KaydedilenlerDerginizi ekleyin

Dergiler / Türkiye Tarımsal Araştırmalar Dergisi / 2016 / Cilt: 3 - Sayı: 1

Hayvancılıkta Veri Madenciliği Uygulamaları

Feyza ALEV ÇETİN
Nazire MİKAİL
Sayfa
79–88
Yayın Tarihi
2016-03-31
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)

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

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Veri madenciliği bir merkezde toplanan çok büyük miktardaki bilgilerden istenilen ve uygulanabilir bilgininkeşfedilmesini sağlamaktır.
📊
Temel Bulgular & Veri:Pek çok verimadenciliği 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.
💡
Sonuç & Katkı:Bu çalışma ile veri madenciliği metotları tanıtılacak ve dünyada veri madenciliğinin hayvancılıkalanındaki uygulamalarına örnekler verilecektir.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Veri madenciliği bir merkezde toplanan çok büyük miktardaki bilgilerden istenilen ve uygulanabilir bilgininkeşfedilmesini sağlamaktır. Veri madenciliği bilgi endüstrisi ve toplumunda kullanılmaya başlanmıştır. Pek çok verimadenciliği 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 kortalamalarıyaklaşımı, k-en yakın komşu yaklaşımı, çok değişkenli uyarlanır regresyon eğrileri (Multivariate AdaptiveSplines, 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 hakkındakısa bilgi verilmiştir. Bu çalışma ile veri madenciliği metotları tanıtılacak ve dünyada veri madenciliğinin hayvancılıkalanındaki uygulamalarına örnekler verilecektir.

🔖

Bu Makaleye Atıf Yap

ÇETİN, F. A., MİKAİL, N. (2016). Hayvancılıkta Veri Madenciliği Uygulamaları. Türkiye Tarımsal Araştırmalar Dergisi, Cilt: 3 - Sayı: 1, 79–88. https://ajindex.com/articles/206567

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  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. Cortes, C., Vapnik, V., 1995. Support vector networks. Machine Learning, 20: 273-297. 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.
  3. Elmas, Ç., 2011. Yapay Zeka Uygulamaları (2. Baskı). Seçkin Yayıncılık, Ankara.
  4. 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.
  5. Eyduran, E., Tatlıyer, A., Tarıq, M.M., Waheed, A., 2013. Application of classification and regression tree methods in agriculture. Ulusal Tarım Kongresi, 26-29
  6. Ekim, Antalya. 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.
  7. 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.
  8. 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.
  9. 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.
  10. 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.
  11. 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. Hartigan, J., 1975. Clustering Algoritms. John Wiles&Sons, New york. Kahramanlı, H., 2008. Hibrit bulanık sinir ağını kullanarak bir sınıflandırma ve kural çıkartma sisteminin geliştirilmesi. Doktora tezi, Selçuk Üniv