Tez No	İndirme	Tez Künye	Durumu
692030		Predicting the performance of cross-country skiers using maching learning methods / Makine öğrenme yöntemleri kullanılarak kros kayakçıların performans tahmin edilmesi Yazar:SHAHABODDIN DANESHVAR Danışman: PROF. DR. MEHMET FATİH AKAY Yer Bilgisi: Çukurova Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2021 296 s.
Bu tezin amacı, makine öğrenimi ve nitelik seçme yöntemlerini kullanarak kros kayakçılarının yarış sürelerini tahmin etmek için yeni regüler ve nitelik seçimine dayalı modeller geliştirmektir. Optimize Edilmiş Genel Regresyon Sinir Ağı (OPGRNN), Genel Regresyon Sinir Ağı (GRNN), Destek Vektör Makinesi (SVM), Çok Katmanlı Algılayıcı (MLP), Radyal Temel Fonksiyon Sinir Ağı (RBFNN) ve Tekli Karar Agacı (SDT) olmak üzere altı popüler makine öğrenme yöntemi kullanılırken, özellik seçici algoritma olarak Relief-F uygulanmıştır. Zengin bir anket tabanlı veri seti ile birlikte fizyolojik verileri kullanarak kros kayakçılarının yarış sürelerini tahmin etmek için çeşitli modeller geliştirilmiştir. 10 kat çapraz doğrulama uygulanarak, modellerin tahmin hataları ortalama kare hatası (RMSE) hesaplanarak değerlendirilmiştir. Sonuçlar, OPGRNN tabanlı tahmin modellerinin üstün performans gösterdiğini ve kros kayakçılarının yarış süresini tahmin etmek için uygun bir araç olarak kategorize edilebileceğini göstermektedir. Ayrıca, egzersize dayalı olmayan kullanım ve daha geniş bir kros kayakçı grubuna uygulanabilirlik gibi önemli avantajlar, bu çalışmada önerilen tahmin modellerini kullanımı kolay ve daha değerli kılmaktadır. Anahtar Kelimeler: Makine Öğrenmesi, Yarış Zamanı, Kros Kayakçılar, Tahmin
The purpose of this thesis is to develop new regular and feature selection-based models for predicting the racing times of cross-country skiers by using machine learning and feature selection methods. Particularly, six popular machine learning methods including Optimized-General Regression Neural Network (OPGRNN), General Regression Neural Network (GRNN), Support Vector Machine (SVM), Multilayer Perceptron (MLP), Radial Basis Function Neural Network (RBFNN), and Single Decision Tree (SDT) have been used, whereas Relief-F has been employed as the feature selector. Several models have been developed to predict the racing time of cross-country skiers using physiological data along with a rich set of survey-based data. By performing 10-fold cross-validation, the prediction errors of the models have been calculated using root mean square error (RMSE). The results emphasize that OPGRNN-based prediction models show superior perfor¬mance and can be categorized as a feasible tool to predict the racing time of cross-country skiers. Furthermore, significant advantages such as the non-exercise-based usage and the applicability to a broader range of cross-country skiers make the prediction models proposed in this study easy-to-use and more valuable. Key Words: Machine learning, racing time, cross-country skiers, prediction