Makine Öğrenmesi Yaklaşımlarını Kullanarak Salgınları Erken Evrede Tespit Etme Alanındaki Eğilimler

Tüm dünyayı etkisi altına alan COVID-19, salgınları erken dönemde tespit etmeye çalışan çalışmaların önemini ortaya koymaktadır. Herhangi bir salgın erken aşamada tespit edilebilirse, hastalığa yakalanan kişi sayısını azaltabilir ve gerekli tedavi daha erken sürede bulunabilir ve ek olarak tedavi masrafları da azaltılabilir. Salgınların erken aşamada tespit edilmesini sağlayan en önemli veri işleme yaklaşımlarından makine öğrenmesi, yeni gelen verileri, olayı veya durumu tahmin etmek için matematiksel modelleri ve istatistiksel yöntemleri kullanır. Makine öğrenmesi yaklaşımlarıyla, tıbbi veriler analiz edilerek ve işlenerek hastalıklar hakkında tahminlerde bulunulabilir. Çünkü daha önce toplanan hasta verileri, makine öğrenmesi yöntemleri kullanarak hastalıkların teşhis edilmesine imkân sağlayabilir. Hastalıkların yanı sıra, daha önce toplanan veriler kullanılarak salgınlar hakkında da tahminlerde bulunulabilir. Daha önce ortaya çıkan salgınların yeniden ortaya çıkışını tahmin etmek için denetimli öğrenme yaklaşımları olan Naive Bayes, Destek Vektör Makineleri (DVM), Karar Ağaçları (KA), Rastgele Orman (RO) ve Yapay Sinir Ağları (YSA) gibi birçok yaklaşım olsa da, temel bileşenler ve kümeleme analizi gibi denetimsiz öğrenme yaklaşımları da kullanılarak daha önce benzeri görülmemiş salgınlar tespit edilebilir. Bu çalışmada, bu alanda çalışmak isteyen araştırmacılara ışık tutmak amacıyla salgınları tespit etmeye yönelik geliştirilmiş olan makine öğrenmesi yaklaşımlarının ayrıntılı bir analizi sunulmaktadır.