Tez No	İndirme	Tez Künye	Durumu
672765		Create and analyze new audiology data set and using data mining techniques to predict hearing aid factors for audiology patients(field of bioinformatics and healthcare system) / Sitoloji hastaları için işitme cihazı faktörlerini tahmin etmek için yeni sitoloji veri seti oluşturun ve analiz edin ve veri madenciliği teknikleri kullanarak(biyoinformatik ve sağlık sistemi alanı) Yazar:MAALIM ABD ALI HASSAN ALJABERY Danışman: YRD. DOÇ. DR. SEFER KURNAZ Yer Bilgisi: Altınbaş Üniversitesi / Lisansüstü Eğitim Enstitüsü / Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2020 148 s.
Kümeleme algoritması, birçok çalışmada odyoloji veri setindeki kalıpları ve ilişkileri bulmak için kullanılmıştır. İşitme engelli hastaların ayırt edici odyometrik profillerini gruplandırmak için kümeleme algoritması kullanır. Bununla birlikte, Sık Örüntü Büyüme (FP-Growth) algoritması ile ilişki analizi, bir veri kümesindeki ilgili öğelerin çıkarılmasında daha etkilidir. Bu tekniklerin çoğu, SAS ve SPSS gibi odyoloji alanında çoğunlukla gelişmiş olmayan geleneksel yazılım bileşenlerine bağlıdır. Odyoloji kayıtları ve genel olarak tıbbi bilgiler üzerine yapılan son çalışmalara rağmen, günümüzde hibrit bilginin keşif aracına erişilemeyen bir gün, odyoloji verileri kayıtlarımızda bulunan yapılandırılmış veriler, yapılandırılmamış bilgiler ve odyogramların toplamıyla işlem yapılmasına olanak tanımıyor. Bu araştırmada, denetimli teknikleri ve denetlenmeyen odyoloji hastasının verilerinin kümelenmesini, her bir kümeyle ilişkili metinsel anahtar kelimelerin tanımlanmasıyla, daha kesin olarak metin yorumu, tanı ve İşitme Cihazı (HA) türü ile entegre etme yaklaşımını sunacağız. Bu araştırma, odyoloji bilgilerine ve hastanın teşhisine bağlı olarak toplanan ve analiz eden yeni özel veri setiyle ilgilenir. 71 adet veri detayı ve 1 adet sınıf için dağıtılmış 72 alandan oluşmaktadır. Tüm alanlar, bazı eksik değerlerle kategoriktir. Odyoloji Hastası (AP) için uygun HA seçimini doğrudan etkileyen en önemli noktaların doğru tıbbi teşhis ve kapsamlı bilgilerine dayalı olarak ve Veri Madenciliği (DM) teknikleri uygulanarak çok doğru bir analize (temizlikten önce) tabi tutulmuştur. , HA seçimi için% 100 ve bu hastaların kullanması gereken HA tipini belirlemek için% 98'lik bir tahmin elde ettik. Hedefimize ulaşmak için, kodlama ve modelleme için Python kullanan DM tekniklerini inceledik.
Clustering algorithm has been used in many studies to find patterns and relationships in audiology dataset. Employs clustering algorithm in grouping distinctive audiometric profiles of hearing-impaired patients. However, association analysis with Frequent Pattern Growth (FP-Growth) algorithm is more efficient in extracting related items in a dataset. Majority of these techniques are depending on components of conventional software that not mostly advanced for the field of audiology like SAS and SPSS. Despite the recent works upon audiology records and medical information in general, now a days actually no accessible of discovery appliance of hybrid knowledge enable to transact with aggregate of structured data, unstructured information, and audiograms as it found within our records of audiology data. In this research, we will present an approach of integrating supervised techniques and unsupervised clustering of audiology patient's data with the identification of textual keywords associated with each cluster, in more precisely, those related to text comment, diagnosis and Hearing Aid (HA) type. This research deals with new specific data set which collects and analyze depends on audiology information and patient's diagnosis. It consists of 72 fields distributed on 71 fields for data details and one further for class. All fields are categorical with some of missing values. It was subjected to a very accurate analysis (before cleaning) based on the correct medical diagnosis and comprehensive information of the most important points that directly affect the selection of appropriate HA for Audiology Patient (AP), and via applying Data Mining (DM) techniques, we obtained a prediction of 100% for HA selection, and 98% to determine which power type of HA that those patients should use. To reach our goal, we examined DM techniques utilizing Python for coding and modeling.