatizmal Hastalıklarda Makine Ögrenmesi ˘ 202 14.3.1 Romatizmal Hastalıklarda Makine Ögrenmesi Uygulamaları ˘ . . . . . . . . . . . . . . . 203 14.4 Sonuç ve Öneriler 208 14.5 Kaynaklar 208 15 Yazarlar Hakkında . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211	en_US
dc.language.iso	tur	en_US
dc.publisher	Sakarya Üniversitesi Yayınları	en_US
dc.rights	info:eu-repo/semantics/openAccess	en_US
dc.rights	Attribution-NonCommercial-NoDerivs 3.0 United States	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/us/	*
dc.title	Mühendislikte yapay zeka ve uygulamaları 4	en_US
dc.type	book	en_US