10 March 2022 in Concurrency and Computation: Practice and Experience
24 July 2022 in Neural Computing and Applications
1 January 2017 in Procedia Computer Science
20 November 2025 in International Journal of Hydrogen Energy
31 July 2022 in Düzce Üniversitesi Bilim ve Teknoloji Dergisi
Diyabet rahatsızlığı, insan vücudunun organlarını etkileyen kritik sağlık sorunlarından biridir. Bu nedenle, diyabet, 21. yüzyılda küresel bir sağlık sorunu olarak kabul edilmektedir. Bu rahatsızlığın sonucu olarak ortaya çıkan sorunlardan kaçınmak ve onları ağırlaşmadan önce tedavi etmek için diyabet rahatsızlığını tahmin edip işleyebilen bir sisteme ihtiyaç duyulmaktadır. Son yıllarda, sağlık alanında birçok rahatsızlığın erken teşhisi için çeşitli teknolojik araçlar ve uygulamalar kullanılmaktadır. Bu uygulamalardan birisi de veri madenciliği ve makine öğrenmesi teknikleri yardımıyla hastalığın erken teşhisi için analizlerin gerçekleştirilmesidir. Bu araştırmada, son zamanlarda büyük veri işlemede oldukça popüler olan Apache Spark teknolojisi ile diyabet rahatsızlığı analizleri gerçekleştirilmektedir. Aynı zamanda analizlerde tahmin için kullanılan Apache Spark MLlib kütüphanesindeki beş farklı makine öğrenmesi sınıflandırma algoritmalarının performansları karşılaştırılmış ve Rasgele Orman (RO) algoritmasının en iyi performansa sahip olduğu görülmektedir. Gerçekleştirilen analizler sonucunda kullanılan Apache Spark teknolojisinin bu tarz rahatsızlıkların belirlenmesinde kullanılabileceğini göstermektedir.
1 July 2026 in Karadeniz Fen Bilimleri Dergisi
Soil temperature prediction is important for farming, climate research, and environmental modeling. This research proposes an ensemble prediction method for soil temperature prediction on a daily basis using lag feature and Gaussian noise. In the proposed framework, the ensemble algorithms Extreme Gradient Boosting (XGBoost), Adaptive Boosting (AdaBoost), and Gradient Boosting Regressor (GradientBoosting) are compared. The models are trained on a dataset enriched with lagged temperature values and synthetic noise and evaluated using metrics such as Root Mean Square Error (RMSE), Coefficient of Determination (R²) and Mean Absolute Percentage Error (MAPE). The results show that all models exhibited high prediction performance. However, the GradientBoosting model has the best performance with an R² value of approximately 0.96. To further assess the time series structure and model behavior in detail, diagnostic analyses such as autocorrelation analysis, box plots and residual histograms are also conducted. The proposed strategy works well for reliable short-term soil temperature prediction.