SavedAdd your journal

Journals / Türkiye Tarımsal Araştırmalar Dergisi / 2016 / Cilt: 3 Sayı: 1

Hayvancılıkta Veri Madenciliği Uygulamaları

Feyza Alev Çetin
Nazire Mikail
Pages
79–88
Publication Date
2016-03-31
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Bu çalışma ile veri madenciliği metotları tanıtılacak ve dünyada veri madenciliğinin hayvancılık alanındaki uygulamalarına örnekler verilecektir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Veri madenciliği bir merkezde toplanan çok büyük miktardaki bilgilerden istenilen ve uygulanabilir bilginin keşfedilmesini sağlamaktır.
📊
Key Findings & Data:Veri madenciliği bilgi endüstrisi ve toplumunda kullanılmaya başlanmıştır.
💡
Conclusion & Impact:Bu çalışma ile veri madenciliği metotları tanıtılacak ve dünyada veri madenciliğinin hayvancılık alanındaki uygulamalarına örnekler verilecektir.
🔬Design:Makale
📍Scope:Comprehensive Sample
⚙️Variables:Domain Parameters

Özet

Veri madenciliği bir merkezde toplanan çok büyük miktardaki bilgilerden istenilen ve uygulanabilir bilginin keşfedilmesini sağlamaktır. Veri madenciliği bilgi endüstrisi ve toplumunda kullanılmaya başlanmıştır. Pek çok veri madenciliği metodu kullanılmakla birlikte, son yıllarda bu teknikler hayvancılık alanında dikkat çekici olmuştur. Hayvancılıkla ilgili karmaşık problemlerin çözümü için pek çok metot ele alınmış ve geliştirilmiştir. Çalışmada kortalamaları yaklaşımı, k-en yakın komşu yaklaşımı, çok değişkenli uyarlanır regresyon eğrileri (Multivariate Adaptive Splines, MARS), Bayes sınıflandırıcıları (Naive Bayesian Classifiers, NBC), yapay sinir ağları (Artificial Neural Networks, ANN), destek vektör makineleri (Support Vector Machines, SVM), karar ağaçları gibi veri madenciliği yöntemleri hakkında kısa bilgi verilmiştir. Bu çalışma ile veri madenciliği metotları tanıtılacak ve dünyada veri madenciliğinin hayvancılık alanındaki uygulamalarına örnekler verilecektir.

🔖

Cite This Article

Çetin, F. A., Mikail, N. (2016). Hayvancılıkta Veri Madenciliği Uygulamaları. Türkiye Tarımsal Araştırmalar Dergisi, Cilt: 3 Sayı: 1, 79–88. https://doi.org/10.19159/tutad.30179

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (34)

  1. Abu-Hanna, A., De Keizer, N., 2003. Integrating classification trees with local logistic regression in Intensive Care prognosis. Artificial Intelligence in Medicine, 29(1-2): 5-23.
  2. Bishop, C.M., 2006. Pattern Recognition and Machine Learning. Springer, New york.
  3. Cortes, C., Vapnik, V., 1995. Support vector networks. Machine Learning, 20: 273-297.
  4. De’ath, G., Fabricius, K.E., 2000. Classification and regression trees: A powerful yet simple technique for ecological data analysis. Ecological Society of America, 81(11): 3178-3192.
  5. Elmas, Ç., 2011. Yapay Zeka Uygulamaları (2. Baskı). Seçkin Yayıncılık, Ankara.
  6. Ergülen, A., Topuz, D., 2008. İşletmelerdeki verimliliğin tahmin edilebilmesi ve bu verimliliği etkileyen faktörlerin MLP tipi yapay sinir ağları tekniği ile belirlenmesi. Mustafa Kemal Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 10(8): 219-231.
  7. Eyduran, E., Tatlıyer, A., Tarıq, M.M., Waheed, A., 2013. Application of classification and regression tree methods in agriculture. Ulusal Tarım Kongresi, 26-29 Ekim, Antalya.
  8. Görgülü, O., 2012. Prediction of 305-day milk yield in Brown Swiss cattle using artificial neural networks. South African Journal of Animal Science, 42(3): 280-287.
  9. Grzesiak, W., Lacroix, R., Wόjcik, J., Blaszczyk, P., 2003. A comparison of neural network and multiple regression predicition for 305-day lactation yield using partial lactation records. Canadian Journal of Animal Science, 83: 307-310.
  10. Grzesiak, W., Blaszczyk, P., Lacroix, R., 2006. Methods of predicting milk yield in dairy cows-Predictive capabilities of Wood’s lactation curve and artificial neural networks (ANN). Computers and Electronics in Agriculture, 54(2): 69-83.
  11. Grzesiak, W., Zaborski, D., Sablik, P., Zukiewicz, A., Dybus, A., Szatkowska, I., 2010. Detection of cows with insemination problems using selected classification models. Computers and Electronics in Agriculture, 74(2): 265-273.
  12. Grzesiak, W., Zaborski, D., Sablik, P., Pilarczyk, R., 2011. Detection of difficult conceptions in dairy cows using selected data mining methods. Animal Science Paper and Reports, 29: 293-302.
  13. Grzesiak, W., Zaborski, D., 2012. Examples of the use of data mining methods in animal breeding. In: A. Karahoca (Ed), Data mining applications in engineering and medicine, InTech.
  14. Hartigan, J., 1975. Clustering Algoritms. John Wiles&Sons, New york.
  15. Kahramanlı, H., 2008. Hibrit bulanık sinir ağını kullanarak bir sınıflandırma ve kural çıkartma sisteminin geliştirilmesi. Doktora tezi, Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Konya.
  16. Kamphuis, C., Mollenhorst, H., Feelders, A., Pietersma, D., Hogeveen, H., 2010. Decision-tree induction to detect clinical mastitis with automatic milking. Computers and Electronics in Agriculture, 70(1): 60-68.
  17. Küçükönder, H., Üçkardeş, F., Narinç, D., 2014. Hayvancılık alanında bir veri madenciliği uygulaması: Japon bıldırcını yumurtalarında döllülüğe etki eden bazı faktörlerin belirlenmesi. Kafkas Üniversitesi Veteriner Fakültesi Dergisi, 20(6): 903-908.
  18. Larose, D.T., 2006. Data Mining Methods and Models. John Wiley&Sons, Inc., Hoboken, New Jersey.
  19. Lee, T.S., Chiu, C.C., Chou, Y.C., Lu, C.J., 2006. Mining the customer credit using classification and regression tree and multivariate adaptive regression splines. Computational Statistics and Data Analysis, 50: 1113-1130.
  20. Maldonado-Castillo, I., Eramian, M.G., Pierson, R.A., Singh, J., Adams, G.P., 2007. Classification of bovine reproductive cycle phase using ultrasound-detected features. Fourth Canadian Conference on Computer and Robot Vision, May 28-30, Montreal, Quebec, Canada, pp. 258-265.
  21. Mammadova, N., 2012. Süt sığırlarında mastitisin bazı yapay zeka yöntemleri kullanılarak erken dönemde tespiti. Doktora tezi, Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Konya.
  22. Mammadova, N., Keskin, İ., 2013. Application of the support vector machine to predict subclinical mastitis in dairy cattle. The Scientific World Journal, 1-9.
  23. Mucherino, A., Papajorgji, P., Pardalos, P.M., 2009. A survey of data mining techniques applied to agriculture. International Journal of Operational Research, 9(2): 121-140.
  24. Nispet, R., Elder, J., Miner, G., 2009. Statistical Analysis and Data Mining Application. Elsevier, USA.
  25. Piwczyński, D., 2009. Using classification trees in statistical analysis of discrete sheep reproduction traits. Journal of Central European Agriculture, 10: 303-310.
  26. Rajesh, D., 2011. Applied of spatial data mining for agriculture. International Journal of Computer Applications, 15(2): 7-9.
  27. Shahinfar, S., Page, D., Guenther, J., Cabrera, V., Fricke, P., Weigel, K., 2014. Prediction of insemination outcomes in Holstein dairy cattle using alternative machine learning algoritms. Journal of Dairy Science, 97(2): 731-742.
  28. Takma, Ç., Atıl, H., Aksakal, V., 2012. Çoklu doğrusal regresyon ve yapay sinir ağı modellerinin laktasyon süt verimine uyum yeteneklerinin karşılaştırılması. Kafkas Üniversitesi Veteriner Fakültesi Dergisi, 18(6): 941-944.
  29. Wood, P.D.P., 1967. Algebraic model of the lactation curve in cattle. Nature, 216: 164-165.
  30. Vale, M.M., Moura, D.J., Naas, I.A., Oliveira, S.R.M., Rodrigues, L.H.A., 2008. Data mining to estimate broiler mortality when exposed to heat wave. Scientific Agriculture, 65(3): 223-229.
  31. Zaborski, D., Grzesiak, W., 2011a. Detection of heifers with dystosia using artificial neural networks with regard to ERα-BgII, ERα-SnaBI and CYP19-PvuII genotypes. Acta Scientirum Pololonorum Zootechnica, 10(2): 105-116.
  32. Zaborski, D., Grzesiak, W., 2011b. Detection of difficult calvings in dairy cows using neural classifier. Archiv Tierzucht, 54(5): 477-489.
  33. Zareipour, H., Bhattacharya, K., Canizares, C.A., 2006. Forecasting the hourly Ontorio energy price by multivariate adaptive regression splines. IEEE, Power Engineering Society General Meeting, pp. 1-7.
  34. Źidek, R., Śidlová, V., Kasarda, R., Fuerst, Waltl, B., 2014. Methods for distinction of cattle using supervised learning. International Scholarly and Scientific Research Innovation, 8(5): 498-500.