Veri Madenciliği ve Makine Öğrenimi ile Döviz Kuru Tahmini Uygulaması

Yıl 2022, Cilt: 34 Sayı: 2, 553 - 563, 30.09.2022

Oğuz Ata Ahmet Ersin Erbudak

https://doi.org/10.35234/fumbd.1078207

Cited By: 1

Öz

Makine öğrenimi 1990’lı yıllardan, veri madenciliği kullanılmaya başlandığı döneme dek yaygın olamamıştır. Bu çalışmada Türkiye Cumhuriyet Merkez Bankası sayısal veriler toplanan bilgilerin, veri madenciliği ile veri gruplarına göre bölümlere ayrılması sağlanmıştır. Makine öğrenimi ile ilgili kullanılan algoritmalar karar destek ağaçları, doğrusal regresyon, destek vektör makineleri, gauss regresyondur. Ocak 2020-Mayıs 2021 dönem süresindeki veriler kullanılarak oluşturulan döviz kuru modelleri oluşturulmuştur Sayısal halde toplanan veriler 1352 döviz kuru verisi için 4 ayrı makine öğrenimi yöntemi kullanılmış olup birinci yöntemde %99,84, ikinci yöntemde %99,18, üçüncü yöntemde %93,72, dördüncü yöntemde ise %86,83 doğru olarak sınıflandırılmıştır. Doğruluk oranı en yüksek orana göre strateji ve plan geliştirmektedir Veri madenciliği ve makine öğrenimi metotlarının tahmin programlarının yapımındaki değerlendirmeler ileriki dönemlerde yapılacak uygulamalar için faydalı olacaktır. Çıkarılan sonuçlar literatürde kullanılan metotların doğruluk oranları ile karşılaştırılarak analiz edilmiştir.

Anahtar Kelimeler

Veri madenciliği, makine öğrenimi, tahmin, doğruluk, karar ağaçları

Kaynakça

• Y. ZHAO, Y. CHEN ve Y. YAO, «User-centered Interactive Data Mining,» International Conference on Cognitive Informatics, no. 6, pp. 457-466, 2006.
• U. FAYYAD, G. P. SHAPIRO ve P. SMYTH, «Veri Madenciliğinden Veritabanlarında Bilgi Keşfine,» AI Magazine, pp. 03-15, 1996.
• J. Han, K. Micheline ve P. Jian, Data Mining: Concepts and Techniques, Morgan Kaufmann, 2012.
• M. B. a. G. Linoff, Introduction to Data Mining and Knowledge Discovery, Third Edition, USA: Two Crows Corporation, 2005.
• H. AKPINAR, «VERİ TABANLARINDA BİLGİ KEŞFİ VE VERİ MADENCİLİĞİ,» İSTANBUL ÜNİVERSİTESİ İŞLETME FAKÜLTESİ DERGİSİ, pp. 1-22, 2000.
• C. Shearer, The Crisp-DM Model: The New Blueprint for Data Mining”, Seattle: Journal of data warehousing, 2000.
• N. Ö. E. v. K. U. Ata, «Survival Data Mining : An Application To Credit Card Holders,» Sigma Mühendislik ve Fen Bilimleri Dergisi, cilt 26, no. 1, pp. 33-42, 2008.
• A. v. S. İ. Ata, «The Use of Data Mining Techniques in,» Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi,, cilt 14, no. 2, pp. 157-170, 2009.
• «Veri Bilimcisi,» [Çevrimiçi]. Available: https://veribilimcisi.com/.
• «Corporate Finance Institute,» [Çevrimiçi]. Available: https://corporatefinanceinstitute.com/.
• P. J. Bickel ve K. A. Doksum, Mathematical Statistics, San Diego: Chapman and Hall/CRC, 2015.
• K. İLARSLAN ve R. AŞIKOĞLU, «BİRLEŞME VE SATIN ALMALARIN FİNANSAL ORANLAR YOLUYLA İŞLETMELERİN FİNANSAL PERFORMANSI ÜZERİNDEKİ ETKİSİNİN İNCELENMESİ,» Haziran 2011. [Çevrimiçi]. Available: https://acikbilim.yok.gov.tr/bitstream/handle/20.500.12812/26971/yokAcikBilim_406171.pdf?sequence=-1.