THYROID DISEASE PREDICTION BY USING DEEP LEARNING AND MACHINE LEARNING PARADIGMS: A COMPARATIVE APPROACH
| dc.contributor.author | Elhagaggagı, Emad Ba Attoch A. | |
| dc.date.accessioned | 2021-03-09T13:09:58Z | |
| dc.date.available | 2021-03-09T13:09:58Z | |
| dc.date.issued | 2021-03-05 | |
| dc.department | Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı | en_US |
| dc.description.abstract | Data science is currently associated with a large number of fields in engineering and science fields. Thyroid disorder is a common problem faced by large populations of humans. Hospitals are reporting various sorts of thyroid disorders. In this thesis, the thyroid disorder prediction paradigm was implemented using two approaches, the first one is Deep Learning and the second approach is Machine Learning. Big data involves diagnosing records of 2800 subjects along with the medical tests that were used for training the algorithms. Long Short-Term Memory Neural Network (LSTM) is one of the outstanding Deep Learning algorithms that capable to learn complex structured data. Performance of prediction the thyroid disease was measured using several metrics such as Accuracy, MSE, MAE, RMSE, and time. The performance of LSTM was compared with other Machine Learning algorithms such as Random Forest, Naïve Bayes, and K-Nearest Neighbor using the same performance matrices. LSTM outperforms over the other algorithms Random Forest Naïve Bayes, and K-Nearest Neighbor with optimum prediction accuracy of 97.25 %. ? | en_US |
| dc.description.abstract | Son zamanlarda veri bilimi ve yapay zeka alanındaki ilerlemeler baş döndürücü seviyelere ulaşmıştır. Bu ilerlemerle birlikte mühendislik, endüstri, ticaret ve tıp gibi birçok alana uygulanan yeni yöntemlerle başarılı sonuçlar elde edilmiştir. Bu tezde de bu gelişmelerin tıp alanına uygulanması ve başarının eski yöntemlerle kıyaslanması gerçekleştirilmiştir.Tiroid bozukluğu, büyük insan topluluklarının karşılaştığı yaygın bir sorundur.Tezde kullanılan veri seti 2800 bireye ait tıbbi test verilerini içermektedir.Veri seti, karmaşık yapılandırılmış verileri öğrenebilen olağanüstü Derin Öğrenme algoritmalarından biri olan Uzun Kısa Süreli Bellek Sinir Ağı (LSTM), rastgele orman, Naïve Bayes ve k-en yakın komşu algoritmaları ile sınıflandırılmıştır, Tiroid hastalığı tahmin performansı, Doğruluk, ortalama karesel hata, ortalama mutlak hata, ortalama karekök sapması ve zaman gibi çeşitli ölçütler kullanılarak karşılaştırıldı. Sonuç olarak LSTM, 97,25% 'lik optimum tahmin doğruluğu ile karşılatırılan diğer algoritmalar arasından daha üstün bir performans sergilemiştir." | en_US] |
| dc.identifier.uri | https://hdl.handle.net/20.500.14619/1155 | |
| dc.identifier.uri | https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=9MiDp3x86xrwjpi5-14w-XMg5IDuoXQghSbgDYuIwj75xjmfM-e8KWeIU6dAvHyI | |
| dc.identifier.yoktezid | 667305 | en_US |
| dc.language.iso | tr | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.subject | LSTM | en_US |
| dc.subject | KNN | en_US |
| dc.subject | Random Forest | en_US |
| dc.subject | Naïve Bayes | en_US |
| dc.subject | Machine Learning | en_US |
| dc.subject | Deep Learning. | en_US |
| dc.subject | LSTM | en_US |
| dc.subject | KNN | en_US |
| dc.subject | Rastgele Orman | en_US |
| dc.subject | Makine Öğrenimi | en_US |
| dc.subject | Derin Öğrenme. | en_US |
| dc.title | THYROID DISEASE PREDICTION BY USING DEEP LEARNING AND MACHINE LEARNING PARADIGMS: A COMPARATIVE APPROACH | en_US |
| dc.title.alternative | DERİN ÖĞRENME VE MAKİNE ÖĞRENME PARADİGMALARINI KULLANARAK TİROİD HASTALIĞI TAHMİNİ: KARŞILAŞTIRMALI BİR YAKLAŞIM | en_US |
| dc.type | Master Thesis | en_US |
