Tez No	İndirme	Tez Künye	Durumu
716305		Application of machine learning methods in manufacturing sector / Üretim sektöründe makine öğrenmesi yöntemlerinin uygulanması Yazar:ALİCAN DOĞAN Danışman: DOÇ. DR. DERYA BİRANT Yer Bilgisi: Dokuz Eylül Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Hiyerarşik kümeleme = Hierarchical clustering ; Kümeleme = Clustering ; Makine öğrenmesi = Machine learning ; Regresyon = Regression ; Sapan değerler = Outliers ; Sınıflandırma = Classification ; Veri madenciliği = Data mining ; Üretim = Production	Onaylandı Doktora İngilizce 2022 196 s.
Son yıllarda makine öğrenimi ve veri madenciliği yöntemleri birçok alanda yaygın olarak kullanılmaktadır. Üretim sektörü de bu alanlardan biridir. Üretim verilerinin yüksek karmaşıklığı ve çok boyutlu olma durumu, üreticilerin temel hedeflerini yerine getirmek amacıyla değerli bilgileri çıkarmak için veri analizi tekniklerinin entegrasyonu ihtiyacını doğurur. Üretim verileri özellikleri, ürünle ilgili öznitelikler, üretimde kullanılan makinelerin işlevsel parametreleri, süreç özellikleri ve farklı sensör türlerinden elde edilen ölçüm değerleri olabilir. Bu tür verileri faydalı bilgilere dönüştürmek bu tezin odak noktasıdır. Bu amaçla birkaç yeni makine öğrenimi yaklaşımı önerilmiş (kümeleme, sapan değer tespiti, sınıflandırma ve regresyon) ve deneyler yoluyla doğrulanmıştır. Bu tezde, üretim dahil çeşitli kaynaklardan elde edilmiş üretim verileri kullanılarak iki denetimli ve iki denetimsiz strateji sunulmakta ve test edilmektedir. Önerilen yöntemler şu sırayla ele alınır: (i) yeni bir birleştirici hiyerarşik kümeleme bağlayıcı yöntem olan k-merkez bağlantısı (ii) karmaşık verisetlerindeki sapan değerleri bulmak amacıyla geliştirilmiş güçlü bir denetimsiz öğrenme yöntemi olan Torbalanan ve Oylanan Yerel Sapan Değer Faktörü (BV-LOF), (iii) topluluktaki daha az hataları olan sınıflandırıcıları ödüllendirerek nesneleri sınıflandırmak için önerilmiş olan Ağırlıklı Çoğunluk Oylaması Topluluğu (WMVE), (iv) Bir Madencilik Sürecinde Kalite Tahmini için Çoklu Hedef Regresyonu (MTR-QP) eş zamanlı olarak bir madencilik sürecinde silika ve demir yoğunluğunu tahmin eder. Deneysel sonuçlar, önerilen tüm modellerin yaygın olarak kullanılan yöntemlerden daha iyi değerlendirme ölçüm değerleri aldığını göstermektedir.
In recent years, machine learning models have been widely used in many fields. The manufacturing sector is one of those fields. High complexity and dimensionality of production data lead to the requirement for the integration of data analysis techniques to extract valuable knowledge to fulfill the foundation goals of manufacturers. Manufacturing data features can be product-related attributes, operational parameters of machines used in production, process characteristics, and measurement values obtained from different kinds of sensors. Converting this type of data into useful information is the focus of this thesis. With this aim, several novel machine learning approaches (clustering, outlier detection, classification, and regression) were proposed and validated through experiments. In this thesis, two supervised learning and two unsupervised learning methods are presented and tested on manufacturing data from various sources. The proposed methods are as follows: (i) K-Centroid Link which is a new agglomerative hierarchical linkage method (ii) Bagged and Voted Local Outlier Factor (BV-LOF) which is a powerful unsupersived learning method to detect anomalies in complex datasets (iii) Weighted Majority Voting Ensemble (WMVE) which is proposed to classify instances by boosting classifiers with fewer failures in the ensemble, (iv) Multi-Target Regression for Quality Prediction in a Mining Process (MTR-QP) which predicts silica and iron concentrates concurrently. The experimental results show that all the proposed models usually obtain better evaluation scores than widely-used methods.