El yazısı tanıma problemi makine öğrenmesi çalışmalarında her zaman kendisine yer bulmuştur. El yazısı tanıma işlemi bir çok aşamadan oluşmaktadır. Bunlar; ön işleme, dilimleme, öz nitelik çıkarımı, sınıflandırma ve son işleme aşamalarıdır. Bu aşamaların her biri kendi özelinde ayrı birer çalışmaya konu olabilecek kapsamdadırlar. Bu tez çalışmasında sınıflandırma aşamasında yapılan; ön işlemesi, dilimlemesi yapılmış veri setini tanıma işlemi üzerinde çalışılmıştır. Çalışmada MNIST veri seti kullanılmıştır. Bu veri seti 250 farklı kişiden alınan 60.000 numune içerir. 0-9 arası rakamların el yazısı görsellerini kullanıma sunar. Akademik çalışmalarda sıklıkla tercih edilmektedir. MNIST veri seti üzerinde bir çok makine öğrenmesi yöntemi çalıştırılmıştır. Her bir yöntem için verim hesaplanmış, sonuçlar raporlanmıştır. Literatür taramasında en çok karşılaşılan ve el yazısı tanıma alanında en çok tercih edilen makine öğrenmesi yöntemlerine öncelik verilmiştir. Bu araştırmalar ve testler sonucunda karşılaştırılan yöntemlerden en yüksek verimi sağlayan yöntemler K-En Yakın Komşu algoritması ve K-Ortalama algoritması olmuştur. Elbette çalışma süresi, veri seti gibi bir çok etkenin de varlığı bu alanda çalışmak isteyenler için kıstas olarak alınmalıdır. Bu tez çalışması el yazısı tanıma alanına temelden bir giriş yapmış ve makine öğrenmesi alanında farklı bir çok alt yöntemi el yazısı rakam tanıma için test etmiştir. Bu açıdan yol gösterici olması hedeflenmiştir.
The problem of handwriting recognition has always been involved in machine learning studies. There are many stages of handwriting recognition. These are; pre-processing, segmentation, feature extraction, classification and post-processing stages. Each of these stages can be subject to a separate academic study. The subject of this study is the classification of the pre-processed and segmented data set. MNIST data set was used in this study. This data set contains 60,000 samples from 250 different people. Includes handwritten images of numbers 0 to 9. It is frequently preferred in academic studies. Many machine learning methods were run on the MNIST data set. Accuracy score was calculated for each method and results were reported. For the study, the most common machine learning methods in the field of handwriting recognition were selected. As a result of these researches and tests; the methods providing the highest efficiency from the methods compared were K-Nearest Neighbor algorithm and K-Means algorithm. Of course, the existence of many factors such as working time and data set should be taken as a criterion for those who want to work in this field. This thesis study has made a basic introduction to the field of handwriting recognition and has tested many different machine learning methods for handwriting digit recognition. It is aimed to be a guide in this study area.