Show simple item record

dc.contributor.advisorUlucan, Aydın
dc.contributor.authorÖzkaya, Barış
dc.date.accessioned2021-07-13T08:46:45Z
dc.date.issued2021
dc.date.submitted2021-06-16
dc.identifier.citationÖZKAYA, Barış. Atölye Tipi Üretim İçin Makine Öğrenmesi Yöntemleri İle Üretim Saati Tahmini: Havacılık Ve Savunma Sanayii Uygulaması, Doktora Tezi, Ankara, 2021.tr_TR
dc.identifier.urihttp://hdl.handle.net/11655/25052
dc.description.abstractEspecially for the aerospace production companies, besides making accurate cost estimations in the bidding process, it is also important to make cost estimations fast enough. This is important for the companies to maintain their competitiveness and sustainability. In such an environment, companies should choose the best of their cost estimating methodologies they are capable of regarding to the constraints of the proposal and the company. In this dissertation, some research questions arise about the ability of the company for making cost estimations accurate and fast enough. To find the answers for these research questions, a real data set belonging to an aerospace company is used in the models. Three different cost estimating approaches are built according to their level of detail. Artificial neural networks, random forest and linear regression methods are used in each approach and their estimating performances are compared to each other. Since each three cost estimating approaches are different in level of detail, time needed for making the estimation and the accuracy of each approach is also different from each other. Findings of this dissertation is aimed to help the decision maker to choose the right estimating approach and the right estimating method subject to the related constraints. Also, the impact of the data transformation of the manufacturing hours according to the learning curve on the model performance is investigated in this dissertation.tr_TR
dc.language.isoturtr_TR
dc.publisherSosyal Bilimler Enstitüsütr_TR
dc.rightsinfo:eu-repo/semantics/openAccesstr_TR
dc.subjectMaliyet tahminitr_TR
dc.subjectMakine öğrenmesitr_TR
dc.subjectÖğrenme eğrisitr_TR
dc.subject.lcshBilgi kaynaklarıtr_TR
dc.titleAtölye Tipi Üretim İçin Makine Öğrenmesi Yöntemleri İle Üretim Saati Tahmini: Havacılık Ve Savunma Sanayii Uygulamasıtr_TR
dc.title.alternativeEstimating Manufacturing Hours In A Job Shop Manufacturing Environment: Aerospace and Defense Industry Applicationtr_TR
dc.typeinfo:eu-repo/semantics/doctoralThesistr_TR
dc.description.ozetÖzellikle havacılık ve savunma sanayiinde, teklif verme süreçlerinde firmaların maliyet tahminlerini doğru olarak yapmalarının yanı sıra hızlı yapmaları, firmaların rekabetçiliği ve sürdürülebilirlikleri açısından oldukça önemlidir. İçinde bulundukları koşullara göre firmalar kabiliyetlerindeki farklı tahmin yöntemlerinden duruma en uygununu seçmek zorundadırlar. Bu çalışma kapsamında firmaların hız ve hassasiyet dengesini gözeterek maliyet tahmini yapabilme becerileri ile ilgili bazı araştırma sorularına cevaplar aranmıştır. Bu araştırma sorularına cevap bulabilmek için bir havacılık ve uzay sanayi firması tarafından üretimi yapılan bazı ürünlere ait gerçek veri seti kullanılarak ürünlerin üretim saatlerinin tahmini için 3 farklı detayda tahmin yaklaşımları oluşturulmuştur. Her tahmin yaklaşımı kapsamında regresyon, yapay sinir ağları ve rastgele orman metotları kullanılarak modellerin tahmin performansları kıyaslanmıştır. Her tahmin yaklaşımı farklı detay seviyesinde olduğundan tahmin oluşturma süreleri ve tahmin performansları birbirlerinden farklılıklar göstermektedir. Bu çalışmada elde edilen sonuçların karar vericiye, tahmin yaklaşımı ve kullanılacak metotlarla ilgili kısıtlar ile teklife özgü diğer kısıtları bir arada değerlendirerek hangi tahmin yaklaşımını ve metodunu seçmesi gerektiği konusunda yol göstermesi amaçlanmıştır. Ayrıca bu çalışma kapsamında oluşturulan modellerdeki bağımlı değişken olan üretim saatlerine öğrenme eğrisine göre veri dönüşümü uygulanmasının model performansı üzerindeki etkisi araştırılmıştır.tr_TR
dc.contributor.departmentİşletmetr_TR
dc.embargo.termsAcik erisimtr_TR
dc.embargo.lift2021-07-13T08:46:45Z
dc.fundingYoktr_TR


Files in this item

This item appears in the following Collection(s)

Show simple item record