ŞARAP KALİTESİNİN BELİRLENMESİNDE YAPAY ZEKÂNIN ROLÜ: MAKİNE ÖĞRENMESİ ALGORİTMALARI ÜZERİNE BİR UYGULAMA
Yıl: 2023 Cilt: 6 Sayı: 2 Sayfa Aralığı: 495 - 507 Metin Dili: Türkçe DOI: 10.33083/joghat.2023.279 İndeks Tarihi: 11-07-2023
ŞARAP KALİTESİNİN BELİRLENMESİNDE YAPAY ZEKÂNIN ROLÜ: MAKİNE ÖĞRENMESİ ALGORİTMALARI ÜZERİNE BİR UYGULAMA
Öz: Şarap uygarlık tarihi boyunca insanların tükettiği en özel içeceklerin başında gelmiştir. Şarap bu önemini günümüzde de sürdürmektedir. Bu nedenle şarap kalitesi gerek üreticiler gerek işletmeler gerekse tüketiciler açısından dikkate alınan bir konudur. Şarap kalitesi yakın zamana kadar sadece uzman kişilerin damak tadına bağlı olarak belirlenmiştir. Ancak şarabın kalitesini duyusal etkenler kadar şarabın fizyokimyasal özellikleri de belirlemektedir. Günümüzde şarapların kalite özellikleri yapay zekâ ürünü olan makine öğrenmesi algoritmaları ile de gerçekleştirilmektedir. Bu amaçla, çalışmada, lojistik regresyon, naive bayes, k-en yakın komşu, destek vektör makineleri, karar ağaçları, doğrusal diskiminant analizi algoritmalarının kırmızı şarabın sınıflandırılmasındaki başarı oranları tespit edilmeye çalışılmıştır. En başarılı algoritmanın destek vektör makineleri algoritması olduğu belirlenmiştir. Bununla birlikte algoritma başarılarının veri seti özelliklerine göre değiştiği, bu nedenle sınıflandırmalarda veri setine en uygun algoritmanın seçilmesi gerektiği de öne çıkan bir sonuç olmuştur.
Anahtar Kelime: THE ROLE OF ARTIFICIAL INTELLIGENCE IN DETERMINING THE WINE QUALITY: AN APPLICATION ON MACHINE LEARNING ALGORITHMS
Öz: Wine has been one of the special drinks consumed by people throughout the history of civilization. The importance of wine continues to be important in modern times. For this reason, wine quality is an issue that is taken into consideration by producers, businesses, and consumers. Until recently, wine quality has been determined only by the taste buds of experts. However, the quality of wine is determined by the physiochemical properties of the wine as well as sensory factors. Nowadays, the quality characteristics of wines are determined with machine learning algorithms as well. For this purpose, the characteristics of 1599 wines obtained from the www.kaggle.com website were classified by logistic regression, naive Bayes, k-nearest neighbor, support vector machines, decision trees, and linear discriminant analysis algorithms. It was determined that the most successful algorithm was the support vector machines algorithm. However, it was also emphasized that the algorithm success varies according to the characteristics of the data set, so the most appropriate algorithm should be selected for the data set in classification.
Anahtar Kelime: Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
- Albright, C. S., Winston, W. L., ve Zappe, C. J. (2011). Data analysis ve decision making (4. bs). South-Western CENGAGE Learning.
- Alpkoçak, A., Tocoglu, M. A., Çelikten, A., ve Aygün, İ. (2019). Türkçe metinlerde duygu analizi için farklı makine öğrenmesi yöntemlerinin karşılaştırılması. Deu Muhendislik Fakultesi Fen ve Muhendislik, 21(63), 719-725. https://doi.org/10.21205/deufmd.2019216303
- Anderson, K., ve Nelgen, S. (2011). Wine’s globalization: new opportunities, new challenges. Wine Economics Research Centre Working Papers, 0111. https://ideas.repec.org/p/adl/winewp/2011-01.html
- Atalay, M., ve Çelik, E. (2017). Büyük veri analizinde yapay zekâ ve makine öğrenmesi uygulamaları - artificial ıntelligence and machine learning applications in big data analysis. Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 9(22), 155-172. https://doi.org/10.20875/MAKUSOBED.309727
- Athanasiadis, I., ve Ioannides, D. (2021). A machine learning approach using random forest and LASSO to predict wine quality. International Journal of Sustainable Agricultural Management and Informatics, 7(3), 232-251. https://doi.org/10.1504/IJSAMI.2021.118129
- Badem, H. (2019). Parkinson hastalığının ses sinyalleri üzerinden makine öğrenmesi teknikleri ile tanımlanması. Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 2, 630-637. https://doi.org/10.28948/ngumuh.524658 Balakrishnama, S., ve Ganapathiraju, A. (1998). Linear discriminant analysis-a brief tutorial. Institute for Signal and information Processing, 18(1998), 1-8.
- Bhardwaj, P., Tiwari, P., Olejar, K., Parr, W., ve Kulasiri, D. (2022). A machine learning application in wine quality prediction. Machine Learning with Applications, 8, 100261. https://doi.org/10.1016/j.mlwa.2022.100261
- Cortez, P., Cerdeira, A., Almeida, F., Matos, T., ve Reis, J. (2009). Modeling wine preferences by data mining from physicochemical properties. Decision Support Systems, 47(4), 547-553. https://doi.org/10.1016/j.dss.2009.05.016
- Cusmano, L., Morrison, A., ve Rabellotti, R. (2010). Catching up trajectories in the wine sector: a comparative study of Chile, Italy, and South Africa. World Development, 38(11), 1588-1602. https://doi.org/10.1016/j.worlddev.2010.05.002
- Çağlayan Akay, E. (2018). Ekonometride yeni bir ufuk: büyük veri ve makine öğrenmesi. Sosyal Bilimler Araştırma Dergisi, 7(2), 41-53.
- Dahal, K. R., Dahal, J. N., Banjade, H., Gaire, S., Dahal, K. R., Dahal, J. N., Banjade, H., ve Gaire, S. (2021). Prediction of wine quality using machine learning algorithms. Open Journal of Statistics, 11(2), 278-289. https://doi.org/10.4236/OJS.2021.112015
- Doger, Ş., ve Kurgun, O. A. (2021). Şarap üretiminde veri kalitesine ilişkin eksik veri sorunlarının derin öğrenme ile çözülmesi: üretici çekişmeci ağlarla bir uygulama. International Journal of Contemporary Tourism Research, 5(1), 99-111. https://doi.org/10.30625/ijctr.943818
- Er, Y., ve Atasoy, A. (2016). The classification of white wine and red wine according to their physicochemical qualities. International Journal of Intelligent Systems and Applications in Engineering, 4(Special Issue-1), 23-26. https://doi.org/10.18201/IJISAE.265954
- Gunn, S. R. (1998). Support vector machines for classification and regression. ISIS technical report, 14(1), 5-16.
- Gupta, Y. (2018). Selection of important features and predicting wine quality using machine learning techniques. Procedia Computer Science, 125, 305-312. https://doi.org/10.1016/J.PROCS.2017.12.041
- Hastie, T., Tibshirani, R., ve Friedman, J. (2009). The elements of statistical learning (2. bs). Springer New York. https://doi.org/10.1007/978-0-387-84858-7
- Ibisworld. (2021). Global wine manufacturing -iındustry data, trends, stats | IBISWorld. Global Wine Manufacturing Industry - Market Research Report. Erişim Tarihi: 15.04.2023, https://www.ibisworld.com/global/market-research-reports/global-wine-manufacturing-industry/
- Kaggle. (2019). Red wine quality. Erişim tarihi: 23.06.2023, https://www.kaggle.com/datasets/uciml/red-wine-quality-cortez-et-al-2009.
- Karakoyun, M., ve Hacıbeyoğlu, M. (2014). Biyomedikal veri kümeleri ile makine öğrenmesi sınıflandırma algoritmalarının istatistiksel olarak karşılaştırılması. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 16(48), 30-42.
- Kavuncu, S. K. (2018). Makine öğrenmesi ve derin öğrenme: Nesne tanıma uygulaması (Yüksek Lisans Tezi). Kırıkkale Üniversitesi Fen Bilimleri Enstitüsü, Kırıkkale.
- Kaya, Ç., ve Yıldız, O. (2014). Makine öğrenmesi teknikleriyle saldırı tespiti: karşılaştırmalı analiz. Marmara Fen Bilimleri Dergisi, 3, 89-104.
- Kaynar, O., Arslan, H., Görmez, Y., ve Işık, Y. E. (2018). Makine öğrenmesi ve öznitelik seçim yöntemleriyle saldırı tespiti. Bilişim Teknolojileri Dergisi, 11(2), 175-185. https://doi.org/10.17671/gazibtd.368583
- Kazan, S., ve Karakoca, H. (2019). Makine öğrenmesi ile ürün kategorisi sınıflandırma. Sakarya University Journal of Computer and Information Sciences, 2(1), 18-27. http://saucis.sakarya.edu.tr/en/download/article-file/702149
- Keleş, M. B., Keleş, A., ve Keleş, A. (2020). Makine öğrenmesi yöntemleri ile uçuş fiyatlarının tahmini. Euroasia Journal of Mathematics, Engineering, Natural ve Medical Sciences, 7(11), 72-78. https://euroasiajournal.org/index.php/ejas/article/view/93
- Kleinbaum, D. G., ve Klein, M. (2010). Logistic regression (3. bs). New York: Springer. https://doi.org/10.1007/978-1-4419-1742-3
- Kutlugün, M. A. (2017). Gözetimli makine öğrenmesi yoluyla türe göre metinden ses sentezleme (Yüksek Lisans Tezi). İstanbul Zaim Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
- Michalski, R. S., Carbonell, J. G., ve Mitchell, T. M. (1983). Machine learning. Berlin, Heidelberg: Springer. https://doi.org/10.1007/978-3-662-12405-5
- Michie, D., Spiegelhalter, D., ve Taylor, C. (1994). Machine learning, neural and statistical classification. Ellis Horwood Limited.
- Ming Li, ve Baozong Yuan. (2004). A novel statistical linear discriminant analysis for image matrix: two-dimensional fisherfaces. Proceedings 7th International Conference on Signal Processing, 2004. Proceedings. ICSP ’04. 2004., 1419-1422. https://doi.org/10.1109/ICOSP.2004.1441592
- Morrison, A., ve Rabellotti, R. (2017). Gradual catch up and enduring leadership in the global wine industry. Research Policy, 46(2), 417-430. https://doi.org/10.1016/j.respol.2016.09.007
- Nguyen, T. T. T., ve Armitage, G. (2008). A survey of techniques for internet traffic classification using machine learning. IEEE Communications Surveys ve Tutorials, 10(4), 56-76. https://doi.org/10.1109/SURV.2008.080406
- Odorici, V., ve Corrado, R. (2004). Between supply and demand: ıntermediaries, social networks and the construction of quality in the ıtalian wine ındustry. Journal of Management and Governance, 8(2), 149-171. https://doi.org/10.1023/B:MAGO.0000026542.18647.48
- Özgür, A., ve Erdem, H. (2012). Saldırı tespit sistemlerinde kullanılan kolay erişilen makine öğrenme algoritmalarının karşılaştırılması. Bilişim Teknolojileri Dergisi, 5(2), 41-48.
- Özlüer Başer, B., Yangın, M., ve Sarıdaş, E. S. (2021). Makine öğrenmesi teknikleriyle diyabet hastalığının sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 25(1), 112-120. https://doi.org/10.19113/sdufenbed.842460
- Öztemel, E. (2012). Yapay sinir ağları (3. bs). Papatya Yayıncılık Eğitim.
- Pannu, A. (2015). Artificial ıntelligence and its application in different areas. International Journal of Engineering and Innovative Technology (IJEIT), 4(10), 79-84.
- Pretorius, I. S., Bartowsky, E. J., Bauer, F., De Barros Lopes, M., Du Toit, M., Van Rensburg, P., ve Vivier, M. A. (2006). The tailoring of designer grapevines and microbial starter strains for a market-directed and quality-focussed wine industry. Içinde Y. H. Hui (Ed.), Handbook of Food Science, Technology, and Engineering (4, 406-428).
- Pulat, M., ve Kocakoç Deveci, İ. (2021). Türkiye’de makine öğrenmesi ve karar ağaçları alanında yayınlanmış tezlerin bibliyometrik analizi. Journal of Management and Economics, 28(2), 287-308. https://doi.org/10.18657/YONVEEK.870190
- Sebastiani, F. (2002). Machine learning in automated text categorization. ACM Computing Surveys (CSUR), 34(1), 1-47. https://doi.org/10.1145/505282.505283
- Sevli, O. (2019). Göğüs kanseri teşhisinde farklı makine öğrenmesi tekniklerinin performans karşılaştırması. European Journal of Science and Technology, 16, 176-185. https://doi.org/10.31590/ejosat.553549
- Sousa, E. C., Uchôa-Thomaz, A. M. A., Carioca, J. O. B., Morais, S. M. de, Lima, A. de, Martins, C. G., Alexandrino, C. D., Ferreira, P. A. T., Rodrigues, A. L. M., Rodrigues, S. P., Silva, J. do N., ve Rodrigues, L. L. (2014). Chemical composition and bioactive compounds of grape pomace (Vitis vinifera L.), Benitaka variety, grown in the semiarid region of Northeast Brazil. Food Science and Technology (Campinas), 34(1), 135-142. https://doi.org/10.1590/S0101-20612014000100020
- Standage, T. (2005). A history of the world in 6 glasses. Walker ve Company.
- Statista. (2023). Wine-worldwide. Erişim Tarihi: 15.04.2023, https://www.statista.com/outlook/cmo/alcoholic-drinks/wine/worldwide
- Tiwari, P., Bhardwaj, P., Somin, S., Parr, W. V., Harrison, R., ve Kulasiri, D. (2022). Understanding quality of pinot noir wine: can modelling and machine learning pave the way? Foods, 11(19). https://doi.org/10.3390/foods11193072
- Waterhouse, A. L., Sacks, G. L., ve Jeffery, D. W. (2016). Grape genetics, chemistry, and breeding. İçinde Understanding Wine Chemistry (s. 2-5). John Wiley ve Sons. https://doi.org/10.1002/9781118730720
- Wood, A., Shpilrain, V., Najarian, K., ve Kahrobaei, D. (2019). Private naive bayes classification of personal biomedical data: Application in cancer data analysis. Computers in Biology and Medicine, 105, 144-150. https://doi.org/10.1016/j.compbiomed.2018.11.018
| APA | Timur B, YILMAZ V, Tunca B (2023). ŞARAP KALİTESİNİN BELİRLENMESİNDE YAPAY ZEKÂNIN ROLÜ: MAKİNE ÖĞRENMESİ ALGORİTMALARI ÜZERİNE BİR UYGULAMA. , 495 - 507. 10.33083/joghat.2023.279 |
| Chicago | Timur Beybala,YILMAZ VEYSEL,Tunca Berkalp ŞARAP KALİTESİNİN BELİRLENMESİNDE YAPAY ZEKÂNIN ROLÜ: MAKİNE ÖĞRENMESİ ALGORİTMALARI ÜZERİNE BİR UYGULAMA. (2023): 495 - 507. 10.33083/joghat.2023.279 |
| MLA | Timur Beybala,YILMAZ VEYSEL,Tunca Berkalp ŞARAP KALİTESİNİN BELİRLENMESİNDE YAPAY ZEKÂNIN ROLÜ: MAKİNE ÖĞRENMESİ ALGORİTMALARI ÜZERİNE BİR UYGULAMA. , 2023, ss.495 - 507. 10.33083/joghat.2023.279 |
| AMA | Timur B,YILMAZ V,Tunca B ŞARAP KALİTESİNİN BELİRLENMESİNDE YAPAY ZEKÂNIN ROLÜ: MAKİNE ÖĞRENMESİ ALGORİTMALARI ÜZERİNE BİR UYGULAMA. . 2023; 495 - 507. 10.33083/joghat.2023.279 |
| Vancouver | Timur B,YILMAZ V,Tunca B ŞARAP KALİTESİNİN BELİRLENMESİNDE YAPAY ZEKÂNIN ROLÜ: MAKİNE ÖĞRENMESİ ALGORİTMALARI ÜZERİNE BİR UYGULAMA. . 2023; 495 - 507. 10.33083/joghat.2023.279 |
| IEEE | Timur B,YILMAZ V,Tunca B "ŞARAP KALİTESİNİN BELİRLENMESİNDE YAPAY ZEKÂNIN ROLÜ: MAKİNE ÖĞRENMESİ ALGORİTMALARI ÜZERİNE BİR UYGULAMA." , ss.495 - 507, 2023. 10.33083/joghat.2023.279 |
| ISNAD | Timur, Beybala vd. "ŞARAP KALİTESİNİN BELİRLENMESİNDE YAPAY ZEKÂNIN ROLÜ: MAKİNE ÖĞRENMESİ ALGORİTMALARI ÜZERİNE BİR UYGULAMA". (2023), 495-507. https://doi.org/10.33083/joghat.2023.279 |
| APA | Timur B, YILMAZ V, Tunca B (2023). ŞARAP KALİTESİNİN BELİRLENMESİNDE YAPAY ZEKÂNIN ROLÜ: MAKİNE ÖĞRENMESİ ALGORİTMALARI ÜZERİNE BİR UYGULAMA. Journal of gastronomy, hospitality and travel (Online), 6(2), 495 - 507. 10.33083/joghat.2023.279 |
| Chicago | Timur Beybala,YILMAZ VEYSEL,Tunca Berkalp ŞARAP KALİTESİNİN BELİRLENMESİNDE YAPAY ZEKÂNIN ROLÜ: MAKİNE ÖĞRENMESİ ALGORİTMALARI ÜZERİNE BİR UYGULAMA. Journal of gastronomy, hospitality and travel (Online) 6, no.2 (2023): 495 - 507. 10.33083/joghat.2023.279 |
| MLA | Timur Beybala,YILMAZ VEYSEL,Tunca Berkalp ŞARAP KALİTESİNİN BELİRLENMESİNDE YAPAY ZEKÂNIN ROLÜ: MAKİNE ÖĞRENMESİ ALGORİTMALARI ÜZERİNE BİR UYGULAMA. Journal of gastronomy, hospitality and travel (Online), vol.6, no.2, 2023, ss.495 - 507. 10.33083/joghat.2023.279 |
| AMA | Timur B,YILMAZ V,Tunca B ŞARAP KALİTESİNİN BELİRLENMESİNDE YAPAY ZEKÂNIN ROLÜ: MAKİNE ÖĞRENMESİ ALGORİTMALARI ÜZERİNE BİR UYGULAMA. Journal of gastronomy, hospitality and travel (Online). 2023; 6(2): 495 - 507. 10.33083/joghat.2023.279 |
| Vancouver | Timur B,YILMAZ V,Tunca B ŞARAP KALİTESİNİN BELİRLENMESİNDE YAPAY ZEKÂNIN ROLÜ: MAKİNE ÖĞRENMESİ ALGORİTMALARI ÜZERİNE BİR UYGULAMA. Journal of gastronomy, hospitality and travel (Online). 2023; 6(2): 495 - 507. 10.33083/joghat.2023.279 |
| IEEE | Timur B,YILMAZ V,Tunca B "ŞARAP KALİTESİNİN BELİRLENMESİNDE YAPAY ZEKÂNIN ROLÜ: MAKİNE ÖĞRENMESİ ALGORİTMALARI ÜZERİNE BİR UYGULAMA." Journal of gastronomy, hospitality and travel (Online), 6, ss.495 - 507, 2023. 10.33083/joghat.2023.279 |
| ISNAD | Timur, Beybala vd. "ŞARAP KALİTESİNİN BELİRLENMESİNDE YAPAY ZEKÂNIN ROLÜ: MAKİNE ÖĞRENMESİ ALGORİTMALARI ÜZERİNE BİR UYGULAMA". Journal of gastronomy, hospitality and travel (Online) 6/2 (2023), 495-507. https://doi.org/10.33083/joghat.2023.279 |
