Dergiler / Atatürk Üniversitesi Veteriner Bilimleri Dergisi / 2019 / Cilt: 14 - Sayı: 2

Veterinerlik Alanında Veri Madenciliği Yöntemleri Kullanılarak Bilgisayar Destekli Tanı ve/veya Risk Faktörlerinin Belirlenmesi Üzerine Bir İnceleme

A Review on Determination of Computer Aid Diagnosis and/or Risk Factors Using Data Mining Methods in Veterinary Field

Sayfa
209–220
Yayın Tarihi
2022-10-11
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)

Veterinerlik alanındaki çalışmalar, veri madenciliği yöntemlerinin bu alanda başarıyla uygulanabileceğini göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Veri madenciliği disiplinler arası bir alandır.
📊
Temel Bulgular & Veri:Veri madenciliği teknikleri sağlık, mühendislik, biyomedikal ve diğer birçok alanda uzun yıllardır etkin bir şekilde kullanılmaktadır ve sağlık bilimlerine önemli ölçüde katkıda bulunduğu bilinmektedir.
💡
Sonuç & Katkı:Veterinerlik alanındaki çalışmalar, veri madenciliği yöntemlerinin bu alanda başarıyla uygulanabileceğini göstermektedir.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Veri madenciliği disiplinler arası bir alandır. Bu alanda istatistiksel analiz teknikleri ve yapay zeka algoritmaları kullanılmaktadır. Kullanılan algoritmalar sayesinde verideki gizli bilgiler açığa çıkarılarak ve nitelikli bilgiye dönüştürülmektedir. Veri madenciliği teknikleri sağlık, mühendislik, biyomedikal ve diğer birçok alanda uzun yıllardır etkin bir şekilde kullanılmaktadır ve sağlık bilimlerine önemli ölçüde katkıda bulunduğu bilinmektedir. Ancak bu etkili yöntemin hayvan sağlığında kullanımı oldukça sınırlı olup son yıllarda hayvan sağlığında veri madenciliği yöntemlerinin kullanımı hızlanmıştır. Hayvan hastalıkları ve ölüm oranları hayvancılığın azalmasına neden olmakta ve bu da ülke ekonomisini olumsuz yönde etkilemektedir. Bu alandaki karlılığı artırmak için disiplinler arası çalışmalar çok önemlidir. Bu derlemede, veri madenciliği yöntemlerini kullanarak hayvan hastalıklarının ve / veya risk faktörlerinin belirlenmesine yönelik çalışmalar incelenmiştir. Veterinerlik alanındaki çalışmalar, veri madenciliği yöntemlerinin bu alanda başarıyla uygulanabileceğini göstermektedir.

Abstract

Data mining is an interdisciplinary field. In this field, statistical analysis techniques and artificial intelligencealgorithms are used. Thanks to the algorithms used, hidden information within the data is revealed and transformed intoqualified information. Data mining techniques have been used effectively in health, engineering, biomedicine and many otherfields for many years, and are known to contribute significantly to health sciences. However, the use of this effective methodin animal health is very limited and the use of data mining methods in animal health has accelerated in recent years. Animalillness and mortality cause decrease husbandry and this impact negatively on the national economy. Interdisciplinary studiesare very important to increase profitability in this field. In this review, studies on the determination of animal diseases and/orrisk factors using data mining methods have been examined. Studies in the veterinary field shows the data mining methodscan be successfully applied in this field.

🔖

Bu Makaleye Atıf Yap

GÖKÇE, E., CİHAN, P., KALIPSIZ, O. (2022). Veterinerlik Alanında Veri Madenciliği Yöntemleri Kullanılarak Bilgisayar Destekli Tanı ve/veya Risk Faktörlerinin Belirlenmesi Üzerine Bir İnceleme. Atatürk Üniversitesi Veteriner Bilimleri Dergisi, Cilt: 14 - Sayı: 2, 209–220. https://ajindex.com/articles/455751

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (15)

  1. Alpaydin E., 2014. Introduction to machine learning. 3rd ed., MA: The MIT Press, Cambridge
  2. Witten IH., Frank E., Hall MA., Pal CJ., 2014. Data Mining: Practical machine learning tools and techniques. 4th ed., Morgan Kaufmann Publishers, San Francisco
  3. Han J., Pei J., Kamber M., 2011. Data mining: concepts and techniques. 3rd ed., Morgan Kaufmann Publishers, Amsterdam
  4. Tomar D., Agarwal S., 2013. A survey on Data Mining approaches for Healthcare. J BioSci Biotechnol, 5, 241–266
  5. Cihan P., Gökçe E., Kalıpsız O., 2017. A review of machine learning applications in veterinary field. Kafkas Univ Vet Fak Derg, 23, 673-680. DOI:10.9775/kvfd.2016.17281 6. Küçükönder H., Üçkardeş F., Narinç D., 2014. A data mining application in animal breeding: Determination of some factors in Japanese Quail Eggs affecting fertility. Kafkas Univ Vet Fak Derg, 20, 903-908
  6. Uckardes F., Narinc D., Kucukonder H., Rathert TC., 2014. Application of classification tree method to determine factors affecting fertility in Japanese quail eggs. J Anim Sci Adv, 4, 1017-1023
  7. Mehraban Sangatash M., Mohebbi M., Shahidi F., Vahidian Kamyad A., Qhods Rohani M., 2012. Application of fuzzy logic to classify raw milk based on qualitative properties. Int J Agrisci, 2, 1168-1178
  8. Akıllı A., Atıl H., Kesenkaş H., 2014. Çiğ süt kalite değerlendirmesinde bulanık mantık yaklaşımı. Kafkas Univ Vet Fak Derg, 20, 223-229
  9. Memmedova N., Keskin İ., 2011. İneklerde bulanık mantık modeli ile hareketlilik ölçüsünden yararlanılarak kızgınlığın tespiti. Kafkas Univ Vet Fak Derg, 17, 1003-1008
  10. Zarchi HA., Jonsson R., Blanke M., 2009. Improving oestrus detection in dairy cows by combining statistical detection with fuzzy logic classification. In Proceedings of the 7th Workshop on Advanced Control and Diagnosis (ACD), Zielona, 20
  11. Brown-Brandl TM., Jones DD., Woldt WE., 2005. Evaluating modelling techniques for cattle heat stress prediction. Biosyst Eng, 91, 513-524
  12. Sharma AK., Sharma RK., Kasana HS., 2007. Prediction of first lactation 305-day milk yield in Karan Fries dairy cattle using ANN modeling. Appl Soft Comput, 7, 1112-1120
  13. Chen LJ., Cui LY., Xing L., Han LJ., 2008. Prediction of the nutrient content in dairy manure using artificial neural network modeling. J Dairy Sci, 91, 4822-4829
  14. Kuncheva LI., del Rio Vilas VJ., Rodriguez JJ., 2007. Diagnosing scrapie in sheep: A classification experiment. Comput Biol Med, 37, 1194-1202
  15. Çelik B., Akçapınar H., 2006.