COĞRAFİ BİLGİ SİSTEMLERİ YARDIMIYLA TRAFİK KAZALARININ TESPİTİNDE YENİ BİR VERİ ÖLÇEKLEME YÖNTEMİ: KOMŞU TABANLI ÖZELLİK ÖLÇEKLEME (KTÖÖ)
|
|
- Esen Hikmet
- 5 yıl önce
- İzleme sayısı:
Transkript
1 COĞRAFİ BİLGİ SİSTEMLERİ YARDIMIYLA TRAFİK KAZALARININ TESPİTİNDE YENİ BİR VERİ ÖLÇEKLEME YÖNTEMİ: KOMŞU TABANLI ÖZELLİK ÖLÇEKLEME (KTÖÖ) Kemal Polat 1 1 Elektrik-Elektronik Mühendisliği Bölümü Abant İzzet Baysal Üniversitesi kemal_polat2003@yahoo.com ÖZET Günlük yaşamımızda trafik kazaları yoğun bir şekilde olmakta ve yaşamımızı etkilemektedir. Trafik kazaları, genel olarak kazanın yapıldığı güne, sıcaklığa, neme, hava şartları gibi etmenlere bağlıdır. Bu çalışmada, coğrafi bilgi sistem platformu yardımıyla Konya-Afyonkarahisar anayolu üzerindeki trafik kazalarını tespit etmek için komşu tabanlı özellik ölçekleme (KTÖÖ) olarak adlandırılan yeni bir yöntem önerildi. Ölçeklenmiş trafik kazaları veri kümesini ya kazalı ya da kazasız olarak sınıflamak için destek vektör makineleri(dvm) kullanıldı. ölçekleme yönteminin temel amacı, lineer olarak ayrılamayan bir dağılıma sahip veri kümesini lineer olarak ayrıştırılabilir bir hale dönüştürmek ve ayrıca sınıflar arasındaki ayrışımı arttırmaktır. Sonuçlar gösteriyor ki önerilen komşu tabanlı özellik ölçekleme yöntemi, Konya-Afyonkarahisar anayolundaki trafik kazalarının sınıflandırılmasında umut vadeden sonuçlar elde etmiştir. Anahtar Kelimeler: Trafik kazaları tespiti, komşu tabanlı özellik ölçekleme, destek vektör makineleri 1. GİRİŞ Son zamanlarda, taşıma sistemlerinin geliştirilmesinin en olumsuz sonucu, kazalı ve hayat kayıplı kazalardır. Trafik kazaları, büyük sosyal ve ekonomik maliyetlere neden olmuştur [1], [2], [3]. Bu yüzden, trafik güvenliği, şirketlerin taşıma stratejisi için en önemli konulardan birisidir. Anayollarda yetersiz alanların tanımlanması ve trafik yetkilileri ve araştırmacıların hangi gerekli ölçümleri ve önlemleri alması gerektiği araştırmalıdır [3], [4]. Konya- Afyonkarahisar anayolundaki trafik kazalarının tespitinde Coğrafi Bilgi Sistemleri (CBS) kullanılmıştır. Bu sistem sayesinde, kazanın yapıldığı yere ait sıcaklık, nem, hava şartları ve tarih bilgileri edinilmiştir. Coğrafi Bilgi Sistem teknolojileri, son zamanlarda anayollardaki trafik kazalarını tespit ve analiz etmek için en çok kullanılan araç oldu. CBS, kolaylıkla yüklenen, paylaşılan, analiz edilen ve yönetilen büyük verileri tutma özelliğine sahiptir. CBS, hem ayrık veri analizi için hem de ayrık ve ayrık-olmayan veri arasındaki ilişkileri göstermek için bir platform sağlar [2], [3], [4]. Trafik kazalarının azaltılmasında güvenlik geliştirme programlarının başarısı, trafik analizinde kullanılan yöntemlere bağlıdır. Birçok araştırmacı, son zamanlarda anayollarda yüksek oranlı kaza yerleri ve güvenlik yetersiz alanlarını belirlemeyi amaçlayan çalışmalarda farklı deterministik ve istatistiksel yöntemler kullandılar [2], [3], [4], [5], [6]. Bu araştırmacıların birçoğu, yol parçalarının tasarımı ve işlenmesi ve trafik kazaları arasındaki ilişkileri incelediler. Kazalar ile ilgili veriler geniş bir şekilde kullanılmasına rağmen, fakat hava ile ilgili çok az analiz yapılmıştır. Yol kazaları, karmaşık bir sürücü-araç ortam matrisinin sonuçları olduğu için, trafik kazalarında kesin neden-sonuç ilişkisinin kurulmasında içeren komplekslik bir engel olarak görülür [2], [3], [5]. Bu çalışmada, CBS yardımıyla Konya-Afyonkarahisar anayolundaki trafik kazaları ya kazalı ya da kazasız olarak sınıflamak için komşu tabanlı özellik ölçekleme (KTÖÖ) olarak adlandırılan yeni bir özellik ölçekleme yöntemi önerildi ve destek vektör makineleri ile birleştirilerek trafik kazaları veri kümesi sınıflandırıldı. KTÖÖ yönteminin yanı sıra trafik kazaları veri kümesinin ham hali ve maksimum değer normalizasyon yöntemi ile normalize edilmiş durumları kullanıldı ve destek vektör makineleri ile birleştirilerek trafik kazaları veri kümesi sınıflandırıldı. Oluşturulan üç sistem ve elde ettikleri sınıflama doğrulukları şu şekildedir: trafik kazaları veri kümesinin ham hali ile DVM nin birleşimi (%51.59), normalizeli trafik kazaları veri kümesi ile DVM nin birleşimi (%52.81) ve ölçeklenmiş trafik kazaları veri kümesi ile DVM nin birleşimi (%66.85). Elde edilen sonuçlar gösteriyor ki KTÖÖ yöntemi güvenli bir biçimde Konya- Afyonkarahisar anayolundaki trafik kazalarının tespitinde kullanılabilir. 2. MATERYAL: TRAFİK KAZALARI VERİ KÜMESİ Konya- Afyonkarahisar anayoluna ait trafik kazaları veri kümesi, trafik kazasının meydana geldiği gün, sıcaklık, nem, hava şartları ve ay olmak üzere beş özellikten oluşur. Veri kümesi, 179 trafik kazalı, 179 u trafik kazasız olmak üzere toplam 358 veriden oluşmaktadır. Konya-Afyonkarahisar anayolu, endüstriyel, turizm ve tarımsal alanları birbirine bağlayan Türkiye deki bir kesişim alanıdır. Şekil 1, Türkiye deki Konya-Afyonkarahisar anayolunu göstermektedir. Şekil 1 den görüleceği üzere, özellikle kışın bölgedeki karasal iklimden dolayı kazalar sıklıkla meydana gelmektedir. Anayolunun uzunluğu yaklaşık olarak 240 km dir. Yolun %65 i çift yoldur. Anayola ait trafik kazaları raporları, Bölge Karayolları yetkili görevlisinden kâğıt olarak alınmıştır. Bu kayıtlar, gün, saat/dakika, çarpışmanın hızı, anayolun kodu, yaş, cinsiyet, sürücünü alkol tüketim ölçümleri, hava şartları, ışık durumları, yaralanan/ölen kişilerin sayıları gibi kaza parametreleri içermektedir. Trafik kazaları veri kümesi, lineer olarak ayrılamayan bir sınıf dağılımına sahiptir, bu yüzden bu veri kümesinin sınıflandırılması zor bir görevdir [10]. 143
2 Elektrik-Elektronik ve Bilgisayar Sempozyumu 2011 Şekil 1: Türkiye deki Konya-Afyonkarahisar anayolu [2] Kaza olaylarında, çevre ve hava şartlarının etkilerinin belirlenmesiyle kazaların sayısını azaltmak için, CBS ye dayanan çalışmalar, trafik kazası verileri kullanılarak yapıldı. Bu çalışmadaki 179 kazalı ve 179 kazasız kayıtlar, 2006 yılına aittir ve Bölge Trafik Müdürlüğünden toplandı [2], [3], [4, 10]. 3. METOT: TRAFİK KAZALARI VERİ KÜMESİ 3.1. Önerilen Yöntemin Blok Diyagramı ve Açıklaması Konya-Afyonkarahisar anayolundaki trafik kazalarını sınıflamak için yeni bir veri ölçekleme yöntemi önerildi ve destek vektör makineleri birleştirilerek trafik kazaları veri kümesi ya kazalı ya da kazasız olarak sınıflandırıldı. Önerilen sisteme ait blok diyagramı Şekil 2 de gösterilmektedir Veri Ön-işleme Aşaması: Komşu Tabanlı Ölçekleme (KTÖÖ) ölçekleme işlemi, sınıflama doğruluğu ve düşük hesaplama maliyetinden dolayı örüntü tanıma ve tahmin problemlerini çözmek için önemli bir etkiye sahiptir. Veri veya özellik ölçekleme yöntemleri, veri kümesinin her bir özelliğini belirli bir aralık içerisinde sıkıştırmak için kullanılırlar. Bu sıkıştırmanın yapılmasıyla, hem hesaplama maliyeti azalır hem de sınıflar arasındaki ayrışım artabilir [9]. Bu çalışmada, ilk olarak, her bir özelliğe ait toplam öklit mesafesi, veri kümesindeki her bir özellik içerisindeki veriler arasındaki öklit mesafelerinin hesaplanmasıyla bulunur. Daha sonra, veri kümesindeki verinin ölçeklenmiş değeri, özellik içerisindeki her bir verinin o özelliğe ait toplam öklit mesafesine bölünmesiyle elde edilir. Bu önerilen yöntem, komşu tabanlı özellik ölçekleme olarak adlandırılır. Önerilen özellik ölçekleme yönteminin blok diyagramı Şekil 3 de gösterilmektedir. Yöntem şu şekilde çalışır [9]: Bir A veri kümesi, n özellik ve m veriden oluşsun. Y, A veri kümesinin çıkış değişkeni olsun. kümesi; x1 ( 1), x2 (2),..., xn ( m) ve Y çıkış değişkeni ise Y1 ( 1), Y2 (2),..., Yn ( m) olsun. KTÖÖ yöntemi veri kümesine uygulandıktan sonra, yeni oluşan özellik değerleri ( X1( 1), X 2 (2),..., X n ( m) ) şu şekilde hesaplanır (denklem 1): xi, j Xi, j = (1) Toplam Öklit Mesafesi j X i, j, veri kümesinin yeni özellik değeridir, x i, j, veri kümesinin eski özellik değeridir ( i = 1,2,..., n ve j = 1, 2,..., m için). i, özelliğin ham değeri; j, özellik sayısıdır. Trafik kazaları veri kümesinin yüklenmesi Her bir özellikteki veriler arasındaki toplam öklit mesafesinin hesaplanması Her bir özellikte, her bir özelliğe ait toplam öklit mesafelerinin her bir özellikteki verilere bölünmesi Her bir özelliğe ait bu oranları (bölümlerin) hesaplanmasıyla özellik ölçekleme işleminin gerçekleştirilmesi Şekil 2: Önerilen sistemin blok diyagramı Şekil 3: Önerilen komşu tabanlı özellik ölçekleme yönteminin blok diyagramı 144
3 KTÖÖ yönteminin üstünlüğü daha iyi görebilmek için maksimum değer normalizasyon yöntemi kullanılmıştır. Bu yöntem kısaca aşağıda anlatılmıştır. Normalizasyon Yöntemi: Bu normalizasyon yönteminde, veri kümesinde her bir özelliğin maksimum değerleri bulunur. Daha sonra, her bir özellik içerisindeki veri kendi maksimum değerine bölünür ve bu yolla veri normalize edilir. Yöntem şu şekilde çalışır: Bir A veri kümesi, n özellik ve m veriden oluşsun. Y, A veri kümesinin çıkış değişkeni olsun. kümesi; x1 ( 1), x2 (2),..., xn ( m) ve Y çıkış değişkeni ise Y1 ( 1), Y2 (2),..., Yn ( m) olsun. değer normalizasyonu veri kümesine uygulandıktan sonra, yeni oluşan özellikler ( X1( 1), X 2 (2),..., X n ( m) ) şu şekilde hesaplanır (denklem 2): xi, j Xi, j = (2) Degerj aşamada ise destek vektör makineleri kullanılmıştır. Eğitme ve test veri kümesi ayrımları rastgele olarak toplam veri kümesinin %50 si eğitme veri kümesi ve %50 si ise test veri kümesi olarak yapılmıştır. Önerilen sistemin başarısını test etmek için sınıflama doğruluğu, hassasiyet, seçicilik ve f- ölçümü değerleri kullanılmıştır. Şekil 4, ham trafik kazaları veri kümesi ve KTÖÖ ile yöntemi ile ölçeklenmiş trafik kazaları veri kümesinin kutu grafik gösterimlerini vermektedir. Kutu-grafik gösteriminde, kırmızı nokta her bir özelliğe ait medyan değerini ve medyandan sonraki değerler de veriye ait %25 ve %75 lik dilimleri göstermektedir. Şekil 5 ise trafik kazaları veri kümesinin ilk üç özelliğine göre ham veri kümesinin dağılımını göstermektedir. Şekil 6, KTÖÖ ile ölçeklenmiş trafik kazaları veri kümesinin ilk üç özelliğe göre sınıf dağılımlarını göstermektedir. X i, j, veri kümesinin yeni özellik değeridir, x i, j, veri kümesinin eski özellik değeridir ( i = 1, 2,..., n ve j = 1,2,..., m için). i, özelliğin ham değeri; j, özellik sayısıdır Destek Vektör Makineleri (DVM) Destek vektör makineleri, Vapnik tarafından önerilen lineer olmayan problemleri çözmek amacıyla oluşturulmuş istatistiksel bir öğrenme yöntemidir [7], [8]. DVM, genellikle kernel tabanlı öğrenmede son zamanlarda birçok yeniliğe neden olan yoğunluk tahmini ve ayrıca lineer olmayan sınıflama fonksiyon tahmin problemlerinin çözümünde güçlü bir yöntemdir. DVM genel olarak iki sınıflı bir sınıflandırıcıdır ve verilen bir örüntü değerini özelliklerine göre iki kategoriye ayrılır [7], [8]. DVM sınıflandırıcıda, bir tahmin değişkeni özellik olarak adlandırılır ve hiper düzlemi tanımlamak için kullanılan bir özellik, karakterize edilmiş bir özellik olarak adlandırılır. DVM sınıflandırıcı, lineer olarak ayrılamayan veri kümelerinin sınıflandırılmasında kernel fonksiyonları (RBF, lineer ve MLP gibi) kullanırlar [7], [8]. Bu sayede, lineer olarak ayrılamayan bir veri kümesi daha yüksek boyutlu ve lineer olarak ayrılabilir bir dağılıma dönüştürülmüş olur. Bu çalışmada, kernel fonksiyonu olarak RBF (Radial Basis Function) kernel kullanıldı ve DVM deki parametre ayarları deneme-yanılma yoluyla belirlendi. Kernel fonksiyonunda, gama değeri 100 olarak, sigma değeri de 0.9 olarak seçildi. Şekil 4: Ham trafik kazaları veri kümesi ve KTÖÖ ile yöntemi ile ölçeklenmiş trafik kazaları veri kümesinin kutu grafik gösterimleri 4. DENEYSEL SONUÇLAR VE ÖNERİLER Bu bildiride, coğrafi bilgi sistemleri yardımıyla oluşturulan verilere dayanarak Konya-Afyonkarahisar anayolundaki trafik kazaları veri kümesi, komşu tabanlı özellik ölçekleme yöntemi ve destek vektör makineleri sınıflandırıcının birleşimi ile oluşturulan hibrid sistem ile ya kazalı ya da kazasız olarak sınıflandırıldı. Veri ön-işleme olarak önerilen komşu tabanlı özellik ölçekleme yöntemi, her bir özellik için veriler arasındaki mesafe ve komşuluğa dayanan yeni bir veri ölçekleme yöntemidir. Bu yöntemin kullanılma ve oluşturulma amacı, lineer olarak ayrılamayan veri kümelerini lineer olarak ayrılabilir bir hale dönüştürmek ve sınıf içerisindeki verileri bir araya toplamaktır. Bu çalışma iki aşamadan oluşmaktadır. İlk aşamada veri ön-işleme aşaması ikinci aşama ise sınıflama aşamasıdır. Birinci aşamada, KTÖÖ yönteminin yanı sıra maksimum değer normalizasyon yöntemi kullanılmıştır. İkici 145
4 Elektrik-Elektronik ve Bilgisayar Sempozyumu 2011 ayrılabilir bir hale dönüştürmüştür. Bu yöntem trafik kazalarının önlenmesi ve sınıflandırılmasında güvenli bir şekilde kullanılabilir. Gelecekte, hava ve ortam şartlarına göre CBS nin yardımıyla daha fazla bilgi toplanarak çevrimiçi bir akıllı sistem tasarlanabilir. Tablo 1: Trafik kazaları veri kümesinin istatistiksel değerleri (ön-işlemesiz) ,23 1, ,36 8, ,53 21, ,502 1, ,74 3,16 Tablo 2: değer normalizasyon yöntemi ile normalize edilmiş trafik kazaları veri kümesinin istatistiksel değerleri (normalizeli) Şekil 5: İlk üç özelliğe göre ham trafik kazaları veri kümesinin sınıf dağılımı ,538 0, ,558 0, ,475 0, ,375 0, ,613 0,287 Tablo 3: KTÖÖ ile ölçeklenmiş trafik kazaları veri kümesinin istatistiksel değerleri (ölçeklenmiş) 1 0,027 0,26 0,138 0,07 2 0,0269 1,007 0,459 0, ,149 0,698 0,405 0, ,081 0,449 0,213 0, ,301 3,618 2,33 0,953 Tablo 4: Üç hibrid yöntem kullanılarak trafik kazaları veri kümesinin sınıflandırılması elde edilen değerler Kullanılan Yöntem 1. Ham trafik kazaları verisi ile DVM sınıflama S.D. Seçi. Hass. F- (%) (%) (%) ölçümü Şekil 6:İlk üç özelliğe göre KTÖÖ ile ölçeklenmiş trafik kazaları veri kümesinin sınıf dağılımı Tablo 1, ham trafik kazaları veri kümesinin istatiksel değerleri (minimum değer, maksimum değer, ortalama değer ve standart sapma) vermektedir. Tablo 2, maksimum değer normalizasyon yöntemi ile normalize edilmiş trafik kazaları veri kümesinin istatiksel değerlerini göstermektedir. Tablo 3 ise, KTÖÖ ile ölçeklenmiş trafik kazaları veri kümesinin istatistiksel değerlerini göstermektedir. Tablo 4, üç hibrid sistem kullanılarak elde edilen sonuçları (sınıflama doğruluğu, hassasiyet, seçicilik ve f-ölçümü) göstermektedir. Bu sonuçlardan görüldüğü gibi, önerilen komşu tabanlı özellik ölçekleme yöntemi en iyi sonucu elde etmiş ve lineer olarak ayrılamayan trafik kazaları veri kümesini daha kolay 2.Ölçeklenmiş trafik kazaları verisi ile DVM sınıflama Normalize edilmiş trafik kazaları verisi ile DVM sınıflama Not: S.D.: Sınıflama Doğruluğu; Seçi.: Seçicilik; Hass.: Hassasiyet değerlerini göstermektedir. TEŞEKKÜR Trafik kazaları veri kümesini sağlamada yardımcı olan Doç. Dr. S. Savaş Durduran a çok teşekkür ederiz. 146
5 5. KAYNAKLAR [1] WHO, WHO Injury Chart BookDepartment of InjuriesandViolencePreventionNoncommunicableDiseas esandmentalhealth Cluster, World HealthOrganization, Geneva, [2] Polat, K., Durduran, S.S., Ensemble of Classifiers for Intelligent Recognition of Traffic Accidents using Geographical Information Systems platform, ISCSE 2010, , June 3-5, Aydın, [3] Durduran, S.S., A decision making system to automatic recognize of traffic accidents on the basis of a GIS platform, Expert Systems with Applications, 37(12), , [4] WRTIP, The World Report on Traffic Injury Prevention The Fundementals, Chapter One, Geneva, [5] WHO, WHO Injury Chart Book Department of InjuriesandViolencePreventionNoncommunicableDiseas esandmentalhealth Cluster, World Health Organization, Geneva, [6] Sawalha Z. andsayed D., Transferability of accident prediction models, Safety Science, Vol. 44: , [7] Corinna Cortesand V. Vapnik, "Support-Vector Networks", Machine Learning, 20, [8] Polat, K., Güneş,S., Breast cancer diagnosis using leasts square support vector machine, Digital Signal Processing, 17(4), , [9] Polat, K., A novel data preprocessing method to estimate the air pollution (SO2): neighbor-based feature scaling (NBFS), Neural Computing & Applications, Basımda, 2011, DOI: /s x. [10] Polat, K., Durduran, SS., Subtractive clustering attribute weighting (SCAW) to discriminate the traffic accidents on Konya Afyonkarahisar highway in Turkey with the help of GIS: A case study, Advances in Engineering Software, 42(7), 2011,
Uzaktan Algılama Teknolojileri
Uzaktan Algılama Teknolojileri Ders 11 Hiperspektral Görüntülerde Kümeleme ve Sınıflandırma Alp Ertürk alp.erturk@kocaeli.edu.tr Sınıflandırma Sınıflandırma işleminin amacı, her piksel vektörüne bir ve
DetaylıYAPAY SİNİR AĞI KULLANARAK DEPREM EĞİLİMİNİN KESTİRİMİ. Umut FIRAT
YAPAY SİNİR AĞI KULLANARAK DEPREM EĞİLİMİNİN KESTİRİMİ Umut FIRAT ufirat@yahoo.com Öz: Depremler yeryüzünde en çok yıkıma neden olan doğal afetlerdir. Bu durum, depremlerin önceden tahmin edilmesi fikrini
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
DetaylıİŞARET ve SİSTEMLER (SIGNALS and SYSTEMS) Dr. Akif AKGÜL oda no: 303 (T4 / EEM)
İşaret ve Sistemler İŞARET ve SİSTEMLER (SIGNALS and SYSTEMS) Dr. Akif AKGÜL aakgul@sakarya.edu.tr oda no: 303 (T4 / EEM) Kaynaklar: 1. Signals and Systems, Oppenheim. (Türkçe versiyonu: Akademi Yayıncılık)
DetaylıTürkçe Dokümanlar Ġçin Yazar Tanıma
Türkçe Dokümanlar Ġçin Yazar Tanıma Özcan KOLYĠĞĠT, Rıfat AġLIYAN, Korhan GÜNEL Adnan Menderes Üniversitesi, Matematik Bölümü Bölümü, Aydın okolyigit@gmail.com, rasliyan@adu.edu.tr, kgunel@adu.edu.tr Özet:
DetaylıDestekçi Vektör Makineleri. Destekçi Vektör Makineleri(Support Vector Machines)
Destekçi Vektör Makineleri Destekçi Vektör Makineleri(Support Vector Machines) Değişkenler arasındaki örüntülerin bilinmediği veri setlerindeki sınıflama problemleri için önerilmiş bir makine öğrenmesi
DetaylıKAHKAHA TANIMA İÇİN RASSAL ORMANLAR
KAHKAHA TANIMA İÇİN RASSAL ORMANLAR Heysem Kaya, A. Mehdi Erçetin, A. Ali Salah, S. Fikret Gürgen Bilgisayar Mühendisliği Bölümü Boğaziçi Üniversitesi / Istanbul Akademik Bilişim'14, Mersin, 05.02.2014
Detaylı2011 Third International Conference on Intelligent Human-Machine Systems and Cybernetics
2011 Third International Conference on Intelligent Human-Machine Systems and Cybernetics Özet: Bulanık bir denetleyici tasarlanırken karşılaşılan en önemli sıkıntı, bulanık giriş çıkış üyelik fonksiyonlarının
DetaylıKitle: Belirli bir özelliğe sahip bireylerin veya birimlerin tümünün oluşturduğu topluluğa kitle denir.
BÖLÜM 1: FREKANS DAĞILIMLARI 1.1. Giriş İstatistik, rasgelelik içeren olaylar, süreçler, sistemler hakkında modeller kurmada, gözlemlere dayanarak bu modellerin geçerliliğini sınamada ve bu modellerden
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
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.
DetaylıUzman Sistemlerin Tiroit Teşhisinde Kullanılması
Uzman Sistemlerin Tiroit Teşhisinde Kullanılması Ramazan SOLMAZ, Mücahid GÜNAY, Ahmet ALKAN Elektrik Elektronik Mühendisliği Bölümü, KSU, Kahramanmaraş rsolmaz@ksu.edu.tr, gunay@ksu.edu.tr, aalkan@ksu.edu.tr
DetaylıSıklık Tabloları, BASİT ve TEK değişkenli Grafikler Ders 3 ve 4 ve 5
Sıklık Tabloları, BASİT ve TEK değişkenli Grafikler Ders 3 ve 4 ve 5 Sıklık Tabloları Veri dizisinde yer alan değerlerin tekrarlama sayılarını içeren tabloya sıklık tablosu denir. Tek değişken için çizilen
DetaylıKaradeniz Teknik Üniversitesi, GISLab Trabzon. www.gislab.ktu.edu.tr
Planlamada Uygulama Araçları Yrd. Doç. Dr. Volkan YILDIRIM,yvolkan@ktu.edu.tr Karadeniz Teknik Üniversitesi, GISLab Trabzon www.gislab.ktu.edu.tr II. Ders_İçerik 6. Planlamada Veri Yönetimi Coğrafi Bilgi
DetaylıBULANIK MANTIK ile KONTROL
BULANIK MANTIK ile KONTROL AFYON KOCATEPE ÜNİVERSİTESİ Bulanık mantığın temel prensipleri: Bulanık küme sözel değişkenleri göstermek için kullanılır. Az sıcak, biraz soğuk gibi bulanık mantık üyelik fonksiyonları
DetaylıTÜRKİYE NİN BİTKİ ÖRTÜSÜ DEĞİŞİMİNİN NOAA UYDU VERİLERİ İLE BELİRLENMESİ*
TÜRKİYE NİN BİTKİ ÖRTÜSÜ DEĞİŞİMİNİN NOAA UYDU VERİLERİ İLE BELİRLENMESİ* Determination the Variation of The Vegetation in Turkey by Using NOAA Satellite Data* Songül GÜNDEŞ Fizik Anabilim Dalı Vedat PEŞTEMALCI
DetaylıBAYRAM TATİLLERİNİN TRAFİK KAZALARINA ETKİLERİ Kaygısız, Ömür. 1, Düzgün, Şebnem. 2, Semiz, Emin 1
BAYRAM TATİLLERİNİN TRAFİK KAZALARINA ETKİLERİ Kaygısız, Ömür. 1, Düzgün, Şebnem. 2, Semiz, Emin 1 ÖZET Bu bildiride, 28-211 yıllarında Ramazan veya Kurban Bayramı tatilinin olduğu toplam 5 günlük dönemde
DetaylıEğitim seti (training set) sınıflandırma modelinin elde edileceği kayıtları içerir
sınıflandırma: temel kavramlar, karar ağaçları ve model değerlendirme Sınıflandırma : Tanım Eğitim seti (training set) sınıflandırma modelinin elde edileceği kayıtları içerir Eğitim setindeki her kayıt
DetaylıKABA KÜME TEORİSİ (Rough Set Theory) Dr. Sedat TELÇEKEN
KABA KÜME TEORİSİ (Rough Set Theory) Dr. Sedat TELÇEKEN Giriş Bilgi teknolojisindeki gelişmeler ve verilerin dijital ortamda saklanmaya başlanması ile yeryüzündeki bilgi miktarı her 20 ayda iki katına
Detaylı7. BÖLÜM İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI .= 1 1 + + Genel: Vektörler bölümünde vektörel iç çarpım;
İÇ ÇARPIM UZAYLARI 7. BÖLÜM İÇ ÇARPIM UZAYLARI Genel: Vektörler bölümünde vektörel iç çarpım;.= 1 1 + + Açıklanmış ve bu konu uzunluk ve uzaklık kavramlarını açıklamak için kullanılmıştır. Bu bölümde öklit
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
DetaylıProf.Dr.İhsan HALİFEOĞLU
Prof.Dr.İhsan HALİFEOĞLU FREKANS DAĞILIMLARINI TANIMLAYICI ÖLÇÜLER Düzenlenmiş verilerin yorumlanması ve daha ileri düzeydeki işlemler için verilerin bütününe ait tanımlayıcı ve özetleyici ölçülere ihtiyaç
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimsiz Öğrenmenin Temelleri Kümeleme Uzaklık Fonksiyonları Öklid Uzaklığı Manhattan
DetaylıFIRAT ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ/YAZILIM MÜHENDİSLİĞİ (DR)
FATİH ERTAM DOKTOR ÖĞRETİM ÜYESİ E-Posta Adresi fatih.ertam@firat.edu.tr Telefon (İş) Telefon (Cep) Faks Adres 4242370000-7640 5356514539 Fırat Üniversitesi Teknoloji Fakültesi B Blok Adli Bilişim Mühendisliği
DetaylıUzaktan Algılama Uygulamaları
Aksaray Üniversitesi Uzaktan Algılama Uygulamaları Doç.Dr. Semih EKERCİN Harita Mühendisliği Bölümü sekercin@aksaray.edu.tr 2010-2011 Bahar Yarıyılı Uzaktan Algılama Uygulamaları GÖRÜNTÜ İŞLEME TEKNİKLERİ
DetaylıMakine Öğrenmesi 2. hafta
Makine Öğrenmesi 2. hafta Uzaklığa dayalı gruplandırma K-means kümeleme K-NN sınıflayıcı 1 Uzaklığa dayalı gruplandırma Makine öğrenmesinde amaç birbirine en çok benzeyen veri noktalarını aynı grup içerisinde
DetaylıTEMEL İSTATİSTİKİ KAVRAMLAR YRD. DOÇ. DR. İBRAHİM ÇÜTCÜ
TEMEL İSTATİSTİKİ KAVRAMLAR YRD. DOÇ. DR. İBRAHİM ÇÜTCÜ 1 İstatistik İstatistik, belirsizliğin veya eksik bilginin söz konusu olduğu durumlarda çıkarımlar yapmak ve karar vermek için sayısal verilerin
DetaylıSPATIAL STATISTICAL ANALYSIS OF THE EFFECTS OF URBAN FORM INDICATORS ON ROAD-TRAFFIC NOISE EXPOSURE OF A CITY IN SOUTH KOREA
SPATIAL STATISTICAL ANALYSIS OF THE EFFECTS OF URBAN FORM INDICATORS ON ROAD-TRAFFIC NOISE EXPOSURE OF A CITY IN SOUTH KOREA Hunjae Ryu, In Kwon Park, Bum Seok Chun, Seo Il Chang Güney Kore de Bir Kentin
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
DetaylıHAVADAN LAZER TARAMA ve SAYISAL GÖRÜNTÜ VERİLERİNDEN BİNA TESPİTİ VE ÇATILARIN 3 BOYUTLU MODELLENMESİ
Akdeniz Üniversitesi Uzay Bilimleri ve Teknolojileri Bölümü Uzaktan Algılama Anabilim Dalı HAVADAN LAZER TARAMA ve SAYISAL GÖRÜNTÜ VERİLERİNDEN BİNA TESPİTİ VE ÇATILARIN 3 BOYUTLU MODELLENMESİ Dr.Nusret
DetaylıKümeler arası. Küme içi. uzaklıklar. maksimize edilir. minimize edilir
Kümeleme Analizi: Temel Kavramlar ve Algoritmalar Kümeleme Analizi Nedir? Her biri bir dizi öznitelik ile, veri noktalarının bir kümesi ve noktalar arasındaki benzerliği ölçen bir benzerlik ölçümü verilmiş
DetaylıFREKANS VERİLERİ. Prof.Dr. Levent ŞENYAY III - 1
3 FREKANS VERİLERİ 3.1. Frekans Tablolarının Düzenlenmesi 3.2. Frekans poligonu 3.3. Frekans tablosu hazırlama 3.4. Frekans Histogramı 3.5. Frekans eğrisi tipleri 3.6. Diğer İstatistiksel Grafik Gösterimler
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.
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Sınıflandırıcıların Değerlendirilmesi Skorlar Karışıklık matrisi Accuracy Precision Recall
DetaylıR ILE ENERJI MODELLEMESI
DEPARTMENT OF TECHNOLOGY & OPERATIONS MANAGEMENT R ILE ENERJI MODELLEMESI EZGI AVCI, MSC,PHDC TALEP TAHMIN MODELLERI ELEKTRIK ARZ SISTEMI YONETIMI Elektrik arz sisteminin doğru planlanması ve yönetilmesi
Detaylı1. GİRİŞ Kılavuzun amacı. Bu bölümde;
1. GİRİŞ Bu bölümde; Kılavuzun amacı EViews Yardım EViews Temelleri ve Nesneleri EViews ta Matematiksel İfadeler EViews Ana Ekranındaki Alanlar 1.1. Kılavuzun amacı Ekonometri A. H. Studenmund tarafından
DetaylıBulanık Mantık Tabanlı Uçak Modeli Tespiti
Bulanık Mantık Tabanlı Uçak Modeli Tespiti Hüseyin Fidan, Vildan Çınarlı, Muhammed Uysal, Kadriye Filiz Balbal, Ali Özdemir 1, Ayşegül Alaybeyoğlu 2 1 Celal Bayar Üniversitesi, Matematik Bölümü, Manisa
DetaylıA. SCI ve SCIE Kapsamındaki Yayınlar
A. SCI ve SCIE Kapsamındaki Yayınlar A.1. Erilli N.A., Yolcu U., Egrioglu E., Aladag C.H., Öner Y., 2011 Determining the most proper number of cluster in fuzzy clustering by using artificial neural networks.
DetaylıBÖLÜM 2 VERİ SETİNİN HAZIRLANMASI VE DÜZENLENMESİ
1 BÖLÜM 2 VERİ SETİNİN HAZIRLANMASI VE DÜZENLENMESİ Veri seti; satırlarında gözlem birimleri, sütunlarında ise değişkenler bulunan iki boyutlu bir matristir. Satır ve sütunların kesişim bölgelerine 'hücre
DetaylıYrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü
Mühendislikte İstatistiksel Yöntemler Yrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü 1 Araştırma sonuçlarının açıklanmasında frekans tablosu
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
DetaylıDeneysel Verilerin Değerlendirilmesi. Dersi Veren Öğretim Üyeleri: Yrd. Doç. Dr. Özge ANDİÇ ÇAKIR. Prof. Dr. Murat ELİBOL FİNAL SINAVI
Deneysel Verilerin Değerlendirilmesi Dersi Veren Öğretim Üyeleri: Yrd. Doç. Dr. Özge ANDİÇ ÇAKIR Prof. Dr. Murat ELİBOL FİNAL SINAVI Ödevi Hazırlayan: Özge AKBOĞA 91100019124 (Doktora) Güz,2012 İzmir 1
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 İçerik Sınıflandırma yöntemleri Karar ağaçları ile sınıflandırma Entropi Kavramı ID3 Algoritması C4.5
DetaylıK-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi
K-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi Erdal TAŞCI* Aytuğ ONAN** *Ege Üniversitesi Bilgisayar Mühendisliği Bölümü **Celal Bayar Üniversitesi
DetaylıT.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ EĞİTİM ÖĞRETİM YILI DERS KATALOĞU
T.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ - EĞİTİM ÖĞRETİM YILI DERS KATALOĞU Ders Kodu Bim Kodu Ders Adı Türkçe Ders Adı İngilizce Dersin Dönemi T Snf Açıl.Dönem P
DetaylıAyrık zamanlı sinyaller için de ayrık zamanlı Fourier dönüşümleri kullanılmatadır.
Bölüm 6 Z-DÖNÜŞÜM Sürekli zamanlı sinyallerin zaman alanından frekans alanına geçişi Fourier ve Laplace dönüşümleri ile mümkün olmaktadır. Laplace, Fourier dönüşümünün daha genel bir şeklidir. Ayrık zamanlı
DetaylıBÖLÜM 6 MERKEZDEN DAĞILMA ÖLÇÜLERİ
1 BÖLÜM 6 MERKEZDEN DAĞILMA ÖLÇÜLERİ Gözlenen belli bir özelliği, bu özelliğe ilişkin ölçme sonuçlarını yani verileri kullanarak betimleme, istatistiksel işlemlerin bir boyutunu oluşturmaktadır. Temel
DetaylıBİR OFİS İÇİN TERMAL KONFOR ANALİZİNİN HESAPLAMALI AKIŞKANLAR DİNAMİĞİ YÖNTEMİ İLE MODELLENMESİ VE SAYISAL ÇÖZÜMÜ
BİR OFİS İÇİN TERMAL KONFOR ANALİZİNİN HESAPLAMALI AKIŞKANLAR DİNAMİĞİ YÖNTEMİ İLE MODELLENMESİ VE SAYISAL ÇÖZÜMÜ Hazırlayan : Kadir ÖZDEMİR No : 4510910013 Tarih : 25.11.2014 KONULAR 1. ÖZET...2 2. GİRİŞ.........3
DetaylıVERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Kümeleme İşlemleri Kümeleme Tanımı Kümeleme Uygulamaları Kümeleme Yöntemleri Kümeleme (Clustering) Kümeleme birbirine
DetaylıMETASEZGİSEL YÖNTEMLER
METASEZGİSEL YÖNTEMLER Ara sınav - 30% Ödev (Haftalık) - 20% Final (Proje Sunumu) - 50% - Dönem sonuna kadar bir optimizasyon tekniğiyle uygulama geliştirilecek (Örn: Zaman çizelgeleme, en kısa yol bulunması,
DetaylıKARAYOLU SINIFLANDIRMASI
GEOMETRİK STANDARTLARIN SEÇİMİ PROJE TRAFİĞİ ve TRAFİK TAHMİNİ KARAYOLU SINIFLANDIRMASI 2 3 Karayollarını farklı parametrelere göre sınıflandırabiliriz: Yolun geçtiği bölgenin özelliğine göre: Kırsal yollar
DetaylıBÖLÜM 5 MERKEZİ EĞİLİM ÖLÇÜLERİ
1 BÖLÜM 5 MERKEZİ EĞİLİM ÖLÇÜLERİ Gözlenen belli bir özelliği, bu özelliğe ilişkin ölçme sonuçlarını yani verileri kullanarak betimleme, istatistiksel işlemlerin bir boyutunu oluşturmaktadır. Temel sayma
Detaylı8.Konu Vektör uzayları, Alt Uzaylar
8.Konu Vektör uzayları, Alt Uzaylar 8.1. Düzlemde vektörler Düzlemdeki her noktası ile reel sayılardan oluşan ikilisini eşleştirebiliriz. Buna P noktanın koordinatları denir. y-ekseni P x y O dan P ye
DetaylıTANIMLAYICI İSTATİSTİKLER
TANIMLAYICI İSTATİSTİKLER Tanımlayıcı İstatistikler ve Grafikle Gösterim Grafik ve bir ölçüde tablolar değişkenlerin görsel bir özetini verirler. İdeal olarak burada değişkenlerin merkezi (ortalama) değerlerinin
DetaylıKümeleme Algoritmaları. Tahir Emre KALAYCI
Tahir Emre KALAYCI 2010 Gündem En önemli gözetimsiz öğrenme (unsupervised learning) problemi olarak değerlendirilmektedir Bu türdeki diğer problemler gibi etiketsiz veri kolleksiyonları için bir yapı bulmakla
DetaylıKompozit Malzemeler ve Mekaniği. Yrd.Doç.Dr. Akın Ataş
Kompozit Malzemeler ve Mekaniği Yrd.Doç.Dr. Akın Ataş Bölüm 3 Laminanın Mikromekanik Analizi Kaynak: Kompozit Malzeme Mekaniği, Autar K. Kaw, Çevirenler: B. Okutan Baba, R. Karakuzu. 3 Laminanın Mikromekanik
DetaylıMÜHENDİSLİK FAKÜLTESİ / ENSTİTÜSÜ / YÜKSEKOKULU BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ /ABD LİSANS PROGRAMI - 2 ( yılı öncesinde birinci
MÜHENDİSLİK FAKÜLTESİ / ENSTİTÜSÜ / YÜKSEKOKULU BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ /ABD LİSANS PROGRAMI - 2 (2016-17 yılı öncesinde birinci sınıfa başlayan öğrenciler için) BİRİNCİ YIL 1. Dönem CMPE113
DetaylıMAK 210 SAYISAL ANALİZ
MAK 210 SAYISAL ANALİZ BÖLÜM 5- SONLU FARKLAR VE İNTERPOLASYON TEKNİKLERİ Doç. Dr. Ali Rıza YILDIZ MAK 210 - Sayısal Analiz 1 İNTERPOLASYON Tablo halinde verilen hassas sayısal değerler veya ayrık noktalardan
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
DetaylıKredi Onayı İçin Bir Sınıflandırma Algoritması Önerisi A Classification Algorithm Advice for Credit Approval
Kredi Onayı İçin Bir Sınıflandırma Algoritması Önerisi A Classification Algorithm Advice for Credit Approval İsmail Haberal Bilgisayar Mühendisliği Bölümü Başkent Üniversitesi ihaberal@baskent.edu.tr Umut
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
DetaylıVerilerin Düzenlenmesi
Verilerin Düzenlenmesi İstatistiksel verileri anlamlı hale getirmenin 5 ayrı yolu: 1. Sözel ifadelerle açıklama 2. Tablolar halinde düzenleme 3. Seriler halinde düzenleme 4. Grafiklerle gösterme 5. Bu
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
DetaylıTRAFİK KAZA KARA NOKTALARININ BELİRLENMESİ İÇİN COĞRAFİ BİLGİ SİSTEMLERİ (CBS) DESTEKLİ MEKÂNSAL İSTATİSTİKSEL METODLARIN KULLANILMASI
TRAFİK KAZA KARA NOKTALARININ BELİRLENMESİ İÇİN COĞRAFİ BİLGİ SİSTEMLERİ (CBS) DESTEKLİ MEKÂNSAL İSTATİSTİKSEL METODLARIN KULLANILMASI M.A. DERELİ 1, S. ERDOĞAN 2, Ö. SOYSAL, A. ÇABUK, M. UYSAL, İ. TİRYAKİOĞLU,
DetaylıİÇİNDEKİLER ÖN SÖZ...
İÇİNDEKİLER ÖN SÖZ... v GİRİŞ... 1 1. İSTATİSTİK İN TARİHÇESİ... 1 2. İSTATİSTİK NEDİR?... 3 3. SAYISAL BİLGİDEN ANLAM ÇIKARILMASI... 4 4. BELİRSİZLİĞİN ELE ALINMASI... 4 5. ÖRNEKLEME... 5 6. İLİŞKİLERİN
Detaylıİşaret ve Sistemler. Ders 1: Giriş
İşaret ve Sistemler Ders 1: Giriş Ders 1 Genel Bakış Haberleşme sistemlerinde temel kavramlar İşaretin tanımı ve çeşitleri Spektral Analiz Fazörlerin frekans düzleminde gösterilmesi. Periyodik işaretlerin
DetaylıVeri Kümeleme Algoritmalarının Performansları Üzerine Karşılaştırmalı Bir Çalışma
Akademik Bilişim 07 - IX. Akademik Bilişim Konferansı Bildirileri 31 Ocak - Şubat 007 Dumlupınar Üniversitesi, Kütahya Veri leme Algoritmalarının Performansları Üzerine Karşılaştırmalı Bir Çalışma Pamukkale
DetaylıCOĞRAFİ BİLGİ SİSTEMLERİYLE ŞEHİRİÇİ TRAFİK KAZA ANALİZİ: ISPARTA ÖRNEĞİ
COĞRAFİ BİLGİ SİSTEMLERİYLE ŞEHİRİÇİ TRAFİK KAZA ANALİZİ: ISPARTA ÖRNEĞİ Meltem TUNCUK 1, Mustafa KARAŞAHİN 2 1 Öğr. Gör., S.D.Ü. Müh. Mim. Fak. İnşaat Müh. Bölümü, Isparta 2 Prof. Dr., S.D.Ü. Müh. Mim.
DetaylıÖZGEÇMİŞ. 1. Adı Soyadı : Olcay Taner Yıldız. 2. Doğum Tarihi : 15.05.1976. 3. Unvanı : Doç. Dr. 4. Öğrenim Durumu :
ÖZGEÇMİŞ 1. Adı Soyadı : Olcay Taner Yıldız 2. Doğum Tarihi : 15.05.1976 3. Unvanı : Doç. Dr. 4. Öğrenim Durumu : Derece Alan Üniversite Yıl Lisans Bilgisayar Mühendisliği Boğaziçi Üniversitesi 1997 Y.
DetaylıEvren (Popülasyon) Araştırma kapsamına giren tüm elemanların oluşturduğu grup. Araştırma sonuçlarının genelleneceği grup
Evren (Popülasyon) Araştırma kapsamına giren tüm elemanların oluşturduğu grup Araştırma sonuçlarının genelleneceği grup Evrendeğer (Parametre): Değişkenlerin evrendeki değerleri µ : Evren Ortalaması σ
DetaylıGİRİŞ. Bilimsel Araştırma: Bilimsel bilgi elde etme süreci olarak tanımlanabilir.
VERİ ANALİZİ GİRİŞ Bilimsel Araştırma: Bilimsel bilgi elde etme süreci olarak tanımlanabilir. Bilimsel Bilgi: Kaynağı ve elde edilme süreçleri belli olan bilgidir. Sosyal İlişkiler Görgül Bulgular İşlevsel
DetaylıYaz.Müh.Ders Notları #6 1
YAZILIM MÜHENDİSLİĞİ Prof.Dr. Oya Kalıpsız GİRİŞ 1 YAZILIM YETERLİLİK OLGUNLUK MODELİ Olgunluk Seviyeleri: Düzey 1. Başlangıç düzeyi: Yazılım gelişimi ile ilişkili süreçlerin tanımlanması için hiçbir sistematik
DetaylıBİYOİSTATİSTİK Olasılıkta Temel Kavramlar Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH
BİYOİSTTİSTİK Olasılıkta Temel Kavramlar Yrd. Doç. Dr. slı SUNER KRKÜLH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim D. Web: www.biyoistatistik.med.ege.edu.tr 1 OLSILIK Olasılık; Tablo
DetaylıBAZI İLLER İÇİN GÜNEŞ IŞINIM ŞİDDETİ, GÜNEŞLENME SÜRESİ VE BERRAKLIK İNDEKSİNİN YENİ ÖLÇÜMLER IŞIĞINDA ANALİZİ
Güneş Günü Sempozyumu 99-28 Kayseri, 2-27 Haziran 1999 BAZI İLLER İÇİN GÜNEŞ IŞINIM ŞİDDETİ, GÜNEŞLENME SÜRESİ VE BERRAKLIK İNDEKSİNİN YENİ ÖLÇÜMLER IŞIĞINDA ANALİZİ Hüsamettin BULUT Çukurova Üni. Müh.
DetaylıANKARA ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ
ANKARA ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ SANAL ARTIRILMIŞ VE AKILLI TEKNOLOJİLER (SAAT) LABORATUVARI SAAT Laboratuvarı Koordinatör: Yrd. Doç. Dr. Gazi Erkan BOSTANCI SAAT
DetaylıYÖNEYLEM ARAŞTIRMASI - I
YÖNEYLEM ARAŞTIRMASI - I 1/19 İçerik Yöneylem Araştırmasının Dalları Kullanım Alanları Yöneylem Araştırmasında Bazı Yöntemler Doğrusal (Lineer) Programlama, Oyun Teorisi, Dinamik Programlama, Tam Sayılı
DetaylıK En Yakın Komşu Methodu (KNearest Neighborhood)
K En Yakın Komşu Methodu (KNearest Neighborhood) K-NN algoritması, Thomas. M. Cover ve Peter. E. Hart tarafından önerilen, örnek veri noktasının bulunduğu sınıfın ve en yakın komşunun, k değerine göre
DetaylıMOCKUS HİDROGRAFI İLE HAVZA & TAŞKIN MODELLENMESİNE BİR ÖRNEK: KIZILCAHAMAM(ANKARA)
MOCKUS HİDROGRAFI İLE HAVZA & TAŞKIN MODELLENMESİNE BİR ÖRNEK: KIZILCAHAMAM(ANKARA) Tunç Emre TOPTAŞ Teknik Hizmetler ve Eğitim Müdürü, Netcad Yazılım A.Ş. Bilkent, Ankara, Öğretim Görevlisi, Gazi Üniversitesi,
DetaylıOluşturulan evren listesinden örnekleme birimlerinin seçkisiz olarak çekilmesidir
Bilimsel Araştırma Yöntemleri Prof. Dr. Şener Büyüköztürk Doç. Dr. Ebru Kılıç Çakmak Yrd. Doç. Dr. Özcan Erkan Akgün Doç. Dr. Şirin Karadeniz Dr. Funda Demirel Örnekleme Yöntemleri Evren Evren, araştırma
DetaylıÇEV 2006 Mühendislik Matematiği (Sayısal Analiz) DEÜ Çevre Mühendisliği Bölümü Doç.Dr. Alper ELÇĐ
Giriş ÇEV 2006 Mühendislik Matematiği (Sayısal Analiz) DEÜ Çevre Mühendisliği Bölümü Doç.Dr. Alper ELÇĐ Sayısal Analiz Nedir? Mühendislikte ve bilimde, herhangi bir süreci tanımlayan karmaşık denklemlerin
DetaylıGÜLSER FİDANCI ZİRAAT MÜHENDİSİ UNIVERSITY OF STIRLING 28 ARALIK 2012-27 NİSAN 2013
GÜLSER FİDANCI ZİRAAT MÜHENDİSİ UNIVERSITY OF STIRLING 28 ARALIK 2012-27 NİSAN 2013 Su Ürünleri İşletmeleri İçin Yer Seçimi: Su ürünleri yetiştiriciliğinde başarıya ulaşmak ve sürdürülebilirliği sağlamak
DetaylıOnline teknik sayfa MCS100E HW-C SEOS ÇÖZÜMLERI
Online teknik sayfa A B C D E F Ayrıntılı teknik bilgiler Sistem Sipariş bilgileri Tip Stok no. Talep üzerine Uygulama yeri ve müşteri gereklilikleri doğrultusunda kullanılacak cihazın özellikleri ve spesifikasyonları
DetaylıVERİ MADENCİLİĞİ (Veri Ön İşleme-2) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Veri Ön İşleme-2) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma Kümeleme
DetaylıÖZGEÇMİŞ. Derece Alan Üniversite Yıl. Teknik Eğitim Fakültesi, Makina Eğitimi. Fen Bilimleri Enstitüsü, Makina Eğitimi A.B.
ÖZGEÇMİŞ ADI SOYADI ÜNAVI : VOLKAN : KIRMACI : YRD. DOÇ. DR. UZMANLIK ALANI : Isı transferi, Isıtma, Soğutma, Doğalgaz, Havalandırma ve İklimlendirme sistemleri. ÖĞRENİM DURUMU Derece Alan Üniversite Yıl
DetaylıKelebek Görüntülerin Sınıflandırılmasında Yeni Yerel İkili Örüntüler
Kelebek Görüntülerin Sınıflandırılmasında Yeni Yerel İkili Örüntüler Yılmaz KAYA 1, Lokman KAYCİ 2 1 Bilgisayar Mühendisliği Bölümü, Siirt Üniversitesi, 56100 Siirt 2 Biyoloji Bölümü, Siirt Üniversitesi,
DetaylıRÜZGAR ENERJİSİ KAYNAĞI VE BELİRSİZLİK
4. İzmir Rüzgâr Sempozyumu // 28-30 Eylül 2017 // İzmir RÜZGAR ENERJİSİ KAYNAĞI VE BELİRSİZLİK Prof. Dr. Barış Özerdem İzmir Ekonomi Üniversitesi Havacılık ve Uzay Mühendisliği Bölümü baris.ozerdem@ieu.edu.tr
DetaylıBÖLÜM 13 HİPOTEZ TESTİ
1 BÖLÜM 13 HİPOTEZ TESTİ Bilimsel yöntem aşamalarıyla tanımlanmış sistematik bir bilgi üretme biçimidir. Bilimsel yöntemin aşamaları aşağıdaki gibi sıralanabilmektedir (Karasar, 2012): 1. Bir problemin
DetaylıKİNETİK MODEL PARAMETRELERİNİN BELİRLENMESİNDE KULLANILAN OPTİMİZASYON TEKNİKLERİNİN KIYASLANMASI
KİNETİK MODEL PARAMETRELERİNİN BELİRLENMESİNDE KULLANILAN OPTİMİZASYON TEKNİKLERİNİN KIYASLANMASI Hatice YANIKOĞLU a, Ezgi ÖZKARA a, Mehmet YÜCEER a* İnönü Üniversitesi Mühendislik Fakültesi Kimya Mühendisliği
DetaylıDers 1 Minitab da Grafiksel Analiz-I
ENM 5210 İSTATİSTİK VE YAZILIMLA UYGULAMALARI Ders 1 Minitab da Grafiksel Analiz-I İstatistik Nedir? İstatistik kelimesi ilk olarak Almanyada devlet anlamına gelen status kelimesine dayanılarak kullanılmaya
DetaylıYZM 5257 YAPAY ZEKA VE UZMAN SİSTEMLER DERS#6: GENETİK ALGORİTMALAR
YZM 5257 YAPAY ZEKA VE UZMAN SİSTEMLER DERS#6: GENETİK ALGORİTMALAR Sınıflandırma Yöntemleri: Karar Ağaçları (Decision Trees) Örnek Tabanlı Yöntemler (Instance Based Methods): k en yakın komşu (k nearest
DetaylıDers 8: Verilerin Düzenlenmesi ve Analizi
Ders 8: Verilerin Düzenlenmesi ve Analizi Betimsel İstatistik Merkezsel Eğilim Ölçüleri Dağılım Ölçüleri Grafiksel Gösterimler Bir kitlenin tamamını, ya da kitleden alınan bir örneklemi özetlemekle (betimlemekle)
DetaylıJEODEZİK VERİLERİN İSTATİSTİK ANALİZİ. Prof. Dr. Mualla YALÇINKAYA
JEODEZİK VERİLERİN İSTATİSTİK ANALİZİ Prof. Dr. Mualla YALÇINKAYA Karadeniz Teknik Üniversitesi, Harita Mühendisliği Bölümü Trabzon, 2018 VERİLERİN İRDELENMESİ Örnek: İki nokta arasındaki uzunluk 80 kere
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
DetaylıSİSTEM ANALİZİ VE TASARIMI. Sistem Analizi -Bilgi Sistemleri-
SİSTEM ANALİZİ VE TASARIMI Sistem Analizi -Bilgi Sistemleri- Bilgi Sistemi Bilgi sistemi, karar vericiler için verileri işleyerek bilgi sağlayan çoğunlukla bilgisayara dayalı sistemlerdir. Bilgi sistemi
DetaylıYrd. Doç. Dr. A. Burak İNNER
Yrd. Doç. Dr. A. Burak İNNER Kocaeli Üniversitesi Bilgisayar Mühendisliği Yapay Zeka ve Benzetim Sistemleri Ar-Ge Lab. http://yapbenzet.kocaeli.edu.tr Regresyon o EnKüçük Kareler Yöntemi Doğru Uydurma
DetaylıPlazma İletiminin Optimal Kontrolü Üzerine
Plazma İletiminin Optimal Kontrolü Üzerine 1 Yalçın Yılmaz, 2 İsmail Küçük ve 3 Faruk Uygul *1 Faculty of Arts and Sciences, Dept. of Mathematics, Sakaya University, Sakarya, Turkey 2 Faculty of Chemical
DetaylıBÖLÜM 12 STUDENT T DAĞILIMI
1 BÖLÜM 12 STUDENT T DAĞILIMI 'Student t dağılımı' ya da kısaca 't dağılımı'; normal dağılım ve Z dağılımının da içerisinde bulunduğu 'sürekli olasılık dağılımları' ailesinde yer alan dağılımlardan bir
DetaylıELEKTRİK TESİSLERİNDE HARMONİKLERİN PASİF FİLTRE KULLANILARAK AZALTILMASI VE SİMÜLASYONU. Sabir RÜSTEMLİ
ELEKTRİK TESİSLERİNDE HARMONİKLERİN PASİF FİLTRE KULLANILARAK AZALTILMASI VE SİMÜLASYONU Sabir RÜSTEMLİ Elektrik tesislerinin güvenli ve arzu edilir bir biçimde çalışması için, tesisin tasarım ve işletim
DetaylıÖZGEÇMİŞ. Derece Alan Üniversite Yıl
1. Adı Soyadı : Atınç YILMAZ 2. Doğum Tarihi : 01/05/1983 3. Unvanı : Dr.Öğr.Üyesi 4. Öğrenim Durumu: ÖZGEÇMİŞ Derece Alan Üniversite Yıl Lisans Bilgisayar Mühendisliği Haliç Üniversitesi 2005 (Burslu)
DetaylıZamansal Veri Madenciliği ve Anomali Tespiti için Bir Uygulama
Zamansal Veri Madenciliği ve Anomali Tespiti için Bir Uygulama Mehmet Yavuz ONAT Yrd.Doç.Dr.Engin YILDIZTEPE Dokuz Eylül Üniversitesi, İstatistik Bölümü Akademik Bilişim 2015, Anadolu Üniversitesi, Eskişehir
Detaylı