Ekonomide Veri Bilimi, Makine Öğrenmesi, Derin Öğrenme ve Uygulamaları
Özet
Prof. Dr. Ercan Eren’in danışmanlığında yürütülen doktora tezinden üretilen ve Dr. Öğr. Üyesi Demet Topal Koç tarafından kaleme alınan "Ekonomide Veri Bilimi, Makine Öğrenmesi, Derin Öğrenme ve Uygulamaları" başlıklı bu eser, büyük veri ve makine öğrenmesi yaklaşımlarının iktisat bilimindeki yerini ve önemini kapsamlı bir biçimde ele almaktadır. Sanayi 4.0 ve Sanayi 5.0 dönüşümlerinin yaşandığı günümüzde, iktisadın sert çekirdeğini oluşturan neoklasik teorinin temsili ajan ve homojenlik gibi gerçek dünyaya uzak varsayımlarının aksine, büyük veri ve algoritma tabanlı yöntemler daha az varsayımla reel piyasalara çok daha yakın ve esnek analiz olanakları sunmaktadır. Kitap içeriğinde büyük verinin tanımı ve yaşam döngüsünün yanı sıra gözetimli, gözetimsiz ve pekiştirmeli öğrenme modelleri; karar ağaçları, rassal ormanlar, XGBoost, LightGBM, Facebook Prophet, lojistik ve lineer regresyon gibi yöntemler; K-ortalama kümeleme, PCA ile boyut azaltma, sentetik veri üretimi ile özyineli sinir ağları ve LSTM gibi derin öğrenme mimarileri detaylandırılmaktadır. Ayrıca makine öğrenmesi ile klasik iktisadi modelleme yöntemleri; terminoloji, aşırı uyum, eksik öğrenme, parametre ayarlama, geçerleme, çapraz geçerleme, öznitelik sayısı, kompütasyonel zorluklar ve çıkarım boyutlarıyla karşılaştırılmaktadır. Eser, Türkçe literatüre katkı sağlamayı ve açık erişim Python kodlarıyla araştırmacılara pratik bir rehber olmayı hedeflemektedir.
Derived from a doctoral dissertation supervised by Prof. Dr. Ercan Eren and authored by Assist. Prof. Dr. Demet Topal Koç, this work titled "Data Science, Machine Learning, Deep Learning and Applications in Economics" comprehensively examines the place and importance of big data and machine learning approaches in economic science. In today's era of Industry 4.0 and Industry 5.0 transformations, unlike the assumptions of neoclassical theory—the hard core of economics—which are distant from the real world, such as representative agents and homogeneity, big data and algorithm-based methods offer more realistic and flexible analysis possibilities with fewer assumptions. In addition to defining big data and its lifecycle, the book details supervised, unsupervised, and reinforcement learning models; decision trees, random forests, XGBoost, LightGBM, Facebook Prophet, logistic and linear regression; K-means clustering, dimensionality reduction via PCA, synthetic data generation, as well as deep learning architectures including recurrent neural networks and LSTM. Furthermore, machine learning and classical economic modeling methods are compared across terminology, overfitting, underfitting, parameter tuning, validation, cross-validation, feature count, computational challenges, and inference dimensions. The work aims to contribute to Turkish literature and serve as a practical guide for researchers through open-access Python code examples.
Referanslar
Akça, M. F. (2020, Ağustos). Nedir Bu Destek Vektör Makineleri? 29 Aralık 2022 tarihinde https://medium.com/deep-learning-turkiye/nedir-bu-destek-vektör-makineleri-makine-öğrenmesi-serisi-2-94e576e4223e adresinden erişildi.
Aktan, E. (2018). Büyük Veri: Uygulama Alanları, Analitiği ve Güvenlik Boyutu. Büyük Veri: Uygulama Alanları, Analitiği ve Güvenlik Boyutu, 1(1).
Alpaydın, E. (2010). Introduction to Machine Learning (Second Edition.). The MIT Press.
Atcıli, A. (2021). Lojistik Regresyon. 29 Aralık 2022 tarihinde https://medium.com/machine-learning-türkiye/lojistik-regresyon-90fe576759f adresinden erişildi.
Atcılı, A. (2021, Aralık). Lineer Regresyon. 29 Aralık 2022 tarihinde https://medium.com/machine-learning-türkiye/lineer-regresyon-c7f9fb611605 adresinden erişildi.
Athey, S. ve Imbens, G. W. (2019). Machine Learning Methods That Economists Should Know about. Annual Review of Economics, 11, 685–725. doi:10.1146/annurev-economics-080217-053433
Ay, Ş. (2019). K-Means Algoritması. Deep Learning Türkiye. 29 Aralık 2022 tarihinde https://medium.com/deep-learning-turkiye/k-means-algoritması-b460620dd02a adresinden erişildi.
Babenko, V., Panchyshyn, A., Zomchak, L., Nehrey, M., Artym-Drohomyretska, Z. ve Lahotskyi, T. (2021). Classical machine learning methods in economics research: Macro and micro level examples. WSEAS Transactions on Business and Economics, 18, 209–217. doi:10.37394/23207.2021.18.22
Blazquez, D. ve Domenech, J. (2018). Big Data sources and methods for social and economic analyses. Technological Forecasting and Social Change, 130, 99–113. doi:10.1016/J.TECHFORE.2017.07.027
Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123–140. doi:10.1007/bf00058655
Breiman, Leo. (2001). Statistical Modeling: The Two Cultures. Statistical Science, 16(3), 199–231. https://projecteuclid.org/euclid.ss/1009213726 adresinden erişildi.
Brownlee, J. (2019a). How To Implement The Decision Tree Algorithm From Scratch In Python - MachineLearningMastery.com. 28 Aralık 2022 tarihinde https://machinelearningmastery.com/implement-decision-tree-algorithm-scratch-python/ adresinden erişildi.
Brownlee, J. (2019b, 12 Ağustos). Overfitting and Underfitting With Machine Learning Algorithms. 4 Haziran 2021 tarihinde https://machinelearning-mastery.com/overfitting-and-underfitting-with-machine-learning-algorit-hms/ adresinden erişildi.
Charpentier, A., Élie, R. ve Remlinger, C. (2021). Reinforcement Learning in Economics and Finance. Computational Economics, 1–38. doi:10.1007/s10614-021-10119-4
Chen, T. ve Guestrin, C. (2016a). 2016-Chen-XGBoost A Scalable Tree Boosting System-XGBoost. Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining içinde .
Chen, T. ve Guestrin, C. (2016b). XGBoost: A Scalable Tree Boosting System. The Journal of the Association of Physicians of India. doi:http://dx.doi.org/10.1145/2939672.2939785
Cheng, L., Shi, Y., Zhang, K., Wang, X. ve Chen, Z. (2021). GGATB-LSTM: Grouping and Global Attention-based Time-aware Bidirectional LSTM Medical Treatment Behavior Prediction. ACM Transactions on Knowledge Discovery from Data, 15(3). doi:10.1145/3441454
Chung, H. ve Shin, K. (2018). Genetic algorithm-optimized long short-term memory network for stock market prediction. Sustainability (Switzerland), 10(10). doi:10.3390/su10103765
Çınar, U. K. (2019). Bootstrap (Yeniden Örnekleme) Nedir? Veri Bilimi Okulu Veri Bilimi Okulu. 28 Aralık 2022 tarihinde https://www.veribilimiokulu.com/bootstrap/ adresinden erişildi.
Crespo, R. ve Tohmé, F. (2017). The Future of Mathematics in Economics: A Philosophically Grounded Proposal. Foundations of Science, 22(4), 677–693. doi:10.1007/s10699-016-9492-9
Deepanshi. (2021). Introduction to Linear Regression for Data Science. 29 Aralık 2022 tarihinde https://www.analyticsvidhya.com/blog/2021/05/all-you-need-to-know-about-your-first-machine-learning-model-line-ar-regression/ adresinden erişildi.
Demirtaş, Ş. ve Çakmak, S. Ş. (2020). Algorithmic Trading Engines versus Human Traders. Proceedings of the 17th European Conference on Information Systems (ECIS), 10(75), 1–13. doi:10.7816/ulakbilge-09-00-00
Donovan, J. (2016). Newsletters - IDSS. 29 Aralık 2022 tarihinde https://idss.mit.edu/news-events/newsletters/ adresinden erişildi.
Efron, B. ve Hastie, T. (2016). Computer Age Statistical Inference (First.). Chambridge University Press.
Einav, L. ve Levin, J. (2014). The Data Revolution and Economic Analysis. https://doi.org/10.1086/674019, 14(1), 1–24. doi:10.1086/674019
Ekelik, H. ve Altaş, D. (2019). Dijital Reklam Verilerinden Yararlanarak Potansiyel Konut Alıcılarının Rastgele Orman Yöntemiyle Sınıflandırılması . İktisat Araştırmaları Dergisi • Journal of Research in Economics, 28–45. doi:10.24954/JORE.2019.27
Eren, E. (2012). Küresel Bunalım, İktisat Eğitimi ve Yeni İktisat. Ankara. https://www.econstor.eu/bitstream/10419/81715/1/729557154.pdf adresinden erişildi.
Eren, E. (2013). Kompleksite İktisadı ve Ajan-Temelli Modelleme: Metodolojik Bir Yaklaşım ( No: 2013/3). https://www.econstor.eu/handle/10419/81625 adresinden erişildi.
Eren, E. (2018). İktisadi Modellemede Gelişmeler: Evrim Modellenebilir mi? Efil Journal, 1(1), 58–87.
Eren, E. (2021a). Gerçekçi İktisat: Algoritmik Matematik ve Klinik İktisat. İktisat ve Toplum, (128).
Eren, E. (2021b). İktisadi Düşünce Traihi ve İktisatta Yöntem. Ankara: Efil Yayınevi.
Géron, A. (2019). Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow (2019, O’reilly). O’Reilly Media.
Gers, F. A., Schraudolph, N. N. ve Schmidhuber, J. (2002). Learning Precise Timing with LSTM Recurrent Networks. Journal of Machine Learning Research, 3, 115–143. www.idsia.ch adresinden erişildi.
Gers, F., Schmidhuber, J. ve Cummins, F. (1999). Learning to forget: Continual prediction with LSTM. IEE Conference Publication, 2(470), 850–855. doi:10.1049/cp:19991218
Givant, S. ve Halmos, P. (2009). Introduction to Boolean Algebras. Springer Science Business Media, LLC 2009.
Gürsakal, N. (2009). Sosyal Ağ Analizi (C. 1).
Güven, A. (2019, 21 Aralık). K-Means Kümeleme & Elbow Yöntemi. 29 Aralık 2022 tarihinde https://medium.com/@anilguven1055/k-means-kümeleme-yöntemi-ed1c537046c6 adresinden erişildi.
Hancock, J. ve Khoshgoftaar, T. (2020). Performance of catboost and xgboost in medicare fraud detection. ieeexplore.ieee.org içinde . Miami,FL,USA.
Hastie, T., Tibshirani, R. ve Friedman Jerome. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.- Trevor Hastie, Robert Tibshirani, Jerome Friedman - Google Books (Second Edition.). Springer.
Hatipoğlu, E. (2018, Temmuz). Machine Learning, Classification, Naive Bayes. 29 Aralık 2022 tarihinde https://medium.com/@ekrem.hatipoglu/machine-learning-classification-naive-bayes-part-11-4a10cd3452b4 adresinden erişildi.
James, G., Witten, D., Hastie, T. ve Tibshirani, R. (2017). An Introduction to Statistical Learning. Springer Texts in Statistics.
James, Gareth, Witten, D., Hastie, T. ve Tibshirani, R. (2016). An introduction to Statistical Learning. doi:10.1007/978-1-4614-7138-7
Jin, X., Wah, B. W., Cheng, X. ve Wang, Y. (2015). Significance and Challenges of Big Data Research. Big Data Research, 2, 59–64. doi:10.1016/jbdr.2015.01.006
Karakus, A. (2020, Haziran). K-Means Algoritması. Data Science For The Earth. 29 Aralık 2022 tarihinde https://www.datasciencearth.com/k-means-algoritmasi/ adresinden erişildi.
Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., ... Liu, T.-Y. (2017). LightGBM: A Highly Efficient Gradient Boosting Decision Tree. Advances in Neural Information Processing Systems içinde (C. 30). Long Beach, USA. https://github.com/Microsoft/LightGBM. adresinden erişildi.
Kim, Y., Roh, J. ve Kim, H. (2017). Forecasting of Rice Blast Disease Using Long Short-Term Memory Recurrent Neural Networks _ Enhanced Reader.pdf.
Kızrak, A. (2018, 30 Nisan). Yapay Sinir Ağları. 27 Temmuz 2021 tarihinde https://ayyucekizrak.medium.com/şu-kara-kutuyu-açalim-yapay-sinir-ağları-7b65c6a5264a adresinden erişildi.
Köseoğlu, B. (2020). Ridge, Lasso ve Elastic Net. 29 Aralık 2022 tarihinde https://buse-koseoglu13.medium.com/ridge-lasso-ve-elastic-net-b6089bf2f09 adresinden erişildi.
Küçükefe, B. (2018). Forecasting Inflation Using Summary Statistics of Survey Expectations: A Machine-Learning Approach. Ocak, (1), 1–16. https://www.academia.edu/download/59982196/no19_makale1.pdf adresinden erişildi.
Luo, L., Li, J., Liu, C. ve Shen, W. (2019). Using machine-learning methods to support health-care professionals in making admission decisions. International Journal of Health Planning and Management, 34(2), e1236–e1246. doi:10.1002/hpm.2769
MIT Data To AI Lab. (2018). PAR Model — SDV 0.10.1 documentation. 6 Temmuz 2021 tarihinde https://sdv.dev/SDV/user_guides/timeseries/par.html adresinden erişildi.
Muratlar, E. R. (2021). Alternatif Regresyon Yöntemleri: Lasso Regresyon – Veri Bilimi Okulu - Veri Bilimi Okulu. 29 Aralık 2022 tarihinde https://www.veribilimiokulu.com/lasso-regresyon/ adresinden erişildi.
Nath, T. (2021, 24 Eylül). How Big Data Has Changed Finance. 28 Aralık 2022 tarihinde https://www.investopedia.com/articles/active-trading/040915/how-big-data-has-changed-finance.asp adresinden erişildi.
Nosratabadi, S., Mosavi, A., Duan, P., Ghamisi, P., Filip, F., Band, S. S., ... Gandomi, A. H. (2020). Data science in economics: Comprehensive review of advanced machine learning and deep learning methods. Mathematics, 8(10), 1–25. doi:10.3390/math8101799
Nyman, R., Kapadia, S. ve Tuckett, D. (2021). News and narratives in financial systems: Exploiting big data for systemic risk assessment. Journal of Economic Dynamics and Control, 127, 104119. doi:10.1016/J.JEDC.2021.104119
Öğündür, G. (2020, Ocak). PCA ( Principal Component Analysis) Temel Bileşenler Analizi. 29 Aralık 2022 tarihinde https://medium.com/@gulcanogundur/pca-principal-component-analysis-temel-bileşenler-analizi-bf9098751c62 adresinden erişildi.
Olfat, M. ve Aswani, A. (2018). Convex Formulations for Fair Principal Component Analysis. 33rd AAAI Conference on Artificial Intelligence, AAAI 2019, 31st Innovative Applications of Artificial Intelligence Conference, IAAI 2019 and the 9th AAAI Symposium on Educational Advances in Artificial Intelligence, EAAI 2019 içinde (ss. 663–670). AAAI Press. http://arxiv.org/abs/1802.03765 adresinden erişildi.
Özdağlar, A. (2015). Fintech and AI – MIT Laboratory for Financial Engineering. Fintech and AI. 29 Aralık 2022 tarihinde https://lfe.mit.edu/research/fintech/ adresinden erişildi.
Özdemir, K. (2019, Aralık). K-En Yakın Komşu Algoritması. 29 Aralık 2022 tarihinde https://medium.com/batech/k-en-yakın-komşu-algoritması-knearest-neighbors-algorithm-16e5ab69af2e adresinden erişildi.
Patki, N., Wedge, R. ve Veeramachaneni, K. (2016). The Synthetic data vault. International Conference on Data Science and Advance Analytics içinde .
Rastgele Orman Algoritması. (2018). 29 Aralık 2022 tarihinde https://devhunteryz.wordpress.com/2018/09/20/rastgele-ormanrandom-forest-algoritmasi/comment-page-1/ adresinden erişildi.
Santos, G. (2022). Polynomial Regression in Python. 29 Aralık 2022 tarihinde https://towardsdatascience.com/polynomial-regression-in-python-dd655a-7d9f2b adresinden erişildi.
Şeker, E. (2009). Kara Kutu Yaklaşımı (Black Box) – Bilgisayar Kavramları. http://bilgisayarkavramlari.sadievrenseker.com/2009/08/29/kara-kutu-yaklasimi-black-box/ adresinden erişildi.
Şeker, Ş. E. (2008, Aralık). K-Ortalama Algoritması. Bilgisayar Kavramları. 29 Aralık 2022 tarihinde https://bilgisayarkavramlari.com/2008/12/15/k-ortalama-algoritmasi-k-means-algorithm/ adresinden erişildi.
Şimşek, Hakan Kaan. (2018). Makine Öğrenmesi Dersleri 7: Boyut Azaltma (Dimensionality Reduction) | by Hakkı Kaan Simsek | Veri Bilimi Türkiye| Medium. 28 Aralık 2022 tarihinde https://medium.com/data-science-tr/makine-öğrenmesi-dersleri-boyut-azaltma-pca-5ae9e902ef92 adresinden erişildi.
Şimşek, Hakkı Kaan. (2022). Statistics. 29 Aralık 2022 tarihinde https://github.com/HakkiKaanSimsek/Statistics/blob/master/zaman_serisi_2/.ipynb_checkpoints/zaman_serisi_2-checkpoint.ipynb adresinden erişildi.
Şirin, E. (2017). Veri Madenciliğinde Kümeleme (Clustering) - Veri Bilimi Okulu- Veri Bilimi Okulu. 28 Aralık 2022 tarihinde https://www.veribilimiokulu.com/kumeleme-notlari-1-giris/ adresinden erişildi.
Sobolevsky, S., Massaro, E., Bojic, I., Arias, J. M. ve Ratti, C. (2017). Predicting regional economic indices using big data of individual bank card transactions.
Proceedings - 2017 IEEE International Conference on Big Data, Big Data 2017, 2018-January, 1313–1318. doi:10.1109/BIGDATA.2017.8258061
Story, G. W., Vlaev, I., Seymour, B., Darzi, A. ve Dolan, R. J. (2014). Does temporal discounting explain unhealthy behavior? A systematic review and reinforcement learning perspective. Frontiers in Behavioral Neuroscience, 8(MAR), 76. doi:10.3389/fnbeh.2014.00076
Taylor, S. ve Letham, B. (2018). Forecasting at Scale. The American Statistician, (72(1),), 37-45.
Tran, N. (2019). Machine Learning: Polynomial Regression with Python. 29 Aralık 2022 tarihinde https://towardsdatascience.com/machine-learning-polynomial-regression-with-python-5328e4e8a386 adresinden erişildi.
Tseng, Y. J. ve Shih, Y. L. (2020). Developing epidemic forecasting models to assist disease surveillance for influenza with electronic health records. International Journal of Computers and Applications, 42(6), 616–621. doi:10.1080/1206212X.2019.1633762
Ulgen, K. (2017). Makine Öğrenimi Bölüm-5 (Karar Ağaçları) . 28 Aralık 2022 tarihinde https://medium.com/@k.ulgen90/makine-öğrenimi-bölüm-5-karar-ağaçları-c90bd7593010 adresinden erişildi.
UNDP. (2022). Human Development Index. Human Development Reports. Varian, H. R. (2014). Big data: New Tricks for Econometrics. Journal of Economic Perspectives, 28(2), 3–28. doi:10.1257/jep.28.2.3
Velupillai, K. V. (2011). Towards an algorithmicrevolutionin economic theory. Journal of Economic Surveys, 25(3), 401–430. doi:10.1111/j.1467-6419.2011.00684.x
Weintraub, R. (2002). Neoclassical Economics, The Concise Encyclopedia of Economics, Library of Economics and Liberty. 28 Aralık 2022 tarihinde https://www.econlib.org/library/Enc1/NeoclassicalEconomics.html adresinden erişildi.
Weisstein, E. (2021). Wolfram Mathworld: Convolution. 24 Mayıs 2021 tarihinde http://mathworld.wolfram.com/convolution.html adresinden erişildi.
Wu, Z. ve Christofides, P. (2019). Economic machine-learning-based predicti ve control of nonlinear systems. Mathematics, 7(6), 1–20. doi:10.3390/math7060494
Yıldırım, E. (2021, Şubat). Temel Topluluk Öğrenimi ve Random Forest, Gradient Boosting Algoritmaları. 29 Aralık 2022 tarihinde https://ecehanyildirim.medium.com/temel-topluluk-öğrenimi-ve-random-forest-gradient-boosting-algoritmaları-e105f93b33f0 adresinden erişildi.
Zhou, Y., Li, T., Shi, J. ve Qian, Z. (2019). A CEEMDAN and XGBOOST-Based Approach to Forecast Crude Oil Prices. Complexity. doi:10.1155/2019/4392785
Yayınlanan
Lisans
LisansBu İnternet Sitesi içeriğinde yer alan tüm eserler (yazı, resim, görüntü, fotoğraf, video, müzik vb.) Akademisyen Kitabevine ait olup, 5846 sayılı Fikir ve Sanat Eserleri Kanunu ve 5237 sayılı Türk Ceca Kanunu kapsamında korunmaktadır. Bu hakları ihlal eden kişiler, 5846 sayılı Fikir ve Sanat eserleri Kanunu ve 5237 sayılı Türk Ceza Kanununda yer alan hukuki ve cezai yaptırımlara tabi olurlar. Yayınevi ilgili yasal yollara başvurma hakkına sahiptir.
