Show simple item record

dc.contributor.advisorDaǧ, Hasanen_US
dc.contributor.authorSekban, Judi
dc.date.accessioned2020-02-20T14:10:42Z
dc.date.available2020-02-20T14:10:42Z
dc.date.issued2019
dc.identifier.urihttps://hdl.handle.net/20.500.12469/2782
dc.description.abstractMakine öğrenimi bir çok endüstride üzerinde yoğun çalışmalar yapılan bir konu olmuştur, ve neyse ki şirketler kendi problemlerini çözebilecek çeşitli machine learning yaklaşımları hakkında günden güne daha fazla bilgi sahibi oluyorlar. Fakat, farklı makine öğreniminin modellerinden en iyi şekilde sonuç almak ve verimli sonuçlara ulaşabilmek için, modellerin uygulanış biçimlerini ve verinin doğasını iyi anlamak gerekir. Bu tez, belli bir tahmin görevi için, uygulanan farklı makine öğreniminin algoritmalarını ne kadar iyi sonuç verdiklerini araştırır. Bu amaçla tez, 4 faklı algoritma, bir istifleme topluluğu tekniği ve modeli geliştirmek için belirli bir özelllik seçme yaklaşımı sunar ve uygular. Farklı konfigürasyonlar uygulayarak sonuçlar birbiriyle test edilir. Bütün bu işlemler, gerekli veri önislemeleri ve özellik mühendisliği adımları tamamlandıktan sonra yapılır.en_US
dc.description.abstractMachine learning has been a subject undergoing intense study across many different industries and fortunately, companies are becoming gradually more aware of the various machine learning approaches to solve their problems. However, in or- der to to fully harvest the potential of different machine learning models and to achieve efficient results, one needs to have a good understanding of the application of the models and of the nature of data. This thesis aims to investigate different approaches to obtain good results of the machine learning algorithms applied for a given prediction task. To this end the thesis proposes and implements a four different algorithms, a stacking ensemble technique, and a specific approach to feature selection to develop models. Using different configurations, the results are compared one against another. All of these are done after applying the necessary data prepossessing and feature engineering steps.en_US
dc.language.isoEnglishen_US
dc.publisherKadir Has Universityen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectMachine Learningen_US
dc.subjectPredictionen_US
dc.subjectSalesen_US
dc.subjectFeature Selectionen_US
dc.subjectFeature Engineeringen_US
dc.subjectMakine Öğrenimien_US
dc.subjectTahminen_US
dc.subjectSatışlaren_US
dc.subjectÖzellik Seçimien_US
dc.subjectÖzellik Mühendisliğien_US
dc.titleApplying machine learning algorithms in sales predictionen_US
dc.typeMaster's Thesisen_US
dc.contributor.departmentKadir Has University : Graduate School of Science and Engineering: Computer Engineeringen_US


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record