Sürdürülebilir Kalkınma Amaçları
Yayınlar
- MakaleAçık Erişim2026Türkiye'nin Demografik ve Sosyal Yapısının PCA ve K-Means Kümeleme Yöntemiyle Analizi
Sebetci, Özel; Ayberkin, Doruk
Bu çalışmanın amacı, Türkiye'nin benzersiz konumundan ve karmaşık toplumundan yararlanıp, Türkiye'deki illerin demografik ve sosyoekonomik yapısını kapsamlı bir şekilde analiz ederek illerdeki demografik ve sosyoekonomik eşitsizlikleri araştırmaktır. Amaca uygun olarak TÜİK (Türkiye İstatistik Kurumu) tarafından açık veri olarak sağlanan 2010-2022 yılları arasında 81 ilin verilerini içeren çok boyutlu bir veri seti, Keşif Amaçlı Veri Analizi (EDA), Temel Bileşen Analizi (PCA) ve K-Ortalamalar kümelemesi gibi ileri veri analizi teknikleri kullanılarak incelenmiştir. Çalışmada, iç göç, nüfus artışı, yabancı nüfus yoğunluğu ve boşanma oranları gibi temel sosyoekonomik göstergeler ele alınmıştır. Analiz sonuçları, şehirler arasında göç kalıpları, nüfus artış hızı ve sosyoekonomik özellikler açısından önemli farklılıklar olduğunu ortaya koymaktadır. PCA ve kümeleme analizi, şehirleri demografik ve sosyoekonomik profillerine göre gruplandırarak bu farklılıkları daha detaylı bir şekilde anlamayı sağlamıştır. Çalışma, Türkiye'nin nüfus dinamikleri ve sosyal dokusunun anlaşılması, etkili yerel ve ulusal politikaların geliştirilmesi ve sosyal uyumun güçlendirilmesi açısından önemli bilgiler sunmaktadır. Sonuçlara bakılarak bazı önlemlerin alınmasının gerekliliği ortaya konulmuştur. Demografik ve sosyoekonomik profillerin çok boyutlu yapısı dikkate alınarak kentsel planlama, eğitim, sağlık ve sosyal hizmetler gibi alanlara özel önem verilmelidir.Göç akışının yoğun olduğu bölgelerde, sosyal hizmetlerin güçlendirilmesine, ekonomik fırsatların artırılmasına ve entegrasyon politikalarının geliştirilmesine öncelik vermelidir.Nüfus artış hızının düşük veya negatif olduğu bölgelerde nüfus artışını teşvik edecek önlemler ve ekonomik kalkınmayı destekleyici stratejiler uygulanmalıdır.
AtıfOpenAlex2
İncele - MakaleAçık Erişim2025The Effectiveness of Advanced Machine Learning Models in IQ Prediction in the Context of Education, Health, and Socioeconomic Indicators
Sebetci, Özel; Ayberkin, Doruk
This study investigates the effectiveness of advanced machine learning models in predicting IQ levels using a diverse set of socioeconomic and health indicators from global databases such as WHO, the World Bank, and United Nations organizations. The research employs various algorithms, including Linear Regression, Random Forest, Gradient Boosting, Support Vector Machines, Ridge and Lasso Regressions, XGBoost, LightGBM, and a Stacking Regressor to capture both linear and non-linear relationships. Evaluation metrics such as Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and R-squared (R²) reveal that LightGBM and Stacking Regressor models excel in accuracy and generalization. The study highlights the trade-off between model interpretability and predictive power, emphasizing that simpler models offer greater transparency. In contrast, more complex models successfully capture intricate interactions among education, health, and economic factors. The findings provide valuable insights for policymakers and researchers, suggesting that machine learning approaches can significantly enhance understanding of the determinants of IQ and aid in developing targeted strategies in education and social policy.