Yazar "Azizoğlu, Fatma" seçeneğine göre listele

Listeleniyor 1 - 3 / 3
  • Küçük Resim Yok
    Öğe
    Makine öğrenmesi yöntemleriyle kalp hastalarının sağkalım tahmini
    (Sivas Cumhuriyet Üniversitesi, 2023) Azizoğlu, Fatma; Takcı, Hidayet
    Kalp hastalıkları, dünya genelinde yaşlanan nüfusla birlikte her geçen gün daha fazla kişiyi etkilemektedir. Bununla birlikte, her yıl yaklaşık 18 milyon insan kalp hastalıklarına bağlı nedenlerle yaşamını yitirmektedir. Bu nedenle kalp hastalığının erken teşhisi ve sağkalımı etkileyen faktörlerin ortaya çıkarılması önemli bir problemdir. Teknolojinin gelişmesiyle birlikte hastaların elektronik sağlık kayıtları toplanıp depolanmakta ve elde edilen veriler makine öğrenmesi yöntemleri ile hastalık teşhisi veya sağkalım tahmini için yaygın olarak kullanılmaktadır. Yapılan çalışma kapsamında kalp hastalarının sağkalımını tahmin etmek için makine öğrenmesi algoritmalarından; Destek Vektör Makinesi, Rastgele Orman, Karar Ağacı, XGBoost, CatBoost ve Lojistik Regresyon kullanılmıştır. Sağkalım tahmin başarısını artırmak için veri dengeleme, özellik seçimi ve normalizasyon yöntemleri tekil ve bütünsel olarak makine öğrenmesi algoritmalarına uygulanmıştır. Ayrıca, deneylerde 5-fold ve 10-fold çapraz doğrulama işlemi kullanılarak doğruluk, kesinlik, duyarlılık ve f1-skor açısından önerilen yöntemlerin ve algoritmaların performans ve çalışma sürelerinin karşılaştırması yapılmıştır. Son olarak veri seti %80 eğitim, %20 test ve %70 eğitim, %30 test olarak bölünmüş ve deneyler tekrar edilmiştir. Elde edilen sonuçlara göre kalp hastalarının sağkalım tahmininde 5-fold çapraz doğrulama ile en yüksek doğruluk başarısına sahip algoritma %86,4649 değeriyle Destek Vektör Makinesi olmuştur. Çapraz doğrulama kullanmadan elde edilen sonuçlara göre %80 eğitim, %20 test işlemi ile en yüksek doğruluk başarısına ulaşan algoritmalar %93,9 değeri ile Rastgele Orman ve CatBoost olmuştur.
  • Küçük Resim Yok
    Öğe
    Missing IoT Data Prediction with Machine Learning Techniques
    (TUBITAK, 2022) Azizoğlu, Fatma; Ünsal, Emre
    Every day, the amount of data generated by industrial applications based on the Internet of Things (IoT) grows. However, data acquired because of failures and communication disconnections in IoT devices might be noisy, inaccurate, and incomplete. These issues have become crucial for data production, quality, processing, and analysis. The datasets used in the scope of this study were collected in real-time from the water neutralizer system of Sivas Numune Hospital, which converts medical waste into household waste. Medical liquid wastes in hospitals are exposed to chemical neutralization process by means of pH change with neutralization devices before being transferred to the sewer. In this regard, the monitoring of pH levels in the medical waste neutralization system is crucial for environmental protection. In this aspect, two datasets with varying quantities of missing data were evaluated for the prediction of the PH using the linear regression (LR), support vector machines (SVM), k-nearest neighbor (KNN), random forest (RF), and decision tree (DT) machine learning algorithms. Mean absolute error (MAE), mean squared error (MSE), and root mean square error (RMSE) performance metrics were used to evaluate machine learning algorithms. Because of the analysis, it was determined that the SVM algorithm performed better performance on the two distinct datasets. The result of the evaluation indicates that machine learning algorithms are remarkably efficient at predicting missing pH data. © 2022, TUBITAK. All rights reserved.
  • Küçük Resim Yok
    Öğe
    Predicting Phenological Stages with Deep Neural Network Models to Increase Efficiency in Tomato Production
    (Institute of Electrical and Electronics Engineers Inc., 2024) Azizoğlu, Fatma; Azizoğlu, Gökhan; Toprak, Ahmet Nusret; Sağlam, Cevdet
    Nowadays, tomatoes are one of the most widely cultivated crops globally and domestically. However, insufficient nourishment during the phenological stages of tomato seedlings can negatively impact their productivity. This study examines the accuracy of VGG19, ResNet101, and MobileNetV2 models in predicting the phenological stages of tomato plants. The SVM algorithm is used to classify the features obtained using these architectures, and the performance of the resulting models is evaluated. MobileNetV2+SVM has shown significantly superior performance compared to other models, with an accuracy rate of 98.75%. The MobileNetV2+SVM's lightweight structure and computational efficiency demonstrate potential for high-accuracy classification even in resource-constrained environments. The characteristics of this model make it well-suited for use in agricultural and robotic applications. The high accuracy rates enable the precise application of the nutrient solution to each tomato seedling's phenological stage, boosting agricultural productivity. © 2024 IEEE.