SavedAdd your journal

Journals / Trends in Business and Economics / 2022 / Cilt: 36 Sayı: 3

Developing and implementing a decision support system for astronomical observation quality estimation with machine learning algorithms

Makine öğrenmesi algoritmalarıyla astronomik gözlem kalitesi tahminine yönelik karar destek sistemi geliştirilmesi ve uygulanması

Ömer Çağrı YAVUZ
Ersin KARAMAN
Cahit YEŞİLYAPRAK
Pages
289–303
Publication Date
2022-07-15
DOI
—
🏛️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)

Geliştirilen karar destek modeli ile teleskobun etkin ve verimli kullanımıyla birlikte değerlendirme sürecinin otomatikleştirilmesi amaçlanmaktadır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Kurulumunun tamamlanmasıyla birlikte araştırmacıların kullanımına sunulması planlanan Doğu Anadolu Gözlemevi (DAG) teleskobunun etkin ve verimli kullanımı önem arz etmektedir.
📊
Key Findings & Data:Bu çalışma kapsamında araştırmacılar tarafından sunulan projelerin, gözlemevinin bulunduğu bölgenin yerel özellikleri dikkate alınarak gözlem türüyle eşleştirilmesi, değerlendirilmesi ve en uygun güne atanmasına yönelik karar destek sistemi geliştirilmesi amaçlanmaktadır.
💡
Conclusion & Impact:Geliştirilen karar destek modeli ile teleskobun etkin ve verimli kullanımıyla birlikte değerlendirme sürecinin otomatikleştirilmesi amaçlanmaktadır.
🔬Design:Survey & Empirical Study
📍Scope:Comprehensive Sample
⚙️Variables:Astronomik gözlem kalitesi · Doğu Anadolu Gözlemevi · tahmin

Özet

Kurulumunun tamamlanmasıyla birlikte araştırmacıların kullanımına sunulması planlanan Doğu Anadolu Gözlemevi (DAG) teleskobunun etkin ve verimli kullanımı önem arz etmektedir. Bu çalışma kapsamında araştırmacılar tarafından sunulan projelerin, gözlemevinin bulunduğu bölgenin yerel özellikleri dikkate alınarak gözlem türüyle eşleştirilmesi, değerlendirilmesi ve en uygun güne atanmasına yönelik karar destek sistemi geliştirilmesi amaçlanmaktadır. Bu amaç doğrultusunda öncelikle Naive Bayes, K En Yakın Komşu, Karar Ağacı ve Rastgele Orman algoritması kullanılarak dört farklı algoritmanın performansları değerlendirilmiş, yeniden örnekleme yöntemleri uygulanmış ve öz niteliklerin sonuca etkisi incelenmiştir. Sonrasında MAUT yönteminden esinlenilerek her bir proje için yarar fonksiyonu formülünü barındıran fayda değerlerinin hesaplanmasına dayalı karar destek modeli geliştirilmiştir. Fayda değerleri projeler için başarı puanını temsil etmektedir. Projeler, gözlem türüne göre sınıflandırılarak başarı puanına göre büyükten küçüğe sıralanmıştır. Sonrasında önceden tahmin edilen gözlem türleri doğrultusunda projeler önceliklendirilerek ilgili günlere atanmıştır. Geliştirilen karar destek modeli ile teleskobun etkin ve verimli kullanımıyla birlikte değerlendirme sürecinin otomatikleştirilmesi amaçlanmaktadır.

🔖

Cite This Article

YAVUZ, Ö. Ç., KARAMAN, E., YEŞİLYAPRAK, C. (2022). Developing and implementing a decision support system for astronomical observation quality estimation with machine learning algorithms. Trends in Business and Economics, Cilt: 36 Sayı: 3, 289–303. https://ajindex.com/articles/915382

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (8)

  1. Agarwal, M., Rao, K. K., Vaidya, K., & Bhattacharya, S. (2021). ML-MOC: Machine Learning (kNN and GMM) based Membership determination for Open Clusters. Monthly Notices of the Royal Astronomical Society, 502(2), 2582-2599.
  2. Agarwal, M., Rao, K. K., Vaidya, K., & Bhattacharya, S. (2021). ML-MOC: Machine Learning (kNN and GMM) based Membership determination for Open Clusters. Monthly Notices of the Royal Astronomical Society, 502(2), 2582-2599.
  3. Ahmadzadeh, A., Aydin, B., Georgoulis, M. K., Kempton, D. J., Mahajan, S. S., & Angryk, R. A. (2021). How to Train Your Flare Prediction Model: Revisiting Robust Sampling of Rare Events. The Astrophysical Journal Supplement Series, 254(2), 23. Albayrak, A. S., & Yilmaz, S. K. (2009). Veri Madenciliği: Karar Ağacı Algoritmaları Ve İmkb Verileri Üzerine Bir Uygulama. Süleyman Demirel University Journal of Faculty of Economics & Administrative Sciences, 14(1), 31-52.
  4. Alinezhad, A., & Khalili, J. (2019). New methods and applications in multiple attribute decision making (MADM) (Vol. 277). Cham: Springer. Arsioli, B., & Dedin, P. (2020). Machine learning applied to multifrequency data in astrophysics: blazar classification. Monthly Notices of the Royal Astronomical Society, 498(2), 1750-1764.
  5. Ballica, Y. (2020). Savunma Sanayi Projelerinin Analitik Hiyerarşi Süreci Yöntemi Kullanilarak Önceliklendirilmesi. Yüksek Lisans Tezi. Sosyal Bilimler Enstitüsü, Hacettepe Üniversitesi.
  6. Barchi, P. H., da Costa, F. G., Sautter, R., Moura, T. C., Stalder, D. H., Rosa, R. R., & de Carvalho, R. R. (2017). Improving galaxy morphology with machine learning. arXiv preprint arXiv:1705.06818. Beitia-Antero, L., Yáñez, J., & de Castro, A. I. G. (2018). On the use of logistic regression for stellar classification. Experimental Astronomy, 45(3), 379-395.
  7. Bellinger, E. P., Angelou, G. C., Hekker, S., Basu, S., Ball, W. H., & Guggenberger, E. (2016). Fundamental parameters of main-sequence stars in an instant with machine learning. The Astrophysical Journal, 830(1), 31. Bellinger, E. P., Kanbur, S. M., Bhardwaj, A., & Marconi, M. (2020). When a period is not a full stop: Light-curve structure reveals fundamental parameters of Cepheid and RR Lyrae stars. Monthly Notices of the Royal Astronomical Society, 491(4), 4752-4767.
  8. Bluck, A. F., Maiolino, R., Sánchez, S. F., Ellison, S. L., Thorp, M. D., Piotrowska, J. M.,. & Bundy, K. A. (2020). Are galactic star formation and quenching governed by local, global, or environmental phenomena?. Monthly Noti