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 ( 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

MATEMATİK BÖLÜMÜ BÖLÜM KODU:3201

MATEMATİK BÖLÜMÜ BÖLÜM KODU:3201 BÖLÜM KODU:01 011-01 01.Yarıyıl Dersleri 0.Yarıyıl Dersleri MTK 101 Analiz I Analysis I 4 1 5 6 MTK 10 Analiz II Analysis II 4 1 5 6 MTK 11 Lineer Cebir I Linear Algebra I 1 4 MTK 1 Lineer Cebir II Linear

Detaylı

BÖLÜM 12 STUDENT T DAĞILIMI

BÖLÜM 12 STUDENT T DAĞILIMI 1 BÖLÜM 12 STUDENT T DAĞILIMI 'Student t dağılımı' ya da kısaca 't dağılımı'; normal dağılım ve Z dağılımının da içerisinde bulunduğu 'sürekli olasılık dağılımları' ailesinde yer alan dağılımlardan bir

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

SAYISAL GÖRÜNTÜİŞLEME (Digital Image Processing)

SAYISAL GÖRÜNTÜİŞLEME (Digital Image Processing) 91-03-01-529 SAYISAL GÖRÜNTÜİŞLEME (Digital Image Processing) Dersi Veren Öğretim Üyesi Y. Doç. Dr. Aybars UĞUR Ders Web Sayfası : http://yzgrafik.ege.edu.tr/~ugur 29.09.2009 Y. Doç. Dr. Aybars UĞUR (529

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

Geliştirilmiş Fisher Ayraç Kriteri Kullanarak Hiperspektral Görüntülerde Sınıflandırma

Geliştirilmiş Fisher Ayraç Kriteri Kullanarak Hiperspektral Görüntülerde Sınıflandırma Geliştirilmiş Fisher Ayraç Kriteri Kullanarak Hiperspektral Görüntülerde Sınıflandırma Mustafa TEKE, Dr. Ufuk SAKARYA TÜBİTAK UZAY IEEE 21. Sinyal İşleme, İletişim ve Uygulamaları Kurultayı (SİU 2013),

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

ADNAN MENDERES ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MATEMATİK ANABİLİM DALI MATEMATİK PROGRAMI DERS LİSTESİ

ADNAN MENDERES ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MATEMATİK ANABİLİM DALI MATEMATİK PROGRAMI DERS LİSTESİ Ders List ADNAN MENDERES ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MATEMATİK ANABİLİM DALI MATEMATİK PROGRAMI DERS LİSTESİ 17.11.2016 Yüksek Lisans Dersleri Kod Ders Adı Ders Adı (EN) T U L K AKTS MTK501 Reel

Detaylı

Kelebek Görüntülerin Sınıflandırılmasında Yeni Yerel İkili Örüntüler

Kelebek Görüntülerin Sınıflandırılmasında Yeni Yerel İkili Örüntüler Kelebek Görüntülerin Sınıflandırılmasında Yeni Yerel İkili Örüntüler Yılmaz KAYA 1, Lokman KAYCİ 2 1 Bilgisayar Mühendisliği Bölümü, Siirt Üniversitesi, 56100 Siirt 2 Biyoloji Bölümü, Siirt Üniversitesi,

Detaylı

İSTATİSTİKSEL TAHMİNLEME. Örneklem istatistiklerinden hareketle ana kütle parametreleri hakkında genelleme yapmaya istatistiksel tahminleme denir.

İSTATİSTİKSEL TAHMİNLEME. Örneklem istatistiklerinden hareketle ana kütle parametreleri hakkında genelleme yapmaya istatistiksel tahminleme denir. İSTATİSTİKSEL TAHMİNLEME Örneklem istatistiklerinden hareketle ana kütle parametreleri hakkında genelleme yapmaya istatistiksel tahminleme denir. 1 ŞEKİL: Evren uzay-örneklem uzay İstatistiksel tahmin

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

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

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

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

ÖRNEK TABANLI K-STAR ALGORİTMASI İLE UZAKTAN ALGILANMIŞ GÖRÜNTÜLERİN SINIFLANDIRILMASI

ÖRNEK TABANLI K-STAR ALGORİTMASI İLE UZAKTAN ALGILANMIŞ GÖRÜNTÜLERİN SINIFLANDIRILMASI ÖRNEK TABANLI K-STAR ALGORİTMASI İLE UZAKTAN ALGILANMIŞ GÖRÜNTÜLERİN SINIFLANDIRILMASI İ. Çölkesen *, T. Kavzoğlu GYTE, Mühendislik Fakültesi, Jeodezi ve Fotogrametri Müh. Bölümü, 41400 Gebze-Kocaeli (icolkesen@gyte.edu.tr,

Detaylı

RCRCR KAVRAMA MEKANİZMASININ KİNEMATİK ANALİZİ Koray KAVLAK

RCRCR KAVRAMA MEKANİZMASININ KİNEMATİK ANALİZİ Koray KAVLAK Selçuk-Teknik Dergisi ISSN 130-6178 Journal of Selcuk-Technic Cilt, Sayı:-006 Volume, Number:-006 RCRCR KAVRAMA MEKANİZMASININ KİNEMATİK ANALİZİ Koray KAVLAK Selçuk Üniversitesi, Mühendislik-Mimarlık Fakültesi,

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

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

Trafik Yoğunluk Harita Görüntülerinin Görüntü İşleme Yöntemleriyle İşlenmesi

Trafik Yoğunluk Harita Görüntülerinin Görüntü İşleme Yöntemleriyle İşlenmesi Trafik Yoğunluk Harita Görüntülerinin Görüntü İşleme Yöntemleriyle İşlenmesi ISITES 2016 4 TH INTERNATIONAL SYMPOSIUM ON INNOVATIVE TECHNOLOGIES IN ENGINEERING AND SCIENCE Dr. G. Çiğdem Çavdaroğlu ISITES,

Detaylı

TMMOB Harita ve Kadastro Mühendisleri Odası Ulusal Coğrafi Bilgi Sistemleri Kongresi 30 Ekim 02 Kasım 2007, KTÜ, Trabzon

TMMOB Harita ve Kadastro Mühendisleri Odası Ulusal Coğrafi Bilgi Sistemleri Kongresi 30 Ekim 02 Kasım 2007, KTÜ, Trabzon TMMOB Harita ve Kadastro Mühendisleri Odası Ulusal Coğrafi Bilgi Sistemleri Kongresi 30 Ekim 02 Kasım 2007, KTÜ, Trabzon Lazer Tarama Verilerinden Bina Detaylarının Çıkarılması ve CBS İle Entegrasyonu

Detaylı

Zamansal Veri Madenciliği ve Anomali Tespiti için Bir Uygulama

Zamansal Veri Madenciliği ve Anomali Tespiti için Bir Uygulama Zamansal Veri Madenciliği ve Anomali Tespiti için Bir Uygulama Mehmet Yavuz ONAT Yrd.Doç.Dr.Engin YILDIZTEPE Dokuz Eylül Üniversitesi, İstatistik Bölümü Akademik Bilişim 2015, Anadolu Üniversitesi, Eskişehir

Detaylı

BLM 4811 MESLEKİ TERMİNOLOJİ II Salı , D-109 Dr. Göksel Biricik

BLM 4811 MESLEKİ TERMİNOLOJİ II Salı , D-109 Dr. Göksel Biricik BLM 4811 MESLEKİ TERMİNOLOJİ II 2017-1 Salı 13.00 14.50, D-109 Dr. Göksel Biricik goksel@ce.yildiz.edu.tr Ders Planı Hafta Tarih Konu 1 19.09 Tanışma, Ders Planı, Kriterler, Giriş 2 26.09 Bilgisayarın

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

1. GİRİŞ Kılavuzun amacı. Bu bölümde;

1. GİRİŞ Kılavuzun amacı. Bu bölümde; 1. GİRİŞ Bu bölümde; Kılavuzun amacı EViews Yardım EViews Temelleri ve Nesneleri EViews ta Matematiksel İfadeler EViews Ana Ekranındaki Alanlar 1.1. Kılavuzun amacı Ekonometri A. H. Studenmund tarafından

Detaylı

UYDU GÖRÜNTÜLERİ VE SAYISAL UZAKTAN ALGILAMA

UYDU GÖRÜNTÜLERİ VE SAYISAL UZAKTAN ALGILAMA UYDU GÖRÜNTÜLERİ VE SAYISAL UZAKTAN ALGILAMA Son yıllarda teknolojinin gelişmesi ile birlikte; geniş alanlarda, kısa zaman aralıklarında ucuz ve hızlı sonuç alınabilen uzaktan algılama tekniğinin, yenilenebilir

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

geniş kapsamlı özet doktorlar tarafından doktorlara referanslı doğruluk ve güvenirlikleri

geniş kapsamlı özet doktorlar tarafından doktorlara referanslı doğruluk ve güvenirlikleri UpToDate Nedir? UpToDate kanıta dayalı geniş kapsamlı bir tıbbi bilgi kaynağıdır UpToDate; doktorların kullanımı kolay ve özet bilgilere en çok ihtiyaç duydukları anda erişmelerini sağlamak üzere tasarlanmıştır.

Detaylı

QUANTILE REGRESYON * Quantile Regression

QUANTILE REGRESYON * Quantile Regression QUANTILE REGRESYON * Quantile Regression Fikriye KURTOĞLU İstatistik Anabilim Dalı Olcay ARSLAN İstatistik Anabilim Dalı ÖZET Bu çalışmada, Lineer Regresyon analizinde kullanılan en küçük kareler yöntemine

Detaylı

Hafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti

Hafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti Hafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr

Detaylı

FATMA KANCA. Derece Alan Üniversite Yıl Doktora Matematik Gebze Yüksek Teknoloji Enstitüsü Yüksek Lisans Matematik Kocaeli Üniversitesi 2004

FATMA KANCA. Derece Alan Üniversite Yıl Doktora Matematik Gebze Yüksek Teknoloji Enstitüsü Yüksek Lisans Matematik Kocaeli Üniversitesi 2004 FATMA KANCA EĞİTİM Derece Alan Üniversite Yıl Doktora Matematik Gebze Yüksek Teknoloji Enstitüsü 2011 Yüksek Lisans Matematik Kocaeli 2004 Lisans Matematik Kocaeli 2001 AKADEMİK UNVANLAR Kurum/Kuruluş

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

T.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ EĞİTİM ÖĞRETİM YILI DERS KATALOĞU

T.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ EĞİTİM ÖĞRETİM YILI DERS KATALOĞU T.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ - EĞİTİM ÖĞRETİM YILI DERS KATALOĞU Ders Kodu Bim Kodu Ders Adı Türkçe Ders Adı İngilizce Dersin Dönemi T Snf Açıl.Dönem P

Detaylı

Üniversite Sanayi İşbirliği Başarılı Uygulamalar Çalıştayı

Üniversite Sanayi İşbirliği Başarılı Uygulamalar Çalıştayı Üniversite Sanayi İşbirliği Başarılı Uygulamalar Çalıştayı ODTÜ-UME Tarafından ASELSAN A.Ş. İçin Gerçekleştirilen Projeler Ar. Gör. Çağdaş Çalık Uygulamalı Matematik Enstitüsü ODTÜ İçerik ODTÜ UME Tanıtımı

Detaylı

Temel ve Uygulamalı Araştırmalar için Araştırma Süreci

Temel ve Uygulamalı Araştırmalar için Araştırma Süreci BÖLÜM 8 ÖRNEKLEME Temel ve Uygulamalı Araştırmalar için Araştırma Süreci 1.Gözlem Genel araştırma alanı 3.Sorunun Belirlenmesi Sorun taslağının hazırlanması 4.Kuramsal Çatı Değişkenlerin açıkça saptanması

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

Olasılık ve İstatistik II (IE 202) Ders Detayları

Olasılık ve İstatistik II (IE 202) Ders Detayları Olasılık ve İstatistik II (IE 202) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Olasılık ve İstatistik II IE 202 Bahar 3 0 0 3 5 Ön Koşul Ders(ler)i Olasılık

Detaylı

Türkçe Dokümanlar Ġçin Yazar Tanıma

Türkçe Dokümanlar Ġçin Yazar Tanıma Türkçe Dokümanlar Ġçin Yazar Tanıma Özcan KOLYĠĞĠT, Rıfat AġLIYAN, Korhan GÜNEL Adnan Menderes Üniversitesi, Matematik Bölümü Bölümü, Aydın okolyigit@gmail.com, rasliyan@adu.edu.tr, kgunel@adu.edu.tr Özet:

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

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

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

Kümeler arası. Küme içi. uzaklıklar. maksimize edilir. minimize edilir

Kümeler arası. Küme içi. uzaklıklar. maksimize edilir. minimize edilir Kümeleme Analizi: Temel Kavramlar ve Algoritmalar Kümeleme Analizi Nedir? Her biri bir dizi öznitelik ile, veri noktalarının bir kümesi ve noktalar arasındaki benzerliği ölçen bir benzerlik ölçümü verilmiş

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

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

ÖZGEÇMİŞ VE ESERLER LİSTESİ

ÖZGEÇMİŞ VE ESERLER LİSTESİ 1. Adı Soyadı : Mehmet Karay 2. Doğum Tarihi : 18 Mart 1979 3. Ünvanı : Assist. Prof. Dr. ÖZGEÇMİŞ VE ESERLER LİSTESİ 4. e-posta : mehmet_karay@hotmail.com mehmet.karay@ufu.university 5. Öğrenim Durumu:

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

Bilgisayarla Görüye Giriş

Bilgisayarla Görüye Giriş Bilgisayarla Görüye Giriş Ders 9 Stereo Görüntüleme Alp Ertürk alp.erturk@kocaeli.edu.tr Tek Kamera Geometrisi??? x Tek Kamera Geometrisi Tek Kamera Geometrisi İğne Deliği Kamera Modeli ) /, / ( ),, (

Detaylı

Yrd. Doç. Dr. Ersin ASLAN

Yrd. Doç. Dr. Ersin ASLAN Yrd. Doç. Dr. Ersin ASLAN ÖĞRENİM DURUMU Derece Üniversite Bölüm / Program Yıllar Lisans 000-005 Y. Lisans 005-007 Doktora 007-0 Adres İLETİŞİM BİLGİLERİ Celal Bayar Üniversitesi Turgutlu Meslek Yüksekokulu

Detaylı

NDEN BELİRLENEBİLME LME POTANSİYELİ UYDU GÖRÜNTÜLERİNDEN

NDEN BELİRLENEBİLME LME POTANSİYELİ UYDU GÖRÜNTÜLERİNDEN BİNALARIN YÜKSEK Y ÇÖZÜNÜRLÜKLÜRLÜKL UYDU GÖRÜNTÜLERİNDEN NTÜLER NDEN BELİRLENEBİLME LME POTANSİYELİ Dilek KOÇ SAN dkoc@metu metu.edu.tr Orta Doğu u Teknik Üniversitesi, Jeodezi ve Coğrafi Bilgi Teknolojileri

Detaylı

Tez adı: Genelleştirilmiş büzülme dönüşümleri için bazı sabit nokta teoremleri (2016) Tez Danışmanı:(ARAP DURAN TÜRKOĞLU)

Tez adı: Genelleştirilmiş büzülme dönüşümleri için bazı sabit nokta teoremleri (2016) Tez Danışmanı:(ARAP DURAN TÜRKOĞLU) HÜSEYİN IŞIK YARDIMCI DOÇENT E-Posta Adresi : h.isik@alparslan.edu.tr Telefon (İş) Telefon (Cep) Faks Adres : : : : 3122021084-5071865605 MUŞ ALPARSLAN ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ Öğrenim Durumu

Detaylı

Büyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data)

Büyük 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

Detaylı

Dr.Öğr.Üyesi HALİL TANIL

Dr.Öğr.Üyesi HALİL TANIL Dr.Öğr.Üyesi HALİL TANIL ÖZGEÇMİŞ DOSYASI KİŞİSEL BİLGİLER Doğum Yılı : Doğum Yeri : Sabit Telefon : Faks : E-Posta Adresi : Web Adresi : Posta Adresi : 1974 ALAŞEHİR T: 23231117281728 F: halil.tanil@ege.edu.tr

Detaylı

ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ DOKTORA YETERLİK SINAVI YÖNETMELİĞİ

ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ DOKTORA YETERLİK SINAVI YÖNETMELİĞİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ DOKTORA YETERLİK SINAVI YÖNETMELİĞİ Doktora Yeterlik Sınavı, başvurunun yapıldığı ve Doktora Yeterlik Komitesi nin başvuruyu onayladığı dönemdeki, dönem sonu sınavlarının

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

Fen Edebiyat Fakültesi Matematik Bölümü Bölüm Kodu: 3201

Fen Edebiyat Fakültesi Matematik Bölümü Bölüm Kodu: 3201 Fen Edebiyat Fakültesi 2016-2017 Matematik Bölümü Bölüm Kodu: 3201 01. Yarıyıl Dersleri 02. Yarıyıl Dersleri MTK 101 Analiz I Analysis I 4 1 5 6 MTK 102 Analiz II Analysis II 4 1 5 6 MTK 121 Lineer Cebir

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

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

ÖZGEÇMİŞ. : :

ÖZGEÇMİŞ. : : 1. Adı Soyadı : Fatma Zehra DOĞRU ÖZGEÇMİŞ Adres Telefon E-posta : Giresun Üniversitesi, İktisadi ve İdari Bilimler Fakültesi, Ekonometri Bölümü, GİRESUN : 04543105411 : fatma.dogru@giresun.edu.tr 2. Doğum

Detaylı

MOD419 Görüntü İşleme

MOD419 Görüntü İşleme MOD419 Görüntü İşleme Ders Kitabı: Digital Image Processing by Gonzalez and Woods Puanlama: %30 Lab. %20 Vize %10 Quizes %40 Final %60 devam mecburiyeti Görüntü İşleme ye Giriş Görüntü İşleme Nedir? Özellikle

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

FRAKTAL VE TARİHÇESİ. Benoit Mandelbrot

FRAKTAL VE TARİHÇESİ. Benoit Mandelbrot FRAKTAL VE TARİHÇESİ Matematiksel gerçeklerin niteliğinde var olan kesinliğin özetinde aksiyomatik yapılar vardır. Öklid geometrisi, matematik tarihinde bunun önde gelen örneğidir. Matematiksel doğruların,

Detaylı

Uzaktan Algılama Uygulamaları

Uzaktan Algılama Uygulamaları Aksaray Üniversitesi Uzaktan Algılama Uygulamaları Doç.Dr. Semih EKERCİN Harita Mühendisliği Bölümü sekercin@aksaray.edu.tr 2010-2011 Bahar Yarıyılı Uzaktan Algılama Uygulamaları GÖRÜNTÜ İŞLEME TEKNİKLERİ

Detaylı

Yaz.Müh.Ders Notları #6 1

Yaz.Müh.Ders Notları #6 1 YAZILIM MÜHENDİSLİĞİ Prof.Dr. Oya Kalıpsız GİRİŞ 1 YAZILIM YETERLİLİK OLGUNLUK MODELİ Olgunluk Seviyeleri: Düzey 1. Başlangıç düzeyi: Yazılım gelişimi ile ilişkili süreçlerin tanımlanması için hiçbir sistematik

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

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

Bilgisayarla Görme (EE 430) Ders Detayları

Bilgisayarla Görme (EE 430) Ders Detayları Bilgisayarla Görme (EE 430) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Bilgisayarla Görme EE 430 Her İkisi 3 0 0 3 5 Ön Koşul Ders(ler)i EE 275, MATH

Detaylı

Ayrık Dalgacık Dönüşümü Bileşenlerine Ait İstatistiksel Veriler ile Epileptik EEG İşaretlerinin Sınıflandırılması

Ayrık Dalgacık Dönüşümü Bileşenlerine Ait İstatistiksel Veriler ile Epileptik EEG İşaretlerinin Sınıflandırılması 214 Spring/Bahar Cilt/Vol: 5 - Sayı/Num: 15 DOI: 1.5824/139-1581.214.2.3.x Ayrık Dalgacık Dönüşümü Bileşenlerine Ait İstatistiksel Veriler ile Epileptik EEG İşaretlerinin Sınıflandırılması Tuğba PALABAŞ,

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

K En Yakın Komşu Methodu (KNearest Neighborhood)

K En Yakın Komşu Methodu (KNearest Neighborhood) K En Yakın Komşu Methodu (KNearest Neighborhood) K-NN algoritması, Thomas. M. Cover ve Peter. E. Hart tarafından önerilen, örnek veri noktasının bulunduğu sınıfın ve en yakın komşunun, k değerine göre

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

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

İstatistik 1. Bölüm 5 Olasılık Teorisi ve Kesikli Olasılık Dağılımları. Ankara Üniversitesi SBF, GYY

İstatistik 1. Bölüm 5 Olasılık Teorisi ve Kesikli Olasılık Dağılımları. Ankara Üniversitesi SBF, GYY İstatistik 1 Bölüm 5 Olasılık Teorisi ve Kesikli Olasılık Dağılımları Bu Bölümde İşlenecek Konular Temel Olasılık Teorisi Örnek uzayı ve olaylar, basit olasılık, birleşik olasılık Koşullu Olasılık İstatistiksel

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

Olasılık ve İstatistik nedir? Bilgisayar Mühendisliğindeki yeri

Olasılık ve İstatistik nedir? Bilgisayar Mühendisliğindeki yeri Olasılık ve İstatistik nedir? Bilgisayar Mühendisliğindeki yeri IST 108 Olasılık ve İstatistik Bahar 2016 Yrd. Doç. Dr. Ferhat Dikbıyık Bu sunumun bir kısmı Utah Üniversitesi nden Bilgisayar Bilimleri

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

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

Dijital Görüntü İşleme (COMPE 464) Ders Detayları

Dijital Görüntü İşleme (COMPE 464) Ders Detayları Dijital Görüntü İşleme (COMPE 464) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Dijital Görüntü İşleme COMPE 464 Her İkisi 3 0 0 3 5 Ön Koşul Ders(ler)i

Detaylı

Zeki Optimizasyon Teknikleri

Zeki Optimizasyon Teknikleri Zeki Optimizasyon Teknikleri Tabu Arama (Tabu Search) Doç.Dr. M. Ali Akcayol Tabu Arama 1986 yılında Glover tarafından geliştirilmiştir. Lokal minimum u elimine edebilir ve global minimum u bulur. Değerlendirme

Detaylı

DOÇ. DR. BANU UZUN Işık Üniversitesi Matematik Bölümü

DOÇ. DR. BANU UZUN Işık Üniversitesi Matematik Bölümü DOÇ. DR. BANU UZUN Işık Üniversitesi Matematik Bölümü buzun@isikun.edu.tr 1. Adı Soyadı : Banu UZUN 2. Doğum Tarihi : 22.09.1971 3. Ünvanı : Doçent 4. Öğrenim Durumu : ÖĞRENİM DÖNEMİ DERECE ÜNİVERSİTE

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

MONTE CARLO BENZETİMİ

MONTE CARLO BENZETİMİ MONTE CARLO BENZETİMİ U(0,1) rassal değişkenler kullanılarak (zamanın önemli bir rolü olmadığı) stokastik ya da deterministik problemlerin çözümünde kullanılan bir tekniktir. Monte Carlo simülasyonu, genellikle

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

Degree Department Üniversity Year B.S. Statistics Gazi University 1993 M.s. Statistics Gazi University 1998 Ph.D. Statistics Gazi University 2005

Degree Department Üniversity Year B.S. Statistics Gazi University 1993 M.s. Statistics Gazi University 1998 Ph.D. Statistics Gazi University 2005 Gazi University Faculty of Science Department of Statistics 06500 Teknikokullar ANKARA/TURKEY Tel:+903122021479 e-mail: yaprak@gazi.edu.tr Web site: www.gazi.edu.tr/yaprak EDUCATION Degree Department Üniversity

Detaylı

2. Klasik Kümeler-Bulanık Kümeler

2. Klasik Kümeler-Bulanık Kümeler 2. Klasik Kümeler-Bulanık Kümeler Klasik Küme Teorisi Klasik kümelerde bir nesnenin bir kümeye üye olması ve üye olmaması söz konusudur. Bu yaklaşıma göre istediğimiz özelliğe sahip olan bir birey, eleman

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

ÖZGEÇMİŞ. Çalışma Alanları: Cebir ve sayılar teorisi, cebirsel sayı teorisi, cebirsel geometri, cebirsel kodlama teorisi.

ÖZGEÇMİŞ. Çalışma Alanları: Cebir ve sayılar teorisi, cebirsel sayı teorisi, cebirsel geometri, cebirsel kodlama teorisi. ÖZGEÇMİŞ Adı Soyadı: Fatih Koyuncu Doğum Tarihi: 10 Haziran 1971 Ünvanı : Doç. Dr. Çalışma Alanları: Cebir ve sayılar teorisi, cebirsel sayı teorisi, cebirsel geometri, cebirsel kodlama teorisi. 1. Öğrenim

Detaylı

EĞİTİM-ÖĞRETİM YILI MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ (İNGİLİZCE) BÖLÜMÜ DERS PROGRAMINDA YAPILAN DEĞİŞİKLİKLER

EĞİTİM-ÖĞRETİM YILI MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ (İNGİLİZCE) BÖLÜMÜ DERS PROGRAMINDA YAPILAN DEĞİŞİKLİKLER BİRİNCİ SINIF GÜZ YARIYILI 2015-2016 EĞİTİM-ÖĞRETİM YILI MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ (İNGİLİZCE) BÖLÜMÜ DERS PROGRAMINDA YAPILAN DEĞİŞİKLİKLER DEĞİŞİKLİK FORMU COM101 BİLGİSAYAR PROGRAMLAMA

Detaylı

SPATIAL STATISTICAL ANALYSIS OF THE EFFECTS OF URBAN FORM INDICATORS ON ROAD-TRAFFIC NOISE EXPOSURE OF A CITY IN SOUTH KOREA

SPATIAL STATISTICAL ANALYSIS OF THE EFFECTS OF URBAN FORM INDICATORS ON ROAD-TRAFFIC NOISE EXPOSURE OF A CITY IN SOUTH KOREA SPATIAL STATISTICAL ANALYSIS OF THE EFFECTS OF URBAN FORM INDICATORS ON ROAD-TRAFFIC NOISE EXPOSURE OF A CITY IN SOUTH KOREA Hunjae Ryu, In Kwon Park, Bum Seok Chun, Seo Il Chang Güney Kore de Bir Kentin

Detaylı

Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Bilgisayarla Görme. Final

Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Bilgisayarla Görme. Final Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü Bilgisayarla Görme Final Harris ve Moravec Köşe Belirleme Metotları Selçuk BAŞAK 08501008 Not: Ödevi hazırlamak için geliştirdiğim

Detaylı

ÖĞRENİM DURUMU Derece Üniversite Bölüm / Program Yıllar Lisans. Ege Üniversitesi Bilgisayar Bilimleri Ağırlıklı Matematik Programı-Matematik

ÖĞRENİM DURUMU Derece Üniversite Bölüm / Program Yıllar Lisans. Ege Üniversitesi Bilgisayar Bilimleri Ağırlıklı Matematik Programı-Matematik Doç. Dr. Ersin ASLAN ÖĞRENİM DURUMU Derece Üniversite Bölüm / Program Yıllar Lisans 000-005 Y. Lisans 005-007 Doktora 007-0 İLETİŞİM BİLGİLERİ Adres Hasan Ferdi Turgutlu Teknoloji Fakültesi, Manisa Celal

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

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

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

Plazma İletiminin Optimal Kontrolü Üzerine

Plazma İletiminin Optimal Kontrolü Üzerine Plazma İletiminin Optimal Kontrolü Üzerine 1 Yalçın Yılmaz, 2 İsmail Küçük ve 3 Faruk Uygul *1 Faculty of Arts and Sciences, Dept. of Mathematics, Sakaya University, Sakarya, Turkey 2 Faculty of Chemical

Detaylı

ÖZGEÇMİŞ. 1. Adı Soyadı: Bahaddin SİNSOYSAL 2. Doğum Tarihi: Ünvanı: Doç. Dr. 4. Öğrenim Durumu:

ÖZGEÇMİŞ. 1. Adı Soyadı: Bahaddin SİNSOYSAL 2. Doğum Tarihi: Ünvanı: Doç. Dr. 4. Öğrenim Durumu: 1. Adı Soyadı: Bahaddin SİNSOYSAL 2. Doğum Tarihi: 02.0.1969. Ünvanı: Doç. Dr.. Öğrenim Durumu: ÖZGEÇMİŞ Derece Alan Üniversite Yıl Lisans Matematik Karadeniz Teknik Üniversitesi 1991 Y. Lisans Matematik

Detaylı

7. BÖLÜM İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI .= 1 1 + + Genel: Vektörler bölümünde vektörel iç çarpım;

7. BÖLÜM İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI .= 1 1 + + Genel: Vektörler bölümünde vektörel iç çarpım; İÇ ÇARPIM UZAYLARI 7. BÖLÜM İÇ ÇARPIM UZAYLARI Genel: Vektörler bölümünde vektörel iç çarpım;.= 1 1 + + Açıklanmış ve bu konu uzunluk ve uzaklık kavramlarını açıklamak için kullanılmıştır. Bu bölümde öklit

Detaylı

Uzaktan Algılama Teknolojileri

Uzaktan Algılama Teknolojileri Uzaktan Algılama Teknolojileri Ders 11 Hiperspektral Görüntülerde Kümeleme ve Sınıflandırma Alp Ertürk alp.erturk@kocaeli.edu.tr Sınıflandırma Sınıflandırma işleminin amacı, her piksel vektörüne bir ve

Detaylı