Developments in automatic data collecting tools and database technologies have caused the result of storing large amount of data day by day. Hidden patterns in this datas can not be founded by conventional solution tools. The necessity of better solution techniques increases as the amount of collected data and the complexity in the collected data increase.Classification is an important part of data mining researches. Forming a classifier that will determine to which class a new object belongs to among the other specific classes, is the aim. Many methods have been improved via this aim. Although these methods are usually successful, the classification accuracy hasn?t reached at the desired level especially in real world problems like medical data mining.In this study, a hybrid fuzzy neural network has been proposed for being done classification in the field of medicine and an algorithm has been improved. In the study, as different from the studies till today; real attributes are fuzzified while crisp attributes are being coded as binary. By forming an hybrid network that occures by the combination of ANN and FNN, coded data are presented to this hybrid network. Back propagation is used as training algorithm. Application of this network in two diffrent databases is implemented. 10-fold cross validation and ?training? + ?test? methods are used for evaluating performance of the system.Artificial Neural Networks (ANN) has an important place in classification problems. But being ANN a ?black - box? because of its structure, interpretation of the result is impossible. Many studies have been performed and different rule extraction algorithms have been presented in recent years for obtaining the correct interpretation of result.In this study, as secondly proposed, a method has been presented for extraction of rules from a hybrid system. For this reason, the function that forms after neural network finishes training, is extracted and optimized. Opt-aiNET which is an Artificial Imnue Algorithm, is used for optimization. The method has been tested in two databases and it has been observed that the method is successful.

Otomatik veri toplama araçları ve veri tabanı teknolojilerindeki gelişme, her geçen gün büyük miktarda bilgi depolanması sonucunu doğurmuştur. Bu verilerin içindeki gizli örüntüler, geleneksel çözümleme araçlarıyla bulunamamaktadır. Toplanan veri miktarı büyüdükçe ve toplanan verilerdeki karmaşıklık arttıkça, daha iyi çözümleme tekniklerine ihtiyaç duyulmaktadır.Sınıflandırma, veri madenciliği araştırmalarının önemli bir parçasıdır. Amaç, yeni bir nesnenin, belirli sınıflar içinde hangi sınıfa ait olup olmadığını belirleyecek bir sınıflayıcı oluşturmaktır. Bu amaçla bir çok yöntem geliştirilmiştir. Bu yöntemler genellikle başarılı olmasına rağmen özellikle tıbbi veri madenciliği gibi gerçek dünya problemlerinde henüz arzu edilen seviyeye ulaşamamıştır.Bu çalışmada tıp alanında sınıflandırma yapılabilmesi için hibrit bulanık bir sinir ağı önerilmiş ve bir algoritma geliştirilmiştir. Çalışmada bu güne kadar yapılandan farklı olarak, ayrık nitelikler ikili olarak kodlanırken, gerçel nitelikler bulanıklaştırılmaktadır. YSA ve BSA'nın birleşiminden oluşan bir hibrit ağ oluşturularak kodlanmış veriler hibrit ağa sunulmaktadır. Eğitim algoritması olarak, Geri Yayılım kullanılmaktadır. Bu ağın iki farklı veri tabanında uygulaması gerçekleştirilmektedir. Sistemin performansını değerlendirmek için 10 kez çapraz doğrulama ve ?eğitim?+?test? yöntemleri kullanılmaktadır.Yapay Sinir Ağları (YSA) sınıflandırma problemlerinde önemli bir yere sahiptir. Ancak YSA yapısı itibariyle ?kara kutu? olduğundan, çıkan sonucun yorumlanması mümkün olmamaktadır. Sonucun doğru şekilde yorumlanması için son yıllarda bir çok çalışma yapılmış ve değişik kural çıkarma algoritmaları sunulmuştur.Bu çalışmada ikinci olarak, hibrit sistemden kural çıkarmak için bir yöntem sunulmaktadır. Bunun için sinir ağı eğitimi bitirdikten sonra oluşan fonksiyon çıkarılmakta ve optimize edilmektedir. Optimizasyon için bir yapay bağışıklık algoritması olan Opt-aiNET kullanılmaktadır. Yöntem iki veri tabanında test edilmekte ve başarılı olduğu gözlemlenmektedir.