Tez No	İndirme	Tez Künye	Durumu
598030		Makine öğrenmesi teknikleri kullanılarak çocukluk çağı dikkat eksikliği ve hiperaktivite bozukluğunun tahmin edilmesine yönelik uzman sistem tasarımı / Expert system design for the prediction of attention deficit and hyperactivity disorder in childhood using machine learning techniques Yazar:HANİFE GÖKER Danışman: DOÇ. DR. HAKAN TEKEDERE Yer Bilgisi: Gazi Üniversitesi / Bilişim Enstitüsü / Bilişim Sistemleri Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2019 181 s.
Bu çalışma ile alan uzmanlarının, öğretmenlerin ve ebeveynlerin rahatlıkla kullanabileceği çocukluk çağı dikkat eksikliği ve hiperaktivite bozukluğunun öngörülmesine yönelik tanı çıkarımı yapabilen bir dinamik uzman sistem modeli geliştirilmiştir. Bu kapsamda, bozukluğun tanısına yönelik alan uzmanlarının karmaşık ve deneyim gerektiren karar verme süreci geliştirilen uzman sisteme aktarılmıştır. Çalışmada gereksinim analizi yapılarak çocukluk çağının en sık görülen psikiyatrik bozukluklarından olan dikkat eksikliği ve hiperaktivite bozukluğu çalışmanın konusu olarak seçilmiştir. Sistemi geliştirme sürecinde, çevik yazılım süreç modeli benimsenmiştir. Geliştirilen sistem bilgi tabanı, çıkarım mekanizması ve açıklama birimi olmak üzere üç temel kısımdan oluşmaktadır. Veri kümeleri nitelikler ve kayıtlar olmak üzere bilgi tabanına kaydedilmiştir. Nitelikler alan uzmanları (çocuk psikiyatristleri) tarafından belirlenirken, kayıtlar Gazi Hastanesi Çocuk Ruh Sağlığı ve Hastalıkları Anabilim Dalından alınan kliniksel hasta verilerinden oluşmaktadır. Geliştirilen sistemin çıkarım mekanizması kısmında Naive Bayes algoritması kullanılarak bilgi tabanının dinamik olarak yenilenmesinin sağlanması çalışmanın ayırt edici özelliğidir. Bu sayede sistem, daha önceden kayıtlı olmayan yeni bir durum ile karşılaştığında; mevcut kayıtlardan faydalanarak yeni kaydın hangi sınıfa ait olduğunu tahmin edebilmektedir. Gerçek veriler ile sistem eğitilmiş ve performansı test edilmiştir. Çalışmanın sonucunda sistemin performansının model başarım kriterlerine (%95,55 doğruluk, 0,942 kesinlik, 0,98 duyarlılık, 0,925 özgüllük, 0,961 f ölçütü ve 0,99 roc değeri) göre oldukça yüksek olduğu tespit edilmiştir.
In this study, a Dynamic Expert System which can be easily used by field experts, teachers and parents, was developed to predict attention deficit and hyperactivity impairment in childhood. In this context, the decision-making process, which requires complex and experienced field experts to diagnose the disease, has been transferred to the developed expert system. The subject of the study was determined as prediction of attention deficit and hyperactivity disorder, which is one of the most common psychiatric disorders of childhood. The Agile Model steps have been adopted while developing a dynamic expert system for predicting ADHD. The developed Dynamic Expert System consists of three basic parts, which are the knowledge base, the inference mechanism, and the description unit. Data clusters are recorded as attributes and records in the knowledge base. While attributes are determined by field experts, records are composed of clinical patient data received from the Gazi Hospital, Department of Pediatric Mental Health and Diseases. Ensuring the dynamic renewal of the rule base is the most important characteristic of the study using the Naive Bayes Algorithm in the inference mechanism of the developed system. In this way, when the system encounters a new situation that is not previously encountered, it can take advantage of the existing records and guess which class the record belongs to. With real data, the system has been trained; and its performance was tested. As a result of this study, accuracy was determined to be 95,55%; precision was determined to be 0,942, recall was determined to be 0,98, specificity was determined to be 0,925, f-measure was determined to be 0,961 and roc area value was determined to be 0,99. It was observed that the performance of the system was quite high compared to the model performance criteria.