Amaç: Bu çalışma Türkiye genelinde COVID-19 pandemisi ile ilintili olarak popülasyon
içinde pozitif vaka oranı, hasta ve iyileşen birey oranlarını tahminleyecek bir yapay sinir ağı
modeli geliştirmek amacı ile yapılmıştır.
Materyal ve Yöntem: Çalışma 2020 yılı Kasım ayı ile 2021 Mayıs ayları aralığında
Türkiye genelinde T.C. Sağlık Bakanlığı web sitesinde ilan edilen onaylanmış COVID-19
verileri kullanılarak gerçekleştirilmiştir. Normalize edilen veriler, literatürde sunulan bazı
matematiksel epidemik modellere yakınsayacak biçimde nümerik çözüm üreten çok
katmanlı algılayıcı ve artık yapay sinir ağlarının eğitiminde kullanılmıştır. Ağın
ağırlıklarının belirlenmesi için türev içermeyen bir optimizasyon yaklaşımı olan Örgü
Uyarlamalı Doğrudan Arama Yöntemi kullanılmıştır.
Bulgular: Araştırmada geliştirilen yapay sinir ağlarının hem SI (Suspectible – Infected) ve
SIS (Suspectible – Infected – Suspectible) epidemik modellerine hem de gözlemlenen
gerçek verilere uyum sağladığı görülmüştür. Bununla birlikte SIR ((Suspectible – Infected –
Recovered) modeli için aynı bulguyu elde etmek mümkün olmamıştır. Bunun temel
nedeninin günlük vaka sayılarında zaman zaman görülen ani ve büyük miktardaki değişim
oranları olduğu kanısına varılmıştır. Yapay sinir ağlarının bu değişimlere hızlı bir biçimde
adapte olamadığı görülmüştür. Ağın eğitimi için, arama uzayının tamamını tarama
yeteneğine sahip optimizasyon algoritmalarının tercih edilmesi gerektiği düşünülmektedir.
iii
Sonuç: Bu çalışmada yapay sinir ağları ile pandemik hastalıkların seyrini tahminleyebilecek
modellemeler yapılabileceği ve böylece hastalığın yayılmasını önleyici tedbirlerin
zamanında alınabileceği sonucuna ulaşılmıştır.
Objective: This study was carried out with the aim of developing an artificial neural
network model that will predict the rate of positive cases, infected and recovered
individuals in the population with respect to the COVID-19 pandemic in Turkey.
Material and Methods: The study is carried out Turkey between November 2020 and
May 2021 using confirmed COVID-19 data announced on the Ministry of Health
website. The normalized data is used in the training of multilayer perceptron and residual
artificial neural networks that produce numerical solutions in a way that converges to
some mathematical epidemic models presented in the literature. The Mesh Adaptive
Direct Search Method, which is a derivative-free optimization approach, is used to
determine the weights of the neural network.
Results: It has been observed that the artificial neural networks developed in the research
are compatible with both the SI (Suspectible - Infected) and SIS (Suspectible - Infected -
Suspectible) epidemic models and the real data observed. However, it was not possible to
obtain the same finding for the SIR (Suspectible - Infected - Recovered) model. It was
concluded that the main reason for this was the sudden and large change rates seen from
time to time in the number of daily cases. It was observed that artificial neural networks
could not adapt to these changes quickly. For the training of the network, it is thought
that optimization algorithms with the ability to scan the entire search space should be
preferred.
v
Conclusions: In this study, it has been concluded that models that can predict the course
of pandemic diseases can be made with artificial neural networks and thus, measures to
prevent the spread of the disease can be taken in a timely manner
