___

• [1] Kaya, V., Yalçınkaya, Ö., Hüseyni, İ., (2013) Ekonomik büyümede inşaat sektörünün rolü: Türkiye örneği (1987-2010), Atatürk Üniversitesi İktisadi Ve İdari Bilimler Dergisi, 27 (4), 148-167.
• [2] Çınar, (2018) Türk inşaat sektörü ve türk inşaaat sektörünün ülke ekonomisine etkisi, Sosyal Bilimler Enstitüsü, Yüksek lisans tezi.
• [3] Kalkınma Bakanlığı (2018) On birinci kalkınma planı (2019-2023), Konut Politikaları, Özel İhtisas Komisyonu Raporu.
• [4] Kılıç, R., Emeç, Ş., Erkayman, B., (2022) Integrated fuzzy FUCOM and fuzzy MARCOS approaches for housing location problem, Brilliant Engineering, 3 (4), 4727.
• [5] Özkurt, H. (2007) Türkiye ekonomisinde konut sektörü: gelişimi ve alternatif finansman modelleri, İstanbul Üniversitesi Sosyal Bilimler Meslek Yüksek Okulu, İstanbul.
• [6] Kim, K., Park, J.Y. (2005) Segmentation of the housing market and its determinants: seoul and its neighboring new towns in Korea, Australian Geographer, 36 (2), 221-232.
• [7] Selim, H., (2009) Determinants of house prices in turkey: Hedonic regression versus artificial neural network, Expert Systems with Applications, 36 (2), 2843-2852.
• [8] Tabar, M.E., Başara. A.C., Şişman. Y., (2021) Çoklu regresyon ve yapay sinir ağları ile Tokat ilinde konut değerleme çalışması, Türkiye Arazi Yönetimi Dergisi, 3 (1), 01-07.
• [9] Web of science, (2022) https://www.webofscience.com/wos/woscc/summary/cb3efd61-8797-4c3a-9ac7-4491743c1a0d-5a4dc41f/relevance/1 [Accessed: 23-Oct-2022].
• [10] Yesil, T., Akyuz, F., (2020) Forecasting housing prices by using artificial neural networks, Artificial intelligence and applied mathematics in engineering problems, Springer, 621-632.
• [11] Kasparova, D., White, M., (2001) The Responsiveness of house prices to macroeconomic forces: a cross-country comparison, European Journal of Housing Policy, 1 (3), 385-416.
• [12] Yu, H.Y., (2010) China’s house price: affected by economic fundamentals or real estate policy?, Frontiers of Economics in China, 5 (1), 25-51.
• [13] Wang, D., Li, V. J., (2019) Mass appraisal models of real estate in the 21st century: A systematic literature review, Sustainability, 11 (24), 7006.
• [14] Turkish Statistical Institute, TSI, (2018) https://data.tuik.gov.tr/Bulten/Index?p=Nufus-Projeksiyonlari-2018-2080-30567 [Accessed: 23-Oct-2022].
• [15] McCulloch W.S., Pitts W., (1943) A logical calculus of ideas immanent in nervous activity, Bulletin of Mathematical Biophysics, 5 (4), 115-133.
• [16] Çoban, F., Demir, L., (2021) Yapay sinir ağları ve destek vektör regresyonu ile talep tahmini: gıda işletmesinde bir uygulama, Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 23(67), 327-338.
• [17] Subaşı, A., Erdem, K., (2022) Hibrit nanoakışkanların özgül ısılarının yapay sinir ağları ile tahmin edilmesi, Journal of The Faculty of Engineering & Architecture of Gazi University, 37 (1).
• [18] Kuşkapan, E., Çodur, M. K., Çodur, M. Y., (2022) Türkiye’deki demiryolu enerji tüketiminin yapay sinir ağları ile tahmin edilmesi, Konya Mühendislik Bilimleri Dergisi, 10 (1), 72-84.
• [19] Calp, M. H, (2019) İşletmeler için personel yemek talep miktarının yapay sinir ağları kullanılarak tahmin edilmesi, Politeknik Dergisi, 22(3), 675-686.
• [20] Kara, Ş. E., Şamlı, R., (2021) Yazılım projelerinin maliyet tahmini için WEKA’da makine öğrenmesi algoritmalarının karşılaştırmalı analizi, Avrupa Bilim ve Teknoloji Dergisi, (23), 415-426.
• [21] Yergök, D., Acı, M., (2019) Toplu yemek üretiminde günlük talep tahmini için alternatif bir yaklaşım: Öğrenci regresyon, Avrupa Bilim ve Teknoloji Dergisi, 64-73.
• [22] Aydın, S. G., Aydoğdu, G. (2022) Makine öğrenmesi algoritmaları kullanılarak Türkiye ve AB ülkelerinin CO2 emisyonlarının tahmini, Avrupa Bilim ve Teknoloji Dergisi, (37), 42-46.
• [23] Saydam, D. B., Çerçi, K. N., Hürdoğan, E. (2021) Güneş enerjili yeni tip bir kurutucuda granny smith elmanın kuruma davranışının incelenmesi, Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 21 (4), 945-957.
• [24] Korkmaz, M., Doğan, A., Kirmaci, (2022) Karşıt akışlı ranque–hilsch vorteks tüpünün lineer regresyon, destek vektör makineleri ve gauss süreç regresyonu yöntemi ile performans analizi, Gazi Mühendislik Bilimleri Dergisi, 8 (2), 361-370.
• [25] Aci, M., Dogansoy, G. A., (2022) Demand forecasting for e-retail sector using machine learning and deep learning methods, Journal of The Faculty of Engineering and Architecture of Gazi University, 37 (3), 1325-1339.
• [26] Çolakoğlu, A.A., (2020) Makine öğrenmesi algoritmaları ile avrupa havalimanları analizi, Pamukkale üniversitesi, Sosyal Bilimler Enstitüsü, Yüksek lisans tezi.
• [27] Oral, M., Okatan, E., Kırbaş, İ., (2021) Makine öğrenme yöntemleri kullanarak konut fiyat tahmini üzerine bir çalışma: Madrid örneği, Uluslararası Genç Araştırmacılar Öğrenci Kongresi, Burdur, Turkey.
• [28] Yilmaz, H., Tosun, Ö., (2020) Aylık konut satışlarının modellenmesi ve Antalya örneği. Kafkas Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 11 (21), 141-158.
• [29] Güner, Ş. N., (2021) Yapay sinir ağları yöntemiyle konut satışlarının incelenmesi: Ankara ili örneği, Fiscaoeconomia, 5 (1), 359-371.
• [30] Selçi, B.Y., (2021) Türkiye’nin konut satışı değerlerinin yapay sinir ağları ile öngörülmesi, Ekoist: Journal of Econometrics and Statistics, 35, 19-32.
• [31] Turkish Statistical Institute (TSI), (2022) https://www.tuik.gov.tr/ [Accessed: 20-Oct-2022].
• [32] Central Bank of The Republic Of Turkey (CBRT), (2022) https://www.tcmb.gov.tr/ [Accessed: 20-Oct-2022].