Akademik Veri Yönetim Sistemi
Şahin T., Yazıcı H. T.(Yürütücü), Güney F., Çınar N., Balcı E.
TÜBİTAK Projesi, 2209-A - Üniversite Öğrencileri Araştırma Projeleri Destekleme Programı, 2022 - 2024
Gelişen teknoloji ve artan veri boyutları nedeni ile veri işleme gitgide daha da zor bir hal almaktadır. Bu durumu
kolaylaştırmak için algoritmalar geliştirilmiştir. Bu algoritmalardan biri de makine öğrenmesidir. Makine
öğrenmesinin denetimli, denetimsiz ve pekiştirmeli öğrenme olarak üç tür algoritma uygulaması mevcuttur.
Denetimli öğrenmede algoritmaya doğru cevaplar verilir ve girdi ile hedef özellikler arasında bir eşleme söz
konusudur. Denetimsiz öğrenmede algoritmalara herhangi bir doğru cevap verilmez ve veri içindeki (gizli) kalıplar
keşfedilir. Pekiştirmeli öğrenmede ise algoritmalara, önceden tanımlanan bir hedef çerçevesinde dinamik bir
ortamla etkileşim kurma imkanı verilir. Makine öğrenme algoritmaları, geliştirilen diğer algoritmalar arasında çok
boyutlu verileri işlemede oldukça başarılıdır. Çok boyutlu verileri işlemede oldukça başarılı olduğu gibi zamandan
tasarruf sağlar ve sonucu olumsuz yönde etkileyecek insan hatası ve benzeri durumları ortadan kaldırır. Bu
disiplindeki amaç, bilimin üretkenliğinin arttırılması ve kullanılacak alanda veri kaynaklarından maksimum bilgiyi
alabilmektir. Tahminlerde bulunmayı veya karar vermeyi öğrenebilen bilgisayar algoritmalarının geliştirilmesinde
kullanılan yapay zeka alt kümesi olan makine öğrenmesi, günümüzde birçok alanda kullanılmaktadır.
Makine öğrenmesi veri sayısının artmasıyla beraber siber güvenlikte dahil olmak üzere birçok alanda
kullanılmaya başlanmıştır. Harita ve konum hizmetlerinde, trafik yoğunluğu, ortalama seyahat hızı, sağlık
hizmetlerinde hastalıkların tahmin edilmesi, klinik parametrelerin analizi, kanserli dokunun tanınması ve nadir
görülen genetik hastalıkları saptamak mümkündür. Makine öğrenmesi temelli algoritmalar duygu analizinde
duyguları kelimelere göre analiz ederek en iyi sonuçları üretmeye çalışır. Oluşturulan bir duygu analiz modeli
sayesinde, müşterilerin işletme hakkındaki düşüncelerini, geri bildirimlerini görmek mümkündür. Günlük
hayatımızın her bölümünde iş yükünün azaltılması, zamandan tasarruf edilmesi, verimliliğin arttırılması gibi
nedenler ile makine öğrenmesi kullanılmaktadır. Çeşitli alanlarda insanlığa sağladığı bu avantajlar yanında
astrofizik alanında da yapılan çalışmaların sayısını ve niteliğini arttırmaktadır. Gökcisimlerinin kimyasal ve fiziksel
özelliklerini anlamanın en güvenilir yolu onların ışıtmalarının yani tayflarının incelenmesidir. Tayf, nesneden
gelen ışığı algıladıktan sonra dalgaboylarına ayırdığımızda oluşan dalgaboyuna karşılık ışığın şiddetidir.
Astrofiziksel objelerin tayfının incelenmesinin sebebi, objeden gelen ışığı inceleyerek model parametre tahminine
ve buna bağlı olarak da objenin sıcaklığı, kimyasal yapısı, objenin ortalama yaşı, yüzey çekim ivmesi gibi farklı
fiziksel parametrelerin tahmini için gerekli dinamiğe sahip olmalarıdır. Bu parametreleri öğrenmemiz bizim için
galaktik kimyasal evrimi anlamamıza, Güneş komşuluğunda kimyasal evrimi inceleme ve anlama imkanı sağlar.
Bir insan için verilerin ayıklanması ve sınıflandırılması işlemleri saatlerce sürebilirken makine öğrenmesi ile bu
işlem dakikalar içerisinde hızlı bir işlem imkanı sunuyor. Spektroskopik araştırmalar, bilimsel etkilerini en üst
düzeye çıkarmak için hızlı ve verimli analiz yöntemleri gerektirir. Bu aşamada makine öğrenmesi, tayf analizinin
belirli bölümünde devreye girerek veri işlemeyi (Yapay Sinir Ağı) ANN ve MCMC gibi algoritmaların sınanmasıyla
daha hızlı ve hassas hale getirecektir. Bu yüzden astrofiziksel spektroskopik analizlerde makine öğrenmesinden
yararlanmak daha avantajlıdır.