Gıda sektöründeki fiyat tahminlemesi için yapay sinir ağları modellerinin incelenmesi ve karşılaştırılması
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, İstatistik Ana Bilim Dalı, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: Türkçe
Öğrenci: SEFA AKSÜNGÜ
Danışman: Sedat Çapar
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Bu çalışmanın amacı, sinir ağı, tekrarlayan sinir ağları, kapılı tekrarlayan sinir ağları ve uzun kısa süreli bellek yöntemleri gibi yapay sinir ağı modelleri kullanılarak gıda endüstrisindeki bir ürünün fiyatının tahmin edilmesidir. Belirtilen sinir ağı yöntemleri için farklı parametre değerleri kullanılarak düzleştirme, bırakma, istifleme ve çift yönlü vb. modeller oluşturulur. Oluşturulan modeller analiz edilir ve görselleştirilir. En uygun modeller sonucunda kullanılan yöntemler karşılaştırılır. Çalışma kapsamında yapay sinir ağı modelleri, model performans metrikleri, hiperparametreler, veri seti analizi, robotik süreç otomasyonu ve makine öğrenimi ilişkilendirmesi gibi konularda teorik bilgiler verilmektedir. Ardından, ortalama mutlak hata (MAE) metriği ile ortalama karesel hata (MSE) metriği arasında gerçek veriler ve tahmin edilen verilerle bir karşılaştırma yapılır. Her bir yönteme bağlı olarak farklı parametre girdileri kullanılarak oluşturulan alt modeller için elde edilen sonuçlar ve görüntüler, ortalama mutlak hata metriği ve ortalama hata karesi ölçüm metriklerine göre özet tablo halinde sunulmuştur. Bu çalışma kapsamında makine öğrenimi modelleri, RPA teknolojisi olarak bilinen Robotik Süreç Otomasyonu ile kodlama yapılan araç ile entegre çalışmaktadır. RPA teknolojisinde kullanılan UiPath aracı, modellemenin yapıldığı R programı ile birlikte çalışarak ilgili kişi veya kişilerden girdi değerleri alarak modelleri tetikler. Modellerin çıktı sonuçları, her çalıştırmadan sonra sonuç değerleri belirli bir formatta düzenlenerek klasörlerde saklanır. Son zamanlarda kullanılmaya başlanan Robotik Proses Otomasyonu ve makine öğrenimi kombinasyonu, maliyetleri düşürürken bu işe daha yüksek verimlilik ve hız kazandırıyor. Böylece modellerin veri veya parametre değerlerine bağlı olarak çalışma süresi ve diğer işlem adımlarından kazanılarak otomatik olarak zamanlanır.