Cardiovascular diseases (CVDs) remain the leading cause of death globally, underscoring the urgent need for data-driven early diagnostic tools. This study proposes a multilayer artificial neural network (ANN) model for heart disease prediction, developed using a real-world clinical dataset comprising 13,981 patient records. Implemented on the Orange data mining platform, the ANN was trained using backpropagation and validated through 10-fold cross-validation. Dimensionality reduction via principal component analysis (PCA) enhanced computational efficiency, while Shapley additive explanations (SHAP) were used to interpret model outputs. Despite achieving 83.4% accuracy and high specificity, the model exhibited poor sensitivity to disease cases, identifying only 76 of 2233 positive samples, with a Matthews correlation coefficient (MCC) of 0.058. Comparative benchmarks showed that random forest and support vector machines significantly outperformed the ANN in terms of discrimination (AUC up to 91.6%). SHAP analysis revealed serum creatinine, diabetes, and hemoglobin levels to be the dominant predictors. To address the current study’s limitations, future work will explore LIME, Grad-CAM, and ensemble techniques like XGBoost to improve interpretability and balance. This research emphasizes the importance of explainability, data representativeness, and robust evaluation in the development of clinically reliable AI tools for heart disease detection.

İşletmelerin web siteleri, sundukları hizmetleri sergilemek ve potansiyel kullanıcıların dikkatini çekmek amacıyla oldukça önemlidir. Ancak kullanıcı davranışlarını etkileyen faktörlerin belirsizliği nedeniyle web siteleri verimli bir şekilde yönetilememektedir. Bu çalışmada kullanıcı davranışlarının daha iyi anlaşılabilmesini sağlamak amaçlanmıştır. Bu kapsamda bir avukatlık web sitesinden Google Analytics aracılığıyla toplanan kullanıcı davranışı verilerinin işletme dönüşümü üzerindeki etkisini incelemek amacıyla lojistik regresyon analizi yapılmıştır. Aynı zamanda çalışmada kullanıcı davranışlarının nasıl şekillendiğini anlamak amacıyla S-O-R (Stimulus-Organism-Response) modeli benimsenmiştir. Çalışmanın sonucunda web sitesine organik olarak ve mobil cihazlar üzerinden gelen kullanıcıların avukatlık firmasının dönüşüm hedefleri üzerinde olumlu yönde bir etkisi olduğu bulunmuştur. Organik olarak gelen kullanıcı sayısının düşük olarak nitelendirilen günlerde dönüşüm gerçekleşme olasılığı yüksek olarak nitelendirilen günlere kıyasla %98 oranında daha düşük olduğu sonucuna ulaşılmıştır. Benzer şekilde mobil kullanıcı sayısı düşük olarak nitelendirilen günlerde dönüşüm gerçekleşme olasılığı %94 oranında daha az olduğu sonucuna ulaşılmıştır. Bu doğrultuda işletmelerin çeşitli ekran büyüklüklerine sahip cihazlara uyumlu, kullanıcı dostu web sitesi tasarımı yapması ve organik olarak gelen kullanıcı sayısını artırmak için SEO çalışmalarına özen göstermeleri önerilmektedir.