Makine öğrenmesi algoritmaları ve uygulamaları

Abstract

Bu tez çalışmasının 1. Bölüm giriş bölümü olup makine öğrenmesi ile ilgili çalışmaları ile ilgili bilgiler sunmaktadır. Tezimizin 2. bölümünde makine öğrenmesi çeşitleri ele alınarak denetimsiz öğrenme, denetimli öğrenme ve pekiştirmeli öğrenme kavramları teorik açıdan açıklanmıştır. Denetimsiz öğrenme alt başlıklarında ilişkilendirme, Apriori algoritması, kümeleme, hiyerarşik kümeleme, K-Means kümeleme ve K-En Yakın Komşuluğu yöntemleri detaylı şekilde tanıtılmıştır. Tezin üçüncü bölümde, farklı makine öğrenmesi algoritmaları tanıtılmış ve basit doğrusal regresyon, çoklu doğrusal regresyon, polinom regresyon, destek vektör makine regresyonu, karar ağacı regresyonu, rastgele orman regresyonu, Ridge, Lasso ve Elastic Net regresyon modelleri istatistiksel temel kavramlarla birlikte ayrıntılı olarak incelenmiştir. Dördüncü bölümde ise, doğrusal regresyon modeli yardımıyla belirli aralıklarda ��(𝑥) = 𝑒 , 𝑓(𝑥)=√𝑥 +1, 𝑓(𝑥) = 𝑐𝑜𝑠𝑥 fonksiyonlarının yaklaşık polinom karşılıkları hesaplanmış, bu süreçte trapez yöntemi referans alınarak model performansları değerlendirilmiştir. Son olarak, farklı makine öğrenmesi regresyon modelleri kullanılarak altın ons fiyatlarının tahmini gerçekleştirilmiş, modellerin tahmin doğrulukları karşılaştırılmış ve elde edilen bulgular yorumlanmıştır. Elde edilen sonuçlar, makine öğrenmesi algoritmalarının hem matematiksel hesaplamalarda hem de finansal öngörülerde etkin biçimde kullanılabileceğini göstermektedir. Bu tez, ilgili literatüre katkı sunarak gelecekteki çalışmalara yol göstermesi amacıyla hazırlanmıştır.In this thesis, firstly, types of machine learning were addressed theoretically, unsupervised learning, including supervised learning, and reinforcement learning. In the context of unsupervised learning, methods such as association, Apriori algorithm, clustering, hierarchical clustering, K-Means clustering and K-Nearest Neighbors were introduced in detail. In the second stage, various machine learning algorithms were presented and examined comprehensively with their statistical fundamentals. These contain simple linear regression, multiple linear regression, polynomial regression, support vector machine regression, decision tree regression, random forest regression, Ridge, Lasso and Elastic Net regression models. In the third stage, approximate polynomial representations of the functions 𝑓(𝑥) = 𝑒 , 𝑓(𝑥) = √𝑥 +1, 𝑓(𝑥) = 𝑐𝑜𝑠𝑥 within specific intervals were calculated using the linear regression model, and model performances were evaluated based on the trapezoidal method as a reference. Finally, the prediction of gold ounce prices was conducted using different machine learning regression models. The prediction accuracies of the models were compared and the results were interpreted. The findings demonstrate that machine learning algorithms can be effectively utilized in both mathematical computations and financial forecasting. This thesis aims to contribute to the related literature and to guide future research in this field. Finally, different machine learning regression models are used to predict gold ounce prices, the prediction accuracy of the models are compared and the findings are interpreted. The results obtained show that machine learning algorithms can be used effectively in both mathematical calculations and financial forecasting. This thesis is intended to contribute to the related literature and guide future studies.