MAKİNE ÖĞRENMESİ ALGORİTMALARI  İLE ECZANELER İÇİN İLAÇ TALEP TAHMİNİ

İlker, POYRAZ

DSpace Home
→
Enstitüler -- Institutes
→
Sosyal Bilimler Enstitüsü -- Institute of Social Science
→
Tezler -- Thesis
→
View Item

dc.contributor.author	İlker, POYRAZ
dc.date.accessioned	2021-04-19T12:44:47Z
dc.date.available	2021-04-19T12:44:47Z
dc.date.issued	2020
dc.identifier.uri	http://hdl.handle.net/11547/7276
dc.subject	Makine Öğrenmesi	tr_TR
dc.subject	Tahmin	tr_TR
dc.subject	Zaman Serileri	tr_TR
dc.subject	İlaç Satış Tahmin	tr_TR
dc.title	MAKİNE ÖĞRENMESİ ALGORİTMALARI İLE ECZANELER İÇİN İLAÇ TALEP TAHMİNİ	tr_TR
dc.type	Thesis	tr_TR
dc.description.abstractol	Sağlık sektöründe eczane ve eczaneler gibi sağlık sistemlerinin gelişen teknoloji ile birlikte yüksek düzeyde veri sağladığı görülmektedir. Teknolojinin iş süreçlerinin ayrılmaz bir parçası haline geldiği daha bütünleşmiş bir dünyaya ilerledikçe, bilgi aktarımı süreci daha karmaşık hale geldi. Gelişen teknolojide , ilaç firmalarının stoklarını yönetmelerine ve yeni ürün ve hizmetler geliştirmelerine yardımcı olmak için giderek daha fazla kullanılmaya devam etmektedir.Sağlık sistemlerinde veri madenciliği yöntemlerinin kullanılması geleneksel bir süreç haline gelmiştir. Büyük veri kümelerinden bilgi keşfi olan veri madenciliği, ilaç firmalarının ilaç keşfi ve dağıtım yöntemlerinin kalitesini iyileştirme kalıplarını keşfetmelerine yardımcı olmaktadır. Bu çalışmanın amacı, bir eczanedeki ilaç satın alımına yönelik veriler kullanılarak sonraki zamanlardaki satış miktarları tahminlenmesini sağlamaktır. Bu tahminlemeler sayesinde eczanede satınalınma ile tüketilen ilaçlar üzerinden ilaçların depolanma stok durumları da kontrol altına alınabilir. Bu çalışmada Türkiye’deki bir eczanenin 2015 Ocak ayı ile 2019 Aralık ayı arasındaki 5 yıllık ilaç satış verileri düzenlenmiş ve Weka programı ile zaman serileri uygulanarak haftalık olarak yapılan tahminleme çalışmalarında Makine öğrenme algoritmalarından LinearRegresyon, GaussianProcess, M5Rules, MultilayerPerceptron, SMOreg, M5P, RandomFOREST kullanılmıştır.Bu algoritmaların Ortalama mutlak yüzde hatası(MAPE) karşılaştırılarak en başarılı tahmin modeli bulunmaya çalışılmıştır	tr_TR