ASTRONOMİK GÖZLEM KALİTESİ TAHMİNİNDE MAKİNE ÖĞRENMESİ ALGORİTMALARININ KULLANIMI

Year 2021, , 12 - 19, 30.06.2021

Ömer Çağrı Yavuz , Ersin Karaman

https://doi.org/10.33461/uybisbbd.860955

Abstract

Bu çalışmada gözlem kalitesi tahmininde makine öğrenmesi algoritmaların uygulanabilirliğini ortaya koymak amacıyla elde edilen veri seti farklı şekillerde kümelenmiştir. Sonrasında alanyazında en çok kullanılan sınıflandırma algoritmalarından Naive Bayes ve K En Yakın Komşu algoritmaları kullanılarak tahminler yapılmıştır. Çalışma sonucunda, verilerin ait olduğu kümelerin gözlem türünü ifade ettiği varsayılarak, kullanılan makine öğrenmesi algoritmalarının performansı ölçülmüştür. Yapılan tahminlerde Naive Bayes uygulamasının daha iyi performans gösterdiği görülmüştür. Sonuç olarak, astronomik gözlem verilerinin makine öğrenmesi algoritmaları ile tahmin edilebileceği ve bu alanda buna yönelik bir veri seti oluşturulması ihtiyacının hâsıl olduğu söylenebilir.

Keywords

astronomik gözlem kalitesi, makine öğrenmesi, naive bayes, k en yakın komşu

USE OF MACHINE LEARNING ALGORITHMS IN ASTRONOMICAL OBSERVATION QUALITY ESTIMATION

Abstract

In this study, the data set, which is obtained in order to reveal the applicability of machine learning algorithms in observation quality estimation, were clustered in different number of clusters. Afterwards, estimations were made using Naive Bayes and K Nearest Neighbor algorithms, which are the mostly used classification algorithms in the literature. As a result of the study, the performance of the machine learning algorithms used was measured, assuming that the clusters to which the data belonged express the type of observation. It was found that the Naive Bayes application performed better estimation performance. In conclusion, it can be said that there is a need to create astronomical observation data set so that can be used for comparing machine learning algorithms.

Keywords

astronomical observation quality, machine learning, naive bayes, k-nearest neighbor e-government, local e-government applications, disabled information system.

References

• Boffin, H. M., Jerabkova, T., Merand, A., & Stoehr, F. (2019). Report on the ESO Workshop" Artificial Intelligence in Astronomy". Msngr, 178, 61-63.
• Chandra, B., ve GUPTA, M. (2011). “Robust approach for estimating probabilities in Naïve–Bayes Classifier for gene expression data”. Expert Systems with Applications, 38(3), 1293-1298.
• Chugh, J. (2018). Types of Machine Learning and Top 10 Algorithms Everyone Should Know. 01.09.2020 tarihinde https://blogs.oracle.com/ai/types-of-machine-learning-and-top-10-algorithmseveryone-should-know-v2 adresinden alınmıştır.
• Cover, T., & Hart, P. (1967). “Nearest neighbor pattern classification”. IEEE transactions on information theory, 13(1), 21-27.
• Esenoğlu H.H., Gülseçen H. (2019). SRG X Işın Gözlemevi: Büyük Veri. 05.09.2020 tarihinde https://tug.tubitak.gov.tr/sites/images/tug/srg-sunum-hasan-esenoglu.pdf adresinden alınmıştır.
• Han B., Ding H.P., Zhang Y.X., & Zhao Y.H. (2016). “Photometric redshift estimation for quasars by integration of KNN and SVM”. Research in Astronomy and Astrophysics, 16(5), 074.
• Ismailov, E. Büyük veri kavramı, K-means, Optıcs ve Cure algoritmalarının uygulanması ve performans ölçümü. Yüksek Lisans Tezi. Ege Üniversitesi, Fen Bilimleri Enstitüsü, İzmir.
• Köse, İ. A., & Öztemur, B. (2014). “Kayıp veri ele alma yöntemlerinin t-testi ve ANOVA parametreleri üzerine etkisinin incelenmesi”. Abant İzzet Baysal Üniversitesi Eğitim Fakültesi Dergisi.
• Macqueen, J. B. (1967). Some methods for classification and analysis of multivariate observations. Proceedings of the Fifth Symposium on Math, Statistics, and Probability, 281–297. Berkeley, CA: University of California Press.
• Ouda, R., & Hart, P. (1973). Pattern Classification and Scene AnalysisWiley. New York.
• Sağbaş, E. A., & Ballı, S. (2016). İnsan Aktivitelerinin Bilek Hareketleri Kullanılarak Tahmin Edilmesi. Akıllı Teknoloji & Akıllı Yönetim, 52.
• Sariman, G. (2011). “Veri madenciliğinde kümeleme teknikleri üzerine bir çalışma: k-means ve k-medoids kümeleme algoritmalarının karşılaştırılması”. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 15(3), 192-202.
• Stensbo-Smidt, K., Igel, C., Zirm, A., & Pedersen, K. S. (2013). Nearest neighbour regression outperforms model-based prediction of specific star formation rate. In 2013 IEEE international conference on big data, 141-144.
• Unat, Y. (2001). İlk Çağlardan Günümüze Astronomi Tarihi. Ankara. Nobel Yayınları.
• Zhang, Y. X., Luo, A. L., & Zhao, Y. H. (2004). An automated classification algorithm for multiwavelength data. In Optimizing Scientific Return for Astronomy through Information Technologies (Vol. 5493, pp. 483-490). International Society for Optics and Photonics.
• Zobu, (2019). Naive Bayes: Teorisi ve Python Uygulaması. 02.09.2020 tarihinde https://medium.com/kaveai/naive-bayes-ve-uygulamalar%C4%B1-d7d5a56c689b adresinden alınmıştır.