Yapay Sinir Ağları GİRİŞ
|
|
- Nesrin Kahya
- 5 yıl önce
- İzleme sayısı:
Transkript
1 Yapay Sinir Ağları GİRİŞ Akıl kelimesi genellikle zeka kavramıyla karıştırılmaktadır.oysa akıl düşünme, kavrama,idrak etme ve karar verme yeteneklerini kapsar.akıl genetik olarak ve çevresel faktörler gibi nedenler ile değişebilir.durağan değildir.akıl insanın hayatı boyunca artan ve gelişebilen bir yeteneğidir.akıl herhangibir yol ile taklit edilemez. Zeka ise belirli konularda çalışarak,öğretilerek,eğitelerek ve bilgi ve deneyimlere dayalı gelişebilen bir beceridir.anlama, analiz etme,kavrama gibi kavramlar zeka ile gerçekleştirilmektedir Yapay Zeka Nedir? Yapay zeka insan zekasının taklit edelebilir mi düşüncesinden yola çıkarak geliştirilmiş bir kavramdır.bilgisayarlar çok karmaşık işlemleri çabuk bir şekilde gerçekleştirebilirken idrak etme de oldukça kabiliyetlidir. Bu olayda sinirsel algılayıcalar yardımı ile kazanılmış bilgileri kullanabilmesidir.
2 Şekil 1.İnsan Sinir Hücresi Yapay sinir ağları insan beyninden esinlenerek geliştirilmiş bir teknolojidir.ağırlıklı bağlantılar yardımıyla birbirine bağlanan her biri kendi belleğine sahip işlem elemanlarından oluşan paralel ve dağıtılmış bir yapıdır.yapay sinir ağları aslında biyolojik sinir ağlarını taklit eden bir bilgisayar programıdır.bu şekilde insan zekasının gerçekleştirebileceği yetenekleri gerçekleştirebilir.normal bilgisayarlar ise model seçme işinde verimsizdir fakat algoritmaya dayalı hesaplamalarda oldukça hızlıdır. Bu konuda bir çok yapay sinir ağı kullanılmaktadır.en çok kullanılan yapay sinir ağı ise Geri Yayılımlı yapay sinir ağı olarak bilinmektedir.bu yapay sinir ağı tahmin ve sınıflandırmada oldukça iyi sonuçlar vermektedir.bir başka sinir ağı ise Kohonen Özörgütlemeli yapay sinir ağıdır.bu sinir ağı ise karışık bilgi kümeleri arasında ilişki bulma konusunda oldukça iyidir. Belirsiz, gürültülü ve eksik bilginin işlenmesinde başarı sağlamaktadır. Klasik bilgisayarlarda bilgi 0 ve 1 serileri ile ifade edilir.yapay sinir ağlarında ise matematiksel işlev ile temsil edilir.işlem elemanları arasındaki bağlantının ağırlıkları bu
3 işlevin değişkenleri olarak görev alırlar.burada ağırlıklar saklanan bilginin ne olduğuna karar verir fakat kendilerinin bir anlamı yoktur. Ağ giriş ile tüm ihtimalleri birleştirerek en iyi sonucu çıkış olarak seçer. Yapay Sinir Ağlarının Genel Kullanım Alanları Yapay sinir ağları üzerine çalışmalar iki kısım üzerine yoğunlaşmıştır.bunlar ileri beslemeli çok katmanlı ağlar ve Hopfield ağlarıdır.günümüzde kullanıldığı alanlar şöyledir: Denetim Sistem Modelleme Ses Tanıma El Yazısı Tanıma Parmak İzi Tanıma Fizyolojik İşaretleri tanıma,izleme ve yorumlama Meteorolojik Yorumlama Elektrik İşareti Tanıma Otomatik Araç Denetimi Yapay sinir ağlarının başlıca temel uygulama alanları sınflandırma,tahmin ve modelleme olarak ele alınabilir. Sınıflandırma: Tıbbi teşhis,imza tetkikleri,ses tanıma,şekil tanıma,hücre tiplerinin sınıflandırılması,mikroplar,modeller vb. sınıf çeşitleri Tahmin: İleriki satışlar,enerji ihtiyacı,üretim ihtiyacı hava tahminleri gibi ileriye yönelik tahminler. Modelleme: Kimyasal yapılar,işlem kontrolü,dinamik
4 sistemler,robot kontrolü vb.uygulamalar. Yapay Sinir Ağının Ana Öğeleri Yapay sinir ağları birbirlerine bağlı çok sayıda işlem elemanlarından oluşmuş genellikle paralel işleyen yapılardır.yapay sinir ağlarındaki işlem elemanları basit sinirler olarak adlandırılır. Yapay sinir ağları insan beyni gibi öğrenme,hatırlama ve genelleme yeteneğine sahiptir.insan beyninde öğrenme 3 şekilde gerçekleşir Yeni aksonlar üreterek Aksonların uyarılmasıyla Mevcut aksonların güçlerini değişterek Yapay sinir ağının temel birimi işlem elemanı ya da düğüm olarak adlandırılan yapay sinirdir. Şekil 2.Yapay Sinir Ağının Öğeleri
5 Girişler x ile ağırlıklar w ile gösterilmiştir.girdiler ile ağırlıklar çarpılarak bias(b) diğer adıyla eşik değeriyle toplanır.ardından aktivasyon koduyla işlenerek çıktı elde edilir. Girişler çevreden aldığı bilgiyi sinire getirir.girişler kendinden önceki sinirden ya da dış çevreden sinir ağına gelebilirler. Ağırlıklar yapay sinir tarafından alınan girişlerin sinir üzerindeki etkisini belirleyen katsayılardır. Bir ağırlığın değerinin büyük olması o girişin yapay sinire güçlü bağlamasına küçük olması ise zayıf bağlanması açısından etkilidir. Toplama fonksiyonu sinirde her bir ağırlığın ait olduğu girişle çarpımının eşik değeriyle toplanmasını sağlar.ardından aktivasyon fonksiyonuna gönderir. Toplama fonksiyonundan gelen sonucu aktivasyon fonksiyonundan geçirerek çıkışa iletir. Şekil 3.Transfer Fonksiyonu(Etkinlik İşlevi)
6 Çıkış etkinlik işlevi sonucunun dış dünyaya ve ya diğer sinirlere gönderildiği yerdir.bir sinirin tek bir çıkışı vardır.sinirin bu çıkışı herhangi bir sayıdaki diğer sinirlere giriş olabilir. Şekil 4.Biyolojik ve Yapay Sinir Hücre Karşılaştırması Yapay Sinir Ağlarının Oluşturulması Yapay sinir ağları düğüm ve ya sinir olarak adlandırılan çok sayıdaki işlem elemanının bir araya gelmesinden oluşur. Bir hiyerarşik sinir ağı düğümlerin sıralı bir şekilde art arda bağlanmasından oluşur.bu tür ağların özelliği sahip oldukları basit dinamiklerdir.eğer giriş katmanına bir işaret girerse bu işaret sinirler arası bağlantılar yoluyla diğer katmana iletilir. Yapay sinir ağlarının düğümleri ve bağlantıları çok değişik biçimlerde bir araya getirilebilir. Yapay sinir ağ mimarileri sinirler arasındaki bağlantıların yönlerine göre ve ya içindeki işaretlerin akış yönüne göre birbirinden ayrılır.
7 Buna göre ileri beslemeli ve geri beslemeli olarak olarak iki temel ağ mimarisi vardır. Ara(gizli) katmaları olmayan sadece giriş ve çıkış katmanı olan ağlar karmaşık işlevleri hesaplama yeteneğinden yoksundur.bu sebepten karmaşık hesaplamalar için oluşturulan ağlarda en az bir ara katman olmalıdır. Giriş katmanlarından alınan girişler giriş katmanı ve gizli katman arasında bulunan bağlantı ağırlıkları ile çarpılıp gizli katmana iletilmektedir. Gizli katmandaki sinirlere gelen girişler toplanarak aynı şekilde gizli katman ile çıkış katmanı arasındaki bağlantı ağırlıkları ile çarpılarak çıkış katmanına iletilir. Çıkış katmanındaki sinirlerde bu girişlere uygun bir çıktı üretirler. Şekil 5.Çok katmanlı bir yapay sinir ağı Temel olarak tüm yapay sinir ağlarının basit topolojik yapıları vardır.sinirlerin bir kısmı gerçek dünyadan girişlerini sağlarken diğer sinirler ise ağın çıkışlarında gerçek dünyayı oluşturur.kalan sinirlerin tümü gerçek anlamda
8 görünmediğinden gizli katman olarak adlandırılırlar. Gizli katmana bir giriş geldiğinde sinirleri diğer katmana giriş olacak şekilde çıkış üretir.bu işlem koşulları yerine getiren kesin durum oluşuncaya kadar devam eder ve çıkışı dış çevreye aktarır. Gizli düğümlerin sayısı ağın en iyi çalışabileceği bir sayıda çizilmelidir.eğer sinir sayısı artırılırsa istenen değerin üstüne çıkılmış olur.bu durumda ağda genelleşme sorunu ortaya çıkarır. İletişim ve Bağlantı Çeşitleri Bir sinirin çıkışı diğer bir sinire giriş olarak yollarla bağlanır.bu yollar normalde yönlü değildir.bu nedenle iki sinir arasında iki yönlü bağlantı vardır. Sinir birçok sinirden giriş alır fakat bir tek çıkış üretir. Bir katmandaki sinirler kendi aralarında bağlantı kurabilir ve ya hiçbir bağlantı olmayabilir. Katmanlar Arası Bağlantılar Katmanlar arasında kullanılan değişik türde bağlantılar vardır. Bunlar şöyle sıralanabilir 1. Tam Bağlantılı:İlk katmandaki her sinir ikinci katmandaki her sinire bağlıdır. 2. Kısmi Bağlantılı: İki katmanın bir siniri ikinci katmandaki her sinirle bağlantılı olmamalıdır. 3. İleri Besleme: İlk katmandaki sinirler çıkışlarını ikinci kat sinirlerine gönderir fakat ikinci kat sinirlerden geri giriş almazlar 4. Çift Yönlü: İkinci katman sinirlerinin çıkışlarını birinci katman sinirlerine taşıyan bir başka bağlantı kümesi vardır.
9 5. Hiyerarşik: Eğer sinir ağı hiyerarşik yapıya sahipse düşük katmanların sinirleri bir sonraki seviyedeki katmanın sinirlerine iletilebilir. 6. Rezonans: Çift yönlü bağlantılı katmanlar ve kesin durum oluşuncuya kadar defalarca mesajı bağlantı üzerinden göndermeye devam edebilir. Sinirler Arası Bağlantı Daha karışık yapılarda sinirler kendi aralarında haberleşirler. Tekrarlamalı: Bir katman içindeki sinirler tam ve ya kısmi olarak biri diğerine bağlı olabilir. Bu sinirler başka bir katmandan giriş aldıklarında çıkışlar başka bir katmana göndermeden önce birinin çıkışı diğerininkine defalarca aktarılır.genelde çıkışlarını diğer katmana iletmeden önce bazı durumlarda katmanın sinirleri arasında bağlantılar meydana gelir. Merkezde/Çevre Dışı(On-center/Off Surround):Bir katmandaki sinirin kendisi ve o anki komşuları için uyartım bağlantıları varken diğer sinirler için yasaklayıcı bağlantılar vardır.birkaç işaret değişiminden sonra etkin çıkış değerli sinirler kazanır.bu durumda ya kendinin ya da ekip elemanlarının boyutlarının güncellemesine izin verilir. Öğrenme Öğrenme kuralı Hebian öğrenme kuralı denen basit bir modele dayanır. Kural temel olarak «Eğer iki düğüm aynı zamanda etkin ise aralarındaki bağ gücü artar»»kuramına dayanır. Danışmanlı ve danışmansız olmak üzere iki tip öğrenme metodu vardır. Danışmanlı öğrenmede bir öğretmene ihtiyaç vardır.öğretmen, bir veri alıştırma kümesi ve ya ağ sonuçlarının performansı
10 değerlendiren bir gözlemci olabilir. Danışmansız öğrenmede ise bir öğretmene ihtiyaç yoktur. Önemli Öğrenme Kuralları Hebb Kuralı:İlk ve en iyi bilinen öğrenme kuralı Donald Hebb tarafından açıklanmıştır.temel kural: «Eğer bir sinir başka bir sinirden giriş alırsa ve her ikisi de aynı işaretli ise sinirler arasındaki boyut kuvvetlendirilir.» Hopfield Kuralı:Bu kural kuvvetlendirme ve zayıflatmanın genliğini belirleyebilmesi istisnası haricinde Hebb kuralıyla benzerdir.bu kurala göre «Eğer istenilen çıkış ve girişin ikiside aktif ve ya durgun ise bağlantı boyutlarını öğrenme oranı arttır aksi halde boyutu öğrenme oranı kadar azalt»prensibiyle çalışır. Delta Kuralı:En çok kullanılan kurallardan biridir.hebb kuralının daha geliştirilmiş halidir.bu kural bir sinirin gerçek çıkışı ile istenilen çıkış değeri arasındaki farkı azaltmak için giriş bağlantı güçlerini sürekli olarak geliştirme fikrine dayanır.bu kural ağ hatasının karesini minimize etmek için bağlantı boyutlarını değiştirir. Eğimli İniş Kuralı:Bu kural delta kuralına benzer.transfer fonksiyonunun türevi bağlantı ağırlıklarına uygulanmadan önce,delta hatasını düzeltmek için kullanılır.bir ağın farklı katmanları için öğrenme oranları,öğrenme işleminin daha hızlı olmasına yardımcıdır. Kohonen Öğrenme Kuralı: Kohonen tarafından geliştirilen bu yöntem biyolojik sistemlerden esinlenilmiştir.bu yöntemde sinirler öğrenmek,için elverişli durum ve ya ölçülerini güncellemek için yarışırlar.en büyük çıkış ile işlenen sinir kazananı ilan eder ve komşularına bağlantı boyutlarını güncellemeleri için izin verilir.
11 Uygulama Alanları Temel olarak yapay sinir ağları uygulamalarının çoğu aşağıdaki sınıflardan birini girmektedir Öngörü Sınıflandırma Veri Birleştirilmesi Veri Kavramlaştırılması Veri Süzülmesi Resim ve ya Görüntü İşleme Endüstriyel alanlarda,ulaştırma ve havacılık alanında,finans,borsa ve kredi kartı alanlarında,tıp,biyomedikal,ilaç sanayi ve iletişim sanayi alanlarında sıklıkla kullanılmaktadır. Referanslar [1].Elmas,Ç.(2011).Yapay Zeka Uygulamaları.Ankara:Seçkin Yayıncılık [2]. [3]. [4]. [5]. [6].
YAPAY SİNİR AĞLARI. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ
YAPAY SİNİR AĞLARI Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ İÇERİK Sinir Hücreleri Yapay Sinir Ağları Yapısı Elemanları Çalışması Modelleri Yapılarına Göre Öğrenme Algoritmalarına Göre Avantaj ve
DetaylıYapay Sinir Ağları. (Artificial Neural Networks) DOÇ. DR. ERSAN KABALCI
Yapay Sinir Ağları (Artificial Neural Networks) J E O L O J İ M Ü H E N D İ S L İ Ğ İ A. B. D. E S N E K H E S A P L A M A Y Ö N T E M L E R İ - I DOÇ. DR. ERSAN KABALCI Yapay Sinir Ağları Tarihçe Biyolojik
DetaylıEsnek Hesaplamaya Giriş
Esnek Hesaplamaya Giriş J E O L O J İ M Ü H E N D İ S L İ Ğ İ A. B. D. E S N E K H E S A P L A M A Y Ö N T E M L E R İ - I DOÇ. DR. ERSAN KABALCI Esnek Hesaplama Nedir? Esnek hesaplamanın temelinde yatan
DetaylıAlgoritma Geliştirme ve Veri Yapıları 2 Veri Modelleri. Mustafa Kemal Üniversitesi
Algoritma Geliştirme ve Veri Yapıları 2 Veri Modelleri Veri modelleri, veriler arasında ilişkisel ve sırasal düzeni gösteren kavramsal tanımlardır. Her program en azından bir veri modeline dayanır. Uygun
DetaylıİSTANBUL TİCARET ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ BİLGİSAYAR SİSTEMLERİ LABORATUARI
İSTANBUL TİCARET ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ BİLGİSAYAR SİSTEMLERİ LABORATUARI Lineer Ayrılabilen Paternlerin Yapay Sinir Ağı ile Sınıflandırılması 1. Biyolojik Sinirin Yapısı Bilgi işleme
DetaylıBİLİŞSEL NÖROBİLİM BİLGİ İŞLEME SÜREÇ VE YAKLAŞIMLARI
BİLİŞSEL NÖROBİLİM BİLGİ İŞLEME SÜREÇ VE YAKLAŞIMLARI Beyni Keşfetme Dünya üzerinde keşifler genelde coğrafi keşiflerle başlamıştır. Ortalama 1120 gr ağırlığındaki jelatinimsi yapısıyla beyni keşfetme
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Yapay Sinir Ağları (Artificial Neural Network) Doç.Dr. M. Ali Akcayol Yapay Sinir Ağları Biyolojik sinir sisteminden esinlenerek ortaya çıkmıştır. İnsan beyninin öğrenme, eski
DetaylıÇİMENTO BASMA DAYANIMI TAHMİNİ İÇİN YAPAY SİNİR AĞI MODELİ
ÇİMENTO BASMA DAYANIMI TAHMİNİ İÇİN YAPAY SİNİR AĞI MODELİ Ezgi Özkara a, Hatice Yanıkoğlu a, Mehmet Yüceer a, * a* İnönü Üniversitesi Mühendislik Fakültesi Kimya Mühendisliği Bölümü, Malatya, 44280 myuceer@inonu.edu.tr
Detaylıetme çabalarının en son ürünlerinden bir tanesi yapay sinir ağları (YSA) teknolojisidir.
İnsanlığın doğayı araştırma ve taklit etme çabalarının en son ürünlerinden bir tanesi yapay sinir ağları (YSA) teknolojisidir. Beynin üstün özellikleri, bilim adamlarını üzerinde çalışmaya zorlamış ve
DetaylıCBS ve Coğrafi Hesaplama
Yıldız Teknik Üniversitesi CBS ve Coğrafi Hesaplama 2. Bölüm Yrd. Doç. Dr. Alper ŞEN Harita Mühendisliği Bölümü Kartografya Anabilim Dalı web: http://www.yarbis.yildiz.edu.tr/alpersen/ E mail: alpersen@yildiz.edu.tr
Detaylıİş Zekası. Hafta 6 Kestirimci Modelleme Teknikleri. Yrd. Doç. Dr. H. İbrahim CEBECİ
İş Zekası Hafta 6 Kestirimci Modelleme Teknikleri Business Intelligence and Analytics: Systems for Decision Support 10e isimli eserden adapte edilmiştir Bölüm Amaçları Yapay Sinir Ağları (YSA) kavramını
DetaylıYapay Sinir Ağlarına Giriş. Dr. Hidayet Takçı
Yapay Sinir Ağlarına Giriş Dr. Hidayet Takçı htakci@gmail.com http://htakci.sucati.org Giriş Neden Yapay Sinir Ağları (YSA) Bazı işler insanlar tarafından kolaylıkla yerine getirilirken mevcut bilgisayarlar
DetaylıKaraciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması
Karaciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması 1 Emre DANDIL Bilecik Ş. Edebali Üniversitesi emre.dandil@bilecik.edu.tr +90228 214 1613 Sunum İçeriği Özet Giriş
DetaylıÖğr.Gör.Volkan ALTINTAŞ
Osi Referans Modeli, bilgisayar ağlarında ortak dil konuşulmasını sağlamak amacıyla geliştirilmiş katmanlı bir modeldir. OSİ Modeli katmanlardan oluşur. Her bir katman görevini yerine getirmeden diğer
DetaylıÖzörgütlemeli Öğrenme (SOM) A. Cumhur KINACI
Özörgütlemeli Öğrenme (SOM) A. Cumhur KINACI Öğrenme Türleri Eğiticili Öğrenme Eğiticisiz Öğrenme: Ağın verilerin sınıflandırmasını dışarıdan yardım almadan kendi başına yapmasıdır. Bunun olabilmesi için
DetaylıGazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi Gazi Akademi Genç Sosyal Bilimciler Sempozyumu 2017 Özel Sayısı ( )
Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi Gazi Akademi Genç Sosyal Bilimciler Sempozyumu 2017 Özel Sayısı (414-427) Türkiye deki İç Göçün Yapay Sinir Ağları ile İncelenmesi Geliş Tarihi
DetaylıAlgoritma Geliştirme ve Veri Yapıları 7 Liste ve Bağlantılı Liste. Mustafa Kemal Üniversitesi
Algoritma Geliştirme ve Veri Yapıları 7 Liste ve Bağlantılı Liste Liste birbiriyle ilişkili verileri içeren bir kümedir, programlama açısından liste en basitinden bir dizi üzerinde tutulur. Dizi elemanları
DetaylıSuleyman TOSUN
Suleyman TOSUN suleymantosun@gmail.com 1 2 İnsanların beynin çalışmasını sayısal bilgisayarlar üzerinde taklit etmek istemesi sonucunda yapay sinir ağları ortaya çıkmıştır. Temelde; beynin çalışma yapısı,
DetaylıDENETLEYİCİ VE DÜZENLEYİCİ SİSTEMLER
Denetleyici ve Düzenleyici Sistemler Vücudumuzda aynı anda birçok karmaşık olayın birbirleriyle uyumlu bir şekilde gerçekleşmesi denetleyici ve düzenleyici sistemler tarafından sağlanır. Denetleyici ve
DetaylıCETP KOMPOZİTLERİN DELİNMELERİNDEKİ İTME KUVVETİNİN ANFIS İLE MODELLENMESİ MURAT KOYUNBAKAN ALİ ÜNÜVAR OKAN DEMİR
CETP KOMPOZİTLERİN DELİNMELERİNDEKİ İTME KUVVETİNİN ANFIS İLE MODELLENMESİ MURAT KOYUNBAKAN ALİ ÜNÜVAR OKAN DEMİR Çalışmanın amacı. SUNUM PLANI Çalışmanın önemi. Deney numunelerinin üretimi ve özellikleri.
DetaylıDr.Eyyüp GÜLBANDILAR Dr.Eyyüp GÜLBANDILAR
YAPAY SĐNĐR AĞLARI BĐYOLOJĐK SĐNĐR SĐSTEMĐ Biyolojik sinir sistemi, merkezinde sürekli olarak bilgiyi alan, yorumlayan ve uygun bir karar üreten beynin (merkezi sinir ağı) bulunduğu 3 katmanlı bir sistem
DetaylıGenetik Algoritmalar. Bölüm 1. Optimizasyon. Yrd. Doç. Dr. Adem Tuncer E-posta:
Genetik Algoritmalar Bölüm 1 Optimizasyon Yrd. Doç. Dr. Adem Tuncer E-posta: adem.tuncer@yalova.edu.tr Optimizasyon? Optimizasyon Nedir? Eldeki kısıtlı kaynakları en iyi biçimde kullanmak olarak tanımlanabilir.
Detaylıİnsan beyni, birbiri ile karmaşık ilişkiler içinde bulunan nöron hücreleri kitlesidir. Tüm aktivitelerimizi kontrol eder, yaradılışın en görkemli ve
YAPAY SİNİRAĞLARI İnsan beyni, birbiri ile karmaşık ilişkiler içinde bulunan nöron hücreleri kitlesidir. Tüm aktivitelerimizi kontrol eder, yaradılışın en görkemli ve gizemli harikalarından biridir. İnsan
DetaylıYapay Sinir Ağları ve Uygulamaları (EE 423) Ders Detayları
Yapay Sinir Ağları ve Uygulamaları (EE 423) Ders Detayları Ders Adı Ders Dönemi Ders Uygulama Laboratuar Kredi AKTS Kodu Saati Saati Saati Yapay Sinir Ağları ve Uygulamaları EE 423 Her İkisi 3 0 0 3 5
DetaylıBulanık Kümeler ve Sistemler. Prof. Dr. Nihal ERGİNEL
Bulanık Kümeler ve Sistemler Prof. Dr. Nihal ERGİNEL İçerik 1. Giriş, Temel Tanımlar ve Terminoloji 2. Klasik Kümeler-Bulanık Kümeler 3. Olasılık Teorisi-Olabilirlik Teorisi 4. Bulanık Sayılar-Üyelik Fonksiyonları
DetaylıYapay Sinir Ağları ve Uygulamaları (EE 505) Ders Detayları
Yapay Sinir Ağları ve Uygulamaları (EE 505) Ders Detayları Ders Adı Ders Dönemi Ders Uygulama Laboratuar Kredi AKTS Kodu Saati Saati Saati Yapay Sinir Ağları ve Uygulamaları EE 505 Her İkisi 3 0 0 3 7.5
DetaylıSinirsel Benzetim ve NSL. İlker Kalaycı 06, 2008
Sinirsel Benzetim ve NSL İlker Kalaycı 06, 2008 Gündem Yapay Sinir Ağları Benzetim Benzetim Dilleri Sinirsel Benzetim Dilleri NEURON, GENESIS,NEST Gündem Neural Simulation Language (NSL) Tarihçe Genel
DetaylıAlgoritma Geliştirme ve Veri Yapıları 9 Ağaç Veri Modeli ve Uygulaması. Mustafa Kemal Üniversitesi
Algoritma Geliştirme ve Veri Yapıları 9 Ağaç Veri Modeli ve Uygulaması Ağaç, verilerin birbirine sanki bir ağaç yapısı oluşturuyormuş gibi sanal olarak bağlanmasıyla elde edilen hiyararşik yapıya sahip
DetaylıDENİZ HARP OKULU TEMEL BİLİMLER BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ
DENİZ HARP OKULU TEMEL BİLİMLER BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ Dersin Adı Kodu Sınıf/Y.Y. Ders Saati (T+U+L) Kredi AKTS DİFERANSİYEL DENKLEMLER FEB-211 2/ 1.YY 3+0+0 3 3 Dersin Dili Dersin Seviyesi
DetaylıTek Değişkenli Kalkülüs (MATH 104) Ders Detayları
Tek Değişkenli Kalkülüs (MATH 104) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Tek Değişkenli Kalkülüs MATH 104 Bahar 3 2 0 4 6 Ön Koşul Ders(ler)i MATH
DetaylıTUĞLA VE KİREMİT FABRİKALARININ HAVA KİRLİLİĞİNE KATKILARININ YAPAY SİNİR AĞI MODELLEMESİ İLE ARAŞTIRILMASI
TUĞLA VE KİREMİT FABRİKALARININ HAVA KİRLİLİĞİNE KATKILARININ YAPAY SİNİR AĞI MODELLEMESİ İLE ARAŞTIRILMASI Merve ARABACI a, Miray BAYRAM a, Mehmet YÜCEER b, Erdal KARADURMUŞ a a Hitit Üniversitesi, Mühendislik
DetaylıÇok katmanlı ileri sürümlü YSA da standart geri yayıyım ve momentum geri yayılım algoritmalarının karşılaştırılması. (Eğitim/Hata geri yayılım)
Çok katmanlı ileri sürümlü YSA da standart geri yayıyım ve momentum geri yayılım algoritmalarının karşılaştırılması (Eğitim/Hata geri yayılım) Özetçe Bu çalışmada çok katmanlı ve ileri sürümlü bir YSA
DetaylıYrd. Doç. Dr. Caner ÖZCAN
Yrd. Doç. Dr. Caner ÖZCAN BAĞLI LİSTELER Bağlı listeler konusuna çalışmanın bazı faydaları var. Bağlı listeler gerçek programlarda kullanılabilecek bir veri yapısıdır. Bağlı listelerin güçlü ve zayıf yönlerini
Detaylı2.1 Bir Sınıfı Örneklerinden Öğrenme... 15 2.2 Vapnik-Chervonenkis (VC) Boyutu... 20 2.3 Olası Yaklaşık Doğru Öğrenme... 21
İçindekiler Önsöz İkinci Basım için Önsöz Türkçe Çeviri için Önsöz Gösterim xiii xv xvii xix 1 Giriş 1 1.1 Yapay Öğrenme Nedir?......................... 1 1.2 Yapay Öğrenme Uygulamalarına Örnekler...............
DetaylıBüyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data)
Büyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data) M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Bu dersin sunumları, The Elements of Statistical Learning: Data
DetaylıOTOMATİK KONTROL SİSTEMLERİ TEMEL KAVRAMLAR VE TANIMLAR
OTOMATİK KONTROL SİSTEMLERİ TEMEL KAVRAMLAR VE TANIMLAR KONTROL SİSTEMLERİ GİRİŞ Son yıllarda kontrol sistemleri, insanlığın ve uygarlığın gelişme ve ilerlemesinde çok önemli rol oynayan bir bilim dalı
Detaylıİlk Yapay Sinir Ağları. Dr. Hidayet Takçı
İlk Yapay Sinir Ağları Dr. Hidayet htakci@gmail.com http://htakci.sucati.org Tek katmanlı algılayıcılar (TKA) Perceptrons (Rosenblat) ADALINE/MADALINE (Widrow and Hoff) 2 Perseptron eptronlar Basit bir
DetaylıTC. GAZİ ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ İŞLETME ANABİLİM DALI ÜRETİM YÖNETİMİ BİLİM DALI
TC. GAZİ ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ İŞLETME ANABİLİM DALI ÜRETİM YÖNETİMİ BİLİM DALI YAPAY SİNİR AĞLARI VE BEKLEME SÜRESİNİN TAHMİNİNDE KULLANILMASI YÜKSEK LİSANS TEZİ Hazırlayan Muhammet DEVECİ
DetaylıOTOMATİK KONTROL SİSTEMLERİ BLOK DİYAGRAM İNDİRGEME KURALLARI
OTOMATİK KONTROL SİSTEMLERİ BLOK DİYAGRAM İNDİRGEME KURALLARI BLOK DİYAGRAM İNDİRGEME KURALLARI Örnek 9: Aşağıdaki açık çevrim blok diyagramının transfer fonksiyonunu bulunuz? 2 BLOK DİYAGRAM İNDİRGEME
DetaylıElbistan Meslek Yüksek Okulu Güz Yarıyılı
HAFTA III Bilgi iletişim sistemi : Bilgi iletişim sistemi, dağıtık sistem içerisinde düğümler arasındaki iletişimi desteklemekle yükümlüdür. İletişim sistemi, iletişim ağı ile bağlanmış herhangi bir düğümün,
DetaylıRakam : Sayıları yazmaya yarayan sembollere rakam denir.
A. SAYILAR Rakam : Sayıları yazmaya yarayan sembollere rakam denir. Sayı : Rakamların çokluk belirten ifadesine sayı denir.abc sayısı a, b, c rakamlarından oluşmuştur.! Her rakam bir sayıdır. Fakat bazı
DetaylıBSM 532 KABLOSUZ AĞLARIN MODELLEMESİ VE ANALİZİ OPNET MODELER
BSM 532 KABLOSUZ AĞLARIN MODELLEMESİ VE ANALİZİ OPNET MODELER Yazılımı ve Genel Özellikleri Doç.Dr. Cüneyt BAYILMIŞ Kablosuz Ağların Modellemesi ve Analizi 1 OPNET OPNET Modeler, iletişim sistemleri ve
DetaylıROBOTLARIN YAPAY SİNİR AĞLARI KULLANILARAK DENETİMİ.
ROBOTLARIN YAPAY SİNİR AĞLARI KULLANILARAK DENETİMİ Murat ŞEKER 1 Ahmet BERKAY 1 EMurat ESİN 1 ArşGör,Gebze Yüksek Teknoloji Enstitüsü, Bilgisayar MühBöl 41400 Gebze mseker@bilmuhgyteedutr aberkay@bilmuhgyteedutr,
DetaylıMekatronik Mühendisliği Uygulamalarında Yapay Zekâ. Ders 1- Yapay Zekâya Giriş. Erhan AKDOĞAN, Ph.D.
Mekatronik Mühendisliği Uygulamalarında Yapay Zekâ Ders 1- Yapay Zekâya Giriş Erhan AKDOĞAN, Ph.D. Yapay Zekâ nedir?! İnsanın düşünme ve karar verme yeteneğini bilgisayarlar aracılığı ile taklit etmeye
DetaylıYapay Sinir Ağları. (Artificial Neural Networks) DOÇ. DR. ERSAN KABALCI E S N E K H E S A P L A M A Y Ö N T E M L E R İ - II
Yapay Sinir Ağları (Artificial Neural Networks) J E O L O J İ M Ü H E N D İ S L İ Ğ İ A. B. D. E S N E K H E S A P L A M A Y Ö N T E M L E R İ - II DOÇ. DR. ERSAN KABALCI Yapay Sinir Ağları Tarihçe Biyolojik
DetaylıBilgisayar Programcılığı
Bilgisayar Programcılığı Uzaktan Eğitim Programı e-bġlg 121 AĞ TEKNOLOJĠLERĠNĠN TEMELLERĠ Öğr. Gör. Bekir Güler E-mail: bguler@fatih.edu.tr Hafta 5: Ağ (Network) katmanı I 4. 1 Giriş 4.2 Sanal devre (virtual
DetaylıVERİ MADENCİLİĞİ. Karar Ağacı Algoritmaları: SPRINT algoritması Öğr.Gör.İnan ÜNAL
VERİ MADENCİLİĞİ Karar Ağacı Algoritmaları: SPRINT algoritması Öğr.Gör.İnan ÜNAL SPRINT Algoritması ID3,CART, ve C4.5 gibi algoritmalar önce derinlik ilkesine göre çalışırlar ve en iyi dallara ayırma kriterine
DetaylıGelişim Psikolojisi Ders Notları
Gelişim Psikolojisi Ders Notları Doç. Dr. Şaziye Senem BAŞGÜL www.gunescocuk.com Tanımlar Büyüme: Organizmada meydana gelen sayısal (hacimsel) değişiklikler Olgunlaşma: Potansiyel olarak var olan işlevin
DetaylıBeynin Anatomik Açıdan İncelenmesi ve Beyin Sisteminin İşleyişi
Beynin Anatomik Açıdan İncelenmesi ve Beyin Sisteminin İşleyişi - Ana Hatlarıyla Merkezi Sinir Sistemi - Sinir Hücrelerinin (Nöronlar) Temel İşleyişi - Hücre Gövdesi, Dendrit, Aksonlar, Sinaptik Ağlar
DetaylıBasit Mimari, Katmanlı Mimari ve doğrudan çalıştırma olarak üçe ayrılır.
Yazılım Mimarisi 1.Yazılım Mimarisi Nedir? Yazılım mimarisi geliştirilen uygumaların maliyetlerinin azaltılmasında önemli bir yer tutar. Örneğin MVC modeli kullanarak bir uygulama geliştiriyoruz ve arayüz
DetaylıTEMEL KAVRAMLAR A: SAYI Sayıları ifade etmeye yarayan sembollere rakam denir. Ör: 0,1,2,3,4,5,6 Rakamların çokluk belirtecek şekilde bir araya getirilmesiyle oluşturulan ifadeler ifadesine sayı denir.
DetaylıMekatronik Mühendisliği Uygulamalarında Yapay Zekâ. Makine Öğrenmesi. Erhan AKDOĞAN, Ph.D.
Mekatronik Mühendisliği Uygulamalarında Yapay Zekâ Makine Öğrenmesi Erhan AKDOĞAN, Ph.D. Bu ders notunun hazırlanmasında Dr. U.Orhan ve Banu Diri nin ders notlarından yararlanılmıştır. Makine öğrenmesi
DetaylıDoç.Dr.Erkan ÜLKER, Selçuk Üniversitesi Mühendislik F, Bilgisayar Mühendisliği Bölümü
17.05.2014 Sayfa 1 Curve Fitting with RBS Functional Networks RBS fonksiyonel ağı ile eğri uygunluğu Andr es Iglesias, Akemi G alvez Department of Applied Mathematics and Computational Sciences, University
DetaylıVERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma
DetaylıMakine Öğrenmesi 8. hafta
Makine Öğrenmesi 8. hafa Takviyeli Öğrenme (Reinforcemen Learning) Q Öğrenme (Q Learning) TD Öğrenme (TD Learning) Öğrenen Vekör Parçalama (LVQ) LVQ2 LVQ-X 1 Takviyeli Öğrenme Takviyeli öğrenme (Reinforcemen
DetaylıSİNİR SİSTEMİ. Duyusal olarak elde edilen bilgiler beyne (yada tam tersi) nasıl gider?
SİNİR SİSTEMİ SİNİR SİSTEMİ Descartes- İnsan vücudu bilimsel olarak (doğal yasalarla) açıklanabilecek bir hayvan makinesidir Bu makineyi araştıran, beyin ve davranış arasındaki ilişkiyi inceleyen bilim
DetaylıOkut. Yüksel YURTAY. İletişim : (264) Sayısal Analiz. Giriş.
Okut. Yüksel YURTAY İletişim : Sayısal Analiz yyurtay@sakarya.edu.tr www.cs.sakarya.edu.tr/yyurtay (264) 295 58 99 Giriş 1 Amaç : Mühendislik problemlerinin bilgisayar ortamında çözümünü mümkün kılacak
DetaylıİÇİNDEKİLER BASİT EŞİTSİZLİKLER. HARFLİ İFADELER Harfli İfadeler ve Elemanları Eşitsizlik Sembolleri ve İşaretin Eşitsizlik İfadesi...
İÇİNDEKİLER HARFLİ İFADELER Harfli İfadeler ve Elemanları... 1 Benzer Terim... Harfli İfadenin Terimlerini Toplayıp Çıkarma... Harfli İfadelerin Terimlerini Çarpma... Harfli İfadelerde Parantez Açma...
DetaylıÖZEL EGE LİSESİ ORTAÖĞRETİM ÖĞRENCİLERİNİN SINAV PERFORMANSI MODELLEMESİNDE YAPAY SİNİR AĞLARI KULLANIMI
ÖZEL EGE LİSESİ ORTAÖĞRETİM ÖĞRENCİLERİNİN SINAV PERFORMANSI MODELLEMESİNDE YAPAY SİNİR AĞLARI KULLANIMI HAZIRLAYAN ÖĞRENCİLER: Yaren DEMİRAĞ Ege Onat ÖZSÜER DANIŞMAN ÖĞRETMEN: Gülşah ARACIOĞLU İZMİR 2015
DetaylıReel Analiz I (MATH 244) Ders Detayları
Reel Analiz I (MATH 244) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Reel Analiz I MATH 244 Bahar 4 0 0 4 7 Ön Koşul Ders(ler)i Dersin Dili Dersin Türü
DetaylıPID SÜREKLİ KONTROL ORGANI:
PID SÜREKLİ KONTROL ORGANI: Kontrol edilen değişken sürekli bir şekilde ölçüldükten sonra bir referans değer ile karşılaştırılır. Oluşacak en küçük bir hata durumunda hata sinyalini değerlendirdikten sonra,
DetaylıÇok Katmanlı Algılayıcı (Multilayer Perceptron) DOÇ. DR. ERSAN KABALCI
Çok Katmanlı Algılayıcı (Multilayer Perceptron) J E O L O J İ M Ü H E N D İ S L İ Ğ İ A. B. D. E S N E K H E S A P L A M A Y Ö N T E M L E R İ - I DOÇ. DR. ERSAN KABALCI Perceptron Rosenblatt (1962): İlk
DetaylıİLERİ ALGORİTMA ANALİZİ-5 YAPAY SİNİR AĞLARI
İLERİ LGORİTM NLİZİ-5. Giriş YPY SİNİR ĞLRI Yapay sinir ağları (YS), insan beyninin özelliklerinden olan öğrenme yolu ile yeni bilgiler türetebilme, yeni bilgiler oluşturabilme ve keşfedebilme gibi yetenekleri,
DetaylıGraf Veri Modeli. Düğümler kümesi. Kenarlar kümesi
Graf Veri Modeli Graf, bir olay veya ifadenin düğüm ve çizgiler kullanılarak gösterilme şeklidir. Fizik, Kimya gibi temel bilimlerde ve mühendislik uygulamalarında ve tıp biliminde pek çok problemin çözümü
DetaylıFizik I (Tek ve ki Boyutta Hareket) - Ders sorumlusu: Yrd.Doç.Dr.Hilmi Ku çu
1 2 3 4 Otomatik Kontrol (Transfer Fonksiyonlar ) - Ders sorumlusu: Yrd.Doç.Dr.Hilmi Ku çu 5 6 Otomatik Kontrol (Transfer Fonksiyonlar ) - Ders sorumlusu: Yrd.Doç.Dr.Hilmi Ku çu 7 Otomatik Kontrol (Transfer
DetaylıİÇİNDEKİLER ÖNSÖZ Bölüm 1 SAYILAR 11 Bölüm 2 KÜMELER 31 Bölüm 3 FONKSİYONLAR
İÇİNDEKİLER ÖNSÖZ III Bölüm 1 SAYILAR 11 1.1. Sayı Kümeleri 12 1.1.1.Doğal Sayılar Kümesi 12 1.1.2.Tam Sayılar Kümesi 13 1.1.3.Rasyonel Sayılar Kümesi 14 1.1.4. İrrasyonel Sayılar Kümesi 16 1.1.5. Gerçel
DetaylıYıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Şekil Tanıma Final Projesi. Selçuk BAŞAK 08501008
Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü Şekil Tanıma Final Projesi Selçuk BAŞAK 08501008 Not: Ödevi hazırlamak için geliştirdiğim uygulama ve kaynak kodları ektedir.
DetaylıBeynin Temelleri BEYNİN TEMELLERİ 1: BEYNİN İÇİNDE NE VAR?
Beynin Temelleri Kitabın geri kalanının bir anlam ifade etmesi için beyinle ve beynin nasıl işlediğiyle ilgili bazı temel bilgilere ihtiyacınız var. Böylece, ileriki sayfalarda nöron gibi bir sözcük kullandığımda
Detaylıx 2i + A)( 1 yj 2 + B) u (v + B), y 1
Ders 11: Örnekler 11.1 Kulplarla inşalar Bu bölümde kulpları birbirine yapıştırıp tanıdık manifoldlar elde edeceğiz. Artık bu son ders. Özellikle dersin ikinci bölümünde son meyveleri toplamak adına koşarak
DetaylıVERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr
VERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma
DetaylıTEMEL BİLGİSAYAR BİLİMLERİ. Programcılık, problem çözme ve algoritma oluşturma
TEMEL BİLGİSAYAR BİLİMLERİ Programcılık, problem çözme ve algoritma oluşturma Programcılık, program çözme ve algoritma Program: Bilgisayara bir işlemi yaptırmak için yazılan komutlar dizisinin bütünü veya
DetaylıDSP DONANIMI. Pek çok DSP için temel elemanlar aşağıdaki gibidir.
DSP DONANIMI Pek çok DSP için temel elemanlar aşağıdaki gibidir. Çarpıcı yada çarpıcı- toplayıcı (MPY/MAC) Aritmetik lojik birim (ALU) Öteleyici (SHIFTER) Adres üreteci (AG) Komut yada program sıralayıcı
Detaylı1. BÖLÜM Polinomlar BÖLÜM II. Dereceden Denklemler BÖLÜM II. Dereceden Eşitsizlikler BÖLÜM Parabol
ORGANİZASYON ŞEMASI . BÖLÜM Polinomlar... 7. BÖLÜM II. Dereceden Denklemler.... BÖLÜM II. Dereceden Eşitsizlikler... 9. BÖLÜM Parabol... 5 5. BÖLÜM Trigonometri... 69 6. BÖLÜM Karmaşık Sayılar... 09 7.
DetaylıBMM307-H02. Yrd.Doç.Dr. Ziynet PAMUK
BMM307-H02 Yrd.Doç.Dr. Ziynet PAMUK ziynetpamuk@gmail.com 1 BİYOELEKTRİK NEDİR? Biyoelektrik, canlıların üretmiş olduğu elektriktir. Ancak bu derste anlatılacak olan insan vücudundan elektrotlar vasıtasıyla
DetaylıBLM-431 YAPAY ZEKA. Ders-3 Durum Uzayında Arama. Yrd. Doç. Dr. Ümit ATİLA
BLM-431 YAPAY ZEKA Ders-3 Durum Uzayında Arama Yrd. Doç. Dr. Ümit ATİLA umitatila@karabuk.edu.tr http://web.karabuk.edu.tr/umitatilla/ Dersin Hedefleri Durum uzayı temsilini öğrenmek ve durum uzayında
DetaylıOTOMATİK KONTROL SİSTEMLERİ TEMEL KAVRAMLAR VE TANIMLAR
OTOMATİK KONTROL SİSTEMLERİ TEMEL KAVRAMLAR VE TANIMLAR KONTROL SİSTEMLERİ GİRİŞ Son yıllarda kontrol sistemleri, insanlığın ve uygarlığın gelişme ve ilerlemesinde çok önemli rol oynayan bir bilim dalı
DetaylıVeri ve Metin Madenciliği
Veri ve Metin Madenciliği Zehra Taşkın Veri Madenciliği Bir kutu toplu iğne İçine 3 boncuk düşürdünüz Nasıl alacağız? Fikirler? Veri Madenciliği Data Information Knowledge Veri madenciliği; Büyük yoğunluklu
DetaylıAdi Diferansiyel Denklemler (MATH 262) Ders Detayları
Adi Diferansiyel Denklemler (MATH 262) Ders Detayları Ders Adı Adi Diferansiyel Denklemler Ders Kodu MATH 262 Dönemi Ders Uygulama Laboratuar Kredi AKTS Saati Saati Saati Bahar 4 0 0 4 6 Ön Koşul Ders(ler)i
DetaylıAğaç (Tree) Veri Modeli
Ağaç (Tree) Veri Modeli 1 2 Ağaç Veri Modeli Temel Kavramları Ağaç, bir kök işaretçisi, sonlu sayıda düğümleri ve onları birbirine bağlayan dalları olan bir veri modelidir; aynı aile soyağacında olduğu
DetaylıVeri ve Metin Madenciliği. Zehra
Veri ve Metin Madenciliği Zehra Taşkın @zehrataskin Büyük Veri https://www.youtube.com/watch?v=tzxmjbl-i4y Veri Madenciliği Bir kutu toplu iğne İçine 3 boncuk düşürdünüz Nasıl alacağız? Veri Madenciliği
DetaylıYapay Sinir Ağları ile Web İçeriklerini Sınıflandırma. Yazarlar: Esra Nergis Güven, Hakan Onur ve Şeref Sağıroğlu. Sunan : Esra Nergis Güven
Yapay Sinir Ağları ile Web İçeriklerini Sınıflandırma Yazarlar: Esra Nergis Güven, Hakan Onur ve Şeref Sağıroğlu Sunan : Esra Nergis Güven İçerik Giriş Amaç ve Kapsam Sınıflandırma Geliştirilen Sistem
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık KORELASYON ve REGRESYON ANALİZİ Doç. Dr. İrfan KAYMAZ Tanım Bir değişkenin değerinin diğer değişkendeki veya değişkenlerdeki değişimlere bağlı olarak nasıl etkilendiğinin istatistiksel
DetaylıFEN BİLİMLERİ BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ
FEN BİLİMLERİ BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ Dersin Adı Kodu Sınıf / Y.Y. Ders Saati (T+U+L) Kredi AKTS MATEMATİK-2 FM-121 1/ 2.YY 5 5+0+0 6 Dersin Dili : Türkçe Dersin Seviyesi : Lisans Dersin
DetaylıYrd. Doç. Dr. Caner ÖZCAN
Yrd. Doç. Dr. Caner ÖZCAN BAĞLI LİSTELER Bağlı listeler konusuna çalışmanın bazı faydaları var. Bağlı listeler gerçek programlarda kullanılabilecek bir veri yapısıdır. Bağlı listelerin güçlü ve zayıf yönlerini
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimli Öğrenmenin Temelleri Karar Ağaçları Entropi ID3 Algoritması C4.5 Algoritması Twoing
DetaylıTemel Matematik II (MATH 108) Ders Detayları
Temel Matematik II (MATH 108) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Temel Matematik II MATH 108 Bahar 2 0 0 2 2 Ön Koşul Ders(ler)i MATH 107 Dersin
DetaylıGenel Matematik (MATH 103) Ders Detayları
Genel Matematik (MATH 103) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Genel Matematik MATH 103 Güz 3 2 0 4 6 Ön Koşul Ders(ler)i - Dersin Dili Dersin
Detaylı08225 AĞ TEMELLERĠ. Elbistan Meslek Yüksek Okulu GÜZ Yarıyılı. Öğr. Gör. Murat KEÇECĠOĞLU. 20 EKi Salı, Çarşamba
08225 AĞ TEMELLERĠ Elbistan Meslek Yüksek Okulu 2014 2015 GÜZ Yarıyılı 20 EKi. 2014 Salı, Çarşamba Öğr. Gör. Murat KEÇECĠOĞLU Bilgi iletişim sistemi, dağıtık sistem içerisinde düğümler arasındaki iletişimi
DetaylıFEN BİLİMLERİ BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ
FEN BİLİMLERİ BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ Dersin Adı Kodu Sınıf / Y.Y. Ders Saati (T+U+L) Kredi AKTS SAYISAL YÖNTEMLER FM-223 2 / 2.YY 2 2+0+0 4 Dersin Dili : Türkçe Dersin Seviyesi : Lisans
DetaylıNETWORK BÖLÜM-4 AĞ TOPOLOJİLERİ. Öğr. Gör. MEHMET CAN HANAYLI CELAL BAYAR ÜNİVERSİTESİ AKHİSAR MESLEK YÜKSEKOKULU
NETWORK BÖLÜM-4 AĞ TOPOLOJİLERİ CELAL BAYAR ÜNİVERSİTESİ AKHİSAR MESLEK YÜKSEKOKULU Öğr. Gör. MEHMET CAN HANAYLI Topoloji nedir? Kelime anlamı itibarı ile yerleşim planı demektir. Bir ağdaki bilgisayarların
DetaylıBölüm 8 : PROTOKOLLER VE KATMANLI YAPI: OSI, TCP/IP REFERANS MODELLERİ.
Bölüm 8 : PROTOKOLLER VE KATMANLI YAPI: OSI, TCP/IP REFERANS MODELLERİ. Türkçe (İngilizce) karşılıklar Servis Kalitesi (Quality of Service, QoS) Uçtan-uca (end-to-end) Düğümden-ağa (host-to-network) Bölüm
DetaylıYazılım Mühendisliği Bölüm - 3 Planlama
1 Yazılım Mühendisliği Bölüm - 3 Planlama 2 3 4 Planlama 5 Yazılım geliştirme sürecinin ilk aşaması Başarılı bir proje geliştirebilmek için projenin tüm resminin çıkarılması işlemi Proje planlama aşamasında
DetaylıAkıllı Mekatronik Sistemler (MECE 404) Ders Detayları
Akıllı Mekatronik Sistemler (MECE 404) Ders Detayları Ders Adı Akıllı Mekatronik Sistemler Ders Kodu MECE 404 Dönemi Ders Uygulama Saati Saati Laboratuar Saati Kredi AKTS Bahar 2 0 2 3 5 Ön Koşul Ders(ler)i
DetaylıYEŞİLIRMAK NEHRİ İÇİN TOPLAM ORGANİK KARBON ÖNGÖRÜ MODELLERİ
YEŞİLIRMAK NEHRİ İÇİN TOPLAM ORGANİK KARBON ÖNGÖRÜ MODELLERİ Mehmet Yüceer a*, İlknur Atasoy b, Eda Semizer c, Erdal Karadurmuş d, Kazım Yetik e, Ayla Çalımlı c, Rıdvan Berber c a İnönü Üniversitesi Mühendislik
DetaylıVeri Tabanı Yönetim Sistemleri Bölüm - 3
Veri Tabanı Yönetim Sistemleri Bölüm - 3 İçerik Web Tabanlı Veri Tabanı Sistemleri.! MySQL.! PhpMyAdmin.! Web tabanlı bir veritabanı tasarımı. R. Orçun Madran!2 Web Tabanlı Veritabanı Yönetim Sistemleri
DetaylıYÜKSEK LİSANS TEZİ T.C. GAZİ ÜNİVERSİTESİ BİLİŞİM ENSTİTÜSÜ YÖNETİM BİLİŞİM SİSTEMLERİ ANABİLİM DALI
CEVDET İLKER KOCATEPE YÖNETİM BİLİŞİM SİSTEMLERİ ANABİLİM DALI OCAK 2017 T.C. GAZİ ÜNİVERSİTESİ BİLİŞİM ENSTİTÜSÜ YÜKSEK LİSANS TEZİ EKONOMİK ENDEKSLER KULLANILARAK TÜRKİYE'DEKİ ALTIN FİYATINDAKİ DEĞİŞİM
DetaylıVERĠ HABERLEġMESĠ OSI REFERANS MODELĠ
VERĠ HABERLEġMESĠ OSI REFERANS MODELĠ Bölüm-2 Resul DAġ rdas@firat.edu.tr VERİ HABERLEŞMESİ TEMELLERİ Veri İletişimi İletişimin Genel Modeli OSI Referans Modeli OSI Modeli ile TCP/IP Modelinin Karşılaştırılması
DetaylıGeçen hafta neler öğrendik?
Geçen hafta neler öğrendik? Eğitimde bilgisayar uygulamaları Bilgisayar Destekli Eğitim (BDE) BDE in Türleri Avantajları ve Sınırlılıkları ve Araştırma Sonuçları BDÖ NELERDEN OLUŞUR??? Öğretim Yazılımları
Detaylı