Temel Bileşenler Analizi ve Yapay Sinir Ağı Modellerinin Ölçek Geliştirme Sürecinde Kullanılabilirliğinin İncelenmesi

Esin Tezbaşaran; Selahattin Gelbal

doi:10.17860/mersinefd.338879

Temel Bileşenler Analizi ve Yapay Sinir Ağı Modellerinin Ölçek Geliştirme Sürecinde Kullanılabilirliğinin İncelenmesi

Abstract

Bu araştırmanın amacı, yapı geçerliği çalışmalarında kullanılan temel bileşenler analizi yerine bu amaçla geliştirilen yapay sinir ağı modellerinin kullanılabilir olup olmadığını tespit etmektir. Veri indirgeme amacıyla geliştirilen Genelleştirilmiş Hebb Algoritması kullanan yapay sinir ağı modeli ve Kendini Düzenleyen Haritalama olarak adlandırılan diğer yapay sinir ağı modeli bu araştırmanın temel konusudur. Yapı geçerliği çalışması yapmak için 30 maddeden oluşan denemelik Öğretmenlere Yönelik Tutum Ölçeği hazırlanmış ve bu ölçek 400 öğretmen adayına uygulanmıştır. Elde edilen veriler temel bileşenler analizi ve yapay sinir ağı modelleri kullanılarak analiz edilmiştir. Kullanılan farklı yöntemlerden elde edilen ölçek yapılarından hangisinin daha uygun olduğuna karar vermek amacıyla, farklı 400 kişilik bir diğer öğretmen adayı grubundan tekrar veri toplanmış ve bu verilere doğrulayıcı faktör analizi uygulanmıştır. Temel bileşenler analizi ile yapay sinir ağı modellerine dayanarak yapılan doğrulayıcı faktör analizi sonuçları model uyum ve hata indekslerine göre karşılaştırılmıştır. Uyum indekslerine bakıldığında, bu yapılar uyum ve hata indekslerinin çoğu açısından uyumlu yapılardır. Sonuçta, 5x5 nöron üzerinden haritalanan kendini düzenleyen haritalama modelinin, RMSEA indeksi hariç, daha uyumlu sonuçlar verdiği söylenebilir.

Keywords

Yapay sinir ağı,temel bileşenler analizi

References

Baldi, P., & Hornik, K. (1989). Neural networks and principal component analysis: Learning from examples without local minima. Neural Networks, 2, 53-58.
Baş, N. (2006). Yapay sinir ağları yaklaşımı ve bir uygulama. Yayımlanmamış Yüksek Lisans Tezi. İstanbul: Mimar Sinan Güzel Sanatlar Üniversitesi Fen Bilimleri Enstitüsü.
Bayır, F. (2006). Yapay sinir ağları ve tahmin modellemesi üzerine bir uygulama. Yayımlanmamış Yüksek Lisans Tezi. İstanbul: İstanbul Üniversitesi Sosyal Bilimler Enstitüsü.
Bogden, R. C., & Biklen, S. K. (1998). Qualitative research for education. Boston: Allyn and Bacon.
Chattopadhyay, M., Dan, P. K., & Majumdar, S. (2011). Principal component analysis and self organizing map for visual clustering of machine-part cell formationin cellular manufacturing system [Abstruct]. Retrieved March 19, 2015 from http://arxiv.org/pdf/1201.5524.pdf
Diamantaras, K. I. (2002). Neural networks and principal component analysis. In Y.-H. Hu, J.-N. Hwang (Eds.), Handbook of neural networks for signal processing (pp. 1-37). Boca Raton: CRC Press.
Elmes, D. G., Kantowitz, B. H., & Roediger III, H. L. (1992). Research methods in psychology. St. Paul: West Publishing Company.
Field, A. (2009). Discovering statistics using SPSS. London: SAGE Publications Inc.

Haykin, S. (1999).Neural network-a comprehensive foundation. New Jersey: Prentice Hall, Inc.
Hu, Y. H. (2001). ghademo.m - generalized hebbian learning demonstration. Retrived November 15, 2014 from https://svn.ssec.wisc.edu/repos/willem.marais.msthesis/ examples/Hebbian%20 Learning/m_scripts/ghademo.m
Johnson, R. A., & Wichern, D. W. (1982). Applied multivariate statistical analysis. New Jersey: Prentice Hall, Inc.
Kalaycı, Ş. (2014). SPSS uygulamalı çok değişkenli istatistik teknikleri. Ankara: Asil Yayın Dağıtım Ltd. Şti.
Kane, M. T. (2006). Validation. In R. L. Brennan (Ed.), Educational measurement (pp. 17-64). USA: American Council on Education Praeger.
Karasar, N. (1998). Bilimsel araştırma yöntemi. Ankara: Nobel Yayın Dağıtım.
Kiang, M. Y., & Kumar, A. (2001). An evaluation of self organizing map networks as a robust alternative to factor analysis in data mining applications. Information Systems Research, 12(2), 177-194.
Kline, R.B. (2005). Principles and practice of structural equation modeling. New York: The Guilford Press
Kohonen, T. (1982). Self –organized formation of topologically correct future maps. Biological Cybernetics, 43, 59-69.
Kohonen, T. (1990). The self-organizing map. Proceedings of The IEEE, 78(9), 1464-1480.
Krenker, A., Bestěr, J., & Kos, A. (2011). Introduction to the artificial neural networks. In K. Suzuki (Ed.), Artificial neural networks- methodological advances and biomedical applications (pp. 3-18). Retrieved April 18, 2013 from http://cdn.intechopen.com/pdfs/14881/InTech-introduction_to_the_artificial _neural _networks.pdf Kulkarni, A. D. (1994). Artificial neural networks for image understanding. New York: Van Nostrand Reinhold.
Miller, M.D., Linn, R.L., & Gronlund, N.E. (2009). Measurement and assessment in teaching. New Jersey: Pearson Education Neural Network Fundementals, (t.y.). Retrived April 10, 2013 from http: //ube .ege.e du.tr/~cinsdiki /UBI521/Chapter-1
Oja, E. (1982). A simplified neuron model as a principal component analyzer. Journal of Mathematical Biology, 15, 267-273.
Peeters, L., & Dassargues, A. (2006). Comparison of Kohonen’s self organizing map algorithm and principal component analysis in the exploratory data analysis of a groundwater quality data set. Retrived March 19, 2015 from http://ulg.ac.be /handle/2268/3388
Rizk, M. R. M. (2006). A comparison of principal component analysis and Generalized Hebbian Algoritm for image compressing and face recognition. The 2006 International Conference on Computer Engineering and Systems (pp. 214-219). Cairo: IEEE.
Sagner, T. D. (1989). Optimal unsupervised learning in a single-layer linear feedforward neural network. Neural Networks, 2, 459-473.
Sengupta, S. (2009) Artificial neural networks: Ders notları. Indian Istitute of Technology. Retrived April 05, 2013 from www. youtube.com/playlist=PLi-bxY2I4hXxf7vZKF2 Ecan ZzWr-I7Pm
Tabachnick, B. G., & Fidell, L. S. (2001). Using multivariate statistics. Boston: Allyn and Bacon.
Tezbaşaran, A. A. (1997a). Likert tipi ölçek geliştirme klavuzu. Ankara: Türk Psikologlar Derneği Yayınları.
Tezbaşaran, A. A. (1997b). Validity issues of likert type scales (a case study). Hacettepe Üniversitesi Eğitim Fakültesi Dergisi,13, 41-45.
Yurtoğlu, H. (2005). Yapay sinir ağlari metodolojisi ile öngörü modellemesi: Bazi makroekonomik değişkenler için Türkiye örneği. Yayımlanmış Uzmanlık Tezi. Ankara: Devlet Planlama Teşkilatı.

Details

Primary Language

Turkish

Subjects

Studies on Education

Journal Section

Research Article

Authors

Esin Tezbaşaran
Türkiye

Selahattin Gelbal

Publication Date

April 20, 2018

Submission Date

September 19, 2017

Acceptance Date

March 5, 2018

Published in Issue

Year 2018 Volume: 14 Number: 1

DOI

https://doi.org/10.17860/mersinefd.338879

IZ

https://izlik.org/JA32DK22UF

Cite

RIS / Bibtex

APA

Tezbaşaran, E., & Gelbal, S. (2018). Temel Bileşenler Analizi ve Yapay Sinir Ağı Modellerinin Ölçek Geliştirme Sürecinde Kullanılabilirliğinin İncelenmesi. Mersin Üniversitesi Eğitim Fakültesi Dergisi, 14(1), 225-252. https://doi.org/10.17860/mersinefd.338879

AMA

1.Tezbaşaran E, Gelbal S. Temel Bileşenler Analizi ve Yapay Sinir Ağı Modellerinin Ölçek Geliştirme Sürecinde Kullanılabilirliğinin İncelenmesi. MEUJFE. 2018;14(1):225-252. doi:10.17860/mersinefd.338879

Chicago

Tezbaşaran, Esin, and Selahattin Gelbal. 2018. “Temel Bileşenler Analizi Ve Yapay Sinir Ağı Modellerinin Ölçek Geliştirme Sürecinde Kullanılabilirliğinin İncelenmesi”. Mersin Üniversitesi Eğitim Fakültesi Dergisi 14 (1): 225-52. https://doi.org/10.17860/mersinefd.338879.

EndNote

Tezbaşaran E, Gelbal S (April 1, 2018) Temel Bileşenler Analizi ve Yapay Sinir Ağı Modellerinin Ölçek Geliştirme Sürecinde Kullanılabilirliğinin İncelenmesi. Mersin Üniversitesi Eğitim Fakültesi Dergisi 14 1 225–252.

IEEE

[1]E. Tezbaşaran and S. Gelbal, “Temel Bileşenler Analizi ve Yapay Sinir Ağı Modellerinin Ölçek Geliştirme Sürecinde Kullanılabilirliğinin İncelenmesi”, MEUJFE, vol. 14, no. 1, pp. 225–252, Apr. 2018, doi: 10.17860/mersinefd.338879.

ISNAD

Tezbaşaran, Esin - Gelbal, Selahattin. “Temel Bileşenler Analizi Ve Yapay Sinir Ağı Modellerinin Ölçek Geliştirme Sürecinde Kullanılabilirliğinin İncelenmesi”. Mersin Üniversitesi Eğitim Fakültesi Dergisi 14/1 (April 1, 2018): 225-252. https://doi.org/10.17860/mersinefd.338879.

JAMA

1.Tezbaşaran E, Gelbal S. Temel Bileşenler Analizi ve Yapay Sinir Ağı Modellerinin Ölçek Geliştirme Sürecinde Kullanılabilirliğinin İncelenmesi. MEUJFE. 2018;14:225–252.

MLA

Tezbaşaran, Esin, and Selahattin Gelbal. “Temel Bileşenler Analizi Ve Yapay Sinir Ağı Modellerinin Ölçek Geliştirme Sürecinde Kullanılabilirliğinin İncelenmesi”. Mersin Üniversitesi Eğitim Fakültesi Dergisi, vol. 14, no. 1, Apr. 2018, pp. 225-52, doi:10.17860/mersinefd.338879.

Vancouver

1.Esin Tezbaşaran, Selahattin Gelbal. Temel Bileşenler Analizi ve Yapay Sinir Ağı Modellerinin Ölçek Geliştirme Sürecinde Kullanılabilirliğinin İncelenmesi. MEUJFE. 2018 Apr. 1;14(1):225-52. doi:10.17860/mersinefd.338879

Assessing innovation capabilities of manufacturing companies by combination of unsupervised and supervised machine learning approaches

Applied Soft Computing

https://doi.org/10.1016/j.asoc.2023.110735

Temel Bileşenler Analizi ve Yapay Sinir Ağı Modellerinin Ölçek Geliştirme Sürecinde Kullanılabilirliğinin İncelenmesi

Temel Bileşenler Analizi ve Yapay Sinir Ağı Modellerinin Ölçek Geliştirme Sürecinde Kullanılabilirliğinin İncelenmesi

Abstract

Keywords

References

Details

Primary Language

Subjects

Journal Section

Authors

Publication Date

Submission Date

Acceptance Date

Published in Issue

DOI

IZ

Cite

Cited By

KANSEİ VE TEMEL BİLEŞENLER ANALİZİ TABANLI BEŞİK TASARIM STRATEJİLERİNİN OLUŞTURULMASI

Using Principal Component Analysis and Artificial Neural Networks for Fault Type Forecasting in an Automotive Company

Prediction of problematic social media use (PSU) using machine learning approaches

Identification and prediction of phubbing behavior: a data-driven approach

Classification of Scale Items with Exploratory Graph Analysis and Machine Learning Methods

Assessing innovation capabilities of manufacturing companies by combination of unsupervised and supervised machine learning approaches

ÖĞRETMEN ADAYLARINA YÖNELİK AKILLI TELEFONLARIN TASARIMINDA GÜVENLİK BEKLENTİLERİ ÖLÇEĞİNİN (ATTGBÖ) GELİŞTİRİLMESİ

Prediction of COD in industrial wastewater treatment plant using an artificial neural network

Savunma Tedarik Süreci Entegre Lojistik Destek Faaliyetlerinde Temel Bileşenler Analizi