Dergiler / Politeknik Dergisi / 2019 / Cilt: 22 - Sayı: 3

Zeki Optimizasyon Tabanlı Destek Vektör Makineleri ile Diyabet Teşhisi

Diabetes Diagnosis with Intelligent Optimization Based Support Vector Machines

Sayfa
557–566
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)

Elde edilen bulgular, farklı algoritmalar ile kurulmuş hibrit sistemlerin, farklı düzeyde başarımlar gösterdiğini ancak genel anlamda zeki optimizasyon-DVM yaklaşımıyla diyabet teşhisinde yüksek oranda tutarlı sonuçlar elde edilebildiğini ortaya koymuştur.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Yapay Zekâ, farklı gerçek dünya problemlerine etkin bir şekilde uygulanabilen ve geleceğimizi uzun bir süredir şekillendiren, önemli bilim alanlarından birisidir.
📊
Temel Bulgular & Veri:Elde edilen bulgular, farklı algoritmalar ile kurulmuş hibrit sistemlerin, farklı düzeyde başarımlar gösterdiğini ancak genel anlamda zeki optimizasyon-DVM yaklaşımıyla diyabet teşhisinde yüksek oranda tutarlı sonuçlar elde edilebildiğini ortaya koymuştur.
💡
Sonuç & Katkı:Çalışma bu yönüyle izlenen yaklaşımın Yapay Zekâ tabanlı teşhis açısından önemli bir potansiyele sahip olduğunu da teyit etmektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Zeki optimizasyon · destek vektör makineleri · diyabet teşhisi

Özet

Yapay Zekâ, farklı gerçek dünya problemlerine etkin bir şekilde uygulanabilen ve geleceğimizi uzun bir süredir şekillendiren, önemli bilim alanlarından birisidir. Uygulandığı problem türleri çok çeşitli olmakla birlikte, bunlardan en dikkat çekenlerinden birisi de medikal teşhistir. Açıklamalardan hareketle bu çalışmanın amacı, zeki optimizasyon tabanlı Destek Vektör Makineleri’ni (DVM) kullanarak diyabet teşhisi gerçekleştirmektir. Bu bağlamda, günümüz güncel zeki optimizasyon algoritmalarından beş tanesi Gaussian-RBF kernel fonksiyonu kullanan bir non-lineer DVM’yi optimize etmek amacıyla kullanılmıştır. Elde edilen bulgular, farklı algoritmalar ile kurulmuş hibrit sistemlerin, farklı düzeyde başarımlar gösterdiğini ancak genel anlamda zeki optimizasyon-DVM yaklaşımıyla diyabet teşhisinde yüksek oranda tutarlı sonuçlar elde edilebildiğini ortaya koymuştur. Çalışma bu yönüyle izlenen yaklaşımın Yapay Zekâ tabanlı teşhis açısından önemli bir potansiyele sahip olduğunu da teyit etmektedir.

Abstract

Artificial Intelligence is one of the most important scientific fields that can be applied effectively in different real world problems and has been shaping our future for a long time. While there are various types of problems in which it is applied, medical diagnosis is one of the most remarkable one among them. Moving from the explanations, objective of this study is to realize diabetes diagnosis by using intelligent optimization based Support Vector Machines (SVM). In this context, five ones of today’s recent intelligent optimization algorithms were used for optimizing a non-linear SVM, which is using a Gaussian-RBF kernel function. Obtained findings showed that hybrid systems formed with different algorithms show different-level success but in general, good level accurate results can be achieved via intelligent optimization-SVM approach. Hereby, the study also confirms that this followed approach has a significant potential for Artificial Intelligence based diagnosis.

🔖

Bu Makaleye Atıf Yap

KÖSE, U. (2019). Zeki Optimizasyon Tabanlı Destek Vektör Makineleri ile Diyabet Teşhisi. Politeknik Dergisi, Cilt: 22 - Sayı: 3, 557–566. https://ajindex.com/articles/307372

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (17)

  1. Russell, S.J., Norvig, P., Canny, J.F., Malik, J.M. and Edwards, D.D., “Artificial Intelligence: A Modern Approach”, 2(9): Upper Saddle River: Prentice Hall, (2003)
  2. Nabiyev, V.V., “Yapay Zeka: Problemler-Yöntemler-Algoritmalar”, Seçkin Yayıncılık, (2012)
  3. Goertzel, B., “Artificial general intelligence: concept, state of the art, and future prospects”, Journal of Artificial General Intelligence, 5(1): 1-48, (2014)
  4. Allahverdi, N., “Uzman Sistemler: Bir Yapay Zeka Uygulaması”, Atlas Yayın Dağıtım, (2002)
  5. Alpaydın, E., “Yapay Öğrenme”, İstanbul, Boğaziçi Üniversitesi Yayınevi, (2011)
  6. Aydın, A.O., “Yapay Zekâ: Bütünleşik Bilişe Doğru”, İstanbul, İstanbul Gelişim Üniversitesi Yayınları, (2013)
  7. Hamet, P. and Tremblay, J., “Artificial intelligence in medicine”, Metabolism, 69: 36-40, (2017)
  8. Jaeger, H., “Artificial intelligence: Deep neural reasoning”, Nature, 538(7626): 467-468, (2016)
  9. Strong, A., “Applications of artificial intelligence and associated technologies”, Science (ETEBMS-2016), 5(6), (2016)
  10. Szolovits, P., Patil, R.S. and Schwartz, W.B., “Artificial intelligence in medical diagnosis”, Annals of Internal Medicine, 108(1): 80-87, (1988)
  11. Kononenko, I., “Machine learning for medical diagnosis: history, state of the art and perspective”, Artificial Intelligence in Medicine, 23(1): 89-109, (2001)
  12. Abbass, H.A., “An evolutionary artificial neural networks approach for breast cancer diagnosis”, Artificial Intelligence in Medicine, 25(3): 265-281, (2002)
  13. Al-Shayea, Q.K., “Artificial neural networks in medical diagnosis”, International Journal of Computer Science Issues, 8(2): 150-154, (2011)
  14. Dhar, J. and Ranganathan, A., “Machine learning capabilities in medical diagnosis applications: Computational results for hepatitis disease”, International Journal of Biomedical Eng and Tech, 17(4): 330-340, (2015)
  15. Botero-Rosas, D., Leon-A,J., Reina, J.M., Obando, A. and Bastidas, A.R., “Use of artificial ıntelligence in the diagnosis of chronic obstructive pulmonary disease (COPD)”, Am. J. Respir. Crit. Care. Med., 191, (2015)
  16. Thong, N.T., “HIFCF: An effective hybrid model between picture fuzzy clustering and intuitionistic fuzzy recommender systems for medical diagnosis”, Expert Systems with Applications, 42(7): 3682-3701, (2015)
  17. Faris, H., Hassonah, M.A., Ala’M, A.Z., Mirjalili, S. and Aljarah, I., “A multi-verse optimizer approach for feature selection and optimizing SVM parameters