Naive Bayes Yöntemi ile Spam Mail Teşhisi Kübra KURNAZ
|
|
- Iskender Gökmen
- 5 yıl önce
- İzleme sayısı:
Transkript
1 Naive Bayes Yöntemi ile Spam Mail Teşhisi Kübra KURNAZ Yıldız Teknik Üniversitesi, Elektrik-Elektronik Fakültesi, Bilgisayar Mühendisliği Bölümü, Tezsiz Yüksek Lisans Bilgi Teknolojileri Özet Spam mail teşhisi için kullanılan veritabanından [1] Naive Bayes, K-En Yakın Komşuluk, Destek Vektör Makineleri ve Yapay Sinir Ağları yöntemleri ile; verileri 10-fold cross validation, %40 eğitim-%60 test, %60 eğitim-%40 test verileri olmak üzere ayırarak açık kaynak kodlu bir sınıflandırma aracı olan WEKA aracı ile sınıflandırma yapılmış, test ve eğitim sayılarına ve yöntem çeşitliliğine göre başarı ölçütü çıkarılmaya çalışılmıştır. 1. Giriş Hayatta karşılaşılan zorlukları yenebilmek için geçmişteki tecrübelerimize, bilgi birikimlerimize ihtiyaç duyarız. Bu yüzden tarih boyunca bunları saklayacak ve gerektiğinde kullanmayı sağlayacak teknikler geliştirmeye çalışılmıştır. Geleneksel veri kaydetme aracı olan kâğıdın yerini gün geçtikçe hızlanan ve ucuzlayan elektronik kayıt ortamlarına bırakması ile birlikte, yeryüzünde çok büyük veriler oluşmaya başlamıştır. Yaşadığımız her saniye bu verilere yenileri eklenmektedir. Mevcut verilerden bilinmeyen verileri tahmin etme işlemi de günümüzde artık çok önemli rol oynamaktadır. Matematiksel ve istatistiksel yöntemler kullanarak mevcut verilerden çıkarımlar yapan, bu çıkarımlarla bilinmeyene dair tahminlerde bulunan yöntem paradigması da Makine Öğrenmesi adını alır. Makine Öğrenmesinde, eğitmenli öğrenme, eğitmensiz öğrenme ve ödül-ceza ile öğrenme yöntemleri mevuttur. Bu çalışmamızda, öğrenme modeli, bir eğitmen tarafından verilmiş örnek girdiler ve istenen çıktılarla temsil edilir ve amacı da girdileri çıktılara eşleştiren genel bir kuralı öğrenmektedir. Eğitmenli öğrenme yöntemlerinden Naive Bayes, K-En Yakın Komşuluk, Destek Vektör Makineleri ve Yapay Sinir Ağları yönemlerinin çalışmamızda kullanılması amaçlanmıştır. 2. Uygulama 2.1 Naive Bayes Sınıflandırması 1
2 Cross validation 10 için yapılan naive Bayes sınıflandırmasında başarı oranı %79.28 çıkmış, spam olan maillerin 1725 tanesi doğru sınıflanmış, spam olmayan maillerin de 1923 tanesi doğru sınıflanmıştır. Şekil fold Cross Validation ile Sınıflandırma Başarı Oranı Şekil 2.10-fold Cross Validation ile Confusion Matris Accuracy Precision Recall A B Tablo1.Accuracy, Precision, Recall Oranları Verilerin %40 ının eğitim, %60 ının test olarak kullanıldığı şekliyle sınıflandırma sonucunda %78.12 başarı elde edilmiştir. Şekil 3. %40 Eğitim %60 Test Veri Seti ile Sınıflandırma Başarı Oranı 2
3 Şekil 4. %40 Eğitim %60 Test Veri Seti Confusion Matris Accuracy Precision Recall A B Tablo2.Accuracy, Precision, Recall Oranları Verilerin %60 ının eğitim, %40 ının test olarak kullanıldığı şekliyle sınıflandırma sonucunda da %77.12 başarı elde edilmiştir. Şekil 5. %60 Eğitim %40 Test Veri Seti ile Sınıflandırma Başarı Oranı Şekil 6. %60 Eğitim %40 Test Veri Seti ile Confusion Matris Accuracy Precision Recall A B Tablo3.Accuracy, Precision, Recall Oranları 3
4 2.2 K-En Yakın Komşuluk Sınıflandırması K- En Yakım Komşuluk sınıflandırmasında k=1 alındığında cross validation 10 seçildiğindeki başarı yüzdesi %90.76 dır. Şekil fold Cross Validation ile Sınıflandırma Başarı Oranı ve Confusion Matris Accuracy Precision Recall A B Tablo 4.Accuracy, Precision, Recall Oranları 4
5 K=1 iken, verilerin %40 ının eğitim, %60 ının test olarak kullanıldığındaki başarı yüzdesi de confusion matrix de aşağıdaki gibidir. Şekil 8. %40 Eğitim %60 Test Veri Seti ile Sınıflandırma Başarı Oranı ve Confusion Matris K=1 iken, verilerin %60 ının eğitim, %40 ının test olarak kullanıldığındaki başarı yüzdesi de confusion matrix de aşağıdaki gibidir. Şekil 9. %60 Eğitim %40 Test Veri Seti ile Sınıflandırma Başarı Oranı ve Confusion Matris K=3 alındığında cross validation 10 seçildiğindeki başarı yüzdesi %90.11 dir. 5
6 Şekil fold Cross Validation ile ile Sınıflandırma Başarı Oranı ve Confusion Matris K=3 iken, verilerin %40 ının eğitim, %60 ının test olarak kullanıldığındaki başarı yüzdesi de confusion matrix de aşağıdaki gibidir. Şekil 11. %40 Eğitim %60 Test Veri Seti ile Sınıflandırma Başarı Oranı ve Confusion Matris Accuracy Precision Recall A B Tablo 5.Accuracy, Precision, Recall Oranları 6
7 K=3 iken, verilerin %60 ının eğitim, %40 ının test olarak kullanıldığındaki başarı yüzdesi de confusion matrix de aşağıdaki gibidir. Şekil 12. %60 Eğitim %40 Test Veri Seti ile Sınıflandırma Başarı Oranı ve Confusion Matris K=5 alındığında cross validation 10 seçildiğindeki başarı yüzdesi %90.11 dir. Şekil fold Cross Validation ile Sınıflandırma Başarı Oranı ve Confusion Matris 7
8 Accuracy Precision Recall A B Tablo 6.Accuracy, Precision, Recall Oranları K=5 iken, verilerin %40 ının eğitim, %60 ının test olarak kullanıldığındaki başarı yüzdesi de confusion matrix de aşağıdaki gibidir. Şekil 14. %40 Eğitim %60 Test Veri Seti ile Sınıflandırma Başarı Oranı ve Confusion Matris K=5 iken, verilerin %60 ının eğitim, %40 ının test olarak kullanıldığındaki başarı yüzdesi de confusion matrix de aşağıdaki gibidir. 8
9 Şekil 14. %60 Eğitim %40 Test Veri Seti ile Sınıflandırma Başarı Oranı ve Confusion Matris 2.3 Destek Vektör Makinaları (SVM) Linear Destek Vektör Makinelerinin Linear Kernalı ile 10 cross validation ile sınıflandırma yapıldığında %88.93 başarı elde edilmiş, spam maillerden 1674 tanesi, spam olmayan maillerin ise 2418 tanesi doğru sınıflanmıştır. Şekil fold Cross Validation ile Sınıflandırma Başarı Oranı Şekil fold Cross Validation ile Confusion Matris 9
10 Accuracy Precision Recall A B Tablo 7.Accuracy, Precision, Recall Oranları Verilerin %40 ının eğitim, %60 ının test olarak kullanılması ile de aşağıdaki sonuçlar elde edilmiştir. Şekil 17. %40 Eğitim %60 Test Veri Seti ile Sınıflandırma Başarı Oranı Şekil 18. %40 Eğitim %60 Test Veri Seti ile Confusion Matris Verilerin %60 ının eğitim, %40 ının test olarak kullanılması ile de aşağıdaki sonuçlar elde edilmiştir. Şekil 19. %60 Eğitim %40 Test Veri Seti ile ile Sınıflandırma Başarı Oranı Şekil 20. %60 Eğitim %40 Test Veri Seti ile Confusion Matris 10
11 2.3.2 Polynomial Destek Vektör Makinelerinin Polynomial Kernalı ile 10 cross validation ile sınıflandırma yapıldığında %47.09 başarı elde edilmiş, spam maillerden 1259 tanesi, spam olmayan maillerin ise 908 tanesi doğru sınıflanmıştır. Şekil fold Cross Validation ile Sınıflandırma Başarı Oranı Şekil fold Cross Validation ile Confusion Matris Accuracy Precision Recall A B Tablo 8.Accuracy, Precision, Recall Oranları Verilerin %40 ının eğitim, %60 ının test olarak kullanılması ile de aşağıdaki sonuçlar elde edilmiştir. Şekil 23. %40 Eğitim %60 Test Veri Seti ile Sınıflandırma Başarı Oranı 11
12 Şekil 24. %40 Eğitim %60 Test Veri Seti ile Confusion Matris Verilerin %60 ının eğitim, %40 ının test olarak kullanılması ile de aşağıdaki sonuçlar elde edilmiştir. Şekil 25. %60 Eğitim %40 Test Veri Seti ile Sınıflandırma Başarı Oranı Şekil 26. %60 Eğitim %40 Test Veri Seti ile Confusion Matris Gaussian Destek Vektör Makinelerinin Gaussian Kernalı ile 10 cross validation ile sınıflandırma yapıldığında %83.65 başarı elde edilmiş, spam maillerden 1469 tanesi, spam olmayan maillerin ise 2380 tanesi doğru sınıflanmıştır. Şekil fold Cross Validation ile Sınıflandırma Başarı Oranı 12
13 Şekil fold Cross Validation ile Confusion Matris Accuracy Precision Recall A B Tablo 9.Accuracy, Precision, Recall Oranları Verilerin %40 ının eğitim, %60 ının test olarak kullanılması ile de aşağıdaki sonuçlar elde edilmiştir. Şekil 28. %40 Eğitim %60 Test Veri Seti ile Sınıflandırma Başarı Oranı Şekil 29. %60 Eğitim %40 Test Veri Seti ile Confusion Matris Verilerin %60 ının eğitim, %40 ının test olarak kullanılması ile de aşağıdaki sonuçlar elde edilmiştir. Şekil 30. %60 Eğitim %40 Test Veri Seti ile Sınıflandırma Başarı Oranı 13
14 Şekil 31. %60 Eğitim %40 Test Veri Seti ile Confusion Matris 2.4 Yapay Nöron Ağları (ANN) Yapay Sinir Ağlarında 3,5,7 nin hidden layer olarak seçildiği ve cross validation 10 seçildiği sınıflandırmada elde edilen başarı yüzdesi %91.24 tür tane spam mail, 2572 tane spam olmayan mail doğru sınıflanmıştır. Şekil fold Cross Validation ile Sınıflandırma Başarı Oranı Şekil fold Cross Validation ile Confusion Matris Accuracy Precision Recall A B Tablo 10.Accuracy, Precision, Recall Oranları Verilerin %40 ının eğitim, %60 ının test olarak kullanıldığında elde edilen başarı sonucu ve confusion matrix aşağıdaki gibidir. 14
15 Şekil 34. %40 Eğitim %60 Test Veri Seti ile Sınıflandırma Başarı Oranı Şekil 35. %60 Eğitim %40 Test Veri Seti ile Confusion Matris Verilerin %60 ının eğitim, %40 ının test olarak kullanıldığında elde edilen başarı sonucu ve confusion matrix aşağıdaki gibidir. Şekil 36. %60 Eğitim %40 Test Veri Seti ile Sınıflandırma Başarı Oranı Şekil 37. %60 Eğitim %40 Test Veri Seti ile Confusion Matris 3. Sonuç Sınıflandırma TP FP Başarı (%) Naive Bayes Cross Validation 10-fold Naive Bayes Cross %40 Naive Bayes %
16 K-NN k=1 Cross Validation 10-fold K-NN k=1 %40 K-NN k=1 % K-NN k=3 Cross Validation 10-fold K-NN k=3 % K-NN k=3 % K-NN k=5 Cross Validation 10-fold K-NN k=5 % K-NN k=5 % ANN Cross Validation 10-fold ANN % ANN % SVM Linear Cross Validation 10-fold SVM Linear % SVM Linear % SVM Polynomial Cross Validation 10- fold SVM Polynomial %40 SVM Polynomial %60 SVM Gaussian Cross Validation 10- fold SVM Gaussian % SVM Gaussian % Tablo 11. Sınıflandırma Yöntemlerine Göre Sonuçlar 16
17 Spam maillerine ait veri setinin sınıflandırma oranlarını incelediğimizde, tablo 11 de yer alan karşılaştırmaya göre başarı yüzdesinin, cross validation, %40 eğitim- %60 test veri seti ve %60 eğitim- %40 test veri setinden ede edilen başarı %91 ile %92 arasında seyreden Yapay Sinir Ağları yöntemiyle elde edilen sınıflandırmanın daha iyi olduğu görülmektedir. Bunun yanı sıra Destek Vektör Makinelerinin(SVM) Linear kernalında da, aynı koşullarda %91-%92 lere varan başarı elde edilmiştir. Kaynakça [1]. 17
Web Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Sınıflandırıcıların Değerlendirilmesi Skorlar Karışıklık matrisi Accuracy Precision Recall
DetaylıVeri madenciliği sınıflandırma ve kümeleme teknikleri yardımıyla Wisconsin veriseti üzerinde Göğüs Kanseri Teşhisi. Hazırlayan: Nury Amanmadov
Veri madenciliği sınıflandırma ve kümeleme teknikleri yardımıyla Wisconsin veriseti üzerinde Göğüs Kanseri Teşhisi Hazırlayan: Nury Amanmadov Göğüs Kanseri Nedir? Gögüs Kanseri göğüs hücrelerinde başlayan
DetaylıMakine Öğrenmesi İle Duygu Analizinde Veri Seti Performansı
Makine Öğrenmesi İle Duygu Analizinde Veri Seti Performansı Hatice NİZAM İstanbul Üniversitesi Bilgisayar Mühendisliği Bölümü haticenizam@outlook.com Saliha Sıla AKIN ERS Turizm Yazılım Şirketi, Bilgisayar
DetaylıEğitim seti (training set) sınıflandırma modelinin elde edileceği kayıtları içerir
sınıflandırma: temel kavramlar, karar ağaçları ve model değerlendirme Sınıflandırma : Tanım Eğitim seti (training set) sınıflandırma modelinin elde edileceği kayıtları içerir Eğitim setindeki her kayıt
DetaylıKaraciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması
Karaciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması 1 Emre DANDIL Bilecik Ş. Edebali Üniversitesi emre.dandil@bilecik.edu.tr +90228 214 1613 Sunum İçeriği Özet Giriş
DetaylıMekatronik Mühendisliği Uygulamalarında Yapay Zekâ. Makine Öğrenmesi. Erhan AKDOĞAN, Ph.D.
Mekatronik Mühendisliği Uygulamalarında Yapay Zekâ Makine Öğrenmesi Erhan AKDOĞAN, Ph.D. Bu ders notunun hazırlanmasında Dr. U.Orhan ve Banu Diri nin ders notlarından yararlanılmıştır. Makine öğrenmesi
DetaylıYAPAY ZEKA VE DERİN ÖĞRENMENİN GÜNÜMÜZDEKİ UYGULAMA ALANLARI
YAPAY ZEKA VE DERİN ÖĞRENMENİN GÜNÜMÜZDEKİ UYGULAMA ALANLARI DR. ÖĞR. ÜYESİ GÖKHAN ALTAN BİLGİSAYAR MÜH. BÖL. İSKENDERUN TEKNİK ÜNİVERSİTESİ KONUŞMA İÇERİĞİ Bilgisayar Bilimi Makine Öğrenmesi nedir? Makine
DetaylıYıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Şekil Tanıma Final Projesi. Selçuk BAŞAK 08501008
Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü Şekil Tanıma Final Projesi Selçuk BAŞAK 08501008 Not: Ödevi hazırlamak için geliştirdiğim uygulama ve kaynak kodları ektedir.
DetaylıCBS ve Coğrafi Hesaplama
Yıldız Teknik Üniversitesi CBS ve Coğrafi Hesaplama 2. Bölüm Yrd. Doç. Dr. Alper ŞEN Harita Mühendisliği Bölümü Kartografya Anabilim Dalı web: http://www.yarbis.yildiz.edu.tr/alpersen/ E mail: alpersen@yildiz.edu.tr
DetaylıLale AKARUN, Boğaziçi Üniversitesi.
Lale AKARUN, Boğaziçi Üniversitesi http://www.cmpe.boun.edu.tr/pilab Dr. Lale Akarun Dr. Albert Ali Salah Öğretim üyeleri: Alp Kındıroğlu Yunus Emre Kara Barış Evrim Demiröz Doğa Siyli Ufuk Can Biçici
DetaylıK En Yakın Komşu Methodu (KNearest Neighborhood)
K En Yakın Komşu Methodu (KNearest Neighborhood) K-NN algoritması, Thomas. M. Cover ve Peter. E. Hart tarafından önerilen, örnek veri noktasının bulunduğu sınıfın ve en yakın komşunun, k değerine göre
DetaylıYapı Kredi Bankası Ar-Ge Çalışmaları Araştırma, Vizyon ve Uygulama. Eğitmen: Onur AĞIN
Yapı Kredi Bankası Ar-Ge Çalışmaları Araştırma, Vizyon ve Uygulama Eğitmen: Onur AĞIN 2016 Biz Kimiz? Kuruluş 9Eylül 2013 14 Kişilik bir Takım 11 Ar-Ge Mühendisi 2 Ar-Ge Koordinatörü 1 Müdür Yenilik Prototip
DetaylıDOKUZ 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
DetaylıYapay Sinir Ağları ile Web İçeriklerini Sınıflandırma. Yazarlar: Esra Nergis Güven, Hakan Onur ve Şeref Sağıroğlu. Sunan : Esra Nergis Güven
Yapay Sinir Ağları ile Web İçeriklerini Sınıflandırma Yazarlar: Esra Nergis Güven, Hakan Onur ve Şeref Sağıroğlu Sunan : Esra Nergis Güven İçerik Giriş Amaç ve Kapsam Sınıflandırma Geliştirilen Sistem
DetaylıKaraciğer Yetmezliğinin Teşhisinde Makine Öğrenmesi Algoritmalarının Kullanımı. In the Diagnosis of Liver Failure Using Machine Learning Algorithms
Karaciğer Yetmezliğinin Teşhisinde Makine Öğrenmesi Algoritmalarının Kullanımı 1 Ekrem Alkuşak ve * 2 Murat Gök 1 Bilgisayar Mühendisliği Bölümü, Yalova Üniversitesi, Yalova, Türkiye 2 Bilgisayar Mühendisliği
DetaylıMetin Madenciliği Yöntemleri ile Twitter Duygu Analizi (Twitter Sentiment Analysis using Text Mining Methods)
YBS Ansiklopedi www.ybsansiklopedi.com Cilt 4, Sayı 2,Haziran 2017 Metin Madenciliği Yöntemleri ile Twitter Duygu Analizi (Twitter Sentiment Analysis using Text Mining Methods) Amine YEŞİLYURT 1 Şadi Evren
DetaylıBIL684 Nöron Ağları Dönem Projesi
BIL684 Nöron Ağları Dönem Projesi SNNS Uygulama Parametrelerinin bir Örnek Aracılığı ile İncelenmesi Kerem ERZURUMLU A0064552 Bu rapor ile Bil684 Nöron Ağları dersi kapsamında gerçekleştirilmiş olan SNNS
DetaylıDoküman dili tanıma için ikili örüntüler tabanlı yeni bir yaklaşım
Doküman dili tanıma için ikili örüntüler tabanlı yeni bir yaklaşım Yılmaz KAYA 1, Ömer Faruk ERTUĞRUL 2, Ramazan TEKİN 3 1 Siirt Üniversitesi, Bilgisayar Mühendisliği Bölümü 2 Batman Üniversitesi, Elektrik-Elektronik
DetaylıDestekçi Vektör Makineleri. Destekçi Vektör Makineleri(Support Vector Machines)
Destekçi Vektör Makineleri Destekçi Vektör Makineleri(Support Vector Machines) Değişkenler arasındaki örüntülerin bilinmediği veri setlerindeki sınıflama problemleri için önerilmiş bir makine öğrenmesi
DetaylıKolektif Öğrenme Metotları
Kolektif Öğrenme Metotları Kolektif öğrenme algoritmalarına genel bakış 1-Bagging 2-Ardışık Topluluklarla Öğrenme (Boosting) 3-Rastsal Altuzaylar 4-Rastsal Ormanlar 5-Aşırı Rastsal Ormanlar 6-Rotasyon
DetaylıVeri Madenciliği - Giriş. Erdem Alparslan
Veri Madenciliği - Giriş Erdem Alparslan Amaçlar İş zekasının önemli bir parçası olan veri madenciliğinin tanımı İş analizi ve veri madenciliğinin amaçlarının anlaşılması Veri madenciliğini kullanan çok
DetaylıKarar Ağaçları Destekli Vadeli Mevduat Analizi. Bank Deposit Analysis Based on Decision Tree
Karar Ağaçları Destekli Vadeli Mevduat Analizi Hakan Dalkılıç1, Feriştah Dalkılıç1 1 Dokuz Eylül Üniversitesi, Bilgisayar Mühendisliği Bölümü, İzmir hakand@hotmail.com, feristah@cs.deu.edu.tr Özet: C4.5
Detaylıİş Zekası. Hafta 6 Kestirimci Modelleme Teknikleri. Yrd. Doç. Dr. H. İbrahim CEBECİ
İş Zekası Hafta 6 Kestirimci Modelleme Teknikleri Business Intelligence and Analytics: Systems for Decision Support 10e isimli eserden adapte edilmiştir Bölüm Amaçları Yapay Sinir Ağları (YSA) kavramını
DetaylıYZM 3217 YAPAY ZEKA DERS#9: ÖĞRENME VE SINIFLANDIRMA
YZM 3217 YAPAY ZEKA DERS#9: ÖĞRENME VE SINIFLANDIRMA Makine Öğrenmesi Çok büyük miktardaki verilerin elle işlenip analiz edilmesi mümkün değildir. Bu tür problemlere çözüm bulmak amacıyla makine öğrenmesi
DetaylıOlay Kayıtları Ürün ve Platform Kodu Tespit Süreci Otomasyonu
Olay Kayıtları Ürün ve Platform Kodu Tespit Süreci Otomasyonu Ethem Utku Aktaş 1, Aziz Göktepe 1, Gamze Pehlivan 1, Ümit Ülkem Yıldırım 1, Cemal Yılmaz 2 1 Arge Merkezi, Softtech A.Ş., İstanbul, Türkiye
Detaylı1: DENEYLERİN TASARIMI VE ANALİZİ...
İÇİNDEKİLER Bölüm 1: DENEYLERİN TASARIMI VE ANALİZİ... 1 1.1. Deneyin Stratejisi... 1 1.2. Deneysel Tasarımın Bazı Tipik Örnekleri... 11 1.3. Temel Kurallar... 16 1.4. Deneyleri Tasarlama Prensipleri...
DetaylıKredi Onayı İçin Bir Sınıflandırma Algoritması Önerisi A Classification Algorithm Advice for Credit Approval
Kredi Onayı İçin Bir Sınıflandırma Algoritması Önerisi A Classification Algorithm Advice for Credit Approval İsmail Haberal Bilgisayar Mühendisliği Bölümü Başkent Üniversitesi ihaberal@baskent.edu.tr Umut
DetaylıDOKUZ EYLÜL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRLÜĞÜ DERS/MODÜL/BLOK TANITIM FORMU. Dersin Kodu: CSE 6003
Dersi Veren Birim: Fen Bilimleri Enstitüsü Dersin Türkçe Adı: Makina Öğrenmesi ve Akıl Yürütme Dersin Orjinal Adı: Machine Learning and Reasoning Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora)
DetaylıÇok-öbekli Veri için Aradeğerlemeci Ayrışım
Interpolative Decomposition for Data with Multiple Clusters Çok-öbekli Veri için Aradeğerlemeci Ayrışım İsmail Arı, A. Taylan Cemgil, Lale Akarun. Boğaziçi Üniversitesi, Bilgisayar Mühendisliği 25 Nisan
DetaylıMakine Öğrenmesi Yöntemleri ile Duygu Analizi Sentiment Analysis with Machine Learning Techniques
Makine Öğrenmesi Yöntemleri ile Duygu Analizi Sentiment Analysis with Machine Learning Techniques Oğuz Kaynar Management Information System Cumhuriyet University Sivas, Turkey Okaynar@cumhuriyet.edu.tr
DetaylıYapay Sinir Ağları İle Doğru Meslek Seçimi
Yapay Sinir Ağları İle Doğru Meslek Seçimi Dilara BOZYILAN 1 Faruk BULUT 2 1 Ġstanbul KabataĢ Erkek Lisesi KabataĢ, ĠSTANBUL 2 Bilgisayar Mühendisliği Bölümü Elektrik-Elektronik Fakültesi Yıldız Teknik
DetaylıÖrnek tabanlı sınıflandırıcı topluluklarıyla yeni bir klinik karar destek sistemi
Journal of the Faculty of Engineering and Architecture of Gazi University 32:1 (2017) 65-76 Örnek tabanlı sınıflandırıcı topluluklarıyla yeni bir klinik karar destek sistemi Faruk Bulut * İstanbul Rumeli
DetaylıSıralama Öğrenme ile Sağkalım Tahminleme
Boğazda Yapay Öğrenme İsmail Arı Yaz Okulu 08 Sıralama Öğrenme ile Sağkalım Tahminleme Öznur Taştan Mühendislik ve Doğa Bilimleri Fakültesi Bilgisayar Bilimi ve Mühendisliği Moleküler Biyoloji, Genetik
DetaylıVeri Madenciliği Yaklaşımı ile Mesleki Yönlendirme Sistemi
Veri Madenciliği Yaklaşımı ile Mesleki Yönlendirme Sistemi YRD. DOÇ. DR. HÜSEYİN GÜRÜLER MUĞLA SITKI KOÇMAN ÜNİVERSİTESİ, TEKNOLOJİ FAKÜLTESİ, BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ Meslek Seçimi Meslek Seçimi
DetaylıVeri Madenciliği Yöntemleri ile Twitter Üzerinden Girişimcilik Analizi
YBS Ansiklopedi www.ybsansiklopedi.com Cilt Veri Madenciliği Yöntemleri ile Twitter Üzerinden Girişimcilik Analizi Kubilay GAZİOĞLU 1, Şadi Evren ŞEKER 2 1. Istanbul Üniversitesi, İktisat Fakültesi, Ekonometri
DetaylıTürkçe Dokümanlar Ġçin Yazar Tanıma
Türkçe Dokümanlar Ġçin Yazar Tanıma Özcan KOLYĠĞĠT, Rıfat AġLIYAN, Korhan GÜNEL Adnan Menderes Üniversitesi, Matematik Bölümü Bölümü, Aydın okolyigit@gmail.com, rasliyan@adu.edu.tr, kgunel@adu.edu.tr Özet:
DetaylıHafta 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
DetaylıHafta 14 - Mahremiyet Korumalı Makine Öğrenmesi
BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr İstanbul Şehir Üniversitesi 2018 - Bahar İçindekiler
DetaylıBÜYÜK VERI UYGULAMALARı DERS 5-6. Doç. Dr. Yuriy Mishchenko
1 BÜYÜK VERI UYGULAMALARı DERS 5-6 Doç. Dr. Yuriy Mishchenko PLAN Amazon ML hizmetini kullanmaya pratik giriş Baze ek gereken makine öğrenme kavramları genelleme, eğitim ve test veri kümeleri, makine öğrenme
DetaylıUzaktan Algılama Teknolojileri
Uzaktan Algılama Teknolojileri Ders 11 Hiperspektral Görüntülerde Kümeleme ve Sınıflandırma Alp Ertürk alp.erturk@kocaeli.edu.tr Sınıflandırma Sınıflandırma işleminin amacı, her piksel vektörüne bir ve
DetaylıKarar Ağaçları Destekli Vadeli Mevduat Analizi
Karar Ağaçları Destekli Vadeli Mevduat Analizi Hakan Dalkılıç 1, Feriştah Dalkılıç 1 1 Dokuz Eylül Üniversitesi, Bilgisayar Mühendisliği Bölümü, İzmir hakand@hotmail.com, feristah@cs.deu.edu.tr Özet: C4.5
DetaylıSosyal Medyada Makine Öğrenmesi ile Duygu Analizinde Dengeli ve Dengesiz Veri Setlerinin Performanslarının Karşılaştırılması
Sosyal Medyada Makine Öğrenmesi ile Duygu Analizinde Dengeli ve Dengesiz Veri Setlerinin Performanslarının Karşılaştırılması Hatice Nizam 1, Saliha Sıla Akın 2 1 İstanbul Üniversitesi Bilgisayar Mühendisliği
DetaylıMAKİNE ÖĞRENME YÖNTEMLERİ VE KELİME KÜMESİ TEKNİĞİ İLE İSTENMEYEN E-POSTA / E-POSTA SINIFLAMASI
MAKİNE ÖĞRENME YÖNTEMLERİ VE KELİME KÜMESİ TEKNİĞİ İLE İSTENMEYEN E-POSTA / E-POSTA SINIFLAMASI SPAM / HAM E-MAIL CLASSIFICATION USING MACHINE LEARNING METHODS BASED ON BAG OF WORDS (BOW) TECHNIQUE ESRA
DetaylıKosullu Olasılık & Bayes Teoremi
Kosullu Olasılık & Bayes Teoremi 0 {\} /\ Suhap SAHIN Olasılık Deneyi Olasılık problemlerinde gerçeklestirilen eylemler Zar atılması Para atılması Top Çekme Bir zar atıldıgında üst yüze çift gelme ihtimali
DetaylıVERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr
VERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma
DetaylıCENTROID SINIFLAYICILAR YARDIMIYLA MEME KANSERİ TEŞHİSİ
Gazi Üniv. Müh. Mim. Fak. Der. Journal of the Faculty of Engineering and Architecture of Gazi University Cilt 31, No 2, 323-330, 2016 Vol 31, No 2, 323-330, 2016 CENTROID SINIFLAYICILAR YARDIMIYLA MEME
DetaylıYAPAY SİNİR AĞLARI. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ
YAPAY SİNİR AĞLARI Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ İÇERİK Sinir Hücreleri Yapay Sinir Ağları Yapısı Elemanları Çalışması Modelleri Yapılarına Göre Öğrenme Algoritmalarına Göre Avantaj ve
DetaylıEHM381 ANALOG HABERLEŞME DÖNEM PROJESİ
T.C. SÜLEYMAN DEMİREL ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ Elektronik ve Haberleşme Mühendisliği Bölümü EHM381 ANALOG HABERLEŞME DÖNEM PROJESİ MATLAB YARDIMIYLA ANALOG MODÜLASYONLU SİNYALLERİN ÜRETİLMESİ
DetaylıMesleki Terminoloji II Veri Madenciliği
Mesleki Terminoloji II Veri Madenciliği Burak Düşün - 14011055 Akif Berkay Gürcan - 14011023 Veri Madenciliği Nedir? Veri madenciliği, büyük miktarda verinin anlamlı örüntüler bulmak amacıyla otomatik
DetaylıDerin Yapay Sinir Ağları ve Derin Öğrenme ye Kısa Bir Giriş
Derin Yapay Sinir Ağları ve Derin Öğrenme ye Kısa Bir Giriş Dr. Öğr. Üyesi Emre Akbaş BMO Semineri 24 Kasım 2018 Bilgisayar Mühendisliği Orta Doğu Teknik Üniversitesi 1 Yanıtlamaya çalışacağımız sorular
DetaylıGeliştirilmiş 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),
DetaylıÜNİVERSİTE GİRİŞ SINAVINDA ÖĞRENCİLERİN BAŞARILARININ VERİ MADENCİLİĞİ YÖNTEMLERİ İLE TAHMİN EDİLMESİ. Hanife GÖKER
ÜNİVERSİTE GİRİŞ SINAVINDA ÖĞRENCİLERİN BAŞARILARININ VERİ MADENCİLİĞİ YÖNTEMLERİ İLE TAHMİN EDİLMESİ Hanife GÖKER YÜKSEK LİSANS TEZİ BİLGİSAYAR EĞİTİMİ GAZİ ÜNİVERSİTESİ BİLİŞİM ENSTİTÜSÜ HAZİRAN 2012
Detaylıİleri Örüntü Tanıma Teknikleri Ve Uygulamaları İçerik
Tekrar Konular İleri Örüntü Tanıma Teknikleri Ve Uygulamaları İçerik 1. Uygulamalar ve tanımlamalar 2. Örüntü tanıma sistemleri ve bir örnek 3. Bayes karar teorisi 4. En yakın komşu sınıflandırıcıları
DetaylıFarklı Özellik Vektörleri ile Türkçe Dokümanların Yazarlarının Belirlenmesi
Farklı Özellik Vektörleri ile Türkçe Dokümanların Yazarlarının Belirlenmesi M. Fatih Amasyalı 1, Banu Diri 1, Filiz Türkoğlu 2 Yıldız Teknik Üniversitesi, Bilgisayar Mühendisliği 34349 İstanbul-Türkiye
DetaylıÖZEL ÖĞRETİMİ YÖNTEMLERİ. Öğretmenlik Alan Bilgisi Testi (ÖABT)
ÖZEL ÖĞRETİMİ YÖNTEMLERİ Öğretmenlik Alan Bilgisi Testi (ÖABT) Öğretmenlik Alan Bilgisi Testi (ÖABT) Çıkmış sorular Okulöncesi Öğretmenliği Sınıf Öğretmenliği İlköğretim Matematik Öğretmenliği Matematik
Detaylı2.1 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
DetaylıDERS BİLGİLERİ. İngilizce İletişim II ENG 312 Bahar 3+0 3
DERS BİLGİLERİ Course Title Kodu Dönem T + U Saat AKTS İngilizce İletişim II ENG 312 Bahar 3+0 3 Önkoşullar Bu dersin önkoşulu ENG 311 dersidir. Öğretim Dili İngilizce Dersin Seviyesi Lisans Dersin Türü
DetaylıMetin Sınıflandırma. Akış
Metin Sınıflandırma Mehmet Fatih AMASYALI BLM 5212 Doğal Dil İşlemeye Giriş Ders Notları Akış Görev Eğiticili Eğiticisiz Öğrenme Metin Özellikleri Metin Kümeleme Özellik Belirleme Çok Boyutlu Verilerle
DetaylıESTIMATION OF EFFLUENT PARAMETERS AND EFFICIENCY FOR ADAPAZARI URBAN WASTEWATER TREATMENT PLANT BY ARTIFICIAL NEURAL NETWORK
ESTIMATION OF EFFLUENT PARAMETERS AND EFFICIENCY FOR ADAPAZARI URBAN WASTEWATER TREATMENT PLANT BY ARTIFICIAL NEURAL NETWORK ADAPAZARI KENTSEL ATIKSU ARITMA TESĐSĐ ÇIKIŞ SUYU PARAMETRELERĐ VE VERĐM DEĞERLERĐNĐN
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Yapay Sinir Ağları (Artificial Neural Network) Doç.Dr. M. Ali Akcayol Yapay Sinir Ağları Biyolojik sinir sisteminden esinlenerek ortaya çıkmıştır. İnsan beyninin öğrenme, eski
Detaylıetme çabalarının en son ürünlerinden bir tanesi yapay sinir ağları (YSA) teknolojisidir.
İnsanlığın doğayı araştırma ve taklit etme çabalarının en son ürünlerinden bir tanesi yapay sinir ağları (YSA) teknolojisidir. Beynin üstün özellikleri, bilim adamlarını üzerinde çalışmaya zorlamış ve
DetaylıMAKİNE ÖĞRENMESİ YARDIMIYLA OPTİK KARAKTER TANIMA SİSTEMİ OPTICAL CHARACTER RECOGNITION SYSTEM VIA MACHINE LEARNING
MAKİNE ÖĞRENMESİ YARDIMIYLA OPTİK KARAKTER TANIMA SİSTEMİ OPTICAL CHARACTER RECOGNITION SYSTEM VIA MACHINE LEARNING Burcu BEKTAŞ Öğr.Gör., burcu.bektas@istanbul.edu.tr, İstanbul Üniversitesi, Teknik Bilimler
DetaylıOtomatik Doküman Sınıflandırma
Otomatik Doküman Sınıflandırma Rumeysa YILMAZ, Rıfat AŞLIYAN, Korhan GÜNEL Adnan Menderes Üniversitesi, Fen Edebiyat Fakültesi Matematik Bölümü, Aydın rumeysa2903@gmailcom, rasliyan@aduedutr, kgunel@aduedutr
DetaylıTürkçe Twitter Mesajlarında Gizli Dirichlet Tahsisine Dayalı Duygu Analizi
Türkçe Twitter Mesajlarında Gizli Dirichlet Tahsisine Dayalı Duygu Analizi Aytuğ Onan 1 1 Celal Bayar Üniversitesi, Yazılım Mühendisliği Bölümü, Manisa aytug.onan@cbu.edu.tr Özet: Duygu analizi, görüş
DetaylıOtomatik Doküman Sınıflandırma
Akademik Bilişim 12 - XIV Akademik Bilişim Konferansı Bildirileri Otomatik Doküman Sınıflandırma Adnan Menderes Üniversitesi, Fen Edebiyat Fakültesi Matematik Bölümü, Aydın rumeysa2903@gmailcom, rasliyan@aduedutr,
DetaylıSosyal Medyada Makine Öğrenmesi ile Duygu Analizinde Dengeli ve Dengesiz Veri Setlerinin Performanslarının Karşılaştırılması
inet-tr 14 - XIX. Türkiye'de İnternet Konferansı Bildirileri 27-29 Kasım 2014 Yaşar Üniversitesi, İzmir Sosyal Medyada Makine Öğrenmesi ile Duygu Analizinde Dengeli ve Dengesiz Veri Setlerinin Performanslarının
DetaylıKübra Tural 1, Erhan Akdoğan 2. Manisa Celal Bayar Üniversitesi Yıldız Teknik Üniversitesi
Akıllı telefonların algılayıcılarının verilerini kullanarak Yapay Sinir Ağları ile İnsan Hareketlerinin Sınıflandırılması Classification of Human Movements with Artificial Neural Networks using Smartphone
Detaylıbitık MOBİL TİCARET UYGULAMASI ABDULLAH ÇİÇEKCİ
bitık MOBİL TİCARET UYGULAMASI ABDULLAH ÇİÇEKCİ - 150110046 İÇERİK Uygulama ve uygulamaya ilişkin temel kavramların tanıtımı Uygulamanın yapısı Ön yüz Veritabanı Web Servisler K-Means Algoritması ile kategori
DetaylıVERİ 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
Detaylıtarih ve 217 sayılı Eğitim Komisyonu Kararı Eki-3
23.02.2017 tarih ve 217 sayılı Eğitim Komisyonu Kararı Eki-3 Tablo 1 Mühendislik Fakültesi Bilgisayar Mühendisliği Bölümü GÜZ BAHAR DERSİN KODU VE ADI T P K AKTS DERSİN KODU VE ADI T P K AKTS BBM 101 Programlamaya
DetaylıBAYES ÖĞRENMESİ BİLECİK ÜNİVERSİTESİ. Araş. Gör. Nesibe YALÇIN. Yapay Zeka-Bayes Öğrenme
BAYES ÖĞRENMESİ Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ Yapay Zeka-Bayes Öğrenme 1 İÇERİK Bayes Teoremi Bayes Sınıflandırma Örnek Kullanım Alanları Avantajları Dezavantajları Yapay Zeka-Bayes Öğrenme
Detaylıİçerik Tabanlı İstenmeyen SMS Filtreleme için Mobil Uygulama Geliştirilmesi ve Sınıflandırma Algoritmalarının Karşılaştırılması
İçerik Tabanlı İstenmeyen SMS Filtreleme için Mobil Uygulama Geliştirilmesi ve Sınıflandırma Algoritmalarının Karşılaştırılması Onur KARASOY Muğla Sıtkı Koçman Üniversitesi Bilgi İşlem Dairesi Başkanlığı
DetaylıVERİ MADENCİLİĞİ Kavram ve Algoritmaları
VERİ MADENCİLİĞİ Kavram ve Algoritmaları Doç. Dr. Gökhan SİLAHTAROĞLU PAPATYA YAYINCILIK EĞİTİM İstanbul, Ankara, İzmir, Adana PAPATYA YAYINCILIK EĞİTİM BİLGİSAYAR SİS. SAN. VE TİC. A.Ş. İnönü Cad. Hacıhanım
DetaylıKelime Gösterimleri (Word Representation Word Embeddings)
Kelime Gösterimleri (Word Representation Word Embeddings) Kelime, cümlede kullanımına göre farklı anlamlar kazanabilir Anlamsal bilginin çıkarılması metinlerin işlenmesinde önemlidir Kelimelerin işlenebilir
DetaylıDERS BİLGİLERİ BTEC 513 1-2 3 + 0 3 8
DERS BİLGİLERİ Ders Kodu Yarıyıl T+U Saat Kredi AKTS BİYOİNFORMATİĞE GİRİŞ BTEC 513 1-2 3 + 0 3 8 Ön Koşul Dersleri YOK Dersin Dili Dersin Seviyesi Dersin Türü Dersin Koordinatörü Dersi Verenler İngilizce
DetaylıMakine Öğrenmesi (COMPE 565) Ders Detayları
Makine Öğrenmesi (COMPE 565) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Uygulama Laboratuar Kredi AKTS Saati Saati Saati Makine Öğrenmesi COMPE 565 Her İkisi 3 0 0 3 7.5 Ön Koşul Ders(ler)i Dersin Dili
DetaylıMuhammet Fatih AKBAŞ, Enis KARAARSLAN, Cengiz GÜNGÖR
Yazılım Tanımlı Ağların Güvenliğinde Yapay Zeka Tabanlı Çözümler: Ön İnceleme Muhammet Fatih AKBAŞ, Enis KARAARSLAN, Cengiz GÜNGÖR İzmir Katip Çelebi Üniversitesi, Muğla Sıtkı Koçman Üniversitesi, Ege
DetaylıDOKUZ EYLÜL ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ DEKANLIĞI DERS/MODÜL/BLOK TANITIM FORMU. Dersin Kodu: CME 4410
Dersi Veren Birim: Bilgisayar Mühendisliği Dersin Türkçe Adı: ÖRÜNTÜ TANIMAYA GİRİŞ Dersin Orjinal Adı: INTRODUCTION TO PATTERN RECOGNITION Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora) Lisans
DetaylıÜAS DA SUNULAN BİLDİRİLER KAPSAMINDA İMALAT İŞLETMELERİNİN ÜRETİM SORUNLARINA BAKIŞI
V. Ulusal Üretim Araştırmaları Sempozyumu, İstanbul Ticaret Üniversitesi, 25-27 Kasım 2005 ÜAS DA SUNULAN BİLDİRİLER KAPSAMINDA İMALAT İŞLETMELERİNİN ÜRETİM SORUNLARINA BAKIŞI Halil SAVAŞ Pamukkale Üniversitesi
DetaylıYapay Sinir Ağları ve Yüksek Enerji Fiziği Uygulamaları
Yapay Sinir Ağları ve Yüksek Enerji Fiziği Uygulamaları Ece Akıllı Université de Genève 12 Eylül 2016 CERN TR E. Akıllı (UNIGE) Yapay Sinir Ağları 12.09.2016 1 / 18 Akış 1 Makine Ogrenimi 2 Yapay Sinir
DetaylıVeri ve Metin Madenciliği
Veri ve Metin Madenciliği Zehra Taşkın Veri Madenciliği Bir kutu toplu iğne İçine 3 boncuk düşürdünüz Nasıl alacağız? Fikirler? Veri Madenciliği Data Information Knowledge Veri madenciliği; Büyük yoğunluklu
DetaylıVeri ve Metin Madenciliği. Zehra
Veri ve Metin Madenciliği Zehra Taşkın @zehrataskin Büyük Veri https://www.youtube.com/watch?v=tzxmjbl-i4y Veri Madenciliği Bir kutu toplu iğne İçine 3 boncuk düşürdünüz Nasıl alacağız? Veri Madenciliği
DetaylıVeri madenciliği sınıflandırma ve kümeleme teknikleri yardımıyla Wisconsin veriseti üzerinde Göğüs Kanseri Teşhisi
Veri madenciliği sınıflandırma ve kümeleme teknikleri yardımıyla Wisconsin veriseti üzerinde Göğüs Kanseri Teşhisi Nurmyrat AMANMADOV Yıldız Teknik Üniversitesi Elektrik-Elektronil Fakültesi Bilgisayar
DetaylıOrtaokul Sınıflar Matematik Dersi Öğretim Programı*: Kazandırılması Öngörülen Temel Beceriler
Ortaokul 5.- 8. Sınıflar Matematik Dersi Öğretim Programı*: Kazandırılması Öngörülen Temel Beceriler Yrd. Doç. Dr. Nuray Ç. Dedeoğlu İlköğretim Matematik Eğitimi * MEB (2013). Ortaokul matematik dersi
DetaylıSosyal Medya Verileri Üzerinde Yapay Öğrenme ile Duygu AnaliziÇalışması
Sosyal Medya Verileri Üzerinde Yapay Öğrenme ile Duygu AnaliziÇalışması Yağız Nalçakan 1,Şan Sıtkı Bayramoğlu 2, Samed Tuna 3 1, 2, 3 Trakya Üniversitesi Bilgisayar Mühendisliği Bölümü, Edirne yagiznalcakan@gmail.com,
DetaylıDers Adı Kodu Dönem T+U Saati AKTS. Sözlü İletişim I ENG 311 GÜZ 3+0 3
Ders Adı Kodu Dönem T+U Saati AKTS Sözlü İletişim I ENG 311 GÜZ 3+0 3 Önkoşullar Bu dersin bir önkoşulu yoktur. Öğretim Dili İngilizce Dersin Seviyesi Lisans Dersin Türü Zorunlu Dersin Koordinatörü İmran
DetaylıDERS BİLGİLERİ Ders Kodu Yarıyıl T+U Saat Kredi AKTS Deneysel Tasarım EKO60 Bahar Ön Koşul Dersin Dili. Zorunlu
DERS BİLGİLERİ Ders Kodu Yarıyıl T+U Saat Kredi AKTS Deneysel Tasarım EKO60 Bahar 3+0 3 5 Ön Koşul Dersin Dili Türkçe Dersin Seviyesi Lisans Dersin Türü Dersi Veren Öğretim Elemanı Dersin Yardımcıları
DetaylıÇok Katmanlı Algılayıcı, K-NN ve C4.5 Metotlarıyla İstenmeyen E-postaların Tespiti
Çok Katmanlı Algılayıcı, K-NN ve C4.5 Metotlarıyla İstenmeyen E-postaların Tespiti Kadir Tekeli, Rıfat Aşlıyan Adnan Menderes Üniversitesi, Matematik Bölümü, Aydın kadir.tekeli@gmail.com, rasliyan@adu.edu.tr
DetaylıVERI TABANLARıNDA BILGI KEŞFI
1 VERİ MADENCİLİĞİ VERI TABANLARıNDA BILGI KEŞFI Veri Tabanlarında Bilgi Keşfi, veriden faydalı bilginin keşfedilmesi sürecinin tamamına atıfta bulunmakta ve veri madenciliği bu sürecin bir adımına karşılık
Detaylıİlk Yapay Sinir Ağları. Dr. Hidayet Takçı
İlk Yapay Sinir Ağları Dr. Hidayet htakci@gmail.com http://htakci.sucati.org Tek katmanlı algılayıcılar (TKA) Perceptrons (Rosenblat) ADALINE/MADALINE (Widrow and Hoff) 2 Perseptron eptronlar Basit bir
DetaylıSİSMİK DARBELERİN SINIFLANDIRILARAK DEPREM TEHLİKESİNİN TAHMİN EDİLMESİ
SİSMİK DARBELERİN SINIFLANDIRILARAK DEPREM TEHLİKESİNİN TAHMİN EDİLMESİ Mehmet BİLEN 1, Ali Hakan IŞIK 2,Tuncay YİĞİT 3 1 Mehmet Akif Ersoy Üniversitesi, Çavdır Meslek Yüksek Okulu, Burdur 2 Mehmet Akif
DetaylıClassification Of BIST-100 Index Changes Via Machine Learning Methods
Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi Cilt: 39 Sayı: 1 Haziran 2017, ISSN: 2149-1844, ss/pp. 117-129 DOI: 10.14780/muiibd.329913 Classification Of BIST-100 Index Changes Via Machine Learning
DetaylıT.C. ÇANAKKALE ONSEKİZ MART ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ İLERİ VERİTABANI SİSTEMLERİ DERSİ RAPORUN SUNULDUĞU TARİH 24.05.
T.C. ÇANAKKALE ONSEKİZ MART ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ İLERİ VERİTABANI SİSTEMLERİ DERSİ RAPORUN SUNULDUĞU TARİH 24.05.2011 PROJE KONUSU Genel Seçim Çalışmaları PROJE GRUBU Semih Erdem 080401009
DetaylıDr. Ergün AKGÜN Kimdir?
Dr. Ergün AKGÜN Kimdir? Dr. Ergün AKGÜN 1985 yılında Bursa nın İnegöl İlçesinde doğmuştur. Lisans eğitimini Muğla Üniversitesi Sınıf Öğretmenliği bölümünde yapmıştır. Muğla Üniversitesinde Eğitim Programları
DetaylıKAHKAHA TANIMA İÇİN RASSAL ORMANLAR
KAHKAHA TANIMA İÇİN RASSAL ORMANLAR Heysem Kaya, A. Mehdi Erçetin, A. Ali Salah, S. Fikret Gürgen Bilgisayar Mühendisliği Bölümü Boğaziçi Üniversitesi / Istanbul Akademik Bilişim'14, Mersin, 05.02.2014
DetaylıÇok fazla bilgiden gizli kalmış örüntüleri ortaya çıkarma sürecine Veri Madenciliği denir.
Veri Madenciliği Çok fazla bilgiden gizli kalmış örüntüleri ortaya çıkarma sürecine Veri Madenciliği denir. istatistik + makine öğrenmesi + yapay zeka = veri madenciliği Veri madenciliği süreçleri CRISP-DM
DetaylıDoğrusal Programlama (IE 502) Ders Detayları
Doğrusal Programlama (IE 502) Ders Detayları Ders Adı Ders Dönemi Ders Uygulama Laboratuar Kredi AKTS Kodu Saati Saati Saati Doğrusal Programlama IE 502 Güz 3 0 0 3 7.5 Ön Koşul Ders(ler)i Dersin Dili
DetaylıVeri Madenciliği İle Lise Öğrenci Performanslarının Değerlendirilmesi. Assessment of High School Students Performance by Means of Data Mining
Veri Madenciliği İle Lise Öğrenci Performanslarının Değerlendirilmesi Semra Yurdakul1, Taner Topal2 1 Kırıkkale Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği, Kırıkkale 2 Kırıkkale Üniversitesi,
Detaylı