Şekil 1. İnsansız uçakların mayın ve benzeri nesneleri tarayıp resimlemesini gösteren temsili resim. (JHU Magazine dergisinden alınmıştır [24]).

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "Şekil 1. İnsansız uçakların mayın ve benzeri nesneleri tarayıp resimlemesini gösteren temsili resim. (JHU Magazine dergisinden alınmıştır [24])."

Transkript

1 Okulumuzun ilk mezunlarından olan Dr. Elvan Ceyhan 1997 yılında Matematik Bölümünde lisans eğitimini tamamladı yılları arasında Oklahoma State Üniversitesi nde İstatistik Bölümünde yüksek lisans, yılları arasında da Johns Hopkins Üniversitesi nde (JHU) Matematiksel Bilimler Bölümünde yüksek lisans, yılları arasında Uygulamalı Matematik ve İstatistik Bölümünde de doktora yaptı. Doktora tezini 2004 te savunmuş olmasından dolayı JHU Whiting Mühendislik Fakultesi nin özel izniyle yine JHU da Center for Imaging Science ta (CIS) yılları arasında postdoc olarak çalıştı ten beri de okulumuzda Matematik Bölümünde görev yapmaktadır. Doktora çalışmaları sırasında yeni rassal yönlü çizge aileleri tanımlamış ve bunları uzaysal desen analizinde uygulamıştır. Bu rassal çizgeleri kategorize etmiş ve onların olasılıksal ve dağılımsal özelliklerini incelemiştir. Daha sonra postdoc olarak çalıştığı CIS te istatistiksel bilgisini tıbbi görüntüleme alanında kullanmış, yeni MR görüntüleme verilerini incelemiş ve önemli çıkarımların yanı sıra iki yeni MR görüntü analizi algoritmasının geliştirilip iyileştirilmesi konusunda önemli katkılar yapmıştır. Geçtiğimiz dört yıl boyunca üniversitemizde doktora ve doktora-sonrasında başladığı çalışmalara devam ettiği gibi tıp alanında başka araştırmacılarla da işbirliği yapmıştır ve yakın zamanda uzaysal desen analizi alanında en yakın komşuluk metotları üzerinde de araştırmalar yürütmektedir. Ulusal ve uluslarası işbirliği sonucu ürettiği yayınların yanı sıra kendi bağımsız çalışmalarının sonuçlarını da uluslararası hakemli dergilerde yayınlamaktadır. Ayrıca Computational Statistics & Data Analysis ve Journal of Probability and Statistical Science adlı dergilerde yardımcı editör, ve Model Assisted Statistics and Applications adlı dergide de editör kurulu üyesi olarak görev yapmaktadır. Dr. Ceyhan istatistik, uygulamalı matematik, desen tanıma, ayrık matematik, ve görüntü analizi alanlarında disiplinler-arası araştırma yapmaktadır. Daha spesifik olarak araştırma konuları rassal çizgeler, uzaysal desen analizi, ve tıbbi (magnetic resonance - MR) görüntüleme analizi konularında yoğunlaşmaktadır. Rassal Çizgeler Godfried Toussaint ın 1980'de göreceli komşuluk çizgelerini (relative neighborhood graphs - RNG) tanımladığı [39] makaleye Desen Tanıma Derneği (Pattern Recognition Society) tarafından Seçkin Makale Ödülü (Outstanding Paper Award) verildi. O zamandan beri bu alanda birçok yeni çizge kuramsal metot geliştirildi ve RNGler yakınlık çizgeleri (proximity graphs) olarak adlandırılan daha geniş bir çizge ailesine dönüştü [26, 40]. Önerilen çizgeler sadece bir sınıfa veya türe ait noktalarla tanımlanıyordu ve rassal olmayan desenlerin belirlenmesi veya ortaya çıkarılmasında kullanılıyordu yılında, Priebe vd. Sınıf Kapsama ve Yakalama Yönlü Çizgeleri (Class Cover Catch Digraphs - CCCD) denilen rassal verilere bağlı yönlü çizgeleri tanımladı [34]. Bu çizgeler iki veya daha fazla sınıfa ait olan noktalarla tanımlanıyordu ve desen sınıflandırma ve sınıf noktalarının destek kümesinin tahmininde kullanılabiliyordu [18],[38]. JHU da doktora eğitimi sırasında Dr. Carey E. Priebe gözetiminde çalışırken yeni bir rassal çizge ailesi olan ve çok boyutlu veriler için tanımlanan Yakınlık Yönlü Çizgelerini (Proximity Catch Digraphs - PCD) tanımladı. PCDler bir sınıftan olan noktaların kendi aralarındaki göreceli pozisyonlarına ve diğer sınıftan olan noktaların Delaunay üçgenlemesine göre tanımlanırlar. PCDler CCCDler ile yakından ilişkili olmakla birlikte birçok açıdan çok daha genel olarak geliştirilmiştir. CCCDlerin biraz değiştirilmiş hali PCDlerin özel bir türünü oluşturmaktadır. PCDleri tanımlamadaki temel motivasyon CCCDlerin iki ve daha yüksek boyutlarda baskınlık sayısının dağılımlarının ve göreceli (yönlü kenar) yoğunluklarının momentlerinin düzgün dağılımlı veriler için geometri invaryans (değişmezlik) özelliğinin olmamasıdır. Dr. Ceyhan PCDleri iki temel yönden incelemektedir: baskınlık sayıları ve göreceli yoğunlukları. PCDlerin en önemli avantajı çok boyutlu veriler için bu niceliklerin dağılımlarının hesaplanmalarının matematiksel olarak izlenebilir olmasıdır ve böylelikle istatistiksel hipotez testinde ve desen sınıflandırma alanında uygulanabilmektedir. PCDlerin baskınlık sayısının

2 asimptotik dağılımları Delaunay üçgenlerinin sayısının ve veri noktalarının sayısının yeteri kadar çok olması halinde normal dağılıma yakınsamaktadır. Ayrıca PCDlerin göreceli yoğunluklarının U-istatistiği olduğu ve böylelikle asimptotik olarak normal dağılıma sahip olduklarını göstermiştir. Sonrasında ise göreceli yoğunluğu veya baskınlık sayısını uzaysal desen testlerinden olan ayrışım ve birliktelik desenlerinin test edilmesinde kullanmıştır. [2],[9], 2 [10],[11],[12, 13]. Daha sonra, PCDlerin özelliklerini incelemiş ve onları R 'de kullanmıştır. Kabaca tanımlamak gerekirse, ayrışım (segregation) deseninde aynı türden olan noktalar birbirlerine diğer türden olan noktalara göre daha yakın olma eğilimindedirler ve birliktelik (association) deseninde ise farklı türden olan noktalar aynı türden olan noktalara göre birbirlerine daha yakın olma eğilimindedirler [15, 19]. Örneğin, X ve Y belirli bir bölgede dağılmış bulunan iki sınıf nokta kümesi olsun. X noktaları Y noktalarından uzakta bulunuyorsa, X ve Y noktaları birbirinden ayrışık tır; ve X noktaları Y noktaları etrafında kümeler oluşturuyorsa, X ve Y noktaları birbiriyle birlikte dir denmektedir. Ayrışım deseninde tam uzaysal rastlantısallık (complete spatial randomness - CSR) desenine göre PCDlerin göreceli yoğunlukları daha büyük ve baskınlık sayıları daha küçük olmaktadır. Birliktelik deseninde ise CSR desenine göre PCDlerin göreceli yoğunlukları daha küçük ve baskınlık sayıları daha büyük olmaktadır. Ayrıca, PCDlerin en küçük baskınlık kümelerinin bulunması CCCDlere göre çok daha kolay olmaktadır. Çünkü PCDler için en küçük baskınlık kümeleri polinom zamanda bulunabilirken CCCDler için problemin polinom üstü zorlukta (NP-hard) olduğu gösterilmiştir [17]. Bu en küçük baskınlık kümeleri prototip noktaları olarak kullanılabilir, ve bu noktaların yakınlık bölgeleri X sınıfı noktaların (yani, PCDlerin köşelerini oluşturan noktaların) destek kümesinin tahmininde kullanılabilir. [35]'te CCCDlerin sınıflandırma amacıyla kullanıldığı metot PCDler için de adapte edilebilir. Dr. Ceyhan ın tanımladığı PCDler genellikle parametrize edilmiş olduklarından dolayı farklı amaçlar için optimal parametreler belirlenebilmektedir. Örneğin, uzaysal desenleri test etmek için PCDlerin asimptotik performansları, Pitman ve/veya Hodges-Lehman asimptotik etkinlik kriterleri [25],[28] kullanılarak optimize edilebilir, ve bu şekilde uzaysal desen testi için optimal parametre tespit edilmiş olur. Dr. Ceyhan ayrıca sonlu sayılar için optimal parametrelerin tespiti için kapsamlı Monte Carlo simülasyonları yapmıştır. Sınıflandırmadaki performans da PCDleri tanımlamada kullanılan parametrelere bağlı olduğu için hatalı sınıflandırma oranı minimize edilerek optimal sınıflandırma parametreleri bulunabilmektedir. Edgeworth açılımı sonlu sayılar için normal yakınlaştırmanın iyileştirilmesinde kullanılabildiği için [37], testin sonlu sayıda kullanımlarında Edgeworth açılımı asimptotik normallik varsayımının iyileştirilmesi için kullanabilmektedir. PCDlerin uygulama alanları arasında dijital görüntüleme, görüntü analizi, desen tanıma, coğrafya ve kartoğrafya, görsel algılama ve biyoloji gibi alanları sayabiliriz. Desen tanıma örneğin askeri ve güvenlikle ilgili yazılımların geliştirilmesinde kullanılmaktadır. Dr. Ceyhan ın spesifik olarak PCDlerin mayın ve yüz tespiti konularındaki uygulamalarından söz edeceğiz. Mayın Tespiti: Yüzeyde bulunan kara mayınlarının tespiti hem askerlerin belirli bir savaş bölgesine girmelerinde veya sivillerin savaş sonrası evlerine dönmelerinde dikkate alınması gereken bir konudur. Bunların tespitinde insansız uçakların çektiği dijital video görüntü verileri kullanılmaktadır (bakınız Şekil 1). Belirli bir bölge üzerinde uçağın çektiği görüntülerde mayın ve benzeri cisimler arasında mayınların kendine has imzalarının belirlenmesi gerekmektedir. Çünkü uçaklar oldukça yüksekten uçarken, mayınlar oldukça küçük (15-30 cm genişliğinde) nesnelerdir ve aynı bölgede benzer boyutlarda kayalar, fideler, ve kütükler de bulunabilmektedir.

3 Şekil 1. İnsansız uçakların mayın ve benzeri nesneleri tarayıp resimlemesini gösteren temsili resim. (JHU Magazine dergisinden alınmıştır [24]). Şekil 2. COBRA (Coastal Battlefield Reconnaissance and Analysis) programı çerçevesinde insansız uçak tarafından çekilen mayın ve benzeri nesnelerin spektral görüntü verilerinin boyut indirgenmesi işlemi sonucunda iki ana bileşene göre çizilmiş grafiği (solda) ve bu uzayda tahmini mayın sahalarının PCD metoduyla tespiti (sağda). 39 adet nesneden 12si gerçekten mayın (siyah noktalar), diğer 27 si mayın-benzeri cisimdir (üçgenlerin köşeleri) [9]. Bu dijital video kartları beyaz beneklerle dolu lekeli kâğıtlara benzerler ve PCD metodu bu beyaz noktalardan hangilerinin mayın olduğunun tespiti için kullanılabilmektedir. İnsansız uçaktaki kamera her görüntüyü altı değişik renkli filtreden geçirerek taramakta ve her filtre bitki örtüsü ve yüzeydeki nesnelerden yansıyan dalgaların boylarını yansıtmaktadır. PCD metodu mayınları tek tek bulmak yerine mayın sahalarının tespitinde kullanılmaktadır. Çünkü mayınlar bir sahada tek tük olabildiği gibi çok sayıda gruplar halinde de olabilmektedir ve PCD sınıflandırıcısı bunların kartlarındaki desenler ve kümelenmeleri tespit edebilmektedir. Bakınız Şekil 2. Yüz Tespiti: Günlük yaşamda fotoğraf veya görüntülerde yüzlerin tespiti tüm yüz tanıma sistemlerinin ilk basamağını teşkil eder. Bir detektörün pratikte kullanılabilmesi için yeterli çözünürlükteki görüntülerde yüzleri yüksek hız ve oranda tespit edebilmesi gereklidir. Bunun için çoğu yüz detektörleri renk ve harekete dayalı algısal işaretleri kullanmaktadır. Benzer performansın statik gri-ölçekli görüntülerde de olması da istenen bir durumdur. Özel aletler kullanmadan statik gri-ölçekli görüntülerde insan yüzlerini hızlı bir şekilde tespit etmek için PCD sınıflayıcısı kullanılabilmektedir. Bu metot en yakın prototip sınıflandırıcı ailesine men-

4 sup jenerik bir sınıflandırma metodudur ve yüksek boyutlu öz-nitelik (feature) uzayında seyrek eğitim verisi (training data) olduğu durumlar için optimize edilmiştir. Daha yüksek oranda doğru yüz tespiti yapılabilmesi için PCD sınıflayıcı algoritmasının güçlendirilmiş (boosted) versiyonu kullanılmıştır. Bakınız Şekil 3 ve 4. Şekil 3. İnsan yüzü ve başka güncel resim veri tabanından eğitim verisi (training data) olarak seçilmiş örnek resim kümeleri. Bu veri tabanı kullanılarak insan yüzünün en belirleyici öznitelikleri belirlenmekte ve sınıflandırıcı algoritma yeni bir görüntüye uygulanabilmektedir. (Şekiller Equinox Corporation veri tabanından alınmıştır [38].) Şekil 4. Güçlendirilmiş PCD sınıflandırma metodunun uygulanması sonucunda örnek iki resimde yüzlerin bilgisayarda otomatik olarak tespiti [38]. Uzaysal Desen Analizi Uzaysal desen analizinin özellikle epidemioloji, biyoloji, astronomi, ve ekoloji alanlarında önemli uygulamaları bulunmaktadır. Uzaysal ayrışım (segregation) ve birliktelik (association) sınıflar-arası etkileşim desenlerinin en önemlilerindendir. Ayrışım bir sınıfa veya türe ait üyelerin yine aynı sınıfa ait üyelerin yakınında bulunmasının daha olası olduğu uzaysal desendir. Birliktelik ise bir sınıfa veya türe ait üyelerin başka sınıfa veya türe ait üyelerin yakınında bulunmasının daha olası olduğu desendir.

5 İki tür desen için de sıfır hipotezi (null hypothesis) türlerin veya sınıfların tam uzaysal rastlantısallık (complete spatial randomness - CSR) veya rasgele etiketleme (random labeling - RL) desenlerinden olmalarıdır. Değişik alanlarda kullanılan birçok uzaysal nokta deseni testleri vardır [29]. En çok kullanılan testler arasında, hesap ve yorum kolaylığından dolayı Pielou'nun iki sınıf için geliştirdiği ayrışım testi [33] ve Ripley'in Kt () ve Lt () fonksiyonları [36] sayılabilir. Uzaysal desenler için en yakın komşuluk metotlarını en az altı farklı gruba ayırmak mümkündür [22]. Bu metotlar bir noktanın ve onun en yakın komşusunun arasındaki benzerlik veya farklılık ölçütlerine bağlıdır. Bu ölçütler, örneğin, bir nokta ve en yakın komşusu arasındaki uzaklık veya bu iki noktanın sınıf türleri olabilir. Piramitsel Nöronlar Ceviz/Meşe Yoğunluk Oranları Lösemi Vaka Dağılımı y-koordinatı (m) y coordinate (100 km) x-koordinatı (m) x coordinate (100 km) Şekil 5. Beyindeki belirli bir kortekste (cingulate cortex) 24. alan 2. katmandaki piramitsel nöronların x-y koordinatlarının grafiği (solda). Sağlıklı kişilerin hücreleri siyah, şizoefektiflerin (schizoaffectives) hücreleri kırmızı ve şizofrenlerin hücreleri yeşil ile gösterilmiştir. Ortada Lansing Koruluğundaki ceviz ve meşe ağaçlarının lokal yoğunluk oranlarının grafiği görülmektedir. Yeşile doğru meşe yoğunluğu, kırmızıya doğru ceviz ağacı yoğunluğu artmaktadır. Sağda ise North Humberside bölgesinde sağlıklı denekler (siyah) ve lösemili hastaların (kırmızı) uzaysal dağılımı görülmektedir. Bu veri kümeleri hakkında daha fazla bilgi edinmek için bakiniz [19]. Bu metotlardan olan en yakın komşu bağımlılık tablosu (nearest neighbor contingency table---nnct) en yakınlık frekansları kullanılarak elde edilir ve uzaysal desenlerin test edilmesinde kullanılır [3]. NNCT-testleri ilk defa Pielou tarafından 1961 yılında önerilmiştir [33]. Daha sonra Dixon iki sınıf durumu için genel ve sınıf-spesifik NNCT-testleri geliştirdi [20] ve testlerini çok-sınıflı sistemlerde uygulamak üzere genişletti [21]. Dr. Ceyhan bu konudaki çalışmalarında literatürdeki NNCT-testlerini karşılaştırmış ve testlerin asimptotik özelliklerini incelemiştir [3]; yeni genel NNCT-testleri de geliştirmektedir [7]. Ayrıca yeni ikili (hücre-spesifik) NNCT-testi de geliştirmiş ve diğer NNCT-testleri ile karşılaştırmıştır [4]; ve yeni ve sınıflar arası veri sayısı dengesizliğine daha dayanıklı olan sınıf-spesifik bir test de geliştirmiştir [5, 8]. Sıfır hipotezinden (CSR veya RL desenlerinden) sapmanın yönünü de gösteren tek-yanlı testler de geliştirmektedir [8]. Ayrıca, mevcut asimptotik testlerin tam (yani sonlu örneklemeye bağlı) versiyonlarını da incelemektedir [6]. Geliştirdiği uzaysal desen testleri örneğin mikrobiyolojide sağlıklı ve patolojik hücreler arası etkileşimi test etmede kullanılabilmektedir. Bu hücrelerin uzaysal (mekânsal) dağılımına göre belirli bir hastalıkla daha etkin bir mücadele yapılabilecektir. Ekolojide bitki türleri arasındaki etkileşim de tespit edilebilmektedir. Örneğin türlerin ayrışım mı birliktelik mi sergilediklerini ve desenlerin anlamlılık seviyesini söyleyebilmekteyiz. Simbiyotik türler arasında birliktelik olduğunu inhibisyonda ise ayrışım olduğunu belirleyebiliriz. Epidemiolojide ise belirli bir hastalığın vakalarının dağılımının kümelenme mi yoksa rassallık mi sergilediği belirlenebilmektedir. Eğer kümelenme tespit edilmişse hastalığın çevresel sebepleri üzerinde daha spesifik ve etkin mücadele yapılabilmesine olanak sağlamaktadır. Bakınız Şekil 5.

6 Tıbbi Görüntüleme (MRI) Analizi Görüntüleme bilimi tıbbi, askeri ve güvenlikle ilgili yazılımların geliştirilmesinde kullanılmaktadır. Örneğin MRI ve diğer görüntülerin analiziyle doktorların hastalıkları teşhisinde yardımcı olabilmektedir. Bunu yapmak için CIS deformable templates, denen matematiksel bir metot kullanılmakta ve normal ve patolojik doku şekillerinin karşılaştırılmasını içeren karmaşık algoritmalar kullanılmaktadır. Bu alanda şekilleri daha iyi anlamak ve nihayetinde de onları betimleyen matematiksel teori (fizikteki harekette olduğu gibi) geliştirilmesi için daha çok mesafe alınması gerekmektedir. Görüntü yorumlamada ilk yapılması gereken bir şeklin matematiksel olarak ne anlama geldiğini tanımlamaktır. Fakat bu hala fazla bilinmeyen bir sahadır, çünkü bir sekil istatistiksel analizi imkânsız kılabilecek sonsuz-boyutlu parametreler içermektedir. Fakat bu problemlerin çözümünün imkânsız olduğu anlamına gelmemektedir. Dr. Ceyhan doktora sonrasında CIS'te görüntüleme konusunda çeşitli projelerde görev almıştır, ve bazılarında halen çalışmaya devam etmektedir. Bu projeler halen geliştirilmekte olan LDDMM (Large Deviation Diffeomorphic Metric Mapping) ve LCDM (Labeled Cortical Distance Mapping) yazılımları ve bunların verilerinin incelenmesini içermektedir. Bu algoritmalar beyin dokularının dijital görüntülerinden türetilmiş verileri incelemekte ve doktorların Alzheimer, depresyon ve mani-depresif psikoz gibi hastalıkları erken evrelerinde teşhis edebilmeleri için yeni yöntemler üzerinde çalışmaktadır. Bu çalışmada Dr. Ceyhan Johns Hopkins Üniversitesi, Washington Üniversitesi, Massachusetts Genel Hastanesi nden araştırmacılar ile beraber çalışmaktadır. LDDMM: Nesnelerin şekillerini nicel (rakamsal) olarak betimlemek aslında zor bir iştir. Size bir elin büyüklüğü sorulsa hacmini söyleyebilirsiniz. Fakat şekli için rakamsal bir betimleyici bulmak çok daha zor bir problemdir. Bu amaçla işaret eşleme (landmark matching) denen ve örneğin kişilerin hipokampüslerinin şekillerinin haritalanmasını içeren bir metot kullanılmaktadır. İlk aşamada kontrol grubu dâhil tüm deneklerin MRI görüntüleri üzerinde üçboyutlu işaretler tanımlanmaktadır (Bakınız Şekil 6 (sol)). Kontrol grubunun işaretleri hastalıklı gruplarla karşılaştırılır. İşaretleme uyumsuzluğunu ve transformasyon karmaşıklığını da dikkate alan optimal difeomorfizmler kullanılarak hipokampüslerin morfolojik farkları ölçülebilir. CIS te hastalıklı ve sağlam kişilerin beyinlerinin bazı bölümlerinin MRI kullanılarak üç-boyutlu bilgisayar modellemesi yapılmaktadır. Bu görüntüleri karşılaştırarak hastalıkların ilk evrelerinde beyindeki değişiklikler incelenmektedir (Bakınız Şekil 6 (sağ)). Böylece Alzheimer gibi hastalıklar daha başlangıçta durdurulabilecek veya süreç tersine döndürülebilecektir.

7 Şekil 6. Bir sinirsel dokunun en belirgin noktalarının işaretlenmesi (landmarking) (solda). Hipokampüsün normal insanlarda ve Alzheimer hastalarında şekil değiştirmesi (sağda). Bu şekiller CIS web sitesinden (http://www.cis.jhu.edu/) alınmıştır. LDDMM algoritması ise beyin dokuları arasındaki şekil ve büyüklük farklarını vektör sahaları ve özet olarak bir metrik uzaklığı cinsinden vermek üzere tasarlandı [1, 14, 23, 32]. Bu vektör sahaları çok-değişkenli veri olarak analiz edilebilmekte, metrik uzaklığının analizinde de tüm doku çiftleri arasındaki uzaklıkların bulunmasıyla sınıflandırma ve desen tanıma alanında uygulanabilmektedir [16, 31]; ayrıca sadece bir referans doku seçilerek ona olan uzaklıkların karşılaştırılması yapılabilir. Şekil 7. LDDMM metrik uzaklığının şablondan (template ( I 0 )) hedef görüntüye (target) doğru 1 ( I1 = φ1i0 = I0 φ 1 ) difeomorfik akış sırasında değişimi. Bu şekilde örneğin sağlıklı ve hastalıklı hipokampüsler arasındaki morfolojik farklar nicel olarak belirlenebilmektedir. LCDM: LCDM algoritması özellikle beyin dokularının ak madde (white matter), gri madde (gray matter), ve siyah sıvı (cerebrospinal fluid) kısımlarının voxel adı verilen küplerle bölümlenmesi ve bu küplerin merkezlerinin gri madde/ak madde ara yüzeyine uzaklıklarını hesaplamaktadır [27, 30]. Fakat bu kolay bir süreç değildir, çünkü her beyin segmentinde kadar ölçüm bulunmaktadır. Bu LCDM uzaklık kümelerinin analizi beyin dokuları-

8 nın şekil ve büyüklüklerinin hastalıklara bağlı olarak nasıl değiştiği hakkında bize fikir vermektedir. Araştırmalarımız beynin prefrontal korteks (ventral medial prefrontal cortex) denilen kısmında depresyon hastalarında normale göre daha çok incelme olduğunu göstermiştir. Şekil 8. LCDM ölçüm prosedürünün şematik gösterimi (üstte) ve GM ve WM voxellerinin GM/WM sınırına normal uzaklıklarının iki boyut için gösterimi (solda) ve LCDM uzaklıklarının normalize edilmemiş dağılım eğrileri (altta). References 1. Beg, M.F., M.I. Miller, A. Trouve, and L. Younes, Computing large deformation metric mappings via geodesic flows of diffeomorphisms. International Journal of Computer Vision, (2): p Ceyhan, E., An Investigation of Proximity Catch Digraphs in Delaunay Tessellations, in Department of Applied Mathematics and Statistics. 2005, The Johns Hopkins University: Baltimore. p Ceyhan, E., On the use of nearest neighbor contingency tables for testing spatial segregation. Environmental and Ecological Statistics, Ceyhan, E., Overall and pairwise segregation tests based on nearest neighbor contingency tables. Computational Statistics & Data Analysis, (8): p Ceyhan, E., Class-Specific Tests of Segregation Based on Nearest Neighbor Contingency Tables. Statistica Neerlandica, (2): p Ceyhan, E., Exact Inference for Testing Spatial Patterns by Nearest Neighbor Contingency Tables. Journal of Probability and Statistical Science (under review), Ceyhan, E., New Tests for Spatial Segregation Based on Nearest Neighbor Contingency Tables. Scandinavian Journal of Statistics (accepted for publication), Ceyhan, E., One-Sided Spatial Pattern Tests Based on Nearest Neighbor Contingency Tables. Journal of Nonparametric Statistics (accepted for publication), 2009.

9 9. Ceyhan, E. and C.E. Priebe. Central similarity proximity maps in Delaunay tessellations. in Joint Statistical Meeting, Statistical Computing Section San Francisco. 10. Ceyhan, E. and C.E. Priebe, The use of domination number of a random proximity catch digraph for testing spatial patterns of segregation and association. Statistics & Probability Letters, : p Ceyhan, E. and C.E. Priebe, On the Distribution of the Domination Number of a New Family of Parametrized Random Digraphs. Model Assisted Statistics and Applications, (4): p Ceyhan, E., C.E. Priebe, and D.J. Marchette, A new family of random graphs for testing spatial segregation. Canadian Journal of Statistics, (1): p Ceyhan, E., C.E. Priebe, and J.C. Wierman, Relative density of the random r-factor proximity catch digraphs for testing spatial patterns of segregation and association. Computational Statistics & Data Analysis, (8): p Christensen, G.E., R.D. Rabbitt, and M.I. Miller, Deformable templates using large deformation kinematics. IEEE Transactions on Image Processing, (10): p Cressie, N.A.C., Statistics for Spatial Data. 1991, New York: Wiley. 16. Csernansky, J.G., J. Hamstra, L. Wang, D. McKeel, J.L. Price, M. Gado, and J.C. Morris, Correlations between antemortem hippocampal volume and postmortem neuropathology in AD subjects. Alzheimer Disease and Associated Disorders, (4): p DeVinney, J. and C.E. Priebe, A new family of proximity graphs: Class Cover Catch Digraphs. Discrete Applied Mathematics, (14): p DeVinney, J., C.E. Priebe, D.J. Marchette, and D. Socolinsky. Random Walks and Catch Digraphs in Classification. in 34th Symposium on the Interface: Computing Science and Statistics Diggle, P.J., Statistical Analysis of Spatial Point Patterns. 2003, London: Arnold Publishers. 20. Dixon, P.M., Testing spatial segregation using a nearest-neighbor contingency table Ecology,, : p Dixon, P.M., Nearest-neighbor contingency table analysis of spatial segregation for several species. Ecoscience, (2): p Dixon, P.M., Nearest neighbor methods, in Encyclopedia of Environmetrics, A.H. El- Shaarawi and W.W. Piegorsch, Editors. 2002, John Wiley & Sons Ltd.: New York. p Grenander, U. and M.I. Miller, Computational anatomy: An emerging discipline. Quarterly of Applied Mathematics, (4): p Hendricks, M., Sweeping for mines... with algorithms, in Johns Hopkins Magazine. 1999: Baltimore, MD, USA. 25. Hoeffding, W., A class of statistics with asymptotically normal distribution. The Annals of Mathematical Statistics, : p Jaromczyk, J.W. and G.T. Toussaint, Relative neighborhood graphs and their relatives. Proceedings of IEEE, : p Joshi, M., J. Cui, K. Doolittle, S. Joshi, D. Van Essen, L. Wang, and M.I. Miller, Brain segmentation and the generation of cortical surfaces. NeuroImage, (5): p Kendall, M. and A. Stuart, The Advanced Theory of Statistics. 4th edition ed. Vol , London: Griffin. 29. Kulldorff, M., Tests for spatial randomness adjusted for an inhomogeneity: A general framework. Journal of the American Statistical Association, (475): p Miller, M.I., M. Hosakere, A.R. Barker, C.E. Priebe, N. Lee, J.T. Ratnanather, L. Wang, M. Gado, J.C. Morris, and J.G. Csernansky, Labeled cortical mantle distance maps of the cingulate quantify differences between dementia of the Alzheimer type and healthy aging. Proceedings of the National Academy of Sciences of the United States of America, (25): p Miller, M.I., C.E. Priebe, B. Fischl, A.E. Kolasny, Y. Park, R.L. Buckner, M. BIRN, and M.I. Miller, Collaborative computational anatomy: the perfect storm for mri morphometry study of the human brain via diffeomophic metric mapping, multidimensional scaling and linear discriminant analysis. Proceedings of the National Academy of Science (to appear), 2007.

10 32. Miller, M.I., A. Trouve, and L. Younes, On the metrics and Euler-Lagrange equations of computational anatomy. Annual Review of Biomedical Engineering, : p Pielou, E.C., Segregation and symmetry in two-species populations as studied by nearestneighbor relationships. Journal of Ecology, (2): p Priebe, C.E., J.G. DeVinney, and D.J. Marchette, On the distribution of the domination number of random class cover catch digraphs. Statistics & Probability Letters, : p Priebe, C.E., D.J. Marchette, J. DeVinney, and D. Socolinsky, Classification Using Class Cover Catch Digraphs. Journal of Classification, (1): p Ripley, B.D., Spatial Statistics. Wiley Interscience. 2004, New York: Wiley. 37. Serfling, R.J., Approximation Theorems of Mathematical Statistics. 1980, New York: Wiley. 38. Socolinsky, D.A., J.D. Neuheisel, C.E. Priebe, J. DeVinney, and D.J. Marchette. Fast Face Detection with a Boosted CCCD Classifier. in 35th Symposium on the Interface: Computing Science and Statistics Toussaint, G.T., The relative neighborhood graph of a finite planar set. Pattern Recognition, (4): p Toussaint, G.T., Geometric proximity graphs for improving nearest neighbor methods in instance-based learning and data mining. International Journal of Computational Geometry and Applications, (2): p

ÖZGEÇMİŞ. Derece Alan Üniversite Yıl Lisans Matematik Koç Üniversitesi 1997 Yüksek

ÖZGEÇMİŞ. Derece Alan Üniversite Yıl Lisans Matematik Koç Üniversitesi 1997 Yüksek ÖZGEÇMİŞ 1. Adı Soyadı: Elvan Ceyhan 2. Doğum Tarihi: 20 Eylül 1974 3. Unvanı: Doçent Doktor 4. Adresi: Koç Üniversitesi, Fen Fakültesi, Matematik Bölümü, 268 Fen Binası, Rumelifeneri Yolu, 34450 Sarıyer,

Detaylı

91-03-01-529 SAYISAL GÖRÜNTÜ İŞLEME (Digital Image Processing)

91-03-01-529 SAYISAL GÖRÜNTÜ İŞLEME (Digital Image Processing) 91-03-01-529 SAYISAL GÖRÜNTÜ İŞLEME (Digital Image Processing) Dersi Veren Öğretim Üyesi Doç. Dr. Aybars UĞUR Ders Web Sayfası : http://yzgrafik.ege.edu.tr/~ugur 1 Amaçlar Öğrencileri Matlab gibi teknik

Detaylı

ÖZGEÇMİŞ. Derece Üniversite Alanı Yılı Bütünleşik Doktora Ege Üniversitesi Matematik (Cebirsel 2009-2014. Lisans Ege Üniversitesi Matematik 2009

ÖZGEÇMİŞ. Derece Üniversite Alanı Yılı Bütünleşik Doktora Ege Üniversitesi Matematik (Cebirsel 2009-2014. Lisans Ege Üniversitesi Matematik 2009 ÖZGEÇMİŞ 1. Adı Soyadı : ÖZGÜR EGE 2. Doğum Tarihi : 15.06.1987 3. Doğum Yeri : İZMİR 4. Ünvanı : Araştırma Görevlisi Doktor 5. Adres : Celal Bayar Üniversitesi Fen-Edebiyat Fakültesi Matematik Bölümü

Detaylı

DOKUZ EYLÜL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRLÜĞÜ DERS/MODÜL/BLOK TANITIM FORMU. Dersin Orjinal Adı: Pattern Recognition

DOKUZ EYLÜL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRLÜĞÜ DERS/MODÜL/BLOK TANITIM FORMU. Dersin Orjinal Adı: Pattern Recognition Dersi Veren Birim: Fen Bilimleri Enstitüsü Dersin Türkçe Adı: Örüntü Tanıma Dersin Orjinal Adı: Pattern Recognition Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora) Lisansüstü Dersin Kodu: CSE

Detaylı

Olasılık ve İstatistik (IE 220) Ders Detayları

Olasılık ve İstatistik (IE 220) Ders Detayları Olasılık ve İstatistik (IE 220) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Olasılık ve İstatistik IE 220 Her İkisi 3 0 0 3 5 Ön Koşul Ders(ler)i Dersin

Detaylı

Yard. Doç. Dr. İrfan DELİ. Matematik

Yard. 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

Detaylı

2.1 Gri Düzey Eş Oluşum Matrisi ( GLCM) Gri düzey eş oluşum matrisi Haralick tarafından öne sürülmüştür [1]. Đstatistiksel doku analizi yöntemidir.

2.1 Gri Düzey Eş Oluşum Matrisi ( GLCM) Gri düzey eş oluşum matrisi Haralick tarafından öne sürülmüştür [1]. Đstatistiksel doku analizi yöntemidir. ÇELĐK YÜZEYLERĐN SINIFLANDIRILMASI * Cem ÜNSALAN ** Aytül ERÇĐL * Ayşın ERTÜZÜN *Boğaziçi Üniversitesi, Elektrik-Elektronik Mühendisliği Bölümü unsalan@boun.edu.tr **Boğaziçi Üniversitesi, Endüstri Mühendisliği

Detaylı

Yrd. Doç. Dr.Yiğit Aksoy

Yrd. Doç. Dr.Yiğit Aksoy Yrd. Doç. Dr.Yiğit Aksoy ÖĞRENİM DURUMU Derece Üniversite Bölüm / Program Lisans Celal Bayar Üniversitesi Makine Mühendisliği 00 Y. Lisans Celal Bayar Üniversitesi Makine Mühendisliği 00 Doktora Celal

Detaylı

ÖZGEÇMİŞ. 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 : 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.

Detaylı

Dijital Görüntü İşleme Teknikleri

Dijital Görüntü İşleme Teknikleri Teknikleri Ders Notları, 2013 Doç. Dr. Fevzi Karslı Harita Mühendisliği Bölümü Mühendislik Fakültesi KTÜ 08 Ekim 2013 Salı 1 Ders Planı ve İçeriği 1. Hafta Giriş, dersin kapsamı, temel kavramlar, kaynaklar.

Detaylı

Bulanık Mantık Tabanlı Uçak Modeli Tespiti

Bulanık 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

Detaylı

Araştırma Görevlisi İSMAİL ÇÖLKESEN

Araştırma 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.

Detaylı

ÖZGEÇMİŞ. 1. Adı Soyadı : Kamile ŞANLI KULA İletişim Bilgileri : Ahi Evran Üniversitesi, Fen Edebiyat Fakültesi, Adres Matematik Bölümü, KIRŞEHİR

ÖZGEÇMİŞ. 1. Adı Soyadı : Kamile ŞANLI KULA İletişim Bilgileri : Ahi Evran Üniversitesi, Fen Edebiyat Fakültesi, Adres Matematik Bölümü, KIRŞEHİR Resim ÖZGEÇMİŞ 1. Adı Soyadı : Kamile ŞANLI KULA İletişim Bilgileri : Ahi Evran Üniversitesi, Fen Edebiyat Fakültesi, Adres Matematik Bölümü, KIRŞEHİR Telefon : 386 280 45 50 Mail : kskula@ahievran.edu.tr

Detaylı

Akış YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Akış 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

Detaylı

Dijital (Sayısal) Fotogrametri

Dijital (Sayısal) Fotogrametri Dijital (Sayısal) Fotogrametri Dijital fotogrametri, cisimlere ait iki boyutlu görüntü ortamından üç boyutlu bilgi sağlayan, sayısal resim veya görüntü ile çalışan fotogrametri bilimidir. Girdi olarak

Detaylı

Doç.Dr. M. Mengüç Öner Işık Üniversitesi Elektrik-Elektronik Mühendisliği Bölümü oner@isikun.edu.tr

Doç.Dr. M. Mengüç Öner Işık Üniversitesi Elektrik-Elektronik Mühendisliği Bölümü oner@isikun.edu.tr Doç.Dr. M. Mengüç Öner Işık Üniversitesi Elektrik-Elektronik Bölümü oner@isikun.edu.tr 1. Adı Soyadı : Mustafa Mengüç ÖNER 2. Doğum Tarihi : 01.02.1977 3. Unvanı : Doçent Dr. 4. Öğrenim Durumu : ÖĞRENİM

Detaylı

91-03-01-517 YAPAY ZEKA (Artificial Intelligence)

91-03-01-517 YAPAY ZEKA (Artificial Intelligence) 91-03-01-517 YAPAY ZEKA (Artificial Intelligence) Dersi Veren Öğretim Üyesi Y. Doç. Dr. Aybars UĞUR Ders Web Sayfası : http://yzgrafik.ege.edu.tr/~ugur 27.09.2009 Y. Doç. Dr. Aybars UĞUR (517 Yapay Zeka)

Detaylı

HAVADAN LAZER TARAMA ve SAYISAL GÖRÜNTÜ VERİLERİNDEN BİNA TESPİTİ VE ÇATILARIN 3 BOYUTLU MODELLENMESİ

HAVADAN 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

Detaylı

MIT OpenCourseWare http://ocw.mit.edu. 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

MIT OpenCourseWare http://ocw.mit.edu. 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.

Detaylı

TÜRKİYE CUMHURİYETİ DEVLETİNİN temellerinin atıldığı Çanakkale zaferinin 100. yılı kutlu olsun.

TÜRKİYE CUMHURİYETİ DEVLETİNİN temellerinin atıldığı Çanakkale zaferinin 100. yılı kutlu olsun. Doç.Dr.Mehmet MISIR-2013 TÜRKİYE CUMHURİYETİ DEVLETİNİN temellerinin atıldığı Çanakkale zaferinin 100. yılı kutlu olsun. Son yıllarda teknolojinin gelişmesi ile birlikte; geniş alanlarda, kısa zaman aralıklarında

Detaylı

Dahili Bobinlerin En İyi İçsel Sinyal/Gürültü Oranı Kullanılarak Değerlendirilmesi

Dahili Bobinlerin En İyi İçsel Sinyal/Gürültü Oranı Kullanılarak Değerlendirilmesi Dahili Bobinlerin En İyi İçsel Sinyal/Gürültü Oranı Kullanılarak Değerlendirilmesi Yiğitcan Eryaman 1, Haydar Çelik 1, Ayhan Altıntaş 1, Ergin Atalar 1,2 1 Bilkent Üniversitesi Elektrik ve Elektronik Mühendisliği

Detaylı

İRİSTEN KİMLİK TANIMA SİSTEMİ

İRİSTEN KİMLİK TANIMA SİSTEMİ ÖZEL EGE LİSESİ İRİSTEN KİMLİK TANIMA SİSTEMİ HAZIRLAYAN ÖĞRENCİLER: Ceren KÖKTÜRK Ece AYTAN DANIŞMAN ÖĞRETMEN: A.Ruhşah ERDUYGUN 2006 İZMİR AMAÇ Bu çalışma ile, güvenlik amacıyla kullanılabilecek bir

Detaylı

ÖZGEÇMİŞ VE ESERLER LİSTESİ ÖZGEÇMİŞ

ÖZGEÇMİŞ VE ESERLER LİSTESİ ÖZGEÇMİŞ ÖZGEÇMİŞ VE ESERLER LİSTESİ ÖZGEÇMİŞ Adı Soyadı: Ayten Koç Öğrenim Durumu: Derece Bölüm/Program Üniversite Yıl Lisans Matematik Yıldız Teknik Üniversitesi 1988-1992 Y. Lisans Matematik Yıldız Teknik Üniversitesi

Detaylı

Derece Bölüm/Program Üniversite Yıl

Derece Bölüm/Program Üniversite Yıl DR. ALI S. NAZLIPINAR Dumlupınar Üniversitesi, Fen Ed. Fakültesi Matematik Bölümü, Kütahya, TÜRKİYE ali.nazlipinar@dpu.edu.tr Tel: +90 274 2652031 /3065 (Dahili) Öğrenim Durumu Derece Bölüm/Program Üniversite

Detaylı

Bilimsel Görselleştirme. Tahir Emre KALAYCI. Bilgisayar Grafikleri

Bilimsel Görselleştirme. Tahir Emre KALAYCI. Bilgisayar Grafikleri Tahir Emre KALAYCI Bilgisayar Grafikleri Gündem 1 Görselleştirme Yararlandığı alanlar Uygulama alanları Örnek Uygulamalar nin Amacı? Görselleştirme adımları Görselleştirme Görselleştirme Görselleştirme

Detaylı

AKTİF KAYNAKLI YÜZEY DALGASI (MASW) YÖNTEMINDE FARKLI DOĞRUSAL DIZILIMLERIN SPEKTRAL ÇÖZÜNÜRLÜLÜĞÜ

AKTİF KAYNAKLI YÜZEY DALGASI (MASW) YÖNTEMINDE FARKLI DOĞRUSAL DIZILIMLERIN SPEKTRAL ÇÖZÜNÜRLÜLÜĞÜ AKTİF KAYNAKLI YÜZEY DALGASI (MASW) YÖNTEMINDE FARKLI DOĞRUSAL DIZILIMLERIN SPEKTRAL ÇÖZÜNÜRLÜLÜĞÜ M.Ö.Arısoy, İ.Akkaya ve Ü. Dikmen Ankara Üniversitesi Mühendislik Fakültesi Jeofizik Mühendisliği Bölümü,

Detaylı

YOĞUN GÖRÜNTÜ EŞLEME ALGORİTMALARI İLE ÜRETİLEN YÜKSEK ÇÖZÜNÜRLÜKLÜ SAYISAL YÜZEY MODELİ ÜRETİMİNDE KALİTE DEĞERLENDİRME VE DOĞRULUK ANALİZİ

YOĞUN GÖRÜNTÜ EŞLEME ALGORİTMALARI İLE ÜRETİLEN YÜKSEK ÇÖZÜNÜRLÜKLÜ SAYISAL YÜZEY MODELİ ÜRETİMİNDE KALİTE DEĞERLENDİRME VE DOĞRULUK ANALİZİ YOĞUN GÖRÜNTÜ EŞLEME ALGORİTMALARI İLE ÜRETİLEN YÜKSEK ÇÖZÜNÜRLÜKLÜ SAYISAL YÜZEY MODELİ ÜRETİMİNDE KALİTE DEĞERLENDİRME VE DOĞRULUK ANALİZİ Naci YASTIKLI a, Hüseyin BAYRAKTAR b a Yıldız Teknik Üniversitesi,

Detaylı

Kimya Mühendisliğinde Uygulamalı Matematik

Kimya Mühendisliğinde Uygulamalı Matematik Fen Bilimleri Enstitüsü Kimya Mühendisliği Anabilim Dalı Kimya Mühendisliğinde Uygulamalı Matematik DERS BİLGİ FORMU DERS BİLGİLERİ Dersin Adı Kodu Yarıyıl Kimya Mühendisliğinde Uygulamalı Matematik T

Detaylı

FİNANSAL RİSK ANALİZİNDE KARMA DAĞILIM MODELİ YAKLAŞIMI * Mixture Distribution Approach in Financial Risk Analysis

FİNANSAL RİSK ANALİZİNDE KARMA DAĞILIM MODELİ YAKLAŞIMI * Mixture Distribution Approach in Financial Risk Analysis FİNANSAL RİSK ANALİZİNDE KARMA DAĞILIM MODELİ YAKLAŞIMI * Mixture Distribution Approach in Financial Risk Analysis Keziban KOÇAK İstatistik Anabilim Dalı Deniz ÜNAL İstatistik Anabilim Dalı ÖZET Son yıllarda

Detaylı

LED IŞIK KAYNAKLARININ RENK SICAKLIĞININ GÖRÜNTÜ İŞLEME TEKNİKLERİ KULLANILARAK BELİRLENMESİ. İsmail Serkan Üncü, İsmail Taşcı

LED IŞIK KAYNAKLARININ RENK SICAKLIĞININ GÖRÜNTÜ İŞLEME TEKNİKLERİ KULLANILARAK BELİRLENMESİ. İsmail Serkan Üncü, İsmail Taşcı LED IŞIK KAYNAKLARININ RENK SICAKLIĞININ GÖRÜNTÜ İŞLEME TEKNİKLERİ KULLANILARAK BELİRLENMESİ İsmail Serkan Üncü, İsmail Taşcı To The Sources Of Light s Color Tempature With Image Processing Techniques

Detaylı

CBS Veri. CBS Veri Modelleri. Prof.Dr. Emin Zeki BAŞKENT. Karadeniz Teknik Üniversitesi Orman Fakültesi 2010, EZB

CBS Veri. CBS Veri Modelleri. Prof.Dr. Emin Zeki BAŞKENT. Karadeniz Teknik Üniversitesi Orman Fakültesi 2010, EZB Modelleri Prof.Dr. Emin Zeki BAŞKENT Karadeniz Teknik Üniversitesi Orman Fakültesi Objelerin temsili Raster -- Grid Piksel Konum ve değeri Uydu görüntüleri ve hava fotoları bu formatta Vector -- Linear

Detaylı

Zahmetsiz örüntü tanıma: Nokta bulutlarının karşılaştırılması yoluyla veri-tabanlı ve parametresiz istatistiksel öğrenme

Zahmetsiz örüntü tanıma: Nokta bulutlarının karşılaştırılması yoluyla veri-tabanlı ve parametresiz istatistiksel öğrenme Zahmetsiz örüntü tanıma: Nokta bulutlarının karşılaştırılması yoluyla veri-tabanlı ve parametresiz istatistiksel öğrenme Doç. Dr. Bilge Karaçalı Biyomedikal Veri İşleme Laboratuvarı Elektrik-Elektronik

Detaylı

ÖZGEÇMİŞ. Çiçek, A., Hastanelerde Verimlilik, Erciyes Üniversitesi, Sosyal Bilimler Enstitüsü, 1995.

ÖZGEÇMİŞ. Çiçek, A., Hastanelerde Verimlilik, Erciyes Üniversitesi, Sosyal Bilimler Enstitüsü, 1995. ÖZGEÇMİŞ 1. Adı Soyadı: Osman UNUTULMAZ 2. Doğum Tarihi: 22 Ocak 1950 3. Unvanı: Prof. Dr. 4. Öğrenim Durumu: Derece Alan Üniversite Yıl Lisans Maden İşletme İstanbul Teknik Üniversitesi Y. Lisans Maden

Detaylı

Karaciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması

Karaciğerde 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

Detaylı

Görüntü Segmentasyonu (Bölütleme)

Görüntü Segmentasyonu (Bölütleme) Görüntü Segmentasyonu (Bölütleme) Segmentasyon, görüntüyü aynı cinsten obje ve bölgelere ayırmaktır. 20 Aralık 2014 Cumartesi 1 Görüntü Segmentasyonu 20 Aralık 2014 Cumartesi 2 Gestalt kanunları Görüntü

Detaylı

AKARSULARDA KİRLENME KONTROLÜ İÇİN BİR DİNAMİK BENZETİM YAZILIMI

AKARSULARDA KİRLENME KONTROLÜ İÇİN BİR DİNAMİK BENZETİM YAZILIMI AKARSULARDA KİRLENME KONTROLÜ İÇİN BİR DİNAMİK BENZETİM YAZILIMI *Mehmet YÜCEER, **Erdal KARADURMUŞ, *Rıdvan BERBER *Ankara Üniversitesi Mühendislik Fakültesi Kimya Mühendisliği Bölümü Tandoğan - 06100

Detaylı

İNSANSIZ HAVA ARACI PERVANELERİNİN TASARIM, ANALİZ VE TEST YETENEKLERİNİN GELİŞTİRİLMESİ

İNSANSIZ HAVA ARACI PERVANELERİNİN TASARIM, ANALİZ VE TEST YETENEKLERİNİN GELİŞTİRİLMESİ IV. ULUSAL HAVACILIK VE UZAY KONFERANSI 12-14 Eylül 212, Hava Harp Okulu, İstanbul İNSANSIZ HAVA ARACI PERVANELERİNİN TASARIM, ANALİZ VE TEST YETENEKLERİNİN GELİŞTİRİLMESİ Oğuz Kaan ONAY *, Javid KHALILOV,

Detaylı

KIRIKKALE ÜNİVERSİTESİ FEN-EDEBIYAT FAKÜLTESİ İSTATİSTİK BÖLÜMÜ LİSANS PROGRAMI

KIRIKKALE ÜNİVERSİTESİ FEN-EDEBIYAT FAKÜLTESİ İSTATİSTİK BÖLÜMÜ LİSANS PROGRAMI KIRIKKALE ÜNİVERSİTESİ FEN-EDEBIYAT FAKÜLTESİ İSTATİSTİK BÖLÜMÜ LİSANS PROGRAMI Kırıkkale Üniversitesi Fen-Edebiyat Fakültesi İstatistik Bölümü Lisans Programı, Kırıkkale Üniversitesi Önlisans ve Lisans

Detaylı

Digital Görüntü Temelleri Görüntü Oluşumu

Digital Görüntü Temelleri Görüntü Oluşumu Digital Görüntü Temelleri Görüntü Oluşumu Işık 3B yüzeye ulaşır. Yüzey yansıtır. Sensör elemanı ışık enerjisini alır. Yoğunluk (Intensity) önemlidir. Açılar önemlidir. Materyal (yüzey) önemlidir. 25 Ekim

Detaylı

ÖZGEÇMİŞ Ad Soyad :Yrd.Doç:Dr.Hüseyin MUTLU Eğitim Durumu

ÖZGEÇMİŞ Ad Soyad :Yrd.Doç:Dr.Hüseyin MUTLU Eğitim Durumu ÖZGEÇMİŞ Ad Soyad :Yrd.Doç:Dr.Hüseyin MUTLU Eğitim Durumu 1. Lisans : Çukurova Üniversitesi Mühendislik-Mimarlık Fakültesi, Makina Mühendisliği, 1986 2.Yüksek Lisans: Çukurova Üniversitesi Mühendislik-Mimarlık

Detaylı

MÜFREDAT DERS LİSTESİ

MÜFREDAT DERS LİSTESİ MÜFREDAT DERS LİSTESİ MÜHENDİSLİK FAK. / BİLGİSAYAR MÜHENDİSL / 2010 BİLGİSAYAR MÜHENDİSLİĞİ Müfredatı 0504101 Matematik I Calculus I 1 GÜZ 4 5 Z 0504102 Genel Fizik I General Physics I 1 GÜZ 4 4 Z 0504103

Detaylı

COĞRAFİ BİLGİ SİSTEMLERİ İLERİ SEVİYE EĞİTİMLERİ 3D-SPATİAL ANALİZ ve MODEL BUİLDER

COĞRAFİ BİLGİ SİSTEMLERİ İLERİ SEVİYE EĞİTİMLERİ 3D-SPATİAL ANALİZ ve MODEL BUİLDER COĞRAFİ BİLGİ SİSTEMLERİ İLERİ SEVİYE EĞİTİMLERİ 3D-SPATİAL ANALİZ ve MODEL BUİLDER http://facebook.com/esriturkey https://twitter.com/esriturkiye egitim@esriturkey.com.tr Kursun Süresi: 5 Gün 40 Saat

Detaylı

Sağlık Kuruluşlarında Maliyet Yönetimi ve Güncel

Sağlık Kuruluşlarında Maliyet Yönetimi ve Güncel Sağlık Kuruluşlarında Maliyet Yönetimi ve Güncel Uygulamalar YRD. DOÇ. DR. EMRE ATILGAN TRAKYA ÜNİVERSİTESİ SAĞLIK YÖNETİMİ BÖLÜMÜ Sağlık Kurumlarında Maliyet Yönetimi ve Güncel Uygulamalar Sunum Planı:

Detaylı

ÖZET...V ABSTRACT...VII TEŞEKKÜR... IX ŞEKİLLER DİZİNİ... XIV SÖZLÜK... XIX

ÖZET...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

Detaylı

ÖZGEÇMİŞ. Derece Alan Üniversite Yıl. OrtaöğretimMatematikEğitimi BoğaziciÜniversitesi 2007

ÖZGEÇMİŞ. Derece Alan Üniversite Yıl. OrtaöğretimMatematikEğitimi BoğaziciÜniversitesi 2007 ÖZGEÇMİŞ 1. AdıSoyadı: Rukiye Didem Taylan 2. DoğumTarihi: 25 Temmuz 1984 3. Unvanı: Yrd. Doç. Dr. 4. ÖgrenimDurumu: Derece Alan Üniversite Yıl Lisans OrtaöğretimMatematikEğitimi BoğaziciÜniversitesi 2007

Detaylı

İstatistikçiler Dergisi

İstatistikçiler Dergisi www.istatistikciler.org İstatistikçiler Dergisi (28) 6-22 İstatistikçiler Dergisi COX REGRESYON MODELİ VE AKCİĞER KANSERİ VERİLERİ İLE BİR UYGULAMA Durdu KARASOY Hacettepe Üniversitesi Fen Fakültesi İstatistik

Detaylı

2014-2015 EĞİTİM-ÖĞRETİM YILI YAZ OKULU EŞDEĞER YAPILACAK DERSLER FAKÜLTE : MÜHENDİSLİK FAKÜLTESİ BÖLÜM : Bilgisayar Mühendisliği

2014-2015 EĞİTİM-ÖĞRETİM YILI YAZ OKULU EŞDEĞER YAPILACAK DERSLER FAKÜLTE : MÜHENDİSLİK FAKÜLTESİ BÖLÜM : Bilgisayar Mühendisliği 2014-2015 EĞİTİM-ÖĞRETİM YILI YAZ OKULU FAKÜLTE : MÜHENDİSLİK FAKÜLTESİ BÖLÜM : Bilgisayar Mühendisliği Dersin Açıldığı Bölüm Dersin Dersin 501001042010 Matematik 1 Fen Fak. Fizik Bölümü MAT0157 Matematik

Detaylı

HAREKET HAREKET KUVVET İLİŞKİSİ

HAREKET HAREKET KUVVET İLİŞKİSİ HAREKET HAREKET KUVVET İLİŞKİSİ Sabit kabul edilen bir noktaya göre bir cismin konumundaki değişikliğe hareket denir. Bu sabit noktaya referans noktası denir. Fizikte hareket üçe ayrılır Ötelenme Hareketi:

Detaylı

Tanımlar, Geometrik ve Matemetiksel Temeller. Yrd. Doç. Dr. Saygın ABDİKAN Yrd. Doç. Dr. Aycan M. MARANGOZ. JDF329 Fotogrametri I Ders Notu

Tanımlar, Geometrik ve Matemetiksel Temeller. Yrd. Doç. Dr. Saygın ABDİKAN Yrd. Doç. Dr. Aycan M. MARANGOZ. JDF329 Fotogrametri I Ders Notu FOTOGRAMETRİ I Tanımlar, Geometrik ve Matemetiksel Temeller Yrd. Doç. Dr. Saygın ABDİKAN Yrd. Doç. Dr. Aycan M. MARANGOZ JDF329 Fotogrametri I Ders Notu 2015-2016 Öğretim Yılı Güz Dönemi İçerik Tanımlar

Detaylı

Yrd.Doç. Dr. Tülin ÇETİN

Yrd.Doç. Dr. Tülin ÇETİN Yrd.Doç. Dr. Tülin ÇETİN ÖĞRENİM DURUMU Derece Üniversite Bölüm / Program Lisans Ege Üniversitesi Bilgisayar Mühendisliği 1987-1992 Lisans Celal Bayar Üniversitesi İnşaat Mühendisliği 2001-2004 Y. Lisans

Detaylı

ÖZGEÇMİŞ. Unvan Bölüm Üniversite Yıl Yrd. Doç. Dr. Yazılım Mühendisliği Bahçeşehir Üniversitesi 2007

ÖZGEÇMİŞ. Unvan Bölüm Üniversite Yıl Yrd. Doç. Dr. Yazılım Mühendisliği Bahçeşehir Üniversitesi 2007 1. Adı Soyadı: Mehmet Alper TUNGA 2. Doğum Tarihi: 11/06/1975 3. Unvanı: Yrd. Doç. Dr. 4. Öğrenim Durumu: ÖZGEÇMİŞ Derece Bölüm/Program Üniversite Yıl Lisans Matematik Mühendisliği İstanbul Teknik Üniversitesi

Detaylı

EGE ÜNİVERSİTESİ Bilgisayar Mühendisliği. Dr. Kemal YILMAZ, Prof. Dr. Aylin KANTARCI, Prof. Dr. Cezmi AKKIN

EGE ÜNİVERSİTESİ Bilgisayar Mühendisliği. Dr. Kemal YILMAZ, Prof. Dr. Aylin KANTARCI, Prof. Dr. Cezmi AKKIN EGE ÜNİVERSİTESİ Bilgisayar Mühendisliği Dr. Kemal YILMAZ, Prof. Dr. Aylin KANTARCI, Prof. Dr. Cezmi AKKIN Oftalmoskopi: oftalmoskop ile göz dibinin muayene edilmesi bilimidir. Bilim tarihinin ilk optik

Detaylı

ArcGIS ile Tarımsal Uygulamalar Eğitimi

ArcGIS ile Tarımsal Uygulamalar Eğitimi ArcGIS ile Tarımsal Uygulamalar Eğitimi Kursun Süresi: 5 Gün 30 Saat http://facebook.com/esriturkey https://twitter.com/esriturkiye egitim@esriturkey.com.tr ArcGIS ile Tarımsal Uygulamalar Eğitimi Genel

Detaylı

Üstel Öğrenme ve Genel Bozulma Etkili Akış Tipi Çizelgeleme Problemi: Maksimum Tamamlanma Zamanı Minimizasyonu

Üstel Öğrenme ve Genel Bozulma Etkili Akış Tipi Çizelgeleme Problemi: Maksimum Tamamlanma Zamanı Minimizasyonu Üstel Öğrenme ve Genel Bozulma Etkili Akış Tipi Çizelgeleme Problemi: Maksimum Tamamlanma Zamanı Minimizasyonu Tamer Eren Kırıkkale Üniversitesi, Mühendislik Fakültesi, Endüstri Mühendisliği Bölümü, 71451,

Detaylı

Şehir ve Bölge Planlamada Tasarım Değişkeni Boğuculuk Fonksiyonu için Değişkeleme Önerisi. R. Haluk KUL TC Beykent Üniversitesi, hkul@beykent.edu.

Şehir ve Bölge Planlamada Tasarım Değişkeni Boğuculuk Fonksiyonu için Değişkeleme Önerisi. R. Haluk KUL TC Beykent Üniversitesi, hkul@beykent.edu. Şehir ve Bölge Planlamada Tasarım Değişkeni Boğuculuk Fonksiyonu için Değişkeleme Önerisi R. Haluk KUL TC Beykent Üniversitesi hkul@beykent.edu.tr ÖZET Uydu Kentlerin tasarımında kullanılmak üzere önerilen

Detaylı

Mühendislikte İstatistik Yöntemler

Mühendislikte İstatistik Yöntemler Mühendislikte İstatistik Yöntemler Referans Kitaplar Türkçe : Mühendisler için İstatistik, Mehmetçik Bayazıt, Beyhan Oğuz, Birsen Yayınevi Mühendislikte İstatistik Metodlar, Erdem KOÇ,ÇÜ, Müh.Mim.Fak.

Detaylı

3.2. Raster Veriler. Satırlar. Sütunlar. Piksel/hücre büyüklüğü

3.2. Raster Veriler. Satırlar. Sütunlar. Piksel/hücre büyüklüğü 3.2. Raster Veriler Satırlar Piksel/hücre büyüklüğü Sütunlar 1 Görüntü formatlı veriler Her piksel için gri değerleri kaydedilmiştir iki veya üç bant (RGB) çok sayıda bant Fotoğraf, uydu görüntüsü, ortofoto,

Detaylı

ÖZGEÇMİŞ. 2. Doğum Yeri ve Tarihi : Washington DC - 22 Temmuz 1978. Derece Alan Üniversite Yılı Bilgisayar-Kontrol Marmara Üniversitesi

ÖZGEÇMİŞ. 2. Doğum Yeri ve Tarihi : Washington DC - 22 Temmuz 1978. Derece Alan Üniversite Yılı Bilgisayar-Kontrol Marmara Üniversitesi ÖZGEÇMİŞ 1. Adı Soyadı : Serhat ÖZEKES 2. Doğum Yeri ve Tarihi : Washington DC - 22 Temmuz 1978 3. Unvanı : Doç. Dr. 4. Öğrenim Durumu : Derece Alan Üniversite Yılı ve Kontrol Marmara Üniversitesi 2000

Detaylı

Sıvı Depolarının Statik ve Dinamik Hesapları

Sıvı Depolarının Statik ve Dinamik Hesapları Sıvı Depolarının Statik ve Dinamik Hesapları Bu konuda yapmış olduğumuz yayınlardan derlenen ön bilgiler ve bunların listesi aşağıda sunulmaktadır. Bu başlık altında depoların pratik hesaplarına ilişkin

Detaylı

Frekans. Hemoglobin Düzeyi

Frekans. Hemoglobin Düzeyi GRUPLARARASI VE GRUPİÇİ KARŞILAŞTIRMA YÖNTEMLERİ Uzm. Derya ÖZTUNA Yrd. Doç. Dr. Atilla Halil ELHAN 1. ÖNEMLİLİK (HİPOTEZ) TESTLERİ Önemlilik testleri, araştırma sonucunda elde edilen değerlerin ya da

Detaylı

ÖZGEÇMİŞ. 1. Adı Soyadı : Birim BALCI 2. Doğum Tarihi : 28.07.1975 3. Unvanı : Yrd. Doç. Dr. 4. Öğrenim Durumu: Derece Alan Üniversite Yıl Lisans

ÖZGEÇMİŞ. 1. Adı Soyadı : Birim BALCI 2. Doğum Tarihi : 28.07.1975 3. Unvanı : Yrd. Doç. Dr. 4. Öğrenim Durumu: Derece Alan Üniversite Yıl Lisans ÖZGEÇMİŞ 1. Adı Soyadı : Birim BALCI 2. Doğum Tarihi : 28.07.1975 3. Unvanı : Yrd. Doç. Dr. 4. Öğrenim Durumu: Derece Alan Üniversite Yıl Lisans Teknik Eğitim, Elektronik- Bilgisayar Eğitimi Marmara Üniversitesi.

Detaylı

SIRA İSTATİSTİKLERİ VE UYGULAMA ALANLARINDAN BİR ÖRNEĞİN DEĞERLENDİRMESİ

SIRA İSTATİSTİKLERİ VE UYGULAMA ALANLARINDAN BİR ÖRNEĞİN DEĞERLENDİRMESİ Sıra İstatistikleri ve Uygulama Alanlarından Bir Örneğin Değerlendirmesi 89 SIRA İSTATİSTİKLERİ VE UYGULAMA ALANLARINDAN BİR ÖRNEĞİN DEĞERLENDİRMESİ Esin Cumhur PİRİNÇCİLER Araş. Gör. Dr., Çanakkale Onsekiz

Detaylı

TÜRKİYE NİN BİTKİ ÖRTÜSÜ DEĞİŞİMİNİN NOAA UYDU VERİLERİ İLE BELİRLENMESİ*

TÜRKİYE 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

Detaylı

COĞRAFİ BİLGİ SİSTEMLERİ

COĞRAFİ BİLGİ SİSTEMLERİ COĞRAFİ BİLGİ SİSTEMLERİ HARİTA TABANLI PLANLAMA VE YÖNETİM Prof.Dr. Vahap TECİM Dokuz Eylül Üniversitesi HARİTADAN DA ÖTE COĞRAFİ BİLGİ SİSTEMLERİ BİLGİ SİSTEMİ Donanım Yazılım Veriler Personel Yeryüzü

Detaylı

KAHKAHA TANIMA İÇİN RASSAL ORMANLAR

KAHKAHA 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

Detaylı

SAĞLIK TEKNOLOJİ DEĞERLENDİRME (STD) İÇİN MODELLEME VE BENZETİM. Dr. Murat Günal

SAĞLIK TEKNOLOJİ DEĞERLENDİRME (STD) İÇİN MODELLEME VE BENZETİM. Dr. Murat Günal 1 SAĞLIK TEKNOLOJİ DEĞERLENDİRME (STD) İÇİN MODELLEME VE BENZETİM Dr. Murat Günal SAĞLIK TEKNOLOJİ DEĞERLENDİRME (STD) Sekröte sunulacak Yeni Ürün (veya Teknoloji) Mevcut ve gelecekteki demografik durum

Detaylı

RENK BİLEŞENLERİ YARDIMIYLA HAREKETLİ HEDEFLERİN GERÇEK ZAMANLI TESPİTİ

RENK BİLEŞENLERİ YARDIMIYLA HAREKETLİ HEDEFLERİN GERÇEK ZAMANLI TESPİTİ Journal of Naval Science and Engineering 2009, Vol 5, No2, pp 89-97 RENK BİLEŞENLERİ YARDIMIYLA HAREKETLİ HEDEFLERİN GERÇEK ZAMANLI TESPİTİ Öğr Kd Bnb Mustafa Yağımlı Elektrik/Elektronik Mühendisliği Bölümü,

Detaylı

PROJEM İSTANBUL ARAŞTIRMA PROJESİ BİLGİSAYARLI GÖRÜ VE SINIFLANDIRMA TEKNİKLERİYLE ARAZİ KULLANIMININ OTOMATİK OLARAK BULUNMASI

PROJEM İSTANBUL ARAŞTIRMA PROJESİ BİLGİSAYARLI GÖRÜ VE SINIFLANDIRMA TEKNİKLERİYLE ARAZİ KULLANIMININ OTOMATİK OLARAK BULUNMASI PROJEM İSTANBUL ARAŞTIRMA PROJESİ BİLGİSAYARLI GÖRÜ VE SINIFLANDIRMA TEKNİKLERİYLE ARAZİ KULLANIMININ OTOMATİK OLARAK BULUNMASI Proje Yüklenicisi: Yeditepe Üniversitesi Mühendislik ve Mimarlık Fakültesi

Detaylı

Elena Battini SÖNMEZ Önder ÖZBEK N. Özge ÖZBEK. 2 Şubat 2007

Elena Battini SÖNMEZ Önder ÖZBEK N. Özge ÖZBEK. 2 Şubat 2007 AVUÇ İZİ VE PARMAK İZİNE DAYALI BİR BİYOMETRİK TANIMA SİSTEMİ Elena Battini SÖNMEZ Önder ÖZBEK N. Özge ÖZBEK İstanbul Bilgi Üniversitesi Bilgisayar Bilimleri 2 Şubat 2007 Biyometrik Biyometrik, kişileri

Detaylı

İki Boyutlu Dalgacık Dönüşümü Kullanarak Ön Cepheden Çekilmiş İnsan Yüzü Resimlerini Tanıma Üzerine Yaklaşımlar

İki Boyutlu Dalgacık Dönüşümü Kullanarak Ön Cepheden Çekilmiş İnsan Yüzü Resimlerini Tanıma Üzerine Yaklaşımlar KSÜ Mühendislik Bilimleri Dergisi, 12(1), 2009 6 KSU Journal of Engineering Sciences, 12 (1), 2009 İki Boyutlu Dalgacık Dönüşümü Kullanarak Ön Cepheden Çekilmiş İnsan Yüzü Resimlerini Tanıma Üzerine Yaklaşımlar

Detaylı

COĞRAFİ BİLGİ SİSTEMLERİ 3D&Spatial Analyst ve ModelBuilder Eğitimi

COĞRAFİ 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

Detaylı

Dijital (Sayısal) Fotogrametri

Dijital (Sayısal) Fotogrametri Dijital (Sayısal) Fotogrametri Dijital fotogrametri, cisimlere ait iki boyutlu görüntü ortamından üç boyutlu bilgi sağlayan, sayısal resim veya görüntü ile çalışan fotogrametri bilimidir. Girdi olarak

Detaylı

VERİ MADENCİLİĞİ VE SOSYAL AĞ ANALİZİ ARAŞTIRMA LABORATUVARI

VERİ MADENCİLİĞİ VE SOSYAL AĞ ANALİZİ ARAŞTIRMA LABORATUVARI BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ VERİ MADENCİLİĞİ VE SOSYAL AĞ ANALİZİ ARAŞTIRMA LABORATUVARI 10 Aralık 2011, Cumartesi Fen ve Mühendislik Alanlarındaki Çeşitli Araştırma Projelerinden Örneklemeler İçerik

Detaylı

GÖRÜNTÜ İŞLEME HAFTA 1 1.GİRİŞ

GÖRÜNTÜ İŞLEME HAFTA 1 1.GİRİŞ GÖRÜNTÜ İŞLEME HAFTA 1 1.GİRİŞ GÖRÜNTÜ İŞLEME Hafta Hafta 1 Hafta 2 Hafta 3 Hafta 4 Hafta 5 Hafta 6 Hafta 7 Hafta 8 Hafta 9 Hafta 10 Hafta 11 Hafta 12 Hafta 13 Hafta 14 Konu Giriş Digital Görüntü Temelleri-1

Detaylı

ÖZGEÇMİŞ VE ESERLER LİSTESİ

ÖZGEÇMİŞ VE ESERLER LİSTESİ ÖZGEÇMİŞ VE ESERLER LİSTESİ ÖZGEÇMİŞ Adı Soyadı: Ayten Koç Öğrenim Durumu: Doktora/S.Yeterlik/ Tıpta Uzmanlık Matematik Yıldız Teknik Üniversitesi Yüksek Lisans Tez Başlığı (özeti ekte) ve Tez Danışman(lar)ı

Detaylı

Dersi Alan Dersi Veren Dersin Optik Kod Dersin Adı Saat Öğr. Grubu Öğretim Üyesi Yeri

Dersi Alan Dersi Veren Dersin Optik Kod Dersin Adı Saat Öğr. Grubu Öğretim Üyesi Yeri T. C. E. Ü. FEN FAKÜLTESİ MATEMATİK BÖLÜMÜ 2015-2016 Öğretim Yılı Güz Dönemi Haftalık Ders Programı İkinci Öğretim A. Fakülte İçinde "BÖLÜMÜMÜZ" Öğrencilerine Verdiğimiz Dersler I. YARIYIL 1104001062003

Detaylı

altında ilerde ele alınacaktır.

altında ilerde ele alınacaktır. YTÜ-İktisat İstatistik II Nokta Tahmin Yöntemleri 1 NOKTA TAHMİN YÖNTEMLERİ Şimdiye kadar verilmiş tahmin edicilerin sonlu örneklem ve asimptotik özelliklerini inceledik. Acaba bilinmeyen anakütle parametrelerini

Detaylı

Dr. Hidayet Takçı. Veri Madenciliği Dersi G Y T E Dr. Hidayet Takçı 10/05/2008 1

Dr. 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.

Detaylı

Web Madenciliği (Web Mining)

Web 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

Detaylı

BİR BAYESCİ HİPOTEZ TESTLERİ VE BAYES FAKTÖRÜ

BİR BAYESCİ HİPOTEZ TESTLERİ VE BAYES FAKTÖRÜ ISSN:36-3 e-journal of New World Sciences Academy 8, Volume: 3, Number: Article Number: A73 NATURAL AND APPLIED SCIENCES STATISTICS Received: December 7 Accepted: March 8 8 www.newwsa.com BİR Yüksel Terzi

Detaylı

English for Academic Reading & Speaking I İngilizce Akademik Okuma ve Konuşma I. Introduction to Civil Engineering İnşaat Mühendisliğine Giriş

English for Academic Reading & Speaking I İngilizce Akademik Okuma ve Konuşma I. Introduction to Civil Engineering İnşaat Mühendisliğine Giriş T.C. İZMİR KÂTİP ÇELEBİ ÜNİVERSİTESİ MÜHENDİSLİK VE MİMARLIK FAKÜLTESİ İNŞAAT MÜHENDİSLİĞİ BÖLÜMÜ 2015-16 GÜZ YARIYILI VE SONRASINDA UYGULANACAK LİSANS PROGRAMI (%100 İNGİLİZCE) BİRİNCİ YIL 1. DÖNEM Ön

Detaylı

MEÜ. SAĞLIK BĠLĠMLERĠ ENSTĠTÜSÜ DERS TANIMI FORMU

MEÜ. SAĞLIK BĠLĠMLERĠ ENSTĠTÜSÜ DERS TANIMI FORMU MEÜ. SAĞLIK BĠLĠMLERĠ ENSTĠTÜSÜ DERS TANIMI FORMU Dersin Adı-Kodu: BİS 601 Örnek Genişliği ve Güç Programın Adı: Biyoistatistik Dersin düzeyi Doktora Ders saatleri ve Teori Uyg. Lab. Proje/Alan Çalışması

Detaylı

T. C. E. Ü. FEN FAKÜLTESİ MATEMATİK BÖLÜMÜ. 2015-2016 Öğretim Yılı Güz Dönemi Haftalık Ders Programı

T. C. E. Ü. FEN FAKÜLTESİ MATEMATİK BÖLÜMÜ. 2015-2016 Öğretim Yılı Güz Dönemi Haftalık Ders Programı T. C. E. Ü. FEN FAKÜLTESİ MATEMATİK BÖLÜMÜ 2015-2016 Öğretim Yılı Güz Dönemi Haftalık Ders Programı A. Fakülte İçinde "BÖLÜMÜMÜZ" Öğrencilerine Verdiğimiz Dersler I. YARIYIL 405001072003 Soyut Matematik

Detaylı

AFYON KOCATEPE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ / FEN BİLİMLERİ ENSTİTÜSÜ DERS TANITIM FORMU

AFYON KOCATEPE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ / FEN BİLİMLERİ ENSTİTÜSÜ DERS TANITIM FORMU AFYON KOCATEPE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ / FEN BİLİMLERİ ENSTİTÜSÜ DERS TANITIM FORMU Dersin Kodu ve Adı: JFM 611- Coğrafi Bilgi Sisteminde Veri Kalitesi Ve Güvenilirliği Yarıyıl Teorik Uygulama

Detaylı

BİLİMSEL ARAŞTIRMA TEKNİKLERİ

BİLİMSEL ARAŞTIRMA TEKNİKLERİ BİLİMSEL ARAŞTIRMA TEKNİKLERİ Prof. Dr. Sevinç GÜLSEÇEN, sevincg@yahoo.com Dr. Elif KARTAL, elifkartal86@gmail.com İstanbul Eylül 2015 Takvim 14 Eylül 2015 Eğitim - Öğretim Başlangıcı 30 Eylül 2015 Araştırmanın

Detaylı

İleri Örüntü Tanıma Teknikleri Ve Uygulamaları İçerik

İleri 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

Detaylı

Ö Z G E Ç M İ Ş. 1. Adı Soyadı: Mustafa GÖÇKEN. 2. Doğum Tarihi: 12 Haziran 1976. 3. Unvanı: Yrd. Doç. Dr. 4. Öğrenim Durumu: Ph.D.

Ö Z G E Ç M İ Ş. 1. Adı Soyadı: Mustafa GÖÇKEN. 2. Doğum Tarihi: 12 Haziran 1976. 3. Unvanı: Yrd. Doç. Dr. 4. Öğrenim Durumu: Ph.D. Ö Z G E Ç M İ Ş 1. Adı Soyadı: Mustafa GÖÇKEN 2. Doğum Tarihi: 12 Haziran 1976 3. Unvanı: Yrd. Doç. Dr. 4. Öğrenim Durumu: Ph.D. Derece Alan Üniversite Yıl Lisans Endüstri Mühendisliği Çukurova Üniversitesi

Detaylı

8.04 Kuantum Fiziği Ders IV. Kırınım olayı olarak Heisenberg belirsizlik ilkesi. ise, parçacığın dalga fonksiyonu,

8.04 Kuantum Fiziği Ders IV. Kırınım olayı olarak Heisenberg belirsizlik ilkesi. ise, parçacığın dalga fonksiyonu, Geçen Derste Kırınım olayı olarak Heisenberg belirsizlik ilkesi ΔxΔp x 2 Fourier ayrışımı Bugün φ(k) yı nasıl hesaplarız ψ(x) ve φ(k) ın yorumu: olasılık genliği ve olasılık yoğunluğu ölçüm φ ( k)veyahut

Detaylı

TEKNOLOJİK ARAŞTIRMALAR

TEKNOLOJİK ARAŞTIRMALAR www.teknolojikarastirmalar.com ISSN:1304-4141 Makine Teknolojileri Elektronik Dergisi 2005 (1) 49-54 TEKNOLOJİK ARAŞTIRMALAR Teknik Not Akışkanlar Mekaniği Ve İklimlendirme Sistemlerinde Sonlu Elemanlar

Detaylı

YÜZEYSULARI ÇALIŞMA GRUBU

YÜZEYSULARI ÇALIŞMA GRUBU 1/23 HEDEFLER Mühendislerimiz ve akademisyenlerimiz ile birlikte gelişmiş yöntem ve teknikleri kullanarak; su kaynaklarımızın planlama, inşaat ve işletme aşamalarındaki problemlere çözüm bulmak ve bu alanda

Detaylı

DEÜ MÜHENDİSLİK FAKÜLTESİ FEN ve MÜHENDİSLİK DERGİSİ Cilt: 7 Sayı: 3 s. 31-36 Ekim 2005

DEÜ MÜHENDİSLİK FAKÜLTESİ FEN ve MÜHENDİSLİK DERGİSİ Cilt: 7 Sayı: 3 s. 31-36 Ekim 2005 DEÜ MÜHENDİSLİK FAKÜLTESİ FEN ve MÜHENDİSLİK DERGİSİ Cilt: 7 Sayı: 3 s. 31-36 Ekim 2005 PROSTAT HÜCRE ÇEKİRDEKLERİNİN SINIFLANDIRILMASINDA İSTATİSTİKSEL YÖNTEMLERİN VE YAPAY SİNİR AĞLARININ BAŞARIMI (PERFORMANCE

Detaylı

TARIMSAL ÜRÜN SINIFLANDIRMADA ÇİZGE-TABANLI YÖNTEM: YENİ BİR YAKLAŞIM

TARIMSAL ÜRÜN SINIFLANDIRMADA ÇİZGE-TABANLI YÖNTEM: YENİ BİR YAKLAŞIM TARIMSAL ÜRÜN SINIFLANDIRMADA ÇİZGE-TABANLI YÖNTEM: YENİ BİR YAKLAŞIM A. Özdarıcı Ok a, *. A. Ö. Ok b a Yüzüncü Yıl Üniversitesi, Mühendislik-Mimarlık Fakültesi, Şehir ve Bölge Planlama Bölümü, 65080,

Detaylı

BENZETİM. Prof.Dr.Berna Dengiz. 4. Ders Modelleme yaklaşımları Benzetim yazılımlarında aranan özellikler M/M/1 Kuyruk Sistemi benzetimi

BENZETİM. Prof.Dr.Berna Dengiz. 4. Ders Modelleme yaklaşımları Benzetim yazılımlarında aranan özellikler M/M/1 Kuyruk Sistemi benzetimi Prof.Dr.Berna Dengiz 4. Ders Modelleme yaklaşımları Benzetim yazılımlarında aranan özellikler M/M/1 Kuyruk Sistemi benzetimi BENZETİM DİLLERİNDE MODELLEME YAKLAŞIMLARI Tüm benzetim dilleri; ya olay-çizelgeleme

Detaylı

İÇİNDEKİLER. BÖLÜM 1 Değişkenler ve Grafikler 1. BÖLÜM 2 Frekans Dağılımları 37

İÇİNDEKİLER. BÖLÜM 1 Değişkenler ve Grafikler 1. BÖLÜM 2 Frekans Dağılımları 37 İÇİNDEKİLER BÖLÜM 1 Değişkenler ve Grafikler 1 İstatistik 1 Yığın ve Örnek; Tümevarımcı ve Betimleyici İstatistik 1 Değişkenler: Kesikli ve Sürekli 1 Verilerin Yuvarlanması Bilimsel Gösterim Anlamlı Rakamlar

Detaylı

ÖZGEÇMİŞ VE ESERLER LİSTESİ

ÖZGEÇMİŞ VE ESERLER LİSTESİ ÖZGEÇMİŞ VE ESERLER LİSTESİ ÖZGEÇMİŞ Adı Soyadı: Göksel Günlü Doğum Tarihi: 04 12 1979 Öğrenim Durumu: Derece Bölüm/Program Üniversite Yıl Lisans Elektrik-Elektr. Muh. Gazi Üniversitesi 2001 Y. Lisans

Detaylı

SÜLEYMAN DEMİREL ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ KİMYA MÜHENDİSLİĞİ BÖLÜMÜ KMM 302 KİMYA MÜHENDİSLİĞİ LABORATUVARI-I ÖĞÜTME ELEME DENEYİ

SÜLEYMAN DEMİREL ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ KİMYA MÜHENDİSLİĞİ BÖLÜMÜ KMM 302 KİMYA MÜHENDİSLİĞİ LABORATUVARI-I ÖĞÜTME ELEME DENEYİ SÜLEYMAN DEMİREL ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ KİMYA MÜHENDİSLİĞİ BÖLÜMÜ KMM 302 KİMYA MÜHENDİSLİĞİ LABORATUVARI-I ÖĞÜTME ELEME DENEYİ ISPARTA, 2014 ÖĞÜTME ELEME DENEYİ DENEYİN AMACI: Kolemanit mineralinin

Detaylı

TEKNOLOJİ haftalık ders sayısı 1, yıllık toplam 37

TEKNOLOJİ haftalık ders sayısı 1, yıllık toplam 37 TEKNOLOJİ haftalık ders sayısı 1, yıllık toplam 37 GİRİŞ Altıncı sınıf Teknoloji dersi önceki senelere ait bilgilerin devamı ve genişlemiş halidir. Teknoloji dersi, öğrencileri değişik tecrübe ve etkinliklerin

Detaylı

Genel Bilgiler FLI MAP. Koridor Tipi Çalışmalar. Geniş Alan Çalışmaları

Genel Bilgiler FLI MAP. Koridor Tipi Çalışmalar. Geniş Alan Çalışmaları FLI MAP Çeşitli helikopterlere monte edilebilen Fli Map in geliştirdiği taşınabilir lazer altimetre sistemi pazardaki hızlı, detaylı ve doğru veri toplama ihtiyaçlarını gidermek için geliştirilmiştir.

Detaylı