Tez No	İndirme	Tez Künye	Durumu
179729		Tanecikli hesaplama yöntemi ile kavram çözümleme / Concept analysis with granular computing method Yazar:MERT BAL Danışman: PROF. DR. HAYRİ SEVER ; PROF. DR. OYA KALIPSIZ Yer Bilgisi: Yıldız Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Matematik Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Bayes ağlar = Bayes networks ; Kaba kümeler = Rough sets	Onaylandı Doktora Türkçe 2008 119 s.
Tıbbi Karar Destek Sistemleri (TKDS) eksik bilgi ve belirsizlik altında çıkarsama yapabilen akıllı yazılım sistemleridir. Bu sistemlerde belirsizliğin modellenmesi için Bayes ağları, kaba kümeler, yapay sinir ağları, bulanık mantık, tümevarımsal mantık programlama, genetik algoritmalar gibi çeşitli esnek hesaplama yöntemleri ile bu yöntemlerin birkaçının birleşiminden oluşan melez yöntemler kullanılmaktadır. Bayes ağları TKDS' de sıklıkla kullanılan veri güdümlü bir yöntemdir.Bu çalışmada, Bayes ağları ile Biçimsel Kavram Çözümlemedeki kavram kafes yapısı arasındaki benzerliklerden yola çıkılarak Belirti-Hastalık arasındaki ilişkileri yansıtan yeni bir veri güdümlü model önerilmiştir. Bu modelde hastalıklar nesneler ve belirtiler de özellikler olarak modellenmiştir.Geliştirilen modelin test edilmesi için veri kümesi bulmadaki teknik problemler nedeniyle gerçek durumlardan çıkarılmış ve gerçek hasta verileri kullanılarak hazırlanmış olan ALARM ağ yapısı kullanılmıştır. Çeşitli boyutlardaki bu veri kümelerinin üretilmesi NETICA yazılımı ile gerçekleştirilmiştir. Hesaplama karmaşıklığını önlemek amacıyla, özellik verilerine kaba kümeler kuramının temelini oluşturan ve ayırtedilebilirliğe dayalı bir yazılım sistemi olan ROSETTA kullanılmıştır.Belirti-Hastalık bağlamının, ilgili algoritmalar ile kavram kafesi yapısı oluşturulmuştur. Kavram kafesindeki kenarlar, belirtiler ve hastalıklar arasındaki olasılıksal ilişkileri yansıtmakta ve Bayes teoremi ile hesaplanmaktadır. Bu işlemler Oracle JDeveloper yazılımı kullanılarak gerçekleştirilmiştir. Hesaplanan koşullu olasılıklar modelin doğruluk oranını vermektedir. Ağdaki gerçek durum ile programın ürettiği sonuç aynı olduğunda doğru teşhise ulaşılmaktadır. Oluşturulan model, farklı boyutlar da veri kümelerine uygulandığında ortalama yaklaşık %51 doğruluk oranı ile hastalığı doğru teşhis edebilmektedir.Ayrıca bu veri kümeleri C4.5, Destek Vektör Makinesi ve Çok Katmanlı Yayılım gibi makine öğrenmesi yöntemlerine de uygulanmıştır. En iyi sonucu yaklaşık %75 ortalama doğruluk oranı ile Destek Vektör Makinesi yöntemi vermiştir.
Medical Decision Support Systems (MDSS) are intelligent software systems that are able to make deduction in case of lack of information and in the presence of ambiguity. In order to model the uncertainty in these systems, different soft computing methods like Bayesian networks, rough sets, neural networks, fuzzy logic, inductive logic programming, genetic algorithms and/or hybrid systems that are combination of several of these mentioned methods are used. Bayesian network is a data oriented method that is frequently used in MDSS.In this study, based on the similarity between Bayesian network and concept lattice in formal concept analysis, a data oriented model reflecting the relations between Symptom-Disease is proposed, in which diseases and symptoms are modeled as objects and attributes respectively.In order to test the developed model, with the technical problems of finding data sets, an ALARM network based on real situations and real patient data is used. Data sets of various size is implemented using NETICA software. In order to reduce computational complexity, ROSETTA software, which is a fundamental tool in rough set theory and based on discernibility, is used.Lattice of symptom-disease concept is constructed using related algorithms by Oracle JDeveloper software and later the conditional probabilities that are indicator of the models accuracy are calculated by Bayes theorem. Correct diagnosis is achieved when the actual situation in the network and the result of the program is the same. The proposed model applied to various sized data set can give the correct diagnosis with an average of 51% accuracy.Also, these datasets are applied to the machine learning methods like C4.5, Support Vector Machines (SVM) and Multi Layer Perceptron (MLP). Support Vector Machine has given the best result as approximately 75% average accuracy.