Coşkun, Cengiz

Profile Picture
Profile URL
https://hdl.handle.net/20.500.12514/6925
Name Variants
Job Title
Doktor Öğretim Üyesi
Email Address
cengizcoskun@artuklu.edu.tr
Main Affiliation
Department of Computer Engineering / Bilgisayar Mühendisliği Bölümü
Status
Website
ORCID ID
0000-0001-8552-1363
Scopus Author ID
Turkish CoHE Profile ID
180755
Google Scholar ID
G4ycaFoAAAAJ
WoS Researcher ID
JQJ-3221-2023
Files
cv_A-1858_ingilizce.pdf (382.78 KB)
cv_A-1858_turkce.pdf (382.35 KB)

Sustainable Development Goals

3

GOOD HEALTH AND WELL-BEING
GOOD HEALTH AND WELL-BEING Logo

1

Research Products
This researcher does not have a Scopus ID.
Documents

0

Citations

0

Go to WoS profile
Scholarly Output

1

Articles

1

Views / Downloads

1/0

Supervised MSc Theses

0

Supervised PhD Theses

0

WoS Citation Count

0

Scopus Citation Count

0

WoS h-index

0

Scopus h-index

0

Patents

0

Projects

0

WoS Citations per Publication

0.00

Scopus Citations per Publication

0.00

Open Access Source

1

Supervised Theses

0

Google Analytics Visitor Traffic

JournalCount
Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi1
Current Page: 1 / 1

Scopus Quartile Distribution

Quartile distribution chart data is not available

Competency Cloud

GCRIS Competency Cloud

Filters

20231
Reset filters

Settings

Scholarly Output Search Results

Now showing 1 - 1 of 1
  • Thumbnail Image
    Article
    Hepatit Hastalığının Tespitinde Bulanık Mantık ve Makine Öğrenmesi Yöntemlerinin Karşılaştırılması
    (2023) Coşkun, Cengiz; Yüksek, Emre
    Yaygın bir karaciğer rahatsızlığı olan hepatit, dünya çapında önemli halk sağlığı sorunlarından biridir. Klinik verilerin doğru yorumlanması, hepatit tanısının yapılabilmesi için ele alınması gereken en önemli sorunlardan birisidir. Bu çalışmada, ölümcül hepatit hastalığının tanısı için öznitelik seçimi yöntemi uygulanarak, bulanık modelleme ile çeşitli makine öğrenmesi yöntemlerinin hastalık tespitindeki başarısı karşılaştırılmıştır. Çalışmada UCI makine öğrenimi deposundan edinilen hepatit veri seti kullanılmıştır. Kullanılan veri seti ilk olarak veri ön işlemeden geçirilmiş, sınıflandırma başarısının artırılması için öznitelik seçimi ile veri setindeki özellik sayısı azaltılmıştır. Özellik sayısı azaltılan veri seti kullanılarak bulanık model ve makine öğrenmesi modelleri denenmiştir. Elde edilen sonuçlar çeşitli metrikler kullanılarak değerlendirilmiştir. Yapılan çalışmalar sonucunda Bulanık Mantık yöntemi ile doğruluk %94 olurken, Gradient Boosting algoritması ile doğruluk, kesinlik, duyarlılık ve f-skor metriği açısından sırasıyla %98.36, %98.68, %98.95 ve %98.91 olarak hesaplanmıştır. Elde edilen sonuçlar, hepatit hastalığının teşhisinde makine öğrenmesi yöntemlerinden Gradient Boosting yönteminin diğer makine öğrenme yöntemlerine ve bulanık yaklaşıma göre daha başarılı olduğu görülmüştür.