ÖZET Bu tez çalışmasında, koyunlarda mizacın sınıflandırılması amacıyla korku testi (arena testi) davranış özelliklerinin yer aldığı video kayıtları kullanılarak, makine öğrenmesi ve derin öğrenme algoritmalarından yararlanılmıştır. Bu amaçla, 3-4 yaşlı 100 baş Norduz koyununa ait arena test davranış özelliklerini içeren video görüntüleri kullanılmıştır. Çalışmanın ilk aşamasında, her hayvanın arena davranış özelliklerinin yer aldığı veri seti, dört farklı denetimsiz makine öğrenmesi algoritması kullanılarak, hayvanlar mizaç özelliklerine göre (aktif ve pasif) kümelenmiştir. İkinci aşamada, etiketlenmiş veri, altı farklı denetimli makine öğrenmesinde değerlendirilmiştir. Bu aşamada, sınıflandırma tahmin performanslarına göre en başarılı denetimsiz öğrenme algoritması belirlenmiş ve video görüntülerinin etiketlenmesi gerçekleştirilmiştir. Üçüncü aşamada, etiketlenen video görüntülerinden üç farklı veri seti oluşturulmuştur. Bu veri setleri, farklı derin öğrenme modelleri kullanılarak sınıflandırma performansları elde edilmiştir. Son aşamada ise en iyi model kombinasyonu belirlenerek, gerçek zamanlı görüntülemede kullanılmıştır. Davranış özellikleri veri setini kümelemede k-ortalamalar yöntemi ve arena davranış özelliklerini sınıflandırmada ise destek vektör makineleri ve Naive Bayes yöntemleri oldukça başarılıdır. Video görüntüleri kullanılarak yapılan üçüncü aşama sonuçlarında ise dengeli ve optik akışa sahip üçüncü veri setiyle eğitilen modellerden (model 3.1, 4.2 ve 5.3'den sırasıyla %100, %95 ve %90) başarılı performanslar elde edilmiştir. Sonuç olarak, video kayıtlarından elde edilen davranış özelliklerinin sınıflandırılmasında, optik akış yönteminin kullanımı başarılı performansların elde edilmesini sağlamıştır. Bu çalışmayla hayvan davranış özelliklerinin sınıflandırılmasında geliştirilen makine öğrenimi modellerinin, hassas hayvancılık uygulamalarına katkı sağlayacağı söylenebilir.

ABSTRACT In this thesis, machine learning and deep learning algorithms were utilized by using video recordings of fear test (arena test) behavioral characteristics in order to classify the temperament of sheep. For this purpose, video recording containing arena test behavior characteristics of 100 Norduz ewes aged 3-4 years were used. In the first stage of the study, the data set containing the arena behavioral characteristics of each animal was clustered according to the temperament characteristics (active and passive) using four different unsupervised machine learning algorithms. In the second stage, the labeled data was evaluated in six different supervised machine learning. At this stage, the most successful unsupervised learning algorithm was determined according to the classification prediction performances and the labeled of the video images was performed. In the third stage, three different data sets were created from the labeled video images. Classification performances of these datasets were obtained by using different deep learning models. In the last stage, the best model combination was determined and used in real-time imaging. The k-means method in clustering the behavioral characteristics dataset and the support vector machines and Naive Bayes methods in classifying the arena behavior characteristics are quite successful. In the third stage results using video images, successful performances were obtained from the models (100%, 95% and 90% from model 3.1, 4.2 and 5.3, respectively) trained with the third data set with balanced and optical flow. It can be said that the machine learning models developed in the classification of animal behavior characteristics with this study will contribute to precision livestock farming.