Makine Öğrenmesi Teknikleriyle Potansiyel Yetenek Avı
Abstract views: 7
/ 
PDF downloads: 2
Keywords:
Potansiyel Yetenek, Makine Öğrenmesi, Veri Analizi, Sınıflandırma Modelleri, Özellik SeçimiAbstract
Bu çalışma, futbolculardaki potansiyel yeteneklerini tahmin etmek için makine öğrenimi tekniklerini
araştırmaktadır. İki veri kümesi kullanılarak futbolcuların istatistiksel özellikleri analiz edilmiş ve çeşitli
makine öğrenimi algoritmaları ile potansiyel etiketler tahmin edilmiştir. Seçilen birden fazla makine
öğrenmesi modellemelerinden en başarılı sonuç Rastgele Orman yaklaşımından elde edilmiştir. Sonuçlar,
makine öğrenimi tekniklerinin futbolculardaki potansiyeli tahmin etmede etkili olduğunu göstermektedir.
Bu yaklaşım, futbol kulüplerine, veri odaklı oyuncu seçimi yapabilme, potansiyel yetenek gösteren
oyuncuları daha doğru bir şekilde tanımlayarak gelecekteki başarılarını artırma fırsatı sunmaktadır.
Downloads
References
Enes Arslan, Scoutium Player Potential Prediction, https://www.kaggle.com/code/enesarslan8/scoutium-player-potential-prediction-90-acc, (Erişim Tarihi: 27 Ekim, 2023).
Sun, Y., Wong, A. K., & Kamel, M. S. (2009). Classification of Imbalanced Data: A Review. International Journal of Pattern Recognition and Artificial Intelligence, 23(04), 687–719.
[AKGÜN, K., & BULUT ÖZEK, M. (2020). Eğitsel Veri Madenciliği Yöntemi ı̇le ı̇lgili Yapılmış çalışmaların ı̇ncelenmesi: İçerik analizi. Uluslararası Eğitim Bilim ve Teknoloji Dergisi, 6(3), 197–213.
D. G. Kleinbaum, ve M. Klein, “Logistic Regression: A Self-Learning Text (Statistics for Biology and Health)”, Third Edition. New York: Springer 2010.
He, S., Li, X., & Chen, J. (2021). Application of data mining in predicting college graduates’ employment. 2021 4th International Conference on Artificial Intelligence and Big Data (ICAIBD).
[5] Z. Drus ve H. Khalid, “Sentiment analysis in social media and its application:Systematic literature review”, Procedia Computer Science, c. 161, ss. 707–714,2019, doi: 10.1016/j.procs.2019.11.174.
Quinlan J.R., 1993, “C4.5: Programs for Machine Learning”, Morgan Kaufmann, San Mateo, CA, 302 s.
http://www.jcomputers.us/vol7/jcp0712-09.pdf]. (An Improved Random Forest Classifier for Text Categorization
L. Breiman, “Random forests,” Machine learning, vol. 45, no. 1, pp. 5-32, 2001.
Anonim, Topluluk Öğrenme Algoritmalarından Gradyan Yükseltme Algoritması İle Gögüs Kanserinin Tahmini Üzerine Bir Vaka Çalışması https://tevfikbulut.com/2020/06/27/topluluk-ogrenme-algoritmalarindan-gradyan-yukseltme-algoritmasi-ile-gogus-kanserinin-tahmini-uzerine-bir-vaka-calismasi-a-case-study-on-the-prediction-of-breast-cancer-using-gradient-boosting-algori/ (Erişim Tarihi: 24 Haziran 2023).
Abdalla S., Erdoğmuş Ş., (2014). Destek vektör makineleriyle sınıflandırma problemlerinin çözümü için çekirdek fonksiyonu seçimi. Eskişehir osmangazi üniversitesi iktisadi idari bilimler fakültesi dergisi. 9. 175-198.
