Geleneksel olarak kullanılan hayvansal üretim yöntemleri, artan nüfus ve yetersiz kaynaklar ile başa çıkmakta zorlanmaktadır. Hayvansal üretimde karşılaşılan bu zorluklara çözüm olarak ortaya çıkan makine öğrenmesi, hayvancılık sektöründe verimlilik, sağlık izleme ve ıslah alanlarında önemli gelişmeler sağlayarak çeşitli avantajlar sunmaktadır. Hayvancılıkta makine öğrenimi, önemli avantajlarıyla sadece çiftlik yönetimini optimize etmekle kalmaz, aynı zamanda sürdürülebilirlik hedeflerine ulaşmada çiftçilere güçlü bir araç sağlamaktadır. Bu teknolojik gelişmelerin hayvancılık sektörüne entegrasyonu, gelecekte daha akıllı, verimli ve sürdürülebilir bir hayvancılık pratiğine doğru önemli bir adımı temsil etmektedir. Özetle, bu derleme, derin öğrenme ve yapay sinir ağları gibi makine öğrenmesi yöntemlerinin çiftlik hayvanları yönetimine getirdiği somut faydaları ve yenilikçi olanakları içeren kapsamlı bir keşif sunmaktadır. Gelişmiş sağlık izleme, optimize edilmiş besleme uygulamaları ve stratejik üreme yönetimi konularındaki içgörüleri ile tarımsal sürdürülebilirlik ve üretkenlik konusundaki devam eden tartışmaya katkıda bulunur.

Geleneksel olarak kullanılan hayvansal üretim yöntemleri, artan nüfus ve yetersiz kaynaklar ile başa çıkmakta zorlanmaktadır. Hayvansal üretimde karşılaşılan bu zorluklara çözüm olarak ortaya çıkan makine öğrenmesi, hayvancılık sektöründe verimlilik, sağlık izleme ve ıslah alanlarında önemli gelişmeler sağlayarak çeşitli avantajlar sunmaktadır. Hayvancılıkta makine öğrenimi, önemli avantajlarıyla sadece çiftlik yönetimini optimize etmekle kalmaz, aynı zamanda sürdürülebilirlik hedeflerine ulaşmada çiftçilere güçlü bir araç sağlamaktadır. Bu teknolojik gelişmelerin hayvancılık sektörüne entegrasyonu, gelecekte daha akıllı, verimli ve sürdürülebilir bir hayvancılık pratiğine doğru önemli bir adımı temsil etmektedir. Özetle, bu derleme, derin öğrenme ve yapay sinir ağları gibi makine öğrenmesi yöntemlerinin çiftlik hayvanları yönetimine getirdiği somut faydaları ve yenilikçi olanakları içeren kapsamlı bir keşif sunmaktadır. Gelişmiş sağlık izleme, optimize edilmiş besleme uygulamaları ve stratejik üreme yönetimi konularındaki içgörüleri ile tarımsal sürdürülebilirlik ve üretkenlik konusundaki devam eden tartışmaya katkıda bulunur.

Tarım sektöründe bitki hastalıklarının erken teşhisi ve sınıflandırılması, ürün kayıplarının azaltılması ve verimliliğin artırılması açısından büyük önem taşımaktadır. Özellikle nar meyvesi, ekonomik değeri yüksek olan bir ürün olup hastalıkları hem kaliteyi hem de üretimi ciddi şekilde etkileyebilmektedir. Bu bağlamda, nar meyvesinin çeşitli hastalıklarının teşhisi ve sınıflandırılması için makine öğrenmesi ve derin öğrenme yöntemlerinin kullanımı araştırılmaktadır. Çalışmada, Hindistan’ın Karnataka eyaletindeki çiftliklerden toplanan 5099 nar görüntüsü kullanılmıştır. Görüntüler; Kahverengi Leke Hastalığı, Kara Leke Hastalığı, Bakteriyel Yanıklık, Yaprak Lekesi Hastalığı ve Sağlıklı olmak üzere beş sınıfa ayrılmıştır. Veri seti Destek Vektör Makineleri (DVM), Karar Ağaçları (KA) ve Evrişimli Sinir Ağları (ESA) kullanılarak sınıflandırılmıştır. Bulgular, ESA modellerinin nar hastalıklarının tespitinde diğer makine öğrenme yöntemlerine göre yüksek doğruluk oranları sağladığını göstermektedir. Özellikle, iki konvolüsyon katmanlı ESA modeli %88 doğruluk oranı ile en iyi performansı sergilemiştir. Karar ağaçları ise diğer modellere kıyasla daha düşük doğruluk oranlarına sahip olmuştur. Derin öğrenme ve makine öğrenmesi modellerinin bitki hastalıklarının teşhisinde etkin bir şekilde kullanılabileceği ve tarım sektöründe verimliliği artırabileceği ortaya konmuştur.

Bu çalışmada, ozon gazının Listeria spp. (tavuk işletmeleri ve tavuk etlerinden izole edilen) üzerine antibakteriyel etkilerini tahmin etmek amacıyla %99.99 doğruluk oranına sahip bir XGBoost tabanlı tahmin modeli geliştirilmiştir. Makine öğrenimi süreci öncesinde, deneysel verilerden elde edilen 75 adet veri üzerinde çeşitli ön işlemler gerçekleştirilmiş ve verilerin %70’i eğitim, %30’u test seti olarak rastgele ayrılmıştır. Çalışma kapsamında varsayılan ayarlarla beş farklı makine öğrenmesi algoritması denenmiş ve modellerin performansı karşılaştırılmıştır. R² skoruna göre en başarılı modelin XGBoost algoritması olduğu tespit edilmiştir. XGBoost modelinin doğruluk performansını artırmak amacıyla hiper-parametre optimizasyonu yapılmıştır. Araştırma sonucunda ozon gazı uygulamasının süresinin artmasıyla birlikte Listeria spp. üzerindeki antibakteriyel etkinin arttığı gözlemlenmiş, özellikle 20 dakika sonunda Listeria ivanovii, Listeria monocytogenes ve Listeria innocua türleri tamamen inhibe edilmiştir. Sonuç olarak, ozonun Listeria spp. üzerindeki antibakteriyel etkisinin türden türe değişebileceği ve ozon uygulamasının gıda güvenliği pratiklerinde etkili bir antibakteriyel yöntem olarak potansiyel taşıdığı tespit edilmiştir. Elde edilen bulgular, gıda güvenliği alanında prediktif modellerin endüstride uygulanabilirliğini göstermektedir.