Tez No	İndirme	Tez Künye	Durumu
807194		Yinelemeli sinir ağlarında çok değişkenli zaman serisi analizi yöntemleri ile süt sığırcılığı üreme süreç yönetimi / Multivariate time series analysis with recurrent neural networks for dairy cattle breeding management Yazar:OĞUZHAN SÖNMEZ Danışman: DR. ÖĞR. ÜYESİ KENAN ZENGİN Yer Bilgisi: Tokat Gaziosmanpaşa Üniversitesi / Fen Bilimleri Enstitüsü / Mekatronik Mühendisliği Ana Bilim Dalı / Mekatronik Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2023 82 s.
Yüksek ekonomik değere sahip süt sığırlarının buzağılama esnasında olumsuz senaryolar yaşanabilmektedir. Buzağıların sıkışması, yaralanma, buzağılama sonrasında yetersiz beslenmeden dolayı kayıplar ve gözetimsiz buzağılama gibi birçok olumsuz senaryo gerçekleşebilmektedir. Bu olumsuzlukları azaltmak ve hayvan refahını artırmak için buzağılama zamanını doğru tahmin etmek büyük öneme sahiptir. Bu çalışmada, Kalman filtreli bir Bi-LSTM sınıflandırıcı kullanarak buzağılama zamanı tahmini için yeni bir yöntem öneriyoruz. Bi-LSTM sınıflandırıcı, zaman serisi verilerindeki uzun vadeli bağımlılıkları öğrenebilen bir derin öğrenme modelidir. Kalman filtresi, gürültülü verileri yumuşatmak ve bir sistemin zaman içindeki durumunu tahmin etmek için kullanılabilen istatistiksel bir filtredir. Yapılan deneyler sonucunda, önerilen modelin, geliştirilen diğer alternatif modellere ve literatürdeki diğer tahmin yöntemlerine göre daha iyi performans gösterdiği tespit edilmiştir. Özellikle, kalman filtresi sayesinde modellerde ortalama %20 daha iyi performans sağlanırken, modelin %93 hassasiyet ve % 95 doğruluk değeri ile yüksek bir başarı elde ettiği görülmüştür. Ayrıca, çapraz doğrulama yöntemi ile veri seti büyüklüğü etkisi azaltılarak ve aşırı uyum önlenerek, modelin daha doğru sonuçlar vermesi sağlanmıştır. Yöntemimiz süt çiftçileri için değerli bir araç olabilir. Çiftçilerin sürü yönetimi hakkında daha bilinçli kararlar almasına yardımcı olabilir, bu da hayvan refahının ve süt üretiminin artmasına yol açabilir. Bu tez çalışması, yapay zeka yöntemlerinin hayvan yetiştiriciliği alanında da önemli bir uygulama potansiyeli olduğunu ortaya koymaktadır.
Negative scenarios can occur during calving of dairy cattle with high economic value. Many negative scenarios such as calf entrapment, injury, losses due to malnutrition after calving and unattended calving can occur. In order to reduce these adverse scenarios and improve animal welfare, accurate prediction of calving time is of great importance. In this study, we propose a new method for calving time estimation using a Bi-LSTM classifier with Kalman filter. The Bi-LSTM classifier is a deep learning model that can learn long-term dependencies in time series data. The Kalman filter is a statistical filter that can be used to smooth noisy data and estimate the state of a system over time. As a result of the experiments, it is found that the proposed model outperforms other alternative models and other forecasting methods in the literature. In particular, the Kalman filter provides an average of 20% better performance in the models, while the model achieves a high success with 93% precision and 95% accuracy. In addition, the cross-validation method reduced the effect of data set size and prevented overfitting, resulting in more accurate model results. Our method can be a valuable tool for dairy farmers. It can help farmers make more informed decisions about herd management, which can lead to increased animal welfare and milk production. This thesis demonstrates that artificial intelligence methods have a significant potential for application in the field of animal farming.