Bibliometric Analysis of Theses Published on Machine Learning and Decision Trees in Turkey

Yıl 2021, Cilt: 28 Sayı: 2, 287 - 308, 28.06.2021

Meryem Pulat , İpek Deveci Kocakoç

Öz

In this study, it is aimed to examine the theses written in the field of machine learning and decision trees with the bibliometric analysis method by evaluating them within the scope of various parameters. For this purpose, 368 theses were reached as a result of the search performed in May 2020 by using the keywords "machine learning", "decision trees" in the database of the Council of Higher Education's National Thesis Center. Theses reached; It was examined in detail in terms of bibliography taking into account the year, thesis type, language, university, institute, department, the number of pages, the software used, the methods used, the keywords. In view of the research questions defined for the theses, the data were obtained and transferred to the Excel program. In this software, all calculations, graphs and tables were made. As a result of the examinations, important findings were obtained regarding the theses written in the fields of machine learning and decision tree based on the supervised learning strategy. These include important findings such as the distribution of theses by years, the university, institute, department that contributed the most to the field, the most commonly used machine learning method, the feature selection methods used, the parameter optimization methods used, the hybrid approaches developed, the ensemble learning methods developed, the most popular programming language / software, etc.
Key Words: Bibliometric Analysis, Thesis, Machine Learning, Supervised Learning, Decision Trees
JEL Classification: C38

Anahtar Kelimeler

Bibliometric Analysis, Thesis, Machine Learning, Supervised Learning, Decision Trees

Türkiye’de Makine Öğrenmesi ve Karar Ağaçları Alanında Yayınlanmış Tezlerin Bibliyometrik Analizi

Öz

Bu çalışmada makine öğrenmesi ve karar ağaçları alanında yazılan tezlerin çeşitli parametreler kapsamında değerlendirilerek bibliyometrik analiz yöntemiyle incelenmesi amaçlanmıştır. Bu amaçla Yüksek Öğretim Kurumu’nun Ulusal Tez Merkezi veri tabanında “makine öğrenmesi”, “machine learning”, “karar ağaçları”, “decision tree” anahtar kelimeler kullanılarak 2020 yılı mayıs ayında yapılan tarama sonucu 368 teze ulaşılmıştır. Ulaşılan tezler; yıl, tez türü, dili, üniversite, enstitü, anabilim dalı, sayfa sayısı, kullanılan program, kullanılan yöntem, anahtar kelimeler gibi değişkenler dikkate alınarak bibliyografik açıdan detaylı olarak incelenmiştir. Tezlere ilişkin belirlenen araştırma soruları dikkate alınarak veriler elde edilerek Excel programına aktarılmıştır ve tüm hesaplamalar, grafikler ve tablolar bu program aracılığıyla yapılmıştır. Yapılan incelemeler sonucunda, denetimli öğrenme stratejisine dayanan makine öğrenmesi ve karar ağaçları alanında yazılmış tezlere ilişkin önemli bulgular elde edilmiştir. Bunlar; yıllara göre tezlerin dağılımı, alana en çok katkı sağlayan üniversite, enstitü, anabilim dalı, en çok kullanılan makine öğrenmesi yöntemi, kullanılan öznitelik seçim yöntemleri, kullanılan parametre optimizasyon yöntemleri, geliştirilen melez yaklaşımlar, geliştirilen topluluk öğrenme yöntemleri, en yaygın programlama dili/yazılım vb. şeklinde önemli bulgulardan oluşmaktadır.
Anahtar Kelimeler: Bibliyometrik Analiz, Tez, Makine Öğrenmesi, Denetimli Öğrenme, Karar Ağaçları
JEL Sınıflandırması: C38

Anahtar Kelimeler

Bibliyometrik Analiz, Tez, Makine Öğrenmesi, Denetimli Öğrenme, Karar Ağaçları

Kaynakça

• Akay, E. Ç. (2018). Ekonometride yeni bir ufuk: büyük veri ve makine öğrenmesi. Sosyal Bilimler Araştırma Dergisi, 7(2), 41-53.
• Altan, S.N. (2018). Metin Sınıflandırma için Makine Öğrenmesi Tekniklerine Dayalı Bir Yöntem Geliştirilmesi. (Yüksek lisans Tezi), Ege Üniversitesi, Fen Bilimleri Enstitüsü.
• Ateş, E. (2019). Hisse Senetleri ve Sosyal Medya Arasındaki İlişkinin Makine Öğrenmesi Teknikleri ile Belirlenmesi. (Yüksek lisans Tezi). Doğuş Üniversitesi Fen Bilimleri Enstitüsü.
• Bilgin, M. (2018). Makine Öğrenmesi. İstanbul: Papatya Yayınları.
• Budak, H. (2018). Özellik seçim yöntemleri ve yeni bir yaklaşım. Journal of Natural & Applied Sciences.
• Friedman, J., Hastie, T., & Tibshirani, R. (2001). The Elements of Statistical Learning. Vol. 1, No. 10. New York: Springer Series in Statistics.
• Güldan, S. (2014). Makine Öğrenmesi Yöntemleriyle Gerçek Olmayan Tüketici Yorumlarının Tespiti. (Doktora Tezi), İstanbul Kültür Üniversitesi, Fen Bilimleri Enstitüsü.
• Gür, H. (2018). Kredi Değerlendirmesi için Bulanık Karar Ağaçları Tabanlı Bir Karar Destek Sistemi. (Yüksek lisans Tezi), Gazi Üniversitesi, Bilişim Enstitüsü.
• Güzeller, C. O. ve Çeliker, N. (2017). Geçmişten günümüze gastronomi bilimi: bibliyometrik analiz. Journal of Tourism and Gastronomy Studies, 5/Special Issue2, 88-102. Doi: 10.21325/jotags.2017.114.
• Hotamışlı, M., ve Erem, I. (2014). Muhasebe ve finansman dergisi’nde yayınlanan makalelerin bibliyometrik analizi. Muhasebe ve Finansman Dergisi, (63), 1-20. https://doi.org/10.25095/mufad.396474.
• İşkesen, S. E. (2014). Development and İmplementation of a Price Prediction System Using Machine Learning Techniques. (Yüksek lisans Tezi), Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü.
• Kapucu, C., ve Çubukçu, M. (2019). Fotovoltaik sistemlerde topluluk öğrenmesi temelli hata tespiti. Bilişim Teknolojileri Dergisi, 12(2), 83-91. https://doi.org/10.17671/gazibtd.508475.
• Khalid, S., Khalil, T., & Nasreen, S. (2014, August). A survey of feature selection and feature extraction techniques in machine learning. In 2014 Science and Information Conference (pp. 372-378). IEEE. Doi: 10.1109/SAI.2014.6918213.
• Köksal, İ. H. (2018). Fashion Trend Prediction Using Machine Learning Techniques. (Yüksek lisans Tezi), Yaşar Üniversitesi, Fen Bilimleri Enstitüsü.
• Kutlugün, M. A. (2017). Gözetimli Makine Öğrenmesi Yoluyla Türe Göre Metinden Ses Sentezleme. (Yüksek lisans Tezi), İstanbul Sabahattin Zaim Üniversitesi, Fen Bilimleri Enstitüsü.
• Lawani, S. M. (1981). Bibliometrics: its theoretical foundations, methods and applications. Libri, 31, 294.
• Li, Y., Xu, Z., Wang, X., & Wang, X. (2020). A bibliometric analysis on deep learning during 2007–2019. International Journal of Machine Learning and Cybernetics, 1-20. https://doi.org/10.1007/s13042-020-01152-0.
• Martínez, M. A., Cobo, M. J., Herrera, M., & Herrera-Viedma, E. (2015). Analyzing the scientific evolution of social work using science mapping. Research on Social Work Practice, 25(2), 257-277. Doi: 10.1177/1049731514522101.
• Mitchell, T. M. (1997). Machine Learning. USA: McGraw Hill Companies, Inc.
• Onan, A. (2018). A clustering based classifier ensemble approach to corporate bankruptcy prediction. Alphanumeric Journal, 6(2), 365-376. http://dx.doi.org/10.17093/alphanumeric.333785.
• Onan, A. (2016). Görüş Sınıflandırma için Makine Öğrenmesi Algoritmalarına Dayalı Bir Yöntem Tasarımı ve Gerçekleştirimi. (Doktora Tezi), Ege Üniversitesi Fen Bilimleri Enstitüsü.
• Özdemir, S. (2014). A Decision Tree Based Intrusion Detection System with Bootstrap Aggregating, Discretization, and Feature Selection. (Yüksek lisans Tezi), Boğaziçi Üniversitesi, Fen Bilimleri Enstitüsü.
• Öztemel, E. (2003). Yapay Sinir Ağları. İstanbul: PapatyaYayıncılık.
• Öztürk, S. (2015). An Experimental Evaluation for Fuzzy Decision Trees. (Yüksek lisans Tezi), Çukurova Üniversitesi, Fen Bilimleri Enstitüsü.
• Pınar, M., Okumuş, O., Turgut, U. O., Kalıpsız, O., ve Aktaş, M. S. (2017). Büyük veri içeren öneri sistemleri için hiperparametre optimizasyonu. Ulusal Yazılım Mühendisliği Sempozyumu, 22-272.
• Pritchard, A. (1969). Statistical bibliography or bibliometrics. Journal of Documentation, 25(4), 348-349.
• Samiee, Saeed – Chabowski, Brian R (2012). Knowledge structure in ınternational marketing: a multi-method bibliometric analysis. Journal of the Academy of Marketing Science, 40 (2), 364-386. Doi: 10.1007/s11747-011-0296-8.
• Sezer, Ü. (2008). Karar Ağaçlarının Birliktelik Kuralları ile İyileştirilmesi. (Yüksek lisans Tezi), Kocaeli Üniversitesi, Fen Bilimleri Enstitüsü.
• Subanya, B., & Rajalaxmi, R. R. (2014, February). Feature Selection Using Artificial Bee Colony for Cardiovascular Disease Classification. In 2014 International Conference on Electronics and Communication Systems (ICECS) (pp. 1-6). IEEE.
• Tanyıldızı, E., ve Demirtaş, F. (2019). Hiper Parametre Optimizasyonu. In 2019 1st International Informatics and Software Engineering Conference (UBMYK) (pp. 1-5). IEEE.
• Tozlu, İ. (2019). Simplifying Balance Sheet Adjustment Process in Commercial Loan Applications Using Machine Learning Methods. (Yüksek lisans Tezi), İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü.
• Tsai, C. F., Eberle, W., & Chu, C. Y. (2013). Genetic algorithms in feature and instance selection. Knowledge-Based Systems, 39, 240-247. https://doi.org/10.1016/j.knosys.2012.11.005.
• Türker, S. (2019). Zararlı Android Yazılımlarının Makine Öğrenmesi ile Ailelerine Göre Sınıflandırılması. (Yükseklisans Tezi), Hacettepe Üniversitesi, Fen Bilimleri Enstitüsü.
• Verma, A., & Mehta, S. (2017, January). A Comparative Study of Ensemble Learning Methods for Classification in Bioinformatics. In 2017 7th International Conference on Cloud Computing, Data Science & Engineering-Confluence (155-158). IEEE.
• Wang, Z., Wang, Y., & Srinivasan, R. S. (2018). A novel ensemble learning approach to support building energy use prediction. Energy and Buildings, 159, 109-122. https://doi.org/10.1016/j.enbuild.2017.10.085.
• Yıldız O., Tez M., Bilge H. Ş., Akcayol M. A., Güler İ. (2012). Meme Kanseri Sınıflandırması İçin Gen Seçimi. IEEE 20nd Signal Processing and Communications Applications Conference; 18-20 April 2012; Muğla, Turkey: IEEE, 988-991.