Instance Based Learning k-nn. YZM 3226 Makine Öğrenmesi
|
|
- Esen Poçan
- 5 yıl önce
- İzleme sayısı:
Transkript
1 Instance Based Learning k-nn YZM 3226 Makine Öğrenmesi
2 Outline Eager vs. Lazy Learning Instance Based Learning K-Nearest Neighbor Algorithm Nearest Neighbor Approach Basic k-nearest Neighbor Classification Distance Formula k-nn Variations k-nn Time Complexity Discussion: Advantages / Disadvantages
3 Eager vs. Lazy Learning Eager learning (eg. Decision trees, SVM, NN): Bir örneklemin sınıflandırılmasından önce, training set verilerine göre sınıflandırma modelinin oluşturulması. Lazy learning (e.g., instance-based learning): Bir örnek sınıflandırılacağı anda tarining veri setinin kullanılması.
4 Eager Learning Any random movement =>It s a mouse I saw a mouse!
5 Lazy Learning Its very similar to a Desktop!!
6 Eager Learning Bir örneklemin sınıflandırılmasından önce, training set verilerine göre sınıflandırma modelinin oluşturulması. Example models: Decision tree Neural Network Support Vector Machine
7 Lazy Learning Sınıflandırılacak bir örneklem gelene kadar training verisi saklanır. Training süresi kısa fakat tahminleme/sınıflandırma süresi daha fazladır.
8 Example Lazy Learning Study Learning of a Control Task for a LEGO Mindstorms Mobile Robot
9 Lazy Learner: Instance-Based Methods Instance-based learning is a kind of lazy learning.
10 Instance Based Learning No model is learned The training instances which have been stored in memory themselves represent the knowledge Training instances are searched for instance that most closely resembles new instance
11 Instance Based Learning Typical approaches k-nearest Neighbor Weighted regression Case-based reasoning
12 k-nearest Neighbor
13 k-nearest Neighbor Basit bir instance-based learning algoritması örneğidir. Özellikler Tüm kayıtlar n boyutlu bir uzay üzerinde temsil edilir. Yeni bir örneklem geldiği anda training veri setine bakılarak sınıflandırma işlemi gerçekleştirilir. Yeni gelen örneklemin vektör değerleri ile uzaydaki tüm kayıtların vektör değerleri karşılaştırılır _ + x q _ +
14 k-nearest Neighbor Classification Sınıflandırmada (classification) kullanılan bu algoritmaya göre, sınıflandırma sırasında çıkarılan özelliklerden (feature extraction), sınıflandırılmak istenen yeni bireyin daha önceki bireylerden k tanesine yakınlığına bakılmasıdır.
15 k-nearest Neighbor Genelde real valued attributeleri destekler. Genelde Euclidean distance formülü kullanılır. dist(x,y) (x i y i ) 2 Örneklemin sınıfı, kendisine en yakın k komşunun sahip olmuş olduğu çoğunluk sınıfıdır. m i 1 ^ f (xq ) argmax v V k i 1 (v, f (x i )) where (x,y) = 1 if x = y, else 0.
16 k-nearest Neighbor All instances correspond to points in the n-d space The nearest neighbor are defined in terms of Euclidean distance, dist(x 1, X 2 ) X Stored training set patterns X Input pattern for classification --- Euclidean distance measure to the nearest three patterns
17 k-nearest Neighbor Classification Training method: Training verileri sakla Tahminleme zamanında: X örneklemine en yakın k training örneği ((x 1,y 1 ), (x k,y k ) ) bul. Tüm bu k örnek içerisindeki sınıf çoğunluğunu tahminle.
18 Example Application Document Classification (k=6) P(science )? Government Science Arts
19 Example Application Digit Recognition Yann LeCunn MNIST Digit Recognition Handwritten digits 28x28 pixel images: d = ,000 training samples 10,000 test samples Nearest neighbour is competitive
20 5-nearest neighbors: q1 is classified as negative Distance Formula Euclidian distance: square root of sum of squares of differences for two features: ( x) 2 + ( y) 2 Intuition: similar samples should be close to each other q
21 Other Distance Measures City-block distance (Manhattan dist) Cosine similarity Jaccard distance Others
22 Other Distance Measures
23 Non-Numeric Data Peki özellik değerleri sayısal değilse? Example Boolean values: Yes or no, presence or absence of an attribute Categories: Colors, educational attainment, gender Uzaklık nasıl hesaplanacak?
24 Dealing with Non-Numeric Data If the attribute a is discrete, then : da(xi,x j ) Boolean values => convert to 0 or 1 Applies to yes-no/presence-absence attributes 0, if a( xi ) a( x j ) 1, otherwise. Non-binary characterizations Use natural progression when applicable; e.g., educational attainment: GS, HS, College, MS, PHD => 1,2,3,4,5 Assign arbitrary numbers but be careful about distances; e.g., color: red, yellow, blue => 1,2,3 How about unavailable data? (0 value not always the answer)
25 Examples
26 X1 X2 Y 8 4? Euclidean distance dist(x,y) (x i y i ) 2 m i 1
27 K=3 X1 X2 Y 8 4?
28 K=3 X1 X2 Y 6 3 GOOD 10 2 BAD 9 7 BAD New instance X1 X2 Y 8 4 BAD
29 Discussion on k-nn
30 k-nn Time Complexity Suppose there are m instances and n features in the dataset Nearest neighbor algorithm requires computing m distances Each distance computation involves scanning through each feature value Running time complexity is proportional to m X n
31 Advantages Learning is very simple (fast learning) Robust to noisy data by averaging k-nearest neighbors Scales well with large number of classes In most cases it s more accurate than NB or Rocchio Easy to understand which facilitates implementation and modification.
32 Disadvantages Classification is time consuming Have to calculate the distance of the test case from all training cases Memory intensive: require significant storage The accuracy of the algorithm degrades with increase of irrelevant attributes.
Unlike analytical solutions, numerical methods have an error range. In addition to this
ERROR Unlike analytical solutions, numerical methods have an error range. In addition to this input data may have errors. There are 5 basis source of error: The Source of Error 1. Measuring Errors Data
DetaylıWEEK 11 CME323 NUMERIC ANALYSIS. Lect. Yasin ORTAKCI.
WEEK 11 CME323 NUMERIC ANALYSIS Lect. Yasin ORTAKCI yasinortakci@karabuk.edu.tr 2 INTERPOLATION Introduction A census of the population of the United States is taken every 10 years. The following table
DetaylıNATURAL LANGUAGE PROCESSING
NATURAL LANGUAGE PROCESSING LESSON 8 : LEXICAL SIMILARITY OUTLINE Lexical vs. Semantic Similarity Similarity Levenstein Distance Jaccard Similarity Cosine Similarity Vector Space Model Binary Weighting
DetaylıYüz Tanımaya Dayalı Uygulamalar. (Özet)
4 Yüz Tanımaya Dayalı Uygulamalar (Özet) Günümüzde, teknolojinin gelişmesi ile yüz tanımaya dayalı bir çok yöntem artık uygulama alanı bulabilmekte ve gittikçe de önem kazanmaktadır. Bir çok farklı uygulama
DetaylıA New Approach for Named Entity Recognition
A New Approach for Named Entity Recognition Burak Ertopçu 1, Ali Buğra Kanburoğlu 1, Ozan Topsakal 1, Onur Açıkgöz 1, Ali Tunca Gürkan 1, Berke Özenç 1, İlker Çam 1, Begüm Avar 2, Gökhan Ercan 1, Olcay
DetaylıYZM 3217 YAPAY ZEKA DERS#10: KÜMELEME
YZM 317 YAPAY ZEKA DERS#10: KÜMELEME Sınıflandırma (Classification) Eğiticili (supervised) sınıflandırma: Sınıflandırma: Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğunu bilinir Eğiticisiz (unsupervised)
DetaylıCmpE 320 Spring 2008 Project #2 Evaluation Criteria
CmpE 320 Spring 2008 Project #2 Evaluation Criteria General The project was evaluated in terms of the following criteria: Correctness (55 points) See Correctness Evaluation below. Document (15 points)
DetaylıBBM Discrete Structures: Final Exam Date: , Time: 15:00-17:00
BBM 205 - Discrete Structures: Final Exam Date: 12.1.2017, Time: 15:00-17:00 Ad Soyad / Name: Ögrenci No /Student ID: Question: 1 2 3 4 5 6 7 8 9 10 11 Total Points: 6 16 8 8 10 9 6 8 14 5 10 100 Score:
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
DetaylıGAZİOSMANPAŞA ÜNİVERSİTESİ FEN-EDEBİYAT FAKÜLTESİ/MATEMATİK BÖLÜMÜ/MATEMATİK PR.
İRFAN DELİ YARDIMCI DOÇENT E-Posta Adresi irfandeli@kilis.edu.tr Telefon (İş) Telefon (Cep) Faks Adres 3488142662-1731 3488142663 Kilis 7 aralık üniv. Eğitim fak. kilis/merkez Öğrenim Bilgisi Doktora 2010
DetaylıAkış YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
Akış Makine Öğrenmesi nedir? Günlük Hayatımızdaki Uygulamaları Verilerin Sayısallaştırılması Özellik Belirleme Özellik Seçim Metotları Bilgi Kazancı (Informaiton Gain-IG) Sinyalin Gürültüye Oranı: (S2N
DetaylıHafta 03/04 - Uzaklık/Benzerlik - En Yakın Komşular - Karar Ağaçları
Hafta 03/04 - Uzaklık/Benzerlik - En Yakın Komşular - Karar Ağaçları BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr
DetaylıCS 553 INTELLIGENT DATA ANALYSIS PROJECT WORKSHOP ORHUN ALP ORAL
1 CS 553 INTELLIGENT DATA ANALYSIS PROJECT WORKSHOP ORHUN ALP ORAL 2 PROJECT OUTLINE 1. Domain Information 2. Dataset: Extraction, Features and possible values 3. Preprocessing: Statistics, missing values,
DetaylıBBM Discrete Structures: Final Exam - ANSWERS Date: , Time: 15:00-17:00
BBM 205 - Discrete Structures: Final Exam - ANSWERS Date: 12.1.2017, Time: 15:00-17:00 Ad Soyad / Name: Ögrenci No /Student ID: Question: 1 2 3 4 5 6 7 8 9 10 11 Total Points: 6 16 8 8 10 9 6 8 14 5 10
DetaylıWEEK 4 BLM323 NUMERIC ANALYSIS. Okt. Yasin ORTAKCI.
WEEK 4 BLM33 NUMERIC ANALYSIS Okt. Yasin ORTAKCI yasinortakci@karabuk.edu.tr Karabük Üniversitesi Uzaktan Eğitim Uygulama ve Araştırma Merkezi BLM33 NONLINEAR EQUATION SYSTEM Two or more degree polinomial
DetaylıAraştırma Görevlisi İSMAİL ÇÖLKESEN
Araştırma Görevlisi İSMAİL ÇÖLKESEN ÖZGEÇMİŞ Adı Soyadı : İSMAİL ÇÖLKESEN Doğum Tarihi : 1981 Ünvanı : Dr. Öğrenim Durumu : Derece Alan Üniversite Lisans Yüksek Lisans Doktora Jeodezi ve Fotogrametri Müh.
DetaylıMetin Sınıflandırmada Benzerlik Hesaplama Tekniklerinin Değerlendirilmesi. Evaluation of Similarity Measurement Techniques for Text Classification
Metin Sınıflandırmada Benzerlik Hesaplama Tekniklerinin Değerlendirilmesi Mehmet Fatih KARACA1, Mustafa GÜNEL1, Akif Alkan TAŞTAN1 1Gaziosmanpaşa Üniversitesi, Erbaa Meslek Yüksekokulu, Tokat mehmetfatih.karaca@gop.edu.tr,
DetaylıATILIM UNIVERSITY Department of Computer Engineering
ATILIM UNIVERSITY Department of Computer Engineering COMPE 350 Numerical Methods Fall, 2011 Instructor: Fügen Selbes Assistant: İsmail Onur Kaya Homework: 1 Due date: Nov 14, 2011 You are designing a spherical
Detaylı4. HAFTA BLM323 SAYISAL ANALİZ. Okt. Yasin ORTAKCI.
4. HAFTA BLM33 SAYISAL ANALİZ Okt. Yasin ORTAKCI yasinortakci@karabuk.edu.tr Karabük Üniversitesi Uzaktan Eğitim Uygulama ve Araştırma Merkezi BLM33 NONLINEAR EQUATION SYSTEM Two or more degree polinomial
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
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
DetaylıMultiplication/division
Multiplication/division Oku H&P sections 4.6-4.8 Bir kac integer multiplication algorithm Bir integer division algorithms Floating point math 10/22/2004 Bilgisayar Mimarisi 6.1 10/22/2004 Bilgisayar Mimarisi
Detaylı1 I S L U Y G U L A M A L I İ K T İ S A T _ U Y G U L A M A ( 5 ) _ 3 0 K a s ı m
1 I S L 8 0 5 U Y G U L A M A L I İ K T İ S A T _ U Y G U L A M A ( 5 ) _ 3 0 K a s ı m 2 0 1 2 CEVAPLAR 1. Tekelci bir firmanın sabit bir ortalama ve marjinal maliyet ( = =$5) ile ürettiğini ve =53 şeklinde
DetaylıK-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi
K-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi Erdal Taşcı 1, Aytuğ Onan 2 1 Ege Üniversitesi, Bilgisayar Mühendisliği Bölümü, İzmir 2 Celal Bayar
DetaylıVeri Madenciliği Eğiticili Algoritmalar. Erdem Alparslan
Veri Madenciliği Eğiticili Algoritmalar Erdem Alparslan Gündem Sınıflandırma nedir? Öngörü nedir? Sınıflandırma ve öngörü ile ilgili konular Karar ağacı ile sınıflandırma Bayesian Sınıflandırma Geri yayılımlı
Detaylı:fä I μ ί 0 ϊ Κ fä I Τ i Я ій?-í í г T
:fä I μ ί 0 ϊ Κ fä I Τ i Я ій?-í í г T,î i к Q is ^Г äü Ä ä äу г1 ^ а ΐ il Λ ; Λ = α m. ш 9 jilu m ^ Ψ* m к» İl İfr á ГІ^ІІЙІІ i- h & t î I
DetaylıBBM Discrete Structures: Midterm 2 Date: , Time: 16:00-17:30. Question: Total Points: Score:
BBM 205 - Discrete Structures: Midterm 2 Date: 8.12.2016, Time: 16:00-17:30 Ad Soyad / Name: Ögrenci No /Student ID: Question: 1 2 3 4 5 6 7 Total Points: 12 22 10 10 15 16 15 100 Score: 1. (12 points)
DetaylıVeri Madenciliği. Bölüm 5. Sınıflandırma 1. Doç. Dr. Suat Özdemir.
Bölüm 5. Sınıflandırma 1 http://ceng.gazi.edu.tr/~ozdemir Gözetimli & Gözetimsiz Öğrenme Predictive Data Mining vs. Descriptive Data Mining Gözetimli (Supervised) öğrenme= sınıflandırma (clasification)
Detaylıa, ı ı o, u u e, i i ö, ü ü şu that (something relatively nearby) şu ekmek o that (something further away) o dondurma
Recap Çoğullar ler If the final vowel is a, ı, o or u, then use lar. limonlar, çocuklar If the final vowel is e, i, ö or ü, then use ler. zeytinler, ekmekler This, That, These and Those bu this bu limon
DetaylıYard. Doç. Dr. İrfan DELİ. Matematik
Unvanı Yard. Doç. Dr. Adı Soyadı İrfan DELİ Doğum Yeri ve Tarihi: Çivril/Denizli -- 06.04.1986 Bölüm: E-Posta Matematik irfandeli20@gmail.com, irfandeli@kilis.edu.tr AKADEMİK GELİŞİM ÜNİVERSİTE YIL Lisans
DetaylıHafta 13 - Adversarial ML
BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr İstanbul Şehir Üniversitesi 2018 - Bahar İçindekiler
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
DetaylıA Y I K BOYA SOBA SOBA =? RORO MAYO MAS A A YÖS / TÖBT
00 - YÖS / TÖBT. ve. sorularda, I. gruptaki sözcüklerin harfleri birer rakamla gösterilerek II. gruptaki sayılar elde edilmiştir. Soru işaretiyle belirtilen sözcüğün hangi sayıyla gösterildiğini bulunuz.
DetaylıFirst Stage of an Automated Content-Based Citation Analysis Study: Detection of Citation Sentences
First Stage of an Automated Content-Based Citation Analysis Study: Detection of Citation Sentences Zehra Taşkın, Umut Al & Umut Sezen {ztaskin, umutal, u.sezen}@hacettepe.edu.tr - 1 Plan Need for content-based
DetaylıGözetimli & Gözetimsiz Öğrenme
Bölüm 5. Sınıflandırma 1 http://ceng.gazi.edu.tr/~ozdemir Gözetimli & Gözetimsiz Öğrenme Predictive Data Mining vs. Descriptive Data Mining Gözetimli (Supervised) öğrenme= sınıflandırma (clasification)
Detaylıİleri Örüntü Tanıma Teknikleri Ve Uygulamaları İçerik
Tekrar Konular İleri Örüntü Tanıma Teknikleri Ve Uygulamaları İçerik 1. Uygulamalar ve tanımlamalar 2. Örüntü tanıma sistemleri ve bir örnek 3. Bayes karar teorisi 4. En yakın komşu sınıflandırıcıları
DetaylıVeri Madenciliği - Giriş. Erdem Alparslan
Veri Madenciliği - Giriş Erdem Alparslan Amaçlar İş zekasının önemli bir parçası olan veri madenciliğinin tanımı İş analizi ve veri madenciliğinin amaçlarının anlaşılması Veri madenciliğini kullanan çok
DetaylıEngineering Mechanics: Statics in SI Units, 12e. Equilibrium of a Particle
Engineering Mechanics: Statics in SI Units, 12e 3 Equilibrium of a Particle Bölüm Hedefleri Parçacık serbest cisim diyagramı Denge denklemleri kullanılarak parçacık denge problemleri çözümü Bölüm Özeti
DetaylıBölüm 6. Diziler (arrays) Temel kavramlar Tek boyutlu diziler Çok boyutlu diziler
Bölüm 6 Diziler (arrays) Temel kavramlar Tek boyutlu diziler Çok boyutlu diziler Chapter 6 Java: an Introduction to Computer Science & Programming - Walter Savitch 1 Genel Bakış Dizi: Hepsi aynı türde
DetaylıÖRNEK TABANLI K-STAR ALGORİTMASI İLE UZAKTAN ALGILANMIŞ GÖRÜNTÜLERİN SINIFLANDIRILMASI
ÖRNEK TABANLI K-STAR ALGORİTMASI İLE UZAKTAN ALGILANMIŞ GÖRÜNTÜLERİN SINIFLANDIRILMASI İ. Çölkesen *, T. Kavzoğlu GYTE, Mühendislik Fakültesi, Jeodezi ve Fotogrametri Müh. Bölümü, 41400 Gebze-Kocaeli (icolkesen@gyte.edu.tr,
DetaylıCurriculum Vitae. Degree Profession University Year. MSc Remote Sensing Gebze Institute of Technology 2009
Curriculum Vitae Name, Surname: ISMAIL COLKESEN Date of birth: 1981 Title: Ph.D., Assistant Professor Education : Degree Profession University Year BSc Geodesy and Photogrammetry Karadeniz Technical University
DetaylıDoküman dili tanıma için ikili örüntüler tabanlı yeni bir yaklaşım
Doküman dili tanıma için ikili örüntüler tabanlı yeni bir yaklaşım Yılmaz KAYA 1, Ömer Faruk ERTUĞRUL 2, Ramazan TEKİN 3 1 Siirt Üniversitesi, Bilgisayar Mühendisliği Bölümü 2 Batman Üniversitesi, Elektrik-Elektronik
Detaylı.. ÜNİVERSİTESİ UNIVERSITY ÖĞRENCİ NİHAİ RAPORU STUDENT FINAL REPORT
.. ÜNİVERSİTESİ UNIVERSITY... /... AKADEMİK YILI... DÖNEMİ... /... ACADEMIC YEAR... TERM ÖĞRENCİ NİHAİ RAPORU STUDENT FINAL REPORT Deneyimleriniz hakkındaki bu rapor, Mevlana Değişim Programı nın amacına
DetaylıCHAPTER 7: DISTRIBUTION OF SAMPLE STATISTICS. Sampling from a Population
CHAPTER 7: DISTRIBUTION OF SAMPLE STATISTICS Sampling from a Population Örnek: 2, 4, 6, 6, 7, 8 say lar ndan oluşan bir populasyonumuz olsun Bu say lardan 3 elemanl bir örneklem (sample) seçebiliriz. Bu
DetaylıGelir Dağılımı ve Yoksulluk
19 Decembre 2014 Gini-coefficient of inequality: This is the most commonly used measure of inequality. The coefficient varies between 0, which reflects complete equality and 1, which indicates complete
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.
DetaylıKorelasyon ve Regresyon
Korelasyon ve Regresyon Kazanımlar 1 2 3 4 5 6 Değişkenlerin ilişkisini açıklamak ve hesaplamak için Pearson korelasyon katsayısı Örneklem r ile evren korelasyonu hakkında hipotez testi yapmak Spearman
DetaylıCENTROID SINIFLAYICILAR YARDIMIYLA MEME KANSERİ TEŞHİSİ
Gazi Üniv. Müh. Mim. Fak. Der. Journal of the Faculty of Engineering and Architecture of Gazi University Cilt 31, No 2, 323-330, 2016 Vol 31, No 2, 323-330, 2016 CENTROID SINIFLAYICILAR YARDIMIYLA MEME
Detaylıİstanbul Şehir Üniversitesi Bahar
BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr İstanbul Şehir Üniversitesi 2018 - Bahar İçindekiler
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
DetaylıPROFESSIONAL DEVELOPMENT POLICY OPTIONS
PROFESSIONAL DEVELOPMENT POLICY OPTIONS INTRODUCTION AND POLICY EXPLORATION IN RELATION TO PROFESSIONAL DEVELOPMENT FOR VET TEACHERS AND TRAINERS IN TURKEY JULIAN STANLEY, ETF ISTANBUL, FEBRUARY 2016 INTRODUCE
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.
DetaylıMezun ( ) Sınav Salon Numarası GENEL AÇIKLAMA (GENERAL INSTRUCTIONS) In the test,
Karadeniz Teknik Üniversitesi Yabancı Uyruklu Öğrenci Sınavı (KTÜYÖS) Karadeniz Technical University The Examination for Foreign Students A TEMEL ÖĞRENME BECERİLERİ TESTİ / THE BASIC LEARNING SKILLS TEST
DetaylıKorelasyon ve Regresyon
Korelasyon ve Regresyon Kazanımlar 1 2 3 4 5 6 Değişkenlerin ilişkisini açıklamak ve hesaplamak için Pearson korelasyon katsayısı Örneklem r ile evren korelasyonu hakkında hipotez testi yapmak Spearman
Detaylı12. HAFTA BLM323 SAYISAL ANALİZ. Okt. Yasin ORTAKCI. yasinortakci@karabuk.edu.tr
1. HAFTA BLM33 SAYISAL ANALİZ Okt. Yasin ORTAKCI yasinortakci@karabuk.edu.tr Karabük Üniversitesi Uzaktan Eğitim Uygulama ve Araştırma Merkezi DIVIDED DIFFERENCE INTERPOLATION Forward Divided Differences
DetaylıYarışma Sınavı A ) 60 B ) 80 C ) 90 D ) 110 E ) 120. A ) 4(x + 2) B ) 2(x + 4) C ) 2 + ( x + 4) D ) 2 x + 4 E ) x + 4
1 4 The price of a book is first raised by 20 TL, and then by another 30 TL. In both cases, the rate of increment is the same. What is the final price of the book? 60 80 90 110 120 2 3 5 Tim ate four more
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
DetaylıPCC 6505 PROFILE CUTTING LINE
PCC 6505 PROFILE CUTTING LINE 1.DESCRIPTION PCC 6505 is a servo controlled machine which is specifically designed for the serial cutting of any kind of PVC and aluminum s in the market. The machine is
DetaylıEXAM CONTENT SINAV İÇERİĞİ
SINAV İÇERİĞİ Uluslararası Öğrenci Sınavı, 45 Genel Yetenek 35 Matematik sorusunu içeren Temel Öğrenme Becerileri Testinden oluşmaktadır. 4 yanlış cevap bir doğru cevabı götürür. Sınav süresi 90 dakikadır.
DetaylıDeterminants of Education-Job Mismatch among University Graduates
EMLT Project Determinants of Education-Job Mismatch among University Graduates Yılmaz Kılıçaslan Anadolu University ykilicaslan@anadolu.edu.tr Nilgün Çağlarırmak Uslu Anadolu University ncaglarirmak@anadolu.edu.tr
DetaylıEğiticili (supervised) öğrenme: Sınıflandırma (classification) Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğu bilinir
Eğiticili (supervised) öğrenme: Sınıflandırma (classification) Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğu bilinir Eğiticisiz (unsupervised) öğrenme: Kümeleme (clustering) Hangi nesnenin hangi
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:
DetaylıİŞLETMELERDE KURUMSAL İMAJ VE OLUŞUMUNDAKİ ANA ETKENLER
ANKARA ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ HALKLA İLİŞKİLER VE TANITIM ANA BİLİM DALI İŞLETMELERDE KURUMSAL İMAJ VE OLUŞUMUNDAKİ ANA ETKENLER BİR ÖRNEK OLAY İNCELEMESİ: SHERATON ANKARA HOTEL & TOWERS
DetaylıUBE Machine Learning. Kaya Oguz
UBE 521 - Machine Learning Kaya Oguz Support Vector Machines How to divide up the space with decision boundaries? 1990s - new compared to other methods. How to make the decision rule to use with this boundary?
DetaylıIDENTITY MANAGEMENT FOR EXTERNAL USERS
1/11 Sürüm Numarası Değişiklik Tarihi Değişikliği Yapan Erman Ulusoy Açıklama İlk Sürüm IDENTITY MANAGEMENT FOR EXTERNAL USERS You can connect EXTERNAL Identity Management System (IDM) with https://selfservice.tai.com.tr/
DetaylıVirtualmin'e Yeni Web Sitesi Host Etmek - Domain Eklemek
Yeni bir web sitesi tanımlamak, FTP ve Email ayarlarını ayarlamak için yapılması gerekenler Öncelikle Sol Menüden Create Virtual Server(Burdaki Virtual server ifadesi sizi yanıltmasın Reseller gibi düşünün
DetaylıLevel Test for Beginners 2
Level Test for Beginners 2 Directions: This is a level test Basic. Follow your teacher and proceed to the test. Your teacher will give you a score after the test. The total score is 30 points. Talimatlar:
DetaylıUzaktan 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
DetaylıAYTUĞ ONAN CELAL BAYAR ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ SERDAR KORUKOĞLU EGE ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
Metin Sınıflandırmada Öznitelik Seçim Yöntemlerinin Değerlendirilmesi AYTUĞ ONAN CELAL BAYAR ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ SERDAR KORUKOĞLU EGE ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
DetaylıMart Ayı Değerler Eğitimi. Samimiyet
Mart Ayı Değerler Eğitimi Samimiyet Darüşşafaka Orta Okulu Mart Ayı değeri olan Samimiyet değeri kapsamında etkinlik ve paylaşımlar düzenlemiştir. Yabancı diller bölümü; Samimiyet konusuyla ilgili olarak
Detaylık-en Yakın Komşu Algoritması ve Bir Uygulama (Kredi Riskini Sınıflandırma)
k-en Yakın Komşu Algoritması ve Bir Uygulama (Kredi Riskini Sınıflandırma) M. ERDAL BALABAN (mebalaban@gmail.com) Türkiye Toplum Hizmetleri Vakfı R Programlama Dili ile Veri Madenciliği Seminerleri SEMİNER
DetaylıMatematik Mühendisliği - Mesleki İngilizce
Matematik Mühendisliği - Mesleki İngilizce Tanım - Definition Tanım nasıl verilmelidir? Tanım tanımlanan ismi veya sıfatı yeterince açıklamalı, gereğinden fazla detaya girmemeli ve açık olmalıdır. Bir
DetaylıDo not open the exam until you are told that you may begin.
ÖRNEKTİR ÖRNEKTİR ÖRNEKTİR ÖRNEKTİR ÖRNEKTİR OKAN ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK BÖLÜMÜ 03.11.2011 MAT 461 Fonksiyonel Analiz I Ara Sınav N. Course ADI SOYADI ÖĞRENCİ NO İMZA Do not open
DetaylıGÜR EMRE GÜRAKSIN AFYON KOCATEPE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ / BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ / AFYONKARAHİSAR
GÜR EMRE GÜRAKSIN AFYON KOCATEPE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ / BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ / AFYONKARAHİSAR KİŞİSEL BİLGİLER İş: (272) 228 14 23 E-mail: emreguraksin@aku.edu.tr Uyruğu Doğum Yeri
DetaylıLANDSCALE landscape sequences. [Enise Burcu Derinbogaz]
48 LANDSCALE landscape sequences [Enise Burcu Derinbogaz] 49 LANDSCALE landscape sequences Peyzajın anlamı söz konusu olduğunda hepimiz biliriz ki peyzaj bir kavram olarak pek çok farklı konuyu içinde
DetaylıTHE IMPACT OF AUTONOMOUS LEARNING ON GRADUATE STUDENTS PROFICIENCY LEVEL IN FOREIGN LANGUAGE LEARNING ABSTRACT
THE IMPACT OF AUTONOMOUS LEARNING ON GRADUATE STUDENTS PROFICIENCY LEVEL IN FOREIGN LANGUAGE LEARNING ABSTRACT The purpose of the study is to investigate the impact of autonomous learning on graduate students
DetaylıBu durumda ya cozum yoktur veya sonsuz cozum vardir. KIsaca cozum tek degildir. Veya cozumler birbirine lineer bagimlidir.
Vektorlerin lineer bagimsiligi Ornek, Denklem Takimini Coun > - Ikinci denklemde erine ko (-) -) Sonuc: > - sartini saglaan butun ve ler her iki denklemi de coer. (, ), (, ), (, ),... Denklem takiminin
DetaylıVeri madenciliği yöntemleri
Sınıflandırma ve Kümeleme Kavramları Giriş Verinin içerdiği ortak özelliklere göre ayrıştırılması işlemi sınıflandırma olarak adlandırılır, veri madenciliği tekniklerinden en çok bilinenidir; veri tabanlarındaki
DetaylıArgumentative Essay Nasıl Yazılır?
Argumentative Essay Nasıl Yazılır? Hüseyin Demirtaş Dersimiz: o Argumentative Essay o Format o Thesis o Örnek yazı Military service Outline Many countries have a professional army yet there is compulsory
DetaylıBAŞKENT ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ BENZER SÜREÇLERDE ÜRETİLEN ÜRÜNLER İÇİN YAPAY ZEKA İLE ZAMAN TAHMİNİ SONER ŞÜKRÜ ALTIN
BAŞKENT ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ BENZER SÜREÇLERDE ÜRETİLEN ÜRÜNLER İÇİN YAPAY ZEKA İLE ZAMAN TAHMİNİ SONER ŞÜKRÜ ALTIN YÜKSEK LİSANS TEZİ 2011 BENZER SÜREÇLERDE ÜRETİLEN ÜRÜNLER İÇİN YAPAY
DetaylıDr. Hidayet Takçı. Veri Madenciliği Dersi G Y T E Dr. Hidayet Takçı 10/05/2008 1
Birinci Saat Veri Madenciliği: Giriş Dr. Hidayet Takçı Veri Madenciliği Dersi G Y T E Dr. Hidayet Takçı 10/05/2008 1 Neden Veri Madenciliği? Ticari Bakış Açısı Çok miktarda veri toplanmış ve ambarlanmıştır.
DetaylıÖNEMLİ PREPOSİTİONAL PHRASES
ÖNEMLİ PREPOSİTİONAL PHRASES Bu liste YDS için Önemli özellikle seçilmiş prepositional phrase leri içerir. 74 adet Toplam 74 adet İngilizce Türkçe Tür 1. with the help -ın yardımıyla with the aid -ın yardımıyla
DetaylıTHE DESIGN AND USE OF CONTINUOUS GNSS REFERENCE NETWORKS. by Özgür Avcı B.S., Istanbul Technical University, 2003
THE DESIGN AND USE OF CONTINUOUS GNSS REFERENCE NETWORKS by Özgür Avcı B.S., Istanbul Technical University, 2003 Submitted to the Kandilli Observatory and Earthquake Research Institute in partial fulfillment
DetaylıCOĞRAFİ BİLGİ SİSTEMLERİ 3D&Spatial Analyst ve ModelBuilder Eğitimi
COĞRAFİ BİLGİ SİSTEMLERİ 3D&Spatial Analyst ve ModelBuilder Eğitimi http://facebook.com/esriturkey https://twitter.com/esriturkiye egitim@esriturkey.com.tr Kursun Süresi: 5 Gün 40 Saat COĞRAFİ BİLGİ SİSTEMLERİ
DetaylıTHESIS EVALUATION FORM ...
THESIS EVALUATION FORM We certify that we have read this thesis and that in our opinion it is fully adequate, in scope and qualify as an undergraduate thesis, based on the result of the oral examination
DetaylıSeri kablo bağlantısında Windows95/98/ME'ten Windows 2000'e bağlantı Windows95/98/ME - NT4 bağlantısına çok benzer.
Seri kablo bağlantısında Windows95/98/ME'ten Windows 2000'e bağlantı Windows95/98/ME NT4 bağlantısına çok benzer. Direkt Kablo desteğini Windows95/98'e yükledikten sonra, Windows95 for Direct Cable Client
DetaylıSBR331 Egzersiz Biyomekaniği
SBR331 Egzersiz Biyomekaniği Açısal Kinematik 1 Angular Kinematics 1 Serdar Arıtan serdar.aritan@hacettepe.edu.tr Mekanik bilimi hareketli bütün cisimlerin hareketlerinin gözlemlenebildiği en asil ve kullanışlı
DetaylıÇoklu Kordinat Sistemi
Çoklu Kordinat Sistemi Uçak pistte durduğu zaman burnunun kuleye göre kordinatı: (50, 5, 0), buna karşın uçağın kordinatlarına göre pozisyonu ise:(0,0,0). Benzer bir biçimde, kulenin tabanı kule kordinat
DetaylıContext-Free Grammars and Languages
Context-Free Grammars and Languages We have seen that many languages cannot be regular. Thus we need to consider larger classes of langs, called Context- Free Languages (CFL). These langs have a natural,
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
DetaylıÖNEMLİ PREPOSİTİONAL PHRASES
ÖNEMLİ PREPOSİTİONAL PHRASES Bu liste YDS için Önemli özellikle seçilmiş prepositional phrase leri içerir. 72 adet Preposition 2 adet Toplam 74 adet Bu doküman, YDS ye hazırlananlar için dinamik olarak
DetaylıSİSMİK DARBELERİN SINIFLANDIRILARAK DEPREM TEHLİKESİNİN TAHMİN EDİLMESİ
SİSMİK DARBELERİN SINIFLANDIRILARAK DEPREM TEHLİKESİNİN TAHMİN EDİLMESİ Mehmet BİLEN 1, Ali Hakan IŞIK 2,Tuncay YİĞİT 3 1 Mehmet Akif Ersoy Üniversitesi, Çavdır Meslek Yüksek Okulu, Burdur 2 Mehmet Akif
DetaylıProperties of Regular Languages. Mart 2006 Ankara Üniversitesi Bilgisayar Mühendisliği - TY 1
Properties of Regular Languages Mart 2006 Ankara Üniversitesi Bilgisayar Mühendisliği - TY 1 Properties of Regular Languages Pumping Lemma. Every regular language satisfies the pumping lemma. If somebody
DetaylıMerhabalar, Rahat İngilizce başlangıç seti, 2. Bölüm Extra Dersine hoş geldiniz. Bu dersimizde, mini hikayemizdeki cümlelerin Türkçe anlamlarını öğreneceğiz. Haydi başlayalım. There is a woman. Her name
DetaylıKarar ağaçları overfitting e karşı çok hassastır. Birkaç alternatif karar ağacı oluşturulur ve sonuçta oylama yapılarak karar verilir.
Entropy Bir veri setindeki bozukluğu ifade eder. pi her sınıf için etiketlenen verilerin oranını gösterir. karar ağaçlarında kullanılır. Karar ağaçları (Decision Tree) Makine öğrenmesi kullanılarak, sınıflamaya
DetaylıBilgisayar ne elde eder (görüntüden)? Dijital Görüntü İşleme Fevzi Karslı, KTÜ. 08 Ekim 2013 Salı 51
Bilgisayar ne elde eder (görüntüden)? 08 Ekim 2013 Salı 51 Zorluk 1: bakış açısı 2012, Selim Aksoy 08 Ekim 2013 Salı 52 Zorluk 2: aydınlatma 08 Ekim 2013 Salı 53 Zorluk 3: oklüzyon (ölü bölge oluşumu)
DetaylıTEOG 1. MERKEZİ ORTAK SINAVLAR İNGİLİZCE DERSİ BENZER SORULARI
TEOG SINAV SORUSU-1 UNIT 2 SINIF İÇİ TARAMA TESTİ Diyalogu tamamlayan ifade hangisidir? Henry: That's my money.i don t want to give it to you. Martin:...! Don t be so stingy. Diyalogda boşluğu en iyi tamamlayan
DetaylıDoğal Dil İşlemede Eğilimler. Önceden: Yapay Zeka Tabanlı, tam olarak anlama. Şimdiki: Külliyat(Corpus)-tabanlı, İstatistiki, makine öğrenmesi içeren
Doğal Dil İşlemede Eğilimler Önceden: Yapay Zeka Tabanlı, tam olarak anlama Şimdiki: Külliyat(Corpus)-tabanlı, İstatistiki, makine öğrenmesi içeren Akış Makine Öğrenmesi nedir? Günlük Hayatımızdaki Uygulamaları
DetaylıVeri Madenciliği. Bölüm 6. Sınıflandırma 2. Doç. Dr. Suat Özdemir.
Bölüm 6. Sınıflandırma 2 http://ceng.gazi.edu.tr/~ozdemir Karar Ağacı Örnek Algoritma: ID3 Bütün nitelikler ayrık Bir düğüm oluştur N: Eğer örneklerin hepsi C sınıfına ait ise, N düğümü C etiketli yaprak
DetaylıSosyal Medyada Makine Öğrenmesi ile Duygu Analizinde Dengeli ve Dengesiz Veri Setlerinin Performanslarının Karşılaştırılması
Sosyal Medyada Makine Öğrenmesi ile Duygu Analizinde Dengeli ve Dengesiz Veri Setlerinin Performanslarının Karşılaştırılması Hatice Nizam 1, Saliha Sıla Akın 2 1 İstanbul Üniversitesi Bilgisayar Mühendisliği
Detaylı