Makine öğrenmesi, satış tahmini, gözetimli öğrenme, regresyonGünümüz dijital dünyasında satın alma gittikçe arttığından veriler çok büyük boyutlara ulaşmıştır. Endüstrinin getirdiği kavramlardan en belirgini ise boyutluluk laneti olmuştur. Bu sebeple işletmeler satın alma kararlarını alırken büyük zorluk yaşamaktadır. Uzun ya da kısa vadede satış tahmininin doğru yapılamaması müşteri memnuniyetsizliği, para kaybı, ham madde ihtiyacı gibi birçok soruna yol açacaktır. Tedarik zinciri elemanlarından üretici, perakendeci, tedarikçi ve müşteriye kadar birçok taraf yanlış ya da eksik satış tahmininden zarar görebilir. Yapay zekâ çağının getirdiği yeniliklerden olan makine öğrenmesi de birçok mühendislik uygulamasının getirdiği sorunlara olduğu gibi satış tahmini problemlerine de hızlı şekilde cevap verebilecek bir alandır. Bu çalışmada uçtan uca bir makine öğrenmesi proje süreci ele alınmıştır. Herhangi bir makine öğrenmesi projesinin adımları ve veriye yaklaşım boyutu tanıtılmıştır. Uygulama bölümünde makine öğrenmesi algoritmalarından doğrusal regresyon, Ridge, Lasso, Elastic Net, K-en yakın komşu ve Rastgele Orman algoritmaları kullanılarak gerçek veri seti için bir satış tahmin modeli geliştirilmiştir. Geliştirilen modelde en düşük hatayı veren algoritma Rastgele Orman algoritması olmuştur.
Aim: The purpose of this article is to present the latest advances in big data applications in the industries of the transportation sector such as airline, highway, and railway. It is difficult to analyze data in transportation because there is continuous real-time data flow. Since the improvements made are fast with the same logic, it is necessary to catch up with the new developments. Data should be analyzed with the big data concept because data stacks highly contain non-structural data types in transportation data. Although the mentioned industries are complementary to each other, the applications differ depending on the needs of the industry. Thus, solutions to specific problems in different industries using big data applications should be addressed. Design / Research methods: In accordance with the purpose of the study, big data studies that provide added value to the transportation sector were examined. Studies have been filtered through some criteria which are whether the application is adaptable to the industry, the study is available online in full-text, and its references are from respectable sources. Conclusions / findings: All the big data application studies in the academy are not adaptable in real-life problems or suitable for all situations. For this reason, trying all of the applications will lead to moral and material losses for firms. This study is a guideline for companies to follow the developments in the big data concept and to choose the one that suits their problems. Thus, the gap between academia and industry was tried to close. Originality / value of the article: Although studies are referring to big data applications in the transportation sector, this study differs from others in terms of specifically analyzing big data applications in different industries such as airline, highway, and railway in the transportation sector
Geleneksel Çok Kriterli Karar Verme (ÇKKV) yöntemleri yakın gelecekte karşılaşılabilecek sorunlara çözüm verememektedir. Problemi baştan yeni ağırlıklar atayarak çözmek yorucu ve zor olacağından, yakın gelecekte meydana gelebilecek ihtimaller için Katmanlı Çok Kriterli Karar Verme (KÇKKV) Yöntemi geliştirilmiştir. Yöntem: Bu makalede, KÇÇKV yönteminin işleyişi anlatılmış ve geleneksel ÇKKV yöntemlerinden olan TOPSIS yöntemi ile karşılaştırılarak Ankara Sincan Organize Sanayi Bölgesinde faaliyet gösteren savunma sanayi firmasında örnek bir çalışma gerçekleştirilip iki yöntemin farkı tartışılmıştır. Bulgular: Tesis yeri seçimi probleminde, KÇÇKV yöntemi ile en iyi alternatif seçilmiştir. Geleneksel ÇKKV yöntemlerinden TOPSIS ile KÇKKV kıyaslanmış ve yakın gelecekte gerçekleşebilecek olayların tesis yeri seçimini etkilediği görülmüştür. Özgünlük: Literatürde KÇKKV yöntemi kullanılarak tesis yeri seçiminin yapıldığı bir çalışmaya rastlanmamıştır. Yapılan çalışmanın literatürdeki bu eksikliği dolduracağı ve farklı karar verme problemleri için de yol gösterici olacağı öngörülmektedir.
Traditional Multi-Criteria Decision Making (MCDM) methods cannot provide solutions to problems that may be encountered in the near future. Basically, MCDM methods have a very rich algorithmliterature for decision making problems. Traditional MCDM methods do not take short-term changes into account. In a new development, it is necessary to start the process from the beginning and solve the problem from the beginning. This leads to huge loss of money and time. The purpose of developing the MCDM method is to make decision-making problems more efficient and to prevent losses in the process. However, the MCDM method is a method that has been developed based on the changes in the process, which is a problem that has not been addressed until now. Since it will be tiring and difficult to solve the problem by assigning new weights from the beginning, the Stratified Multi-Criteria Decision Making (SMCDM) Method has been developed for the possibilities that may occur in the near future. In this study, an exemplary study of the SMCDM method was carried out in a IT company. In the data scientist selectionproblem, the best alternative was selected with the SMCDM method, taking into account the events that may occur in the near future.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.