Solakoğlu, Mehmet NihatKaraçam, Yusuf Emre2026-01-052026-01-052024https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=V-oEQd0LkkqRGCXNzJWCTRVxOdIdKVHwA3tlKCvfP7CEJXZnVh957dvyfXK90po5https://hdl.handle.net/20.500.12416/15822Bu tez, Orta Doğu bölgesinde meydana gelen 1970 sonrasındaki iç savaşların, darbelerin ve devrimlerin nedenlerini anlamak ve bu çatışmaların gelecekteki olasılıklarını tahmin etmek amacıyla makine öğrenmesi tekniklerinden yararlanmayı amaçlamaktadır. Çalışmanın temelinde, lojistik regresyon başta olmak üzere çeşitli denetimli öğrenme yöntemleri kullanılarak, çatışma riskini artıran ekonomik, politik ve sosyal faktörlerin istatistiksel olarak modellenmesi yer almaktadır. Bu kapsamda, çatışmaların çıktığı ve çıkmadığı dönemlerdeki veriler karşılaştırmalı olarak analiz edilerek, bağımlı değişken olan 'çatışma durumu' ile bağımsız değişkenler arasında anlamlı ilişkiler tespit edilmeye çalışılmıştır. Kullanılan modelleme teknikleri sayesinde, yalnızca geçmişteki çatışma dinamiklerini anlamakla kalmayıp, aynı zamanda gelecekteki potansiyel çatışma alanlarını tahmin etme yönünde de bilimsel katkı sağlanmaktadır. Araştırma, veri odaklı politika yapım sürecine katkıda bulunmayı ve özellikle Orta Doğu gibi kırılgan coğrafyalarda barış ve istikrarı güçlendirmeye yönelik erken uyarı sistemlerinin geliştirilmesine zemin oluşturmayı hedeflemektedir. Bu çalışma için kapsamlı ve özgün bir veri seti toplanmıştır. Anahtar Kelimeler: Tahmin, Çatışma, Orta Doğu, Makine ÖğrenimiThis thesis aims to analyze and predict armed conflicts in the Middle East after 1970s by utilizing machine learning techniques, with a particular focus on logistic regression. The study involves statistically modeling the economic, political, and social factors that increase the likelihood of conflict through the use of supervised learning methods and statistical tests. By comparing data from periods with and without conflict, the research seeks to identify significant relationships between the dependent variable, namely the presence of conflict, and various independent variables. Through these modeling techniques, the study not only aims to explain the underlying dynamics of past conflicts but also to provide scientifically grounded predictions for potential future conflict zones. This research aspires to contribute to data-driven policymaking and to lay the groundwork for the development of early warning systems that promote peace and stability in fragile regions such as the Middle East. Keywords: Forecasting, Conflict, Middle East, Machine LearningtrSiyasal BilimlerUluslararası İlişkilerModel Veri UyumuSilahlı Çatışmaİstatistiksel Veri Tabanıİç ÇatışmaPolitical ScienceInternational RelationsModel-Data FitArmed ConflictsStatistical Data BaseInner ConflictMaster Thesis