Dergiler / Researcher / 2025 / Cilt: 05 Sayı: 01

Diyet Koruma Dönemi İçin Makine Öğrenmesi Uygulaması

Machine Learning Application for Diet Maintenance Period

Berrin Atalay(ERCİYES ÜNİVERSİTESİ)0000-0002-7852-2082
Sayfa
26–37
Yayın Tarihi
2025-07-31
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bulgular: Uygulamadan elde edilen veriler ile beslenme alışkanlıkları ve kilo arasında bir bağlantı olup olmadığını anlamak amacıyla bir regresyon modeli oluşturulmuştur.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Amaç: Bu çalışma, diyet sonrası koruma döneminde yaşanan zorluklardan biri olan besin öğesi takibini ele almakta ve bu dönemde bireylerin kilo yönetimini kolaylaştırmayı hedeflemektedir.
📊
Temel Bulgular & Veri:Gereç ve Yöntem: İlk olarak bir uzman diyetisyenle görüşülerek konunun nasıl işlediği öğrenilmiş ve örnek koruma dönemi listeleri alınmıştır.
💡
Sonuç & Katkı:Bulgular: Uygulamadan elde edilen veriler ile beslenme alışkanlıkları ve kilo arasında bir bağlantı olup olmadığını anlamak amacıyla bir regresyon modeli oluşturulmuştur.
🔬Tür:Deneysel Tarla Denemesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Diyet · Koruma Dönemi · Makine Öğrenmesi

Özet

Amaç: Bu çalışma, diyet sonrası koruma döneminde yaşanan zorluklardan biri olan besin öğesi takibini ele almakta ve bu dönemde bireylerin kilo yönetimini kolaylaştırmayı hedeflemektedir. Gereç ve Yöntem: İlk olarak bir uzman diyetisyenle görüşülerek konunun nasıl işlediği öğrenilmiş ve örnek koruma dönemi listeleri alınmıştır. Bu doğrultuda, kişilerin kendi koruma dönemlerinde yiyecek takiplerini yapabilecekleri bir Windows form uygulaması geliştirilmiştir. Uygulama, kullanıcıların beslenme tercihlerini ve ihtiyaçlarını göz önünde bulundurarak ve besin öğesi takibini kolaylaştırarak, kullanıcıların diyet sonrası koruma döneminde sağlıklı ve dengeli bir diyet sürdürmelerine yardımcı olmaktadır. Uygulama arayüzünde kişi kayıt ekranı ve değişim hesaplama ekranı bulunmaktadır. Kişi kayıt ekranından alınan veriler ışığında değişim hesaplama ekranında toplam değişim miktarları görülebilmektedir. Kişi gün gün içindeki yediklerini girerek kalan değişim hakkını görmektedir ve bu sayede koruma dönemi takibini sağlayabilmektedir. Bulgular: Uygulamadan elde edilen veriler ile beslenme alışkanlıkları ve kilo arasında bir bağlantı olup olmadığını anlamak amacıyla bir regresyon modeli oluşturulmuştur. Çalışmanın bulguları, belirli besin maddelerinin tüketimi ile kilo arasında anlamlı ilişkiler olduğunu göstermektedir. Sonuç: Bu ilişkiler doğrultusunda, gelecekteki kilo tahminleri için kullanılabilecek geçerli bir regresyon modeli oluşturulmuştur. Ayrıca, geliştirilen uygulama sayesinde kullanıcılar, diyet sonrası koruma döneminde besin öğelerinin takibini yaparak sağlıklı ve dengeli bir diyet sürdürebilmektedir.

Abstract

Objective: This study addresses one of the challenges faced during the post-diet maintenance phase: tracking nutrient intake. It aims to facilitate weight management for individuals in this period. Materials and Methods: First, a consultation with a registered dietitian was conducted to understand the process, and sample maintenance phase meal plans were obtained. Based on this, a Windows Forms application was developed to enable individuals to track their food intake during their maintenance phase. The application helps users maintain a healthy and balanced diet during the post-diet maintenance period by considering their dietary preferences and needs and simplifying nutrient tracking. The application interface includes a user registration screen and an exchange calculation screen. Based on the data obtained from the user registration screen, the total exchange amounts can be viewed on the exchange calculation screen. By entering their daily food intake, users can see their remaining exchange rights, ensuring effective tracking during the maintenance phase. Findings: A regression model was developed using the data collected from the application to determine whether there is a relationship between eating habits and weight. The findings indicate significant relationships between the consumption of certain nutrients and weight. Conclusion: Based on these relationships, a valid regression model was created that can be used for future weight predictions. Additionally, the developed application allows users to track their nutrient intake during the post-diet maintenance phase, enabling them to maintain a healthy and balanced diet.

🔖

Bu Makaleye Atıf Yap

Atalay, B. (2025). Diyet Koruma Dönemi İçin Makine Öğrenmesi Uygulaması. Researcher, Cilt: 05 Sayı: 01, 26–37. https://ajindex.com/articles/1537221

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. https://hsgm.saglik.gov.tr/tr/beslenme/yeterli-ve-dengeli-beslenme.html
  2. Tokgöz, P., Ertem, M., Çelik, F., Gökçe, Ş., Saka, G., & Hatunoğlu, R. (1995). Üniversite öğrencilerinin beslenme alışkanlıklarının saptanmasına ilişkin bir araştırma. Beslenme ve Diyet Dergisi, 24(2), 229-238.
  3. Erge, S., (2003). Obezlerde yeme davranışı ve obezitede davranış tedavisi İlkeleri. Beslenme ve Diyet dergisi, 32(1), 47-59.
  4. Bozkurt, S. (2008). Beslenme ve diyet web portalı.
  5. Dilmen, H., & Ertam, F. (2013). Online tracking nutrition and health of high school students. The Online Journal of Science and Technology, 3(1), 119-123.
  6. Saylı, A., Akbulut, C., (2017). Analysis, design and implementation of diet control system. Avrupa Bilim ve Teknoloji Dergisi, 7(11), 2-6.
  7. Dandıl, E., & Bilen, M. S. (2013). Üniversitelerde iş takibi için bir bulut bilişim uygulaması. Akademik Bilişim Konferansı, 23-25.
  8. Aktaş, F. & Akçay, M., (2013). Hastane Otomasyon Projesi. T.C. Dumlupınar Üniversitesi, Bilgisayar Mühendisliği Bölümü Lisans Bitirme Tezi, Kütahya, 46.
  9. Şen, H., Yaşayanlar, A., & Denizhan, B. (2021). Türkiye’de Limanlarda Yük Taşımacılığı Veri Analizi. Avrupa Bilim ve Teknoloji Dergisi, (22), 436-444.
  10. Rong, S., & Bao-Wen, Z. (2018). The research of regression model in machine learning field. In MATEC Web of Conferences (Vol. 176, p. 01033). EDP Sciences.
  11. Galton, F. (1886). Regression towards mediocrity in hereditary stature. The Journal of the Anthropological Institute of Great Britain and Ireland, 15, 246-263.
  12. Yüce, G. E., & Muz, G. (2021). COVID-19 pandemisinin yetişkinlerin diyet davranışları, fiziksel aktivite ve stres düzeyleri üzerine etkisi. Cukurova Medical Journal, 46(1), 283-291.