Yazar "Erturk, Alper" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim Yok
    Öğe
    BİLGİ YÖNETİMİNİN İNOVASYON YETENEĞİ İLE İLİŞKİSİNİN İNCELENMESİ: DOĞU MARMARA BÖLGESİNDEKİ AR-GE MERKEZLERİNDE BİR UYGULAMA
    (PressAcademia, 2020) Gulyaz, Selvi; Erturk, Alper
    Amaç – Bu çalışmanın amacı, Doğu Marmara bölgesinde faaliyet gösteren Ar-Ge merkezlerinde, bilgi yönetimi uygulamaları ile inovasyon yeteneği arasındaki ilşkinin, uygulamalı bir araştırma ile incelenmesidir. Yöntem – Çalışmada kullanılan veriler, web-tabanlı bir anket kullanılarak, Doğu Marmara bölgesinde yer alan ve bu bölgede faaliyet gösteren Ar-Ge merkezlerinin yöneticilerinden toplanmıştır. Örneklem yöntemi olarak tam sayım yöntemi kullanılmış ve bölgede bulunan 120 Ar-Ge merkezi yöneticisi ile iletişime geçilmiştir. İrtibat kurulan yöneticilerden sadece 32 yönetici çalışmaya dahil olmuş ve veri sağlamıştır. Elde edilen verilerin analiz edilmesi için çoklu hiyerarşik regresyon analizi kullanılmıştır. Bulgular- Analizlerin neticesinde, bilginin elde edilmesi boyutunun, öğrenme yeteneği, üretim yeteneği, pazarlama yeteneği ve stratejik planlama yeteneği ile anlamlı pozitif ilişkisinin olduğu bulunmuştur. Ayrıca, sonuçlar, bilginin saklanması ve paylaşılmasının üretim yeteneği ile bilginin dönüştürülmesinin ise hem pazarlama hem de organizasyon yeteneği ile anlamlı ve pozitif ilişkisinin olduğunu ortaya koymuştur. Sonuç- Bu çalışmada, bilgi yönetiminin Ar-Ge merkezlerinin inovasyon yeteneği ile olumlu ve anlamlı bir ilişkisinin olduğu ortaya konulmuştur. Özellikle bilginin elde edilmesi ve paylaşılmasının, inovasyon yeteneğinin öğrenme, üretim, pazarlama ve stratejik planlama boyutları açısından önemli olduğu sonucuna varılmıştır.
  • Küçük Resim Yok
    Öğe
    Leveraging Machine Learning Techniques to Predict Cardiovascular Heart Disease
    (Mdpi, 2025) Basar, Remzi; Ocak, Oznur; Erturk, Alper; de la Roche, Marcelle
    Cardiovascular diseases (CVDs) remain the leading cause of death globally, underscoring the urgent need for data-driven early diagnostic tools. This study proposes a multilayer artificial neural network (ANN) model for heart disease prediction, developed using a real-world clinical dataset comprising 13,981 patient records. Implemented on the Orange data mining platform, the ANN was trained using backpropagation and validated through 10-fold cross-validation. Dimensionality reduction via principal component analysis (PCA) enhanced computational efficiency, while Shapley additive explanations (SHAP) were used to interpret model outputs. Despite achieving 83.4% accuracy and high specificity, the model exhibited poor sensitivity to disease cases, identifying only 76 of 2233 positive samples, with a Matthews correlation coefficient (MCC) of 0.058. Comparative benchmarks showed that random forest and support vector machines significantly outperformed the ANN in terms of discrimination (AUC up to 91.6%). SHAP analysis revealed serum creatinine, diabetes, and hemoglobin levels to be the dominant predictors. To address the current study's limitations, future work will explore LIME, Grad-CAM, and ensemble techniques like XGBoost to improve interpretability and balance. This research emphasizes the importance of explainability, data representativeness, and robust evaluation in the development of clinically reliable AI tools for heart disease detection.