Concept Learning. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ. Yapay Zeka - Kavram Öğrenme
|
|
- Tülay Müge Bayar
- 5 yıl önce
- İzleme sayısı:
Transkript
1 Concept Learning Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ 1
2 İÇERİK Öğrenme Metotları Kavram Öğrenme Nedir? Terminoloji Find-S Algoritması Candidate-Elimination Algoritması List-Then Elimination Algoritması Algoritmaların Kullanımına İlişkin Örnekler 2
3 Öğrenme Metotları Danışmanlı Öğrenme (Supervised Learning) Eğitim sırasında hem girdiler, hem de o girdiler karşılığında oluşturulması gereken çıktılar sisteme verilir. Bu sayede olayın girdileri ve çıktıları arasındaki ilişkiler öğrenilmektedir. 3
4 Öğrenme Metotları - II Danışmansız Öğrenme (Unsupervised Learning) Sisteme sadece girdi değerleri gösterilir ve parametreler arasındaki ilişkileri sistemin kendi kendine öğrenmesi beklenir. Danışmanlı öğrenmeye göre çok daha hızlıdır ve matematik algoritmaları daha basittir. 4
5 Öğrenme Metotları - III Takviyeli Öğrenme (Reinforcement Learning) Öğretmen, her girdi seti için olması (üretilmesi) gereken çıktı setini sisteme göstermek yerine, sistemin kendisine gösterilen girdilere karşılık çıktısını üretmesini bekler ve üretilen çıktının doğru veya yanlış olduğunu gösteren bir sinyal üretir. Bu sinyal dikkate alınarak, eğitim süreci devam ettirilir. 5
6 KAVRAM ÖĞRENME NEDİR? Kavram öğrenme, kendisine girdi olarak gelen eğitim örneklerinden yararlanılarak boolean (true-false) değerli bir fonksiyon çıkarımıdır. X: Kavramın tanımlandığı nesne kümesi, c: öğrenilecek kavram/hedef fonksiyon ise c:x {0,1}, genellikle X örnekleri üzerinde tanımlı boolean değerli bir fonksiyondur [1]. 6
7 Terminoloji c, öğrenilecek kavram c(x) 0/1, x X h hipotez, öğrenmenin sonucu h(x) 0/1, x X H, hipotezler uzayı h H D, mevcut eğitim kümesi D X İki tür eğitim örneği mevcuttur: Pozitif Örnek: x : c(x) = 1, x ϵ D Negatif Örnek: x : c(x) = 0, x ϵ D [2] 7
8 Bir Kavram Örneği Günler Hava Sıcaklık Rüzgar Nem Hava Durumu Pazartesi Güneşli Sıcak Rüzgarlı Kuru İyi Salı Güneşli Sıcak Rüzgarlı Nemli İyi Çarşamba Yağmurlu Soğuk Rüzgarlı Nemli Kötü Perşembe Güneşli Sıcak Sakin Nemli İyi Burada, her bir hava durumu örneği (xi) 4 özellikten oluşmaktadır: x1 = <Güneşli, Sıcak, Rüzgarlı, Kuru> x2 = <Bulutlu, Sıcak, Sakin, Kuru> x3 = Genel ifade: Hava Sıcaklık Rüzgar Nem şeklindedir [2]. 8
9 Bu özelliklerin sadece aşağıdaki değerleri aldığını varsayalım; Hava ϵ { Güneşli, Bulutlu,Yağmurlu } Sıcaklık ϵ { Sıcak, Soğuk } Rüzgar ϵ { Rüzgarlı, Sakin} Nem ϵ { Nemli, Kuru } Mümkün Hava Durumu sayısı: X = = 24 olacaktır [2]. 9
10 Eğitim Kümesi x 1 = <Güneşli, Sıcak, Rüzgarlı, Kuru> İyi x 2 = <Güneşli, Sıcak, Rüzgarlı, Nemli> İyi x 3 = <Yağmurlu, Soğuk, Rüzgarlı, Nemli> Kötü x 4 = < Güneşli, Sıcak, Sakin, Nemli> İyi 10
11 Hipotezler H hipotezler uzayı nasıl olacak? Her h hipotezi, X in bir alt kümesine karşılık gelir. 11
12 Problemin Gösterimi X Örnekleri: Özelliklerin birleşimi ile tanımlanan günler Hava ( Güneşli, Yağmurlu ) Sıcaklık ( Sıcak, Soğuk ) Rüzgar ( Rüzgarlı, Sakin ) Nem ( Nemli, Kuru ) Hipotezler H: Her bir h hipotezi, Hava, Sıcaklık, Rüzgar, Nem özellikleri üzerindeki kısıtlamaların birleşimiyle oluşur. Buradaki kısıtlamalar Ф veya? şeklinde girilmiş olabilir. Hedef fonksiyonu c: Hava Durumu: X {0,1} D, Eğitim Örnekleri: Hedef fonksiyonunun pozitif ve negatif örnekleri Amaç; eğitim örneklerine en iyi uyan hipotezi bulmaktır. H kümesinde öyle bir h hipotezi belirleyin ki; ( x ϵ X) için h(x)=c(x) olsun [1]. 12
13 Find-S: Finding a Maximally Specific Hypothesis En özel hipotezi bulmaya çalışır. Hedef fonksiyonun hipotez uzayında var olduğunu ve en özel hipotezin en iyi sonuca götüreceğini kabul eder. En özel hipotez ile başlanır. Eğitim örnekleri boyunca ilerlenir. Negatif eğitim örneklerini eler. Karşılaşılan pozitif örnekler de ise, eldeki bilgiyle tutarlılık kontrolü yapılır. Eğer örnek h hipotezi ile uyuşmuyorsa h hipotezi, bu yeni eğitim örneğini de barındıracak şekilde genelleştirilir. Bu süreç, tüm eğitim verisi görülünceye kadar devam eder. 13
14 Find-S Algoritması 1. h yi, H hipotez uzayı içindeki içindeki en özelleşmiş hipotez olarak ilk kullanıma hazırla 2. Her bir pozitif x eğitim örneği için h içindeki her bir ai özellik kısıtlaması için Eğer h içindeki ai kısıtlaması x tarafından sağlanıyorsa O halde bir şey yapma Değilse ai yi, h hipotezinde, x tarafından sağlanan daha genel bir kısıtlamayla değiştir. 3 h hipotezini çıktı olarak gönder [1] 14
15 Örnek Günler Hava Sıcaklık Rüzgar Nem Hava Durumu Pazartesi Güneşli Sıcak Rüzgarlı Kuru İyi Salı Güneşli Sıcak Rüzgarlı Nemli İyi Çarşamba Yağmurlu Soğuk Rüzgarlı Nemli Kötü Perşembe Güneşli Sıcak Sakin Nemli İyi h0 <Ф, Ф, Ф, Ф> (en özel) //kısıtlamaların hiçbiri sağlanmadığı için h1 <Güneşli, Sıcak, Rüzgarlı, Kuru> // eğitim örneği ile tutarlı olmalı h2 <Güneşli, Sıcak, Rüzgarlı,?> // yeni eğitim örneği ile tutarlı olmayan kısıtlamayı genelleştir. h3 <Güneşli, Sıcak, Rüzgarlı,?> // **Negatif örneği atla.(çarşamba) h4 <Güneşli, Sıcak,?,?> 15
16 Find-S Algoritması Pozitif örnekler üzerinde çalışan bu algoritma, negatif örnekleri dikkate almamaktadır. Verilen tüm eğitim örnekleri kusursuz olmalıdır. Hatalı tek bir örneğin olması algoritmanın fazla genelleme yapmasına ve oldukça kullanışsız olmasına neden olabilir. Tutarlı birden fazla hipotez varsa? Bu durumda hedef hipotezi kaçırabilir ve daha az optimal bir hipotez bulabilir [3]. 16
17 Candidate-Elimination Algoritması Aday eleme algoritması, pozitif ve negatif örnekleri birlikte dikkate alır. Pozitif örnekleri kullanarak özel durumu genele, negatif örnekleri kullanarak genel durumu da özele götürür. Eğitim örnekleri ile tutarlı olan tüm tanımlı hipotezleri bulur. 17
18 Candidate-Elimination Algoritması G = H içindeki en genel hipotez S = H içindeki en özel hipotez Her d eğitim örneği için Eğer d pozitif ise G den d ile tutarsız olan bir hipotezi çıkar S içindeki d ile tutarsız her bir s hipotezi için s i S den çıkar S e s in, bütün minimum h genellemelerini ekle S den diğerlerinden daha genel olan bir hipotezi çıkar d negatif ise S den d ile tutarsız olan bir hipotezi çıkar. G deki, d ile tutarsız olan her bir g hipotezi için g yi G den çıkar. G ye g nin bütün minimum h özelleştirmelerini ekle G den diğerlerinden daha az genel olan bir hipotezi çıkar 18
19 Örnek Hava Sıcaklık Rüzgar Nem Hava Durumu Güneşli Sıcak Rüzgarlı Kuru İyi Güneşli Sıcak Rüzgarlı Nemli İyi Yağmurlu Soğuk Rüzgarlı Nemli Kötü Güneşli Sıcak Sakin Nemli İyi S0 <Ф, Ф, Ф, Ф> G0 <?,?,?,?> S1 <Güneşli, Sıcak, Rüzgarlı, Kuru> G1 <?,?,?,?> S2 <Güneşli, Sıcak, Rüzgarlı,?> G2 <?,?,?,?> S3 <Güneşli, Sıcak, Rüzgarlı,?> G3 <Güneşli,?,?,?> <?,Sıcak,?,?> S4 <Güneşli, Sıcak,?,?> G4 <Güneşli,?,?,?> <?,Sıcak,?,?> S4 X G4 <Güneşli,Sıcak,?,?> 19
20 Örnek Günler Hava Sıcaklık Rüzgar Nem Hava Durumu Pazartesi Güneşli Sıcak Rüzgarlı Kuru İyi Salı Güneşli Sıcak Rüzgarlı Nemli İyi Çarşamba Yağmurlu Soğuk Rüzgarlı Nemli Kötü Perşembe Güneşli Sıcak Sakin Nemli İyi S0 <Ф, Ф, Ф, Ф > G0 <?,?,?,?> S1 <Güneşli, Sıcak, Rüzgarlı, Kuru> G1 <?,?,?,?> S2 <Güneşli, Sıcak, Rüzgarlı,?> G2 <?,?,?,?> S3 <Güneşli, Sıcak, Rüzgarlı,?> G3 <Güneşli,?,?,?> <?,Sıcak,?,?> S4 <Güneşli, Sıcak,?,?> G4 <Güneşli,?,?,?> <?,Sıcak,?,?> S4 X G4 <Güneşli,Sıcak,?,?> 20
21 List-Then Elimination Algoritması Hipotez uzayının sınırlı olduğu durumlarda kullanılır. Örnekler gözlemlendikçe, aday hipotez uzayı küçülür. Yorum uzayı H Her bir eğitim örneği (x, c(x)) için h(x) c(x) ise eğitim örneği ile tutarlı olmayan hipotez elenir. Yorum uzayında oluşan hipotez listesini çıkış olarak ver. Negatif eğitim örnekleri çıkarılır, sadece pozitif olanlar kalır. Bu örneklerden içerisinde bizim sınırlarımız içerisinde kalan örneklerimiz varsa true, aksi takdirde false değerini döndürür. 21
22 List-Then Elimination Algoritması Örnek Hava Sıcaklık Nem Rüzgar Deniz H.Tah.? 1 Güneşli Sıcak Normal Güçlü Ilık Aynı Evet 2 Güneşli Sıcak Yüksek Güçlü Ilık Aynı Evet 3 Yağmurlu Soğuk Yüksek Güçlü ılık Değişken Hayır 4 Güneşli Sıcak Yüksek Güçlü Serin Değişken Evet H = {<?,?,?,?,?,?>,, <Güneşli,?,?,?,?,?>, <Yağmurlu,?,?,?,?,?>,, <Ф, Ф, Ф, Ф, Ф, Ф>} List Then Eliminate algoritmasıyla, verilen H hipotez uzayı üzerinde kullanarak bu hipotez uzayında yer almayan hipotezlere örnek verin [6]. CEVAP: x1 havayı, x2 sıcaklığı temsil etsin: x1 Günesli ve x 2 Soguk Evet h1 ( x) Evet x1 Yagmurlu ve x 2 Sicak Hayir diger durumlarda 22
23 Sonuç Find-S ve Aday Eleme Algoritmaları; verilen eğitim verilerine göre öğrenme işlemini gerçekleştirip bu öğrenme işlemine göre çıkan sonuçlarla kullanıcının sorularına cevap verirler. Find-S algoritması, sadece pozitif örnekleri dikkate aldığı için aday eleme algoritmasına nazaran daha fazla hatalı sonuç verebilir. List-Then Elimination algoritması, hipotez uzayının sınırlı olduğu durumlarda kullanılır. 23
24 Kaynaklar [1] Mitchell, T. M., 1997, Machine Learning, McGraw Hill. [2] Concept Learning, 2-concept-2x3.pdf [3] 722&url=http%3A%2F%2Fcse.unl.edu%2F~sscott%2Fteach%2 FClasses%2Fcse978S06%2Fsample-ts%2F478-sample1.pdf 24
BAYES ÖĞRENMESİ BİLECİK ÜNİVERSİTESİ. Araş. Gör. Nesibe YALÇIN. Yapay Zeka-Bayes Öğrenme
BAYES ÖĞRENMESİ Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ Yapay Zeka-Bayes Öğrenme 1 İÇERİK Bayes Teoremi Bayes Sınıflandırma Örnek Kullanım Alanları Avantajları Dezavantajları Yapay Zeka-Bayes Öğrenme
DetaylıYAPAY 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
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Ara sınav - 25% Ödev (Haftalık) - 10% Ödev Sunumu (Haftalık) - 5% Final (Proje Sunumu) - 60% - Dönem sonuna kadar bir optimizasyon tekniğiyle uygulama geliştirilecek (Örn:
DetaylıMakine Öğrenmesi (COMPE 565) Ders Detayları
Makine Öğrenmesi (COMPE 565) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Uygulama Laboratuar Kredi AKTS Saati Saati Saati Makine Öğrenmesi COMPE 565 Her İkisi 3 0 0 3 7.5 Ön Koşul Ders(ler)i Dersin Dili
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
DetaylıKONU 4: DOĞRUSAL PROGRAMLAMA MODELİ İÇİN ÇÖZÜM YÖNTEMLERİ I
KONU 4: DOĞRUSAL PROGRAMLAMA MODELİ İÇİN ÇÖZÜM YÖNTEMLERİ I 4.1. Dışbükeylik ve Uç Nokta Bir d.p.p. de model kısıtlarını aynı anda sağlayan X X X karar değişkenleri... n vektörüne çözüm denir. Eğer bu
DetaylıECEM ERDURU GAMZE SERİN ZEHRA SABUR EMİNE ÖLMEZ. o TAMSAYILAR KONUSU ANLATILMAKTADIR
ECEM ERDURU GAMZE SERİN ZEHRA SABUR EMİNE ÖLMEZ o TAMSAYILAR KONUSU ANLATILMAKTADIR Sıfırın sağındaki sayılar pozitif tam sayılar, sıfırın solundaki sayılar negatif tam sayılardır. Pozitif tam sayılar,
DetaylıMEH535 Örüntü Tanıma
MEH535 Örüntü Tanıma 3. Denetimli Öğrenme Doç.Dr. M. Kemal GÜLLÜ Elektronik ve Haberleşme Mühendisliği Bölümü web: http://akademikpersonel.kocaeli.edu.tr/kemalg/ E-posta: kemalg@kocaeli.edu.tr Örneklerden
Detaylı18:00-18:50 19:00-19:50 ATATÜRK İLKELERİ VE İNKILAP TARİHİ-II. Okt. Ali Osman GÜNDÜZ NESNE TABANLI PROGRAMLAMA-II NESNE TABANLI PROGRAMLAMA-II AYAN
Pazartesi 1:00-1:50 1:55-20:45 BİLGİSAYAR DONANIMI BİLGİSAYAR DONANIMI BİLGİ 1 - İ.Ö. BİLGİ 2 - İ.Ö. Program Tarihi.02.20 T o p l u Ça rş a f L i s te : Sın ıfl a r Salı 1:00-1:50 1:55-20:45 BİLGİ 1 -
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
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,
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
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
Detaylı1.SINAVLAR SINIF DÜZEYİ DERS ADI TARİH 2.SINAVLAR 3.SINAVLAR
SINIF DÜZEYİ DERS ADI TARİH 4.Sınıf TÜRKÇE 1 Mart Salı 4.Sınıf 3 Mart Perşembe 4.Sınıf SOSYAL BİLGİLER 7 Mart Pazartesi 4.Sınıf TRAFİK GÜVENLİĞİ 9 Mart Çarşamba 4.Sınıf MATEMATİK 11 Mart Cuma 4.Sınıf FEN
DetaylıTesadüfi Değişken. w ( )
1 Tesadüfi Değişken Tesadüfi değişkenler gibi büyük harflerle veya gibi yunan harfleri ile bunların aldığı değerler de gibi küçük harflerle gösterilir. Tesadüfi değişkenler kesikli veya sürekli olmak üzere
DetaylıŞimdi de [ ] vektörünün ile gösterilen boyu veya büyüklüğü Pisagor. teoreminini iki kere kullanarak
10.Konu İç çarpım uzayları ve özellikleri 10.1. ve üzerinde uzunluk de [ ] vektörünün ile gösterilen boyu veya büyüklüğü Pisagor teoreminden dir. 1.Ö.: [ ] ise ( ) ( ) ve ( ) noktaları gözönüne alalım.
Detaylı1.SINAVLAR SINIF DÜZEYİ DERS ADI TARİH 2.SINAVLAR 3.SINAVLAR
SINIF DÜZEYİ DERS ADI TARİH 4.Sınıf 4.GENEL DEĞERLENDİRME 5 Mart Perşembe 4.Sınıf İNGİLİZCE 6 Mart Cuma 4.Sınıf SOSYAL BİLGİLER 9 Mart Pazartesi 4.Sınıf TÜRKÇE 11 Mart Çarşamba 4.Sınıf MATEMATİK 13 Mart
DetaylıBULANIK MANTIK VE SİSTEMLERİ 2014 2015 BAHAR DÖNEMİ ÖDEV 1. Müslüm ÖZTÜRK 148164001004 Bilişim Teknolojileri Mühendisliği ABD Doktora Programı
BULANIK MANTIK VE SİSTEMLERİ 2014 2015 BAHAR DÖNEMİ ÖDEV 1 Müslüm ÖZTÜRK 148164001004 Bilişim Teknolojileri Mühendisliği ABD Doktora Programı Mart 2015 0 SORU 1) Bulanık Küme nedir? Bulanık Kümenin (fuzzy
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
DetaylıÖZET...V ABSTRACT...VII TEŞEKKÜR... IX ŞEKİLLER DİZİNİ... XIV SÖZLÜK... XIX
XI İÇİNDEKİLER ÖZET...V ABSTRACT...VII TEŞEKKÜR... IX ŞEKİLLER DİZİNİ... XIV SÖZLÜK... XIX 1. GİRİŞ... 1 2. PLANLAMANIN TARİHÇESİ... 7 2.1 Literatürdeki Planlayıcılar ve Kullandıkları Problem... Gösterimi
DetaylıÖZEL AKASYA İLKÖĞRETİM OKULU 2011/2012 ÖĞRETİM YILI SINAV ÇİZELGESİ 2A SINIFI
2A SINIFI EKİM AYI KASIM AYI ARALIK AYI 24 Ekim 2011 Pazartesi 21 Kasım 2011 Pazartesi 05 Aralık 2011 Pazartesi 19 Aralık 2011 Pazartesi 02 Ocak 2012 Pazartesi 25 Ekim 2011 Salı OKULİSTİK 1 22 Kasım 2011
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
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
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
DetaylıBLM-111 PROGRAMLAMA DİLLERİ I. Ders-2 Değişken Kavramı ve Temel Operatörler
BLM-111 PROGRAMLAMA DİLLERİ I Ders-2 Değişken Kavramı ve Temel Operatörler Yrd. Doç. Dr. Ümit ATİLA umitatila@karabuk.edu.tr http://web.karabuk.edu.tr/umitatilla/ Nesne Bellekte yer kaplayan ve içeriklerine
Detaylı1 -> :25
1 -> 12 28.02.2013 14:25 1 Salı 04:58 06:40 11:47 14:17 16:33 18:04 2 Çarşamba 04:58 06:41 11:47 14:18 16:34 18:05 3 Perşembe 04:58 06:41 11:47 14:19 16:35 18:05 4 Cuma 04:58 06:41 11:48 14:20 16:36 18:06
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
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
DetaylıOPTIMIZASYON Bir Değişkenli Fonksiyonların Maksimizasyonu...2
OPTIMIZASYON.... Bir Değişkenli Fonksiyonların Maksimizasyonu.... Türev...3.. Bir noktadaki türevin değeri...4.. Maksimum için Birinci Derece Koşulu...4.3. İkinci Derece Koşulu...5.4. Türev Kuralları...5
DetaylıDers 1: Markov Zincirleri YÖNEYLEM ARAŞTIRMASI III. Markov Süreçleri Ders 4. Stokastik Süreç Nedir? Stokastik Süreç Nedir?
Ders : Markov Zincirleri YÖNEYLEM ARAŞTIRMASI III Markov Süreçleri Ders 4 Yrd. Doç. Dr. Beyazıt Ocaktan E-mail: bocaktan@gmail.com Ders İçerik: nedir? Markov Zinciri nedir? Markov Özelliği Zaman Homojenliği
DetaylıYÖNEYLEM ARAŞTIRMASI - III
YÖNEYLEM ARAŞTIRMASI - III Prof. Dr. Cemalettin KUBAT Yrd. Doç. Dr. Özer UYGUN İçerik Quadratic Programming Bir karesel programlama modeli aşağıdaki gibi tanımlanır. Amaç fonksiyonu: Maks.(veya Min.) z
DetaylıT.C. İSTANBUL VALİLİĞİ İSTEK ÖZEL KAŞGARLI MAHMUT İLKÖĞRETİM OKULU YAZILI SINAV GÜNLERİ ÖĞRETİM YILI : 2010-2011 DÖNEMİ : 1
SINIF ve ŞUBE : 4-A ALANI : TÜRKÇE 26.10.2010 29.11.2010 04.01.2011 2.DERS 4.DERS 3.DERS FEN VE TEKNOLOJİ 25.10.2010 03.12.2010 11.01.2011 PAZARTESİ CUMA 2.DERS 3.DERS 2.DERS MATEMATİK 27.10.2010 07.12.2010
DetaylıAlıştırma 1: Yineleme
Alıştırma 1: Yineleme Alıştırma 2: Yineleme H10->H2 çevrimini yapınız 7 2 1 3 2 1 1 1 2 0 Hafta 3: Yineleme Alıştırmaları(1) E1. (44/174) S değerini yineleme kullanarak hesap ediniz S = 1 + 2 + 3 + n Hafta3:
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
DetaylıAlgoritma Analizi ve Büyük O Notasyonu. Şadi Evren ŞEKER YouTube: Bilgisayar Kavramları
Algoritma Analizi ve Büyük O Notasyonu Şadi Evren ŞEKER YouTube: Bilgisayar Kavramları Algoritmaların Özellikleri Algoritmalar Input Girdi, bir kümedir, Output ÇıkF, bir kümedir (çözümdür) Definiteness
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
DetaylıVEKTÖR UZAYLARI 1.GİRİŞ
1.GİRİŞ Bu bölüm lineer cebirin temelindeki cebirsel yapıya, sonlu boyutlu vektör uzayına giriş yapmaktadır. Bir vektör uzayının tanımı, elemanları skalar olarak adlandırılan herhangi bir cisim içerir.
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.
DetaylıMODÜLER ARİTMETİK. Örnek:
MODÜLER ARİTMETİK Bir doğal sayının ile bölünmesinden elde edilen kalanlar kümesi { 0,, } dir. ile bölünmesinden elde edilen kalanlar kümesi { 0,,, } tür. Tam sayılar kümesi üzerinde tanımlanan {( x, y)
DetaylıOlasılık Kuramı ve İstatistik. Konular Olasılık teorisi ile ilgili temel kavramlar Küme işlemleri Olasılık Aksiyomları
Olasılık Kuramı ve İstatistik Konular Olasılık teorisi ile ilgili temel kavramlar Küme işlemleri Olasılık Aksiyomları OLASILIK Olasılık teorisi, raslantı ya da kesin olmayan olaylarla ilgilenir. Raslantı
DetaylıDERS 2 : BULANIK KÜMELER
DERS 2 : BULNIK KÜMELER 2.1 Gİriş Klasik bir küme, kesin sınırlamalarla verilen bir kümedir. Örneğin, klasik bir küme aşağıdaki gibi belirtilebilir: = { x x > 6 }, Kapalı sınır noktası burada 6 dır.burada
DetaylıLineer Programlama. Doğrusal terimi, hem amaç hem de kısıtları temsil eden matematiksel fonksiyonların doğrusal olduğunu gösterir.
LİNEER PROGRAMLAMA Giriş Uygulamada karşılaşılan birçok optimizasyon problemi kısıtlar içerir. Yani optimizasyon probleminde amaç fonksiyonuna ilave olarak çözümü kısıtlayıcı ek denklemler mevcuttur. Bu
DetaylıFonksiyon Minimizasyonunda Simulated Annealing Yöntemi
07-04-006 Ümit Akıncı Fonksiyon Minimizasyonunda Simulated Annealing Yöntemi İçindekiler Fonksiyon Minimizasyonu Metropolis Algoritması. Algoritma.......................................... Bir boyutlu
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
Detaylı1.SINAVLAR SINIF DÜZEYİ DERS ADI TARİH 2.SINAVLAR 3.SINAVLAR
PAMUKKALE EĞİTİM VAKFI ÖZEL PEV ORTAOKULU 2015-2016 EĞİTİM-ÖĞRETİM YILI SINIF DÜZEYİ DERS ADI TARİH 4.Sınıf TÜRKÇE 1 Mart Salı 4.Sınıf 3 Mart Perşembe 4.Sınıf SOSYAL BİLGİLER 7 Mart Pazartesi 4.Sınıf TRAFİK
DetaylıÜNİTE MATEMATİK-1 İÇİNDEKİLER HEDEFLER ÜSTEL VE LOGARİTMA FONKSİYONLARI. Prof.Dr.Ahmet KÜÇÜK. Üstel Fonksiyon Logaritma Fonksiyonu
HEDEFLER İÇİNDEKİLER ÜSTEL VE LOGARİTMA FONKSİYONLARI Üstel Fonksiyon Logaritma Fonksiyonu MATEMATİK-1 Prof.Dr.Ahmet KÜÇÜK Bu ünite çalışıldıktan sonra, Üstel fonksiyonun tanımı öğrenilecek Üstel fonksiyonun
DetaylıYakacık Koleji 2015-2016 Eğitim - Öğretim Yılı Lise Sınav Takvimi
Yakacık Koleji 2015-2016 Eğitim - Öğretim Yılı Lise Sınav Takvimi Sanav Tarihi Sınav Adı Hz. 9 10 17.10.2015 Cumartesi 1. YGS Deneme Sınavı 19.10.2015 Pazartesi 1. Mateamtik Yazılı Sınavı 20.10.2015 Salı
Detaylı1. Metrik Uzaylar ve Topolojisi
1. Metrik Uzaylar ve Topolojisi Euclidean R uzayının tabanının B = {(a, b) : a, b R} olduğunu biliyoruz. Demek ki bu uzayda belirleyiçi unsur açık aralıklar. Her açık aralık (a, b) için, olmak üzere, d
DetaylıBu bölümde cebirsel yapıların temelini oluşturan Grup ve özelliklerini inceleyeceğiz.
1 BİR İŞLEMLİ SİSTEMLER Bu bölümde cebirsel yapıların temelini oluşturan Grup ve özelliklerini inceleyeceğiz. 1.1 İŞLEMLER Bir kümeden kendisine tanımlı olan her fonksiyona birli işlem denir. Örneğin Z
DetaylıGENELLEŞTİRİLMİŞ FUZZY KOMŞULUK SİSTEMİ ÜZERİNE
ÖZEL EGE LİSESİ GENELLEŞTİRİLMİŞ FUZZY KOMŞULUK SİSTEMİ ÜZERİNE HAZIRLAYAN ÖĞRENCİ: Berk KORKUT DANIŞMAN ÖĞRETMEN: Gizem GÜNEL İZMİR 2013 İÇİNDEKİLER 1. PROJENİN AMACI 3.33 2. GİRİŞ... 3 3. YÖNTEM 3 4.
DetaylıDOKUZ EYLÜL ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ DEKANLIĞI DERS/MODÜL/BLOK TANITIM FORMU. Dersin Kodu: END 3519
Dersi Veren Birim: Endüstri Mühendisliği Dersin Türkçe Adı: YÖNEYLEM ARAŞTIRMASI I Dersin Orjinal Adı: YÖNEYLEM ARAŞTIRMASI I Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora) Lisans Dersin Kodu:
Detaylı10.Konu Tam sayıların inşası
10.Konu Tam sayıların inşası 1. Tam sayılar kümesi 2. Tam sayılar kümesinde toplama ve çarpma 3. Pozitif ve negatif tam sayılar 4. Tam sayılar kümesinde çıkarma 5. Tam sayılar kümesinde sıralama 6. Bir
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
DetaylıBLM-431 YAPAY ZEKA. Ders-4 Bilgisiz Arama Yöntemleri. Yrd. Doç. Dr. Ümit ATİLA
BLM-431 YAPAY ZEKA Ders-4 Bilgisiz Arama Yöntemleri Yrd. Doç. Dr. Ümit ATİLA umitatila@karabuk.edu.tr http://web.karabuk.edu.tr/umitatilla/ Dersin Hedefleri Aşağıda verilen arama stratejilerini anlamak
DetaylıKarar Ağacı Öğrenmesi(Decision Tree Learning)
Karar Ağacı Öğrenmesi(Decision Tree Learning) Bu yazımızda karar ağacı öğrenmesini inceleyeceğiz. Öncelikle karar ağacı öğrenmesi danışmanlı öğrenmenin, danışmanlı öğrenme de makine öğrenmesinin bir alt
DetaylıPazartesi. Ders Planı Oluşturuldu:18.09.2015. BİLGİ YÖNETİMİ 2. Snf 2. Öğr. BİLGİSAYAR PROG. 2. Snf 2. Öğr. HALKLA İLİŞKİLER VE TANITIM 2. Snf 2. Öğr.
Pazartesi ETKİNLİK YÖNETİMİ ETKİNLİK YÖNETİMİ Ders Planı Oluşturuldu:18.0.20 Toplu Çarşaf Liste : Sınıflar Salı İKNA EDİCİ İLETİŞİM İKNA EDİCİ İLETİŞİM Ders Planı Oluşturuldu:18.0.20 Çarşamba BİLGİ NE
DetaylıBÖLÜM III: Şebeke Modelleri. Şebeke Kavramları. Şebeke Kavramları. Şebeke Kavramları. Yönlü Şebeke (Directed Network) Dal / ok
8.0.0 Şebeke Kavramları BÖLÜM III: Şebeke Modelleri Şebeke (Network) Sonlu sayıdaki düğümler kümesiyle, bunlarla bağlantılı oklar (veya dallar) kümesinin oluşturduğu yapı şeklinde tanımlanabilir ve (N,A)
Detaylıİşletim Sistemlerine Giriş
İşletim Sistemlerine Giriş Bellek Yönetimi (Memory Management) İşletim Sistemlerine Giriş - Ders10_02 1 Yazılım ile LRU Benzetimi Donanım kullanmadan LRU algoritmasının yazılım ile gerçekleştirimidir.
DetaylıÖĞRENME ALANI TEMEL MATEMATİK BÖLÜM TÜREV. ALT ÖĞRENME ALANLARI 1) Türev 2) Türev Uygulamaları TÜREV
- 1 - ÖĞRENME ALANI TEMEL MATEMATİK BÖLÜM TÜREV ALT ÖĞRENME ALANLARI 1) Türev 2) Türev Uygulamaları TÜREV Kazanım 1 : Türev Kavramını fiziksel ve geometrik uygulamalar yardımıyla açıklar, türevin tanımını
DetaylıBÜYÜK VERI UYGULAMALARı DERS 3. Doç. Dr. Yuriy Mishchenko
1 BÜYÜK VERI UYGULAMALARı DERS 3 Doç. Dr. Yuriy Mishchenko BÜYÜK VERI ÇERÇEVESI Mevcut, genel biçim ve çeşitli veriler Bir genel veri modelleme yaklaşımı SAKLI İLİŞKİLER İş kararları MAKİNE ÖĞRENME 2 BÜYÜK
DetaylıYGS / Temel Matematik Soru ve Çözümleri
8 9 4 4 7 0 4 5 4 4 + 5 = 4 + 5 = 1 5 = (Cevap E) Rasyonel Sayılar 1 8 4 8 8 4 6 9 ( ) = = 6 6 4 ( ) 8 8 8 1 1 8 4 = = = 16 (Cevap D) Üstlü Sayılar 1 1 7 + = 1 1 6 6 6 7 + 1 = 7 + 1 = 81 + 1 = 9+ 1 = 10
DetaylıAST416 Astronomide Sayısal Çözümleme - II. 6. Monte Carlo
AST416 Astronomide Sayısal Çözümleme - II 6. Monte Carlo Bu derste neler öğreneceksiniz? Monte Carlo Yöntemleri Markov Zinciri (Markov Chain) Rastgele Yürüyüş (Random Walk) Markov Chain Monte Carlo, MCMC
DetaylıAnadolu Üniversitesi Endüstri Mühendisliği Bölümü İST328 Yöneylem Araştırması 2 Dersi Bahar Dönemi. Hazırlayan: Doç. Dr.
Anadolu Üniversitesi Endüstri Mühendisliği Bölümü İST8 Yöneylem Araştırması Dersi 00-0 Bahar Dönemi Hazırlayan: Doç. Dr. Nil ARAS AÇIKLAMA Bu sunu izleyen kaynaklardaki örnek ve bilgilerden faydalanarak
DetaylıElemanter fonksiyonlarla yaklaşım ve hata
Elemanter fonksiyonlarla yaklaşım ve hata Prof. Dr. Erhan Coşkun Karadeniz Teknik Üniversitesi, Fen Fakültesi Matematik Bölümü Kasım, 2018 e 5 Kasım, 2018 1 / 48 Elemanter fonksiyonlarla yaklaşım ve hata
Detaylıİleri Veri Madenciliği (COMPE 506) Ders Detayları
İleri Veri Madenciliği (COMPE 506) Ders Detayları Ders Adı İleri Veri Madenciliği Ders Kodu COMPE 506 Dönemi Ders Uygulama Laboratuar Kredi AKTS Saati Saati Saati Güz 3 0 0 3 7.5 Ön Koşul Ders(ler)i Dersin
DetaylıBulanık Mantık Bilgisayar Mühendisliği Bölümü Arasınav - 11 Nisan 2014 Süre: 1 Saat 30 Dakika
SORU 1 (20P). Bir tartı aletinin kalibrasyonunu yapmak üzere kurulan düzenekte, kalibrasyon katası ±10 gram arasında bakılmaktadır. Öyleki -10 ve altı kesinlikle NEGATİF BÜYÜK hata, +10 ve üstü kesinlikle
DetaylıBOTAŞ EBT BİLGİ YÖNETİM SİSTEMİ WEB SERVİSLERİ
BOTAŞ EBT BİLGİ YÖNETİM SİSTEMİ WEB SERVİSLERİ KULLANIM KLAVUZU 21.10.2013 Sürüm: 2.2.1 (27.12.2013) Sayfa 1 / 11 Güncellenen Bölümler Sürüm 2.2.1 Yayınlanma Tarihi 27.12.2013 Güncellenen Bölümler GUNSONUAKISGONDER
DetaylıÇalışma Soruları 1. a) x > 5 b) y < -3 c) xy > 0 d) x 3 < y e) (x-2) 2 + y 2 > 1. ( ) 2x
Çalışma Soruları. Aşağıdaki denklemleri çözünüz: 7x = 4x + b) x 7x = x 4 c) x 4 x + = 0. Aşağıdaki eşitsizliklerin çözüm kümelerini belirleyiniz ve aralıklar cinsinden ifade ediniz: 4x > 9 b) x 4 < - c)
DetaylıSORU 1: En az iki elemana sahip bir X kümesi ile bunun P (X) kuvvet. kümesi veriliyor. P (X) üzerinde 0 ; A = 1 ; A
2.2 Ölçüler SORU 1: En az iki elemana sahip bir X kümesi ile bunun P (X kuvvet kümesi veriliyor. P (X üzerinde 0 ; A (A : 1 ; A şeklinde tanımlanan dönüşümü ölçü müdür? ÇÖZÜM 1: (i Tanımdan ( 0. (ii A
DetaylıPARÇACIK SÜRÜ OPTİMİZASYONU BMÜ-579 METASEZGİSEL YÖNTEMLER YRD. DOÇ. DR. İLHAN AYDIN
PARÇACIK SÜRÜ OPTİMİZASYONU BMÜ-579 METASEZGİSEL YÖNTEMLER YRD. DOÇ. DR. İLHAN AYDIN 1995 yılında Dr.Eberhart ve Dr.Kennedy tarafından geliştirilmiş popülasyon temelli sezgisel bir optimizasyon tekniğidir.
Detaylıii) S 2LW 2WH 2LW 2WH S 2WH 2LW S 3( x 1) 5( x 2) 5 3x 3 5x x Maliye Bölümü EKON 103 Matematik I / Mart 2018 Proje 2 CEVAPLAR C.1) C.
C.1) x1 x 1 4 4( x1) x 6 4x 4 x 6 x 46 x Maliye Bölümü EKON 10 Matematik I / Mart 018 Proje CEVAPLAR C.) i) S LW WH LW WH S LW WH S W W W S L H W ii) S LW WH WH LW S WH LW S W W W S H L W C.) ( x1) 5(
DetaylıVERİ MADENCİLİĞİ (Birliktelik Kuralları) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Birliktelik Kuralları) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Birliktelik Kurallarının Tanımı Destek ve Güven Ölçütleri Apriori Algoritması Birliktelik Kuralları (Association
DetaylıÜNİT E ÜNİTE KONTROL DEYİMLERİ KARAR YAPILARI. IF Deyimi GİRİŞ
GİRİŞ KARAR YAPILARI Herhangi bir olayın gerçekleşmesinin bir veya birkaç şarta bağı olduğu durumlar vardır. Ayrıca bir şartın gerçekleşmesi durumunda meydana gelecek bir veya birden çok olay söz konusu
DetaylıSunum ve Sistematik 1. BÖLÜM: ÖNERMELER
Sunum ve Sistematik. ÜNİTE: MANTIK KONU ÖZETİ Bu başlık altında, ünitenin en can alıcı bilgileri, kazanım sırasına göre en alt başlıklara ayrılarak hap bilgi niteliğinde konu özeti olarak sunulmuştur..
DetaylıMATEMATiKSEL iktisat
DİKKAT!... BU ÖZET 8 ÜNİTEDİR BU- RADA İLK ÜNİTE GÖSTERİLMEKTEDİR. MATEMATiKSEL iktisat KISA ÖZET KOLAY AOF Kolayaöf.com 0362 233 8723 Sayfa 2 içindekiler 1.ünite-Türev ve Kuralları..3 2.üniteTek Değişkenli
DetaylıYöneylem Araştırması II
Yöneylem Araştırması II Öğr. Gör. Dr. Hakan ÇERÇİOĞLU cercioglu@gazi.edu.tr BÖLÜM I: Doğrusal Programlama Tekrarı Doğrusal Programlama Tanımı Doğrusal Programlama Varsayımları Grafik Çözüm Metodu Simpleks
DetaylıBOTAŞ EBT BİLGİ YÖNETİM SİSTEMİ WEB SERVİSLERİ
BOTAŞ EBT BİLGİ YÖNETİM SİSTEMİ WEB SERVİSLERİ KULLANIM KLAVUZU 21.10.2013 Sürüm: 2.2.0 Sayfa 1 / 10 Giriş EBT Sisteminin, Web Servisleri birinci versiyonu, BOTAŞ ile yapılan ayrıştırma çalışmalarına paralel
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
DetaylıBüyük Veri ve Endüstri Mühendisliği
Büyük Veri ve Endüstri Mühendisliği Mustafa Gökçe Baydoğan Endüstri Mühendisliği Bölümü Boğaziçi Üniversitesi İstanbul Yöneylem Araştırması/Endüstri Mühendisliği Doktora Öğrencileri Kolokyumu 21-22 Nisan
DetaylıTBP101 (4. Hafta) Alıştırma Soruları ve Cevapları
TBP101 (4. Hafta) Alıştırma Soruları ve Cevapları 1. Klavyeden girilen üç sayıyı toplayan ve ortalamasını alıp sonuçları ekrana yazdıran sözde kodunu yazınız. PROGRAM Soru1 READ A, B, C; TOP = A + B+ C;
DetaylıTeknosem ANASAYFA. Program komut butonları ve program zaman parametrelerinin bulunduğu sayfadır.
ANASAYFA 1 2 3 4 5 6 7 Sayfa Geçiş Tuşları Program komut butonları ve program zaman parametrelerinin bulunduğu sayfadır. Teknosem 1 Eksenleri Sıfırla Butonu: Sistemin ilk açılışında eksenleri sıfırla (homing)
DetaylıNegatif tam sayılar, sıfır (0) ve pozitif tam sayıların birleşimine tam sayılar denir.
Sıfırın altındaki hava sıcaklıklarını belirten, giriş katın altındaki bir katın altındaki düğmesini asansörde gösterirken, deniz seviyesinin altındaki bir yeri ifade ederken, kar-zarar durumlarında doğal
Detaylı13.Konu Reel sayılar
13.Konu Reel sayılar 1. Temel dizi 2. Temel dizilerde toplama ve çarpma 3. Reel sayılar kümesi 4. Reel sayılar kümesinde toplama ve çarpma 5. Reel sayılar kümesinde sıralama 6. Reel sayılar kümesinin tamlık
DetaylıKısıtsız Optimizasyon OPTİMİZASYON Kısıtsız Optimizasyon
OPTİMİZASYON Bu bölümde çok değişkenli kısıtsız optimizasyon problemlerinin çözüm yöntemleri incelenecektir. Bu bölümde anlatılacak yöntemler, kısıtlı optimizasyon problemlerini de çözebilmektedir. Bunun
DetaylıPazartesi 9 10 11 12 13 14 15
Pazartesi -I -I -I -I -II -II -II ETKİNLİK ETKİNLİK Salı -II -II -II -II İKNA EDİCİ İLETİŞİM İKNA EDİCİ İLETİŞİM Şeref Şeref Şeref Şeref Şeref Çarşamba BİLGİ N BİLGİ N BİLGİ N BÜRO BÜRO BÜRO Perşembe GİRİŞİMCİLİK
DetaylıKüme temel olarak belli nesnelerin ya da elamanların bir araya gelmesi ile oluşur
Kümeler Kümeler ve küme işlemleri olasılığın temellerini oluşturmak için çok önemlidir Küme temel olarak belli nesnelerin ya da elamanların bir araya gelmesi ile oluşur Sonlu sayıda, sonsuz sayıda, kesikli
DetaylıInternet Programming II
Internet Programming II Elbistan Meslek Yüksek Okulu 2016 2017 Bahar Yarıyılı Öğr.Gör. Murat KEÇECĠOĞLU 1 Fonksiyonlar Değişken Kontrol Fonksiyonları isset() Fonksiyonu Parametre olarak aldığı değişken
DetaylıAYRIK YAPILAR ARŞ. GÖR. SONGÜL KARAKUŞ- FIRAT ÜNİVERSİTESİ TEKNOLOJİ FAKÜLTESİ YAZILIM MÜHENDİSLİĞİ BÖLÜMÜ, ELAZIĞ
AYRIK YAPILAR P r o f. D r. Ö m e r A k ı n v e Y r d. D o ç. D r. M u r a t Ö z b a y o ğ l u n u n Ç e v i r i E d i t ö r l ü ğ ü n ü ü s t l e n d i ğ i «A y r ı k M a t e m a t i k v e U y g u l a
Detaylı2013-14 GÜZ YY. - MKT103 - GÖRSEL PROGRAMLAMA DERSİ - ARA SINAVI
2013-14 GÜZ YY. - MKT103 - GÖRSEL PROGRAMLAMA DERSİ - ARA SINAVI KOÜ Mekatronik Mühendisliği Bölümü/MKT-103-Görsel Programlama Dersi - Ara Sınav J-grubu Ad-Soyad:...No:... J GRUBU-süre:70dk 1.) Aşağıdaki
Detaylı: Matematik. : 9. Sınıf. : Sayılar. : (6) Ders Saati
MATEMATİK DERS PLÂNI Dersin adı Sınıf Öğrenme Alanı : Matematik : 9. Sınıf : Sayılar Başlangıç Tarihi :.. /../. Alt Öğrenme Alanı : Mutlak Değer Önerilen Süre : (6) Ders Saati Öğrenci Kazanımları /Hedef
DetaylıHSancak Nesne Tabanlı Programlama I Ders Notları
DİZİLER Bellekte ard arda yer alan aynı türden nesneler kümesine dizi (array) denilir. Bir dizi içerisindeki bütün elemanlara aynı isimle ulaşılır. Yani dizideki bütün elemanların isimleri ortaktır. Elemanlar
DetaylıKarar Ağacı Öğrenmesi(Decision Tree Learning)
Karar Ağacı Öğrenmesi(Decision Tree Learning) Bu yazımızda karar ağacı öğrenmesini inceleyeceğiz. Öncelikle karar ağacı öğrenmesi danışmanlı öğrenmenin, danışmanlı öğrenme de makine öğrenmesinin bir alt
Detaylıİleri Diferansiyel Denklemler
MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferansiyel Denklemler 2009 Bahar Bu bilgilere atıfta bulunmak veya kullanım koşulları hakkında bilgi için http://ocw.mit.edu/terms web sitesini ziyaret
DetaylıKÜMELER VE MANTIK KESİLİ MATEMATİKSEL YAPILAR
KÜMELER VE MANTIK KESİLİ MATEMATİKSEL YAPILAR Kümeler Koşullu ve Mantıksal Denklik Kümeler Kümeler Ayrık Kümeler De-Morgan Kuralı Z (Zahlen; alm.) tamsayılar kümesi Z negatif tamsayılar kümesi, Z nonneg
DetaylıBir algoritma aşağıdaki ğ dki özelliklere sahip komutların sonlu bir kümesidir.
BÖLÜM 4 Bir algoritma aşağıdaki ğ dki özelliklere sahip komutların sonlu bir kümesidir. Kesinlik : Algoritma adımları kesin olarak tespit edilmelidir. Bir teklik: Her bir adımın yürütülmesinde sonuçlar
Detaylı... ROBOTİK VE KODLAMA EĞİTİMİ ÇERÇEVESİNDE ÖĞRETİM YILI BİLİŞİM TEKNOLOJİLERİ DERSİ ÜNİTELENDİRİLMİŞ YILLIK DERS PLANI
... ROBOTİK VE KODLAMA EĞİTİMİ ÇERÇEVESİNDE 2018 2019 ÖĞRETİM YILI BİLİŞİM TEKNOLOJİLERİ DERSİ ÜNİTELENDİRİLMİŞ YILLIK DERS PLANI Hazırlayan : Özel Öğretim Kurumları Birliği (ÖZKURBİR) Dersin Adı : Bilişim
DetaylıAlgoritmalar. Çizge Algoritmaları. Bahar 2017 Doç. Dr. Suat Özdemir 1
Algoritmalar Çizge Algoritmaları Bahar 201 Doç. Dr. Suat Özdemir 1 En Kısa Yol Problemi Çizgelerdeki bir diğer önemli problem de bir düğümden diğer bir düğüme olan en kısa yolun bulunmasıdır. Bu problem
DetaylıLineer Dönüşümler ÜNİTE. Amaçlar. İçindekiler. Yazar Öğr. Grv.Dr. Nevin ORHUN
Lineer Dönüşümler Yazar Öğr. Grv.Dr. Nevin ORHUN ÜNİTE 7 Amaçlar Bu üniteyi çalıştıktan sonra; Vektör uzayları arasında tanımlanan belli fonksiyonları tanıyacak, özelliklerini öğrenecek, Bir dönüşümün,
DetaylıInternet Programming II
Internet Programming II Elbistan Meslek Yüksek Okulu 2015 2016 Bahar Yarıyılı 16 May. 2016 Öğr.Gör. Murat KEÇECĠOĞLU 1 Fonksiyonlar Değişken Kontrol Fonksiyonları isset() Fonksiyonu Parametre olarak aldığı
DetaylıBLM-431 YAPAY ZEKA. Ders-5 Bilgili Arama Yöntemleri. Yrd. Doç. Dr. Ümit ATİLA
BLM-431 YAPAY ZEKA Ders-5 Bilgili Arama Yöntemleri Yrd. Doç. Dr. Ümit ATİLA umitatila@karabuk.edu.tr http://web.karabuk.edu.tr/umitatilla/ Arama Grafları Eğer arama uzayı ağaç yapısından değil de graf
Detaylı