Örneklemeli K-ortalama Algoritması Kmeans with Sampling
|
|
- Nazar Ağçay
- 8 yıl önce
- İzleme sayısı:
Transkript
1 Örneklemel K-oralama Algorması Kmeans wh Samplng Mehme Fah Amasyalı Blgsayar Mühendslğ Bölümü Yıldız Teknk Ünverses Öze K-oralama algorması, kümeleme prolemlernn çözümünde en çok kullanılan yönemlerden rdr. Ancak K- oralama nın sonucu, lk değer aamalarına ağlı olduğundan lokal mnmumlara akılma prolem vardır. Opmzasyon leraüründe, lokal mnmumlara akılma prolemnn çözümü çn rasgelelğn kullanımı öneml r yer umakadır. Bu çalışmada K-oralama algormasına r örnekleme adımı eklenmşr. Örnekleme yapmak arama uzayında küme merkezlern yönlendrlmş r rasgelelkle hareke ermek olarak düşünülelr. Bu harekeler sayesnde lokal mnmumlardan kurulmak mümkün olalmekedr. Çalışmada ayrıca önerlen yönemn orjnal algormadan daha y çalışalmes çn gerekl olan ölgesel seçmler yapma dnamkler de ncelenmşr. Yapılan deneylerde önerlen algormanın, orjnalnden hem daha aşarılı hem de daha hızlı olduğu görülmüşür. Asrac One of he mos popular cluserng algorhms s K-means. However, can ge suck n a local mnmum, ecause K- means resul reles on s random nal pons. In leraure, randomness s ofen used o avod local mnmums. In hs paper, a random samplng sep s added o he K-means. Samplng can e hough as a dreced random movemen. These movemens make possle o avod local mnmums. Dynamcs of local samplng (necessary for avodng local mnmums) s also nvesgaed. Our expermenal resuls showed ha he proposed algorhm (K-means wh samplng) s very fas and has more local mnmum avodance capaly han he orgnal K-means.. Grş Küme, rrne r şeklde enzer örneklerden oluşan oplulukur. Dğer r deyşle r kümedek elemanlar rrlerne aşka r kümenn elemanlarına göre daha çok enzerler. Br frmanın elndek müşer lglern kullanarak enzer müşer profller oluşurması ya da r resmdek farklı renk nı azalarak resmn sıkışırılması verler kümelemenn yaygın uygulamalarıdır. Bu uygulamalarda eldek verlern ekeler / sınıfları yokur. Bu seeple u ür verlern kümelemes eğcsz öğrenme olarak da anılır. Burada öğrenlen, kümelern merkezlerdr. Kümeleme algormaları emelde emsl edenle (küme merkezler), emsl edlen (o kümedek örnekler) arasındak farkların oralamasını (H) mnmze emeye çalışırlar. H ın hesaplanması Eşlk de verlmşr []. k x m = = H = () 0 f x m = mn else j x m Eşlk de; : örnek nı, k: küme nı, x :.örneğ, m :. merkez, :. örneğ. merkezn emsl edp emedğn gösermekedr.. örneğe en yakın merkez. merkez se değer, aks durumda 0 olmakadır. Eşlk dek haa fonksyonu sadece küme merkezlernn değerne ağlıdır. Dolayısıyla kümeleme algormaları, küme merkezlernn değerlernn olduğu r arama uzayın Eşlk n mnmum değern aramakadırlar. Arama uzayının lokal mnmumlara sahp olduğu durumlarda opmal sonuca erşlemeyelmekedr. Kümeleme algormalarında kaç ade küme merkeznn olacağını ya kullanıcı arafından elrlenr ya da algorma kends elrler. Küme nı oomak elrleyen algormalarda kullanıcıdan r eşk değer eklemekedr. Dolayısıyla kümeleme algormalarında küme nı kullanıcı doğrudan ya da dolaylı olarak elrlemekedr. Doğru küme ekeler ya da doğru küme merkezler elde olmadığından kümeleme algormalarının performanslarının rryle karşılaşırılması sınıflandırma ya da regresyon prolemlernde olduğu kadar kolay değldr. Aynı sayıda küme üreen algormaların performanslarının karşılaşırılması manıklıdır. Leraürde Eşlk dek formül, slue genşlğ [], Daves-Bouldn Index [3] g çeşl merkler önerlmşr. K-oralama algorması aslğ ve kaul edlelr performansı seeyle en yaygın kullanılan kümeleme algormasıdır. Toplu (Bach) ve ekl (onlne) olmak üzere j ()
2 k ürü ulunan algormanın oplu hal Şekl de verlmşr. Tekl hal çn [] ncelenelr. -Küme merkezlernn m {=..k} lk değerlern elrle -For a=:maksmum erasyon For =: ler Eşlk ye göre hesapla For =:k m = = = x Şekl : Toplu K-oralama Algorması. Algorma ncelendğnde küme merkezlernn lk değerler aandıkan sonra herhang r rasgelelk çermedğnden sonuçak küme merkezlernn değerlernn deermnsk olarak elrlendğ görülmekedr. Đlk değerlern farklı seçlmes durumunda se arama uzayının şeklne göre farklı sonuçlara varılalr. Şekl de aynı dağılımdan ürelmş ver kümes üzernde farklı lk değerlerle erşlen sonuçlar görülmekedr. Şekllerde küme merkezlernn aşlangıç (o) ve ş ( ) değerler ve erasyonlar oyunca aldıkları değerler (mav çzgler) göserlmşr. Şekl ncelendğnde alak lk değerlern lokal r mnmuma akıldığı görülmekedr.. Lokal Mnmumlardan Kurulmak Opmzasyon leraüründe, lokal mnmumlardan kurulmak çn sseme rasgelelk kaılması en yaygın kullanılan yönemlerdendr. Benzeml Tavlama da [4], olası güncellemelerden her zaman en ysnn seçlmes yerne elrl r olasılıkla daha köüsünün seçlmesne zn verlr. Genek algormalardak muasyon şlem de sseme rasgelelk kama şlemdr [5]. Baggng [] algorması da, eğcl öğrenmede, üm verlerle eğlen ek r öğrenc yerne rasgele örnekleme le seçlmş al ver kümeleryle eğlen çok sayıda öğrencnn kararlarının rleşrlmesn önerr. Bu sayede karar sınırı ölgelerndek marjn arırılmaka ve es kümes üzernde daha aşarılı sonuçlar alınalmekedr. Sseme rasgelelk kamanın u aşarılı örnekler seeyle, u çalışmada, aynı manığın (rasgele örnekleme yapmak) lokal mnmumlara akılalen K-oralama algorması çn de r yleşme sağlama poansyel ncelenmşr. Lokal mnmumdan kurulmak çn ne yapmalı? Şekl 3 e küme merkezlernn lokal mnmumdan kurulalmes çn nasıl r örneklemeye hyaç olduğu göserlmşr Şekl 3: Şekl () dek lokal mnmumdan kurulmak çn olası seçmlerden r (syah elpsn olduğu ölgeden yoğun r seçlm, dğer ölgelerden seyrek r seçlm) Şekl : Farklı aşlangıç değerler çn k-oralama algormasının çalışması Merkezlern mevcu değerler ( ), Şekl 3 ek g olduğunda eğer erasyonda üm örnekler kullanılırsa küme merkezlernde anlamlı r değşm olmayacak nolu merkez soldak k kümey rden emsl emeye devam edecekr. Ancak syah elps le göserlen ölgeden yoğun, dğer ölgelerden seyrek r seçlm yapılırsa, nolu küme merkez seçmn yoğun yapıldığı ölgeye yukarıya doğru kayacakır. Bu sayede sol alak kümenn örnekler ya da 3 nolu merkezlerle emsl edleleceklerdr. Şekl 3 ek seçlm ncelendğnde rörnek (unform) r seçlm olmadığı görülmekedr. Bu seeple öyles seçlm ürüne ölgesel seçlm dyelm. Bölgesel seçlmn özellğ, küme merkezn hareke erelmesdr. Özel seçlme olasılıkları vermeden, Baggng de önerlen amamen rasgele r örnekleme öyle ölgesel seçmler üreelr m? Üreme
3 kapases nelere ağlıdır? Bu soruya cevap vermek çn Gaussan dağılıma sahp yapay r ver kümesnde denemeler yapılmışır. Bölgesel seçlmn yapıldığının ölçüü (S), seçlen örneklern oralamasının, gerçek oralamadan sapma üyüklüğüdür. Eğer üyük r sapma olduysa, ölgesel seçlm yapılmışır dyelrz. Şekl 4 e rasgele k örnekleme sonucunda seçlen örnekler ve her rndek sapma mkarları verlmşr. Dağılımın oralaması (+), seçlen örneklern oralaması ( ), örnekler (o) le göserlmşr. orjnal K-oralama algormasına r örnekleme adımı eklenmş ve öylece lokal mnmumlardan kurulma hmal arırılmışır. Örnekleme şlemnde, her erasyonun aşında, orjnal örneklerden SS oranında yerne koymalı r seçlm yapılmakadır. Kümelere a örneklern elrlenmes ve küme merkezlernn güncellenmes orjnal örneklere göre değl, u seçlen örneklere göre yapılmakadır. Sadece son erasyonda, küme merkezlernn daha y elrlenmes çn örnekleme yapılmamakadır. Şekl 5 e aynı ver kümes ve aynı aşlangıç değerler çn orjnal ve örneklemel k-oralama algormalarının erşkler sonuç küme değerler verlmşr. 4 Şekl 4: Aynı dağılımdan ürelmş rasgele örnek kümes Şekl 4 e soldak seçlm, küme merkezn dğerne göre daha fazla hareke erecekr. Şekl 4 ek seçlmler, amamen rasgele ürelmşr. Buna göre. sorumuza cevap olarak, amamen rasgele r seçlmn ölgesel seçlmler üreeldğ söylenelr. Rasgele seçlmn ölgesel seçlm üreme dnamkler nelere ağlıdır? Bunun çn, dağılımları üremeke kullandığımız üm paramereler ncelenmeldr. Dağılımdak örnek nın sonsuz olduğu durumda, ürelen örneklern oralaması, dağılımın gerçek oralamasının (µ) aynısı olacakır (Eşlk 3). µ = lm x (3) = Eşlk 3 e x, D(µ,σ ) normal dağılımından ürelen örnekler gösermekedr. Sonuç olarak az sayıda örnek varken ölgesel seçlm olma olasılığı daha yüksekr. Rasgele örnekleme oranının (SS) eks, dağılımdak örnek yla aynıdır. e kadar az oranda örnekleme yapılırsa doğal olarak ölgesel seçlm olasılığı o kadar aracakır. Özellklern sandar sapması ne kadar fazla olursa örnekler o kadar dağınık olacak ve ölgesel seçlm olasılığı o kadar aracakır. Özellklern korelasyonlarının fazla olması örneklern rasgelelğn azalacak ve ölgesel seçlm olasılığını azalacakır. Dağılıma her yen eklenen özellk, önceklere dk r sapma daha ekleyeceğnden oplam sapma (gerçek oralamadan sapma) aracakır. Dğer r fadeyle özellk arıkça, ölgesel seçlm olma hmal de aracakır. Küme (dağılım) nın arışı örneklern sandar sapmasını arıracak ve dolayısıyla ölgesel seçlm hmaln arıracakır. Elde edlen sonuçlar özelenrse, ölgesel seçlm olasılığı dağılımdak örnek, örnekleme oranı, özellklern korelasyonuyla ers, özellklern ve küme yla doğru oranılıdır. 3. Örneklemel K-oralama Algorması Verlen r ver kümesnde örnek, özellk, özellklern korelasyonu, küme değşrlemez. Ancak ver kümes üzernde örnekleme yapılalr. Bu seeple Şekl 5: Aynı ver kümes ve aynı aşlangıç değerler çn orjnal (yukarıda) ve örneklemel (aşağıda) k- oralama algormalarının erşkler sonuç küme değerler. Şekl 5 ek ver kümes her r 00 er örnek çeren 4 normal dağılımdan oluşmakadır. 50 erasyon sonundak değerler verlmşr. Örnekleme oranı olarak 0. alınmışır. Orjnal algorma lokal r mnmuma akılmışken, örneklemel k-oralama kurulmuşur. Bölgesel seçlmle, u kuruluşun lgs düşünüldüğünde şu sonuca ulaşılmışır: Temsl ememes gerekenler emsl eden küme merkezlernn örneklernde ölgesel seçlm olasılığı, y oluşmuş kümelern örneklerne göre daha fazladır. Çünkü
4 örneklernn sandar sapması daha fazladır. Dolayısıyla, köü küme merkezlernn, ylere göre kayma olasılığı daha fazladır k u da lokal mnmumlardan kurulmanın anaharıdır. Leraürde, yaklaşımımıza en yakın çalışma, L ve arkadaşları [7] arafından yapılan çalışmadır. Bu çalışmada, K-oralama algorması Baggng le rlke kullanarak (örnekleme oranı =, opluluk oyuu = küme ) r kümeleyc opluluğu oluşurmuşlardır. 5 ver kümes üzernde orjnal k-oralamadan daha y sonuçlar üremşler ancak şlem zamanı olarak opluluğun oyuu oranında r arışa seep olmuşlardır. Başarılı sonuçlar elde emelerne rağmen, algorma küme kez K-oralama algormasının çalışırılmasına hyaç duyduğundan hesaplama karmaşıklığı yüksekr. Bzm çalışmamızda se, çok düşük r oranda örnekleme yapıldığından, orjnal K-oralama algormasından le daha hızlı çalışmakadır. 4. Deneysel Sonuçlar Bu ölümde K-oralamanın lokal mnmuma akılma olasılığı nedr? Bu olasılığın ağlı olduğu paramereler nelerdr? Örneklemel K-oralama, orjnal K-oralamaya göre ne kadar yleşme sağlıyordur? sorularına cevap ulmak çn deneyler asarlanmışır. Soruların cevapları düşünüldüğünde şu hpoezlere ulaşılmışır: Küme yla, lokal mnmuma akılma hmalnn doğrudan lşkl olduğu görülecekr. Çünkü ne kadar çok lokal mnmum varsa o kadar çok unlara akılma hmal olacakır. Dağılımlardak örnek ne kadar çok olursa, o dağılımın algılanma olasılığı o kadar fazladır. Bu nedenle örnek azalınca, lokal mnmumlara akılma olasılığı aracakır. Dağılımlardak özellk da aynı şeklde düşünülelr. Eş örnek na sahp dağılımlarda ne kadar çok özellk olursa dağılımın algılanma olasılığı o kadar düşecek ve lokal mnmumlara akılma hmal aracakır. Bu hpoezlern doğrulanması çn çeşl sayılarda Gaussan dağılım çeren ver kümeler ürelmşr. Dağılımların ve 3 özellkller çn kovaryans mars olarak sırasıyla [0.05 0; ] ve [ ; ; ] marsler kullanılmışır. Bu ver kümelernde küme merkezlernn 00 farklı aşlangıç değernn her r çn 50 erasyonluk denemeler yapılmışır. Her k algormanın da aynı lk küme merkez değerlernden aşlaması sağlanmışır. Her k algormanın da sonuça erşğ haalar ulunmuş ve oralamaları alınmışır. Ölü r merkez oluşma durumunda her k algormada da, ölü merkez, orjnal örneklerden rasgele seçlen rnn değerne eşlenmşr. Çzelge de çeşl krerlere göre orjnal algorma ve önerlen algormanın haa değerlernn oralamaları ve sandar sapmaları oralama haa(sandar sapma) formaında verlmşr. Haa ölçümü Eşlk de verlen H le hesaplanmışır. Örnekleme oranı (SS), 5 no lu deneyde (örnek çok az olduğundan) 0.95, dğer üm deneylerde 0. olarak kullanılmışır. SS, 0. olarak seçldğnde her adımda oplam örnek nın %0 u şleme kaıldığından, örneklemel k-oralama, orjnal k-oralamaya göre yaklaşık 0 ka daha hızlı çalışmakadır. Çzelge : Çeşl Krerlere Göre Algormaların Performans Karşılaşırması Deney no Đncelenen krer Krer değer Küme 9 3 Đlk değer elrleme 4 yönem Orjnalle rden seç Rasgele seç. 5 Küme aşına 0 örnek 00 7 Özellk 8 3 Orjnal K- oralama (0.03) (0.0303) 0.59 (0.03) (0.039) Örneklemel K-oralama Đyleşme oranı (%) (0.00) (0.00) (0.00) (0.095) (0.09) (0.00) (0.00) (0.03) Talo da, ve no lu deneylerde, küme merkezlernn lk değer elrleme yönem olarak orjnal örneklerden seçlm, küme aşına örnek 00, özellk olarak elrlenmşr. 3 ve 4 no lu deneylerde, küme, küme aşına örnek 00, özellk olarak elrlenmşr. 5 ve no lu deneylerde, küme, küme merkezlernn lk değer elrleme yönem olarak orjnal örneklerden seçlm, özellk olarak elrlenmşr. 7 ve 8 no lu deneylerde, küme özellk çn, özellk 3 çn 8, küme merkezlernn lk değer elrleme yönem orjnal örneklerden seçlm, küme aşına örnek 00 olarak elrlenmşr. Çzelge ncelendğnde üm durumlarda önerlen algormanın daha az haaya (daha aşarılı) ve sandar sapmaya (daha güvenlr) sahp olduğu görülmekedr. Talonun son süununda orjnal algormaya göre % kaç oranında yleşme sağlandığı verlmşr. Bu yleşmenn sasksel olarak anlamlı olup olmadıklarının ölçümü çn ve, 3 ve 4, 5 ve, 7 ve 8 nolu deneyler arasında kl -es yapılmış, üm eslerde %5 anlamlılık ölçüsünde önerlen algormanın orjnal algormadan daha y olduğu görülmüşür. Bu ölümün aşında sunduğumuz hpoezlermz, deney sonuçlarıyla uarlıdır. Opmal haa değerler;, 3, 4, ve 7. deneyler çn 0.9,. deney çn 0.937, 5. deney çn 0.75, 8. deney çn ür. Opmal haa, örneklern gerçeke a oldukları küme merkezne olan uzaklıkları kullanılarak hesaplanmışır. Elde edlen oralama sonuçlara akıldığında örneklemel K- oralamanın orjnal K-oralamaya göre lokal mnmumlardan daha kolay kaçaldğ görülmekedr. Algormaların denemelern yüzde kaçında lokal mnmum a akıldığını görelmek çn Şekl da.deney de elde edlen 00 er sonuç verlmşr.
5 Örneklemel K-oralama Orjnal K-oralama Opmum Haa Gelecek r çalışma olarak, genel opmzasyon yönemlernde (epe ırmanma, enzeml avlama, genek algorma v.) o ank durum ya da durumların değerlendrlmesnde üm örneklern kullanılması yerne, r al kümesnn kullanımı düşünülelr Şekl : Lokal mnmuma akılma oranları Şekl ncelendğnde orjnal K-oralamanın 00 denemenn sında opmal haaya erşemedğ (lokal r mnmuma akıldığı), örneklemel K-oralamanın se 00 denemenn sadece 9 unda lokal r mnmuma akıldığı görülmekedr. Algormanın üs-parameres olan örnekleme oranının (SS), performansa eksn ncelemek çn küme 9 ve, küme aşına örnek 00, küme merkezlernn lk değer elrleme yönem olarak orjnal örneklerden seçlm, özellk olarak elrlenerek 50 erasyonluk, 00 farklı aşlangıç değeryle denemeler yapılmışır. Şekl 7 de, farklı örnekleme oranları {0.05, 0., 0., 0.5, 0.75,, } çn yapılan denemelern oralama değerler verlmşr.. Kaynaklar [] Alpaydın, E., "Inroducon o Machne Learnng", The MIT Press, [] Rousseeuw P.J., "Slhouees: a graphcal ad o he nerperaon and valdaon of cluser analyss", Journal of Compuaonal and Appled Mahemacs, 0, 987, pp [3] Daves D.L., Bouldn D.W., "A cluser separaon measure", IEEE Trans. Paern Anal. Machne Inell., 979, pp.4-7. [4] Van Laarhoven, Peer JM, ve Emle HL Aars. "Smulaed annealng". Sprnger eherlands, 987. [5] Golderg, D. E., "Genec algorhm n search. Opmzaon and Machne Learnng", 989. [] Breman, L., "Baggng predcors", Machne Learnng, 4(), 99. [7] L, Ha-Guang, e al. "K-means cluserng wh aggng and mapreduce", Sysem Scences (HICSS), 44h Hawa Inernaonal Conference on. IEEE, Örneklemel K-oralama 9 küme Örneklemel K-oralama küme Orjnal K-oralama 9 küme Orjnal K-oralama 9 küme Şekl 7: Örnekleme oranının (SS), haaya eks Şekl 7 ncelendğnde, her küme çnde, örnekleme oranının 0. (örneklern rasgele %0 unun seçlmes) olduğu durumda en y performansın elde edldğ görülmekedr. Örnekleme oranı arıkça örneklemel K-oralamanın performansı, orjnal K-oralamaya yaklaşmakadır. 5. Sonuç K-oralama algormasının lokal mnmumlara akılma prolemne r çözüm olarak, u çalışmada orjnal algormaya r örnekleme adımı eklenmşr. Sonuçlara göre önerlen algorma (örneklemel K-oralama) hem daha aşarılı hem daha hızlıdır. Çalışmada u avanajların dnamkler de ncelenmşr. Algormanın ek dezavanajı orjnal algormaya göre fazladan r hper-paramereye (örnekleme oranı) sahp olmasıdır.
Veride etiket bilgisi yok Denetimsiz öğrenme (unsupervised learning) Neden gereklidir?
MEH535 Örünü Tanıma 7. Kümeleme (Cluserng) Doç.Dr. M. Kemal GÜLLÜ Elekronk ve Haberleşme Mühendslğ Bölümü web: hp://akademkpersonel.kocael.edu.r/kemalg/ E-posa: kemalg@kocael.edu.r Verde eke blgs yok Denemsz
DetaylıMIT Açık Ders Malzemeleri Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında bilgi almak için
MIT Açık Ders Malzemeler http://ocm.mt.edu Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında blg almak çn http://ocm.mt.edu/terms veya http://tuba.açık ders.org.tr adresn zyaret ednz. 18.102
DetaylıDENEY TASARIMI VE ANALİZİ
DENEY TASARIMI VE ANALİZİ Bundan öncek bölümlerde bell br araşırma sonucu elde edlen verlere dayanılarak populasyonu anıma ve paramere ahmnlerne yönelk yönemlerden söz edld. Burada se sözü edlecek olan,
DetaylıProgramı : Elektronik Müh.
İSTANBUL TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜZ RESİMLERİNDEN CİNSİYET TAYİNİ YÜKSEK LİSANS TEZİ Özlem ÖZBUDAK Anablm Dalı : Elekronk e Haberleşme Müh. Programı : Elekronk Müh. OCAK 009 İSTANBUL
DetaylıDENEY TASARIMI VE ANALİZİ
1 DENEY TASARIMI VE ANALİZİ 1.1. Varyans Analz 1.. Tek Yönlü Varyans Analz Model 1.3. İk Yönlü Varyans Analz Model Prof Dr. Leven ŞENYAY XII-1 İsask II Bundan öncek bölümlerde bell br araşırma sonucu elde
Detaylıdir. Bir başka deyişle bir olayın olasılığı, uygun sonuçların sayısının örnek uzaydaki tüm sonuçların sayısına oranıdır.
BÖLÜM 3 OLASILIK HESABI 3.. Br Olayın Olasılığı Tanım 3... Br olayın brbrnden ayrık ve ortaya çıkma şansı eşt n mümkün sonucundan m tanes br A olayına uygun se, A olayının P(A) le gösterlen olasılığı P(A)
DetaylıNOT: Deney kılavuzunun Dönme Dinamiği Aygıtının Kullanımı İle İlgili Bilgiler Başlıklı Bölümü okuyunuz.
8. AÇISAL HIZ, AÇISAL İVME VE TORK Hazırlayan Arş. Grv. M. ERYÜREK NOT: Deney kılavuzunun Dönme Dnamğ Aygıının Kullanımı İle İlgl Blgler Başlıklı Bölümü okuyunuz. AMAÇ 1. Küle merkez boyunca geçen ab br
DetaylıUYUM ĐYĐLĐĞĐ TESTĐ. 2 -n olup. nin dağılımı χ dir ve sd = (k-1-p) dir. Burada k = sınıf sayısı, p = tahmin edilen parametre sayısıdır.
UYUM ĐYĐLĐĞĐ TESTĐ Posson: H o: Ver Posson dağılıma sahp br ktleden gelmektedr. H a : Ver Posson dağılıma sahp br ktleden gelmemektedr. Böyle br hpotez test edeblmek çn, önce Posson dağılım parametres
DetaylıÇOKLU REGRESYON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESYON ÇÖZÜMLEMESİ,REGRES-YON KATSAYILARININ YORUMU
6.07.0 ÇOKLU REGRESON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESON ÇÖZÜMLEMESİ,REGRES-ON KATSAILARININ ORUMU ÇOKLU REGRESON MODELİ Ekonom ve şletmeclk alanlarında herhang br bağımlı değşken tek br bağımsız
DetaylıBilgisayarla Görüye Giriş
Blgsayarla Görüye Grş Ders 8 Görüntü Eşleme Alp Ertürk alp.erturk@kocael.edu.tr Panorama Oluşturma Görüntüler eşlememz / çakıştırmamız gerekmektedr Panorama Oluşturma İk görüntüden özntelkler çıkar Panorama
DetaylıSıklık Tabloları ve Tek Değişkenli Grafikler
Sıklık Tabloları ve Tek Değşkenl Grafkler Sıklık Tablosu Ver dzsnde yer alan değerlern tekrarlama sayılarını çeren tabloya sıklık tablosu denr. Sıklık Tabloları tek değşken çn marjnal tablo olarak adlandırılır.
Detaylı5.3. Tekne Yüzeylerinin Matematiksel Temsili
5.3. Tekne Yüzeylernn atematksel Temsl atematksel yüzey temslnde lk öneml çalışmalar Coons (53) tarafından gerçekleştrlmştr. Ferguson yüzeylernn gelştrlmş hal olan Coons yüzeylernde tüm sınır eğrler çn
DetaylıBÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER İki Boyutlu Rasgele Değişkenler
BÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER 5.. İk Boyutlu Rasgele Değşkenler Br deney yapıldığında, aynı deneyle lgl brçok rasgele değşkenn aynı andak durumunu düşünmek gerekeblr. Böyle durumlarda
DetaylıMakine Öğrenmesi Dersi Arasınavı Sorular aşağıda isimleriyle verilen veri kümeleri üzerinde çözülecektir.
Makne Öğrenme er Araınavı 0.0.0 A Soya: umara: Sorular aşağıa mleryle verlen ver kümeler üzerne çözülecekr.. ver küme..4 a 5.9 4. a. 5.7 a -. -0. -5. -.9-0.5.. ver küme K G H K N G H B E G H B G S B N
DetaylıMakine Öğrenmesi 10. hafta
Makne Öğrenmes 0. hafta Lagrange Optmzasonu Destek Vektör Maknes (SVM) Karesel (Quadratc) Programlama Optmzason Blmsel term olarak dlmze geçmş olsa da bazen en leme termle karşılık bulur. Matematktek en
DetaylıSeralarda Isıtma Kapasitelerinin Hesaplanmasına Yönelik Bir Bilgisayar Programı
Seralarda Isıma Kapaselernn Hesaplanmasına Yönelk Br Blgsayar Programı Gürkan Alp Kağan GÜRDİL 1, Kemal Çağaay SELVİ 1, Hasan ÖNDER 2 1 Ondokuz Mayıs Ünverses, Zraa Faküles, Tarım Maknaları Bölümü, Samsun
DetaylıA İSTATİSTİK. 4. X kesikli rasgele (random) değişkenin moment çıkaran. C) 4 9 Buna göre, X in beklenen değeri kaçtır?
. Br torbada 6 syah, 4 beyaz top vardır. Bu torbadan yerne koyarak top seçlyor. A İSTATİSTİK KPSS/-AB-PÖ/006. Normal dağılıma sahp br rasgele (random) değşkenn varyansı 00 dür. Seçlen topların ksnn de
DetaylıKorelasyon ve Regresyon
Korelasyon ve Regresyon 1 Korelasyon Analz İk değşken arasında lşk olup olmadığını belrlemek çn yapılan analze korelasyon analz denr. Korelasyon; doğrusal yada doğrusal olmayan dye kye ayrılır. Korelasyon
DetaylıPARÇALI DOĞRUSAL REGRESYON
HAFTA 4 PARÇALI DOĞRUSAL REGRESYO Gölge değşkenn br başka kullanımını açıklamak çn varsayımsal br şrketn satış temslclerne nasıl ödeme yaptığı ele alınsın. Satış prmleryle satış hacm Arasındak varsayımsal
DetaylıPARABOLİK KISMİ DİFERANSİYEL DENKLEMLER İÇİN İKİ ZAMAN ADIMLI YAKLAŞIMLAR ÜZERİNE BİR ÇALIŞMA. Gamze YÜKSEL 1, Mustafa GÜLSU 1, *
Ercyes Ünverses Fen Blmler Ensüsü Dergs 5 - - 45 9 p://fbe.ercyes.ed.r/ ISS -54 PARABOLİK KISMİ DİFERASİYEL DEKLEMLER İÇİ İKİ ZAMA ADIMLI YAKLAŞIMLAR ÜZERİE BİR ÇALIŞMA Gamze YÜKSEL Msafa GÜLS * Mğla Ünverses
DetaylıK-Ortalamalar Yöntemi ile Yıllık Yağışların Sınıflandırılması ve Homojen Bölgelerin Belirlenmesi *
İMO Teknk Derg, 2012 6037-6050, Yazı 383 K-Ortalamalar Yöntem le Yıllık Yağışların Sınıflandırılması ve Homojen Bölgelern Belrlenmes * Mahmut FIAT* Fath DİKBAŞ** Abdullah Cem KOÇ*** Mahmud GÜGÖ**** ÖZ
DetaylıSAKLI MARKOV MODEL KULLANILARAK GORUNTUDEN GERCEK ZAMANLI TURK ISARET DILI TANIMA SISTEMI
SAKLI MARKOV MODEL KULLANILARAK GORUNTUDEN GERCEK ZAMANLI TURK ISARET DILI TANIMA SISTEMI Hakan Haberdar A Thess n Compuer Engneerng Submed n Paral Fulfllmen of he Requremens for he Degree of Maser of
DetaylıBÖLÜM 9 İKİ BOYUTLU PANEL YÖNTEMLERİ
BÖLÜM 9 İKİ BOYUTLU PAEL YÖTEMLERİ 9.. Grş 9.2. Kompleks dülemde poansyel akım problemnn negral formülasyonu 9.3. Doğrusal paneller boyunca sab ekllk dağılımı hal 9.4. Kaynak dağılımını esas alan panel
DetaylıLineer Olmayan Yapı Sistemlerinin Analizi İçin Yay-Boyu Metodu
Fıra Ünv. Fen ve Müh. Bl. Dergs Scence and Eng. J of Fıra Unv. 9 (4), 55-530, 007 9 (4), 55-530, 007 Lneer Olmayan Yaı Ssemlernn Analz İçn Yay-Boyu Meodu Cengz OLA ve Yusuf CALAYIR Fıra Ünverses eknk Blmler
DetaylıEMG İşaretlerinin K-Ortalama Algoritması Kullanılarak Öbekleştirilmesi. EMG Signal Analysis Using K-Means Clustering
KSÜ Mühendslk Blmler Dergs, (), 9 5 KSU Journal of Engneerng Scences, (), 9 EMG İşaretlernn K-Ortalama Algortması Kullanılarak Öbekleştrlmes Mücahd Günay, Ahmet ALKA, KSÜ Mühendslk-Mmarlık Fakültes Elektrk-Elektronk
DetaylıMerkezi Eğilim (Yer) Ölçüleri
Merkez Eğlm (Yer) Ölçüler Ver setn tanımlamak üzere kullanılan ve genellkle tüm elemanları dkkate alarak ver setn özetlemek çn kullanılan ölçülerdr. Ver setndek tüm elemanları temsl edeblecek merkez noktasına
DetaylıDolar Kurundaki Günlük Hareketler Üzerine Bazı Gözlemler
Dolar Kurundaki Günlük Harekeler Üzerine Bazı Gözlemler Türkiye Bankalar Birliği Ekonomi Çalışma Grubu Toplanısı 28 Nisan 2008, İsanbul Doç. Dr. Cevde Akçay Koç Finansal Hizmeler Baş ekonomis cevde.akcay@yapikredi.com.r
DetaylıDENEY 4: SERİ VE PARALEL DEVRELER,VOLTAJ VE AKIM BÖLÜCÜ KURALLARI, KIRCHOFF KANUNLARI
A. DNYİN AMACI : Bast ser ve bast paralel drenç devrelern analz edp kavramak. Voltaj ve akım bölücü kurallarını kavramak. Krchoff kanunlarını deneysel olarak uygulamak. B. KULLANILACAK AAÇ V MALZML : 1.
DetaylıAyhan Topçu Accepted: January 2012. ISSN : 1308-7304 ayhan_topcu@hotmail.com 2010 www.newwsa.com Ankara-Turkey
ISSN:136-3111 e-journal of New World Sciences Academy 212, Volume: 7, Number: 1, Aricle Number: 3A47 NWSA-PHYSICAL SCIENCES Received: December 211 Ayhan Toçu Acceed: January 212 Fahrein Arslan Series :
DetaylıOtomatik Kontrol Ulusal Toplantısı, TOK2013, 26-28 Eylül 2013, Malatya DOĞRUSAL OLMAYAN KONTROL SİSTEMLERİ
Oomak Konrol Ulusal oplanısı OK3 6-8 Eylül 3 Malaya DOĞRUSAL OLMAYAN KONROL SİSEMLERİ 33 Oomak Konrol Ulusal oplanısı OK3 6-8 Eylül 3 Malaya rnc ve İknc Dereceden Kayan Kpl Güdüm Yönem le Havadan Havaya
DetaylıELM201 ELEKTRONİK-I DERSİ LABORATUAR FÖYÜ
T SAKAYA ÜNİESİTESİ TEKNOLOJİ FAKÜLTESİ ELEKTİK-ELEKTONİK MÜHENDİSLİĞİ ELM201 ELEKTONİK- DESİ LAOATUA FÖYÜ DENEYİ YAPTAN: DENEYİN AD: DENEY NO: DENEYİ YAPANN AD ve SOYAD: SNF: OKUL NO: DENEY GUP NO: DENEY
DetaylıX, R, p, np, c, u ve diğer kontrol diyagramları istatistiksel kalite kontrol diyagramlarının
1 DİĞER ÖZEL İSTATİSTİKSEL KALİTE KONTROL DİYAGRAMLARI X, R, p, np, c, u ve dğer kontrol dyagramları statstksel kalte kontrol dyagramlarının temel teknkler olup en çok kullanılanlarıdır. Bu teknkler ell
DetaylıMakine Öğrenmesi 6. hafta
Makne Öğrenmes 6. hafta Yapay Snr Ağlarına Grş Tek katmanlı YSA lar Algılayıcı (Perceptron) Aalne (Aaptve Lnear Elemen Byolojk Snr Hücres Byolojk snrler ört ana bölümen oluşmaktaır. Bunlar: Denrt, Akson,
Detaylıkadar ( i. kaynağın gölge fiyatı kadar) olmalıdır.
KONU : DUAL MODELİN EKONOMİK YORUMU Br prmal-dual model lşks P : max Z cx D: mn Z bv AX b AV c X 0 V 0 bçmnde tanımlı olsun. Prmal modeln en y temel B ve buna lşkn fyat vektörü c B olsun. Z B B BB c X
DetaylıHAFTA 13. kadın profesörlerin ortalama maaşı E( Y D 1) erkek profesörlerin ortalama maaşı. Kestirim denklemi D : t :
HAFTA 13 GÖLGE EĞİŞKENLERLE REGRESYON (UMMY VARIABLES) Gölge veya kukla (dummy) değşkenler denen ntel değşkenler, cnsyet, dn, ten reng gb hemen sayısallaştırılamayan ama açıklanan değşkenn davranışını
DetaylıÇEV 314 Yağmursuyu ve Kanalizasyon. Nüfus Projeksiyonları
ÇEV 34 Yağmursuyu ve Kanalzasyon üfus Projesyonları Yrd. oç. r. Özgür ZEYA hp://cevre.beun.edu.r/zeydan/ üfus Projesyonları Tasarımı yapılaca olan alyapı projesnn (analzasyon, yağmursuyu analları vb.),
DetaylıKOCAELİ ÜNİVERSİTESİ Mühendislik Fakültesi Makina Mühendisliği Bölümü Mukavemet I Vize Sınavı (2A)
KOCELİ ÜNİVERSİTESİ Mühendslk akültes Makna Mühendslğ Bölümü Mukavemet I Vze Sınavı () dı Soyadı : 18 Kasım 013 Sınıfı : No : SORU 1: Şeklde verlen levhalar aralarında açısı 10 o la 0 o arasında olacak
DetaylıBİRİM YÜKLENME PROBLEMİNİN ÜÇ FARKLI YÖNTEM KULLANILARAK KARŞILAŞTIRMALI ÇÖZÜMLENMESİ
Gaz Ünv. Müh. Mm. Fak. Der. J. Fac. Eng. Arch. Gaz Unv. Cl 24, o 3, 425-434, 2009 Vol 24, o 3, 425-434, 2009 BİRİM YÜKLEME ROBLEMİİ ÜÇ FARKLI YÖTEM KULLAILARAK KARŞILAŞTIRMALI ÇÖZÜMLEMESİ Mehme KURBA ve
DetaylıBİR BOYUTLU HAREKET FİZİK I. Bir Boyutlu Hareket? 12.10.2011. Hız ve Sürat. 1 boyut (doğru) 2 boyut (düzlem) 3 boyut (hacim) 0 boyut (nokta)
.0.0 r oulu Hareke? İR OYUTLU HREKET FİZİK I bou (doğru bou (düzlem 3 bou (hacm 0 bou (noka u bölümde adece br doğru bounca harekee bakacağız (br boulu. Hareke ler olablr (pozf erdeğşrme ea ger olablr
DetaylıDoğrusal Korelasyon ve Regresyon
Doğrusal Korelasyon ve Regresyon En az k değşken arasındak lşknn ncelenmesne korelasyon denr. Kşlern boyları le ağırlıkları, gelr le gder, öğrenclern çalıştıkları süre le aldıkları not, tarlaya atılan
DetaylıJournal of Engineering and Natural Sciences Mühendislik ve Fen Bilimleri Dergisi
Journal of Engneerng and Naural Scences Mühendslk ve Fen Blmler Dergs Sgma 29, 329-339, 2011 PhD Research Arcle / Dokora Çalışması Araşırma Makales A MULTI-STAGE SUPPLY CHAIN MODEL TO DETERMINE OPTIMAL
DetaylıSürekli Olasılık Dağılım (Birikimli- Kümülatif)Fonksiyonu. Yrd. Doç. Dr. Tijen ÖVER ÖZÇELİK
Sürekl Olasılık Dağılım Brkml- KümülatFonksyonu Yrd. Doç. Dr. Tjen ÖVER ÖZÇELİK tover@sakarya.edu.tr Sürekl olasılık onksyonları X değşken - ;+ aralığında tanımlanmış br sürekl rassal değşken olsun. Aşağıdak
DetaylıTek Yönlü Varyans Analizi (ANOVA)
VARYANS ANALİZİ İ örne ortalaması arasında farın önem ontrolü, örne büyülüğüne göre z veya testlernden bryle yapılır. Bu testlerle, den fazla örne ortalamasını brlte test etme ve aralarında farın önem
DetaylıEMO İSTANBUL ŞUBESİ TARAFINDAN HOBİ ELEKTRONİK KURSU İÇİN DERLENMİŞTİR. BOBİNLER
EMO İSTANBUL ŞUBESİ TAAFNDAN HOBİ ELEKTONİK KUSU İÇİN DELENMİŞTİ BOBİNLE Bobnler, akara, adren veya karkas olarak adlandırılan yalıkanlar üzerne plask, serak, serkağı spral, helezon, düz, peek şeklnde
Detaylıalphanumeric journal The Journal of Operations Research, Statistics, Econometrics and Management Information Systems
Avalable onlne a www.alphanumerournal.om alphanumer ournal The Journal of Operaons Researh, Sass, Eonomers and Managemen Informaon Sysems Volume 3, Issue 2, 2015 2015.03.02.STAT.08 Absra OUTLIERS IN SURVIVAL
DetaylıAKIŞKAN ÇAMUR TABAKASIYLA YÜZEY DALGALARININ ETKİLEŞİMİNİN SAYISAL MODELLENMESİ
AKIŞKAN ÇAMUR TABAKASIYLA YÜZEY DALGALARININ ETKİLEŞİMİNİN SAYISAL MODELLENMESİ Doç.Dr.Lale BALAS, A. Mehme ŞİRİN Gaz Ünverses, Mühendslk Mmarlık Faküles,İnşaa Mühendslğ Bölümü, Malepe, Ankara Tel:37400/7,
DetaylıYÖNETİM VE EKONOMİ Yıl:2006 Cilt:13 Sayı:1 Celal Bayar Üniversitesi İ.İ.B.F. MANİSA
YÖNETİM VE EKONOMİ Yıl:2006 Clt:3 Sayı: Celal Bayar Ünverstes İ.İ.B.F. MANİSA Bulanık Araç Rotalama Problemlerne Br Model Öners ve Br Uygulama Doç. Dr. İbrahm GÜNGÖR Süleyman Demrel Ünverstes, İ.İ.B.F.,
DetaylıSummary. Orijinal araştırma (Original article)
Türk. enomol. derg., 2011, 35 (2): 325-338 ISSN 1010-6960 Orjnal araşırma (Orgnal arcle) Sıfır değer ağırlıklı genelleşrlmş Posson regresyonu yardımıyla Van Gölü nde Nooneca vrds Delcour, 1909 (Hempera:
DetaylıKONYA İLİ SICAKLIK VERİLERİNİN ÇİFTDOĞRUSAL ZAMAN SERİSİ MODELİ İLE MODELLENMESİ
KONYA İLİ SICAKLIK VERİLERİNİN ÇİFTDOĞRUSAL ZAMAN SERİSİ MODELİ İLE MODELLENMESİ İsmail KINACI 1, Aşır GENÇ 1, Galip OTURANÇ, Aydın KURNAZ, Şefik BİLİR 3 1 Selçuk Üniversiesi, Fen-Edebiya Fakülesi İsaisik
DetaylıİÇME SUYU ŞEBEKELERİNİN GÜVENİLİRLİĞİ
Türkye İnşaat Mühendslğ, XVII. Teknk Kongre, İstanbul, 2004 İÇME SUYU ŞEBEKELERİNİN GÜVENİLİRLİĞİ Nur MERZİ 1, Metn NOHUTCU, Evren YILDIZ 1 Orta Doğu Teknk Ünverstes, İnşaat Mühendslğ Bölümü, 06531 Ankara
DetaylıGM-220 MÜH. ÇALIŞ. İSTATİSTİKSEL. Frekans Dağılımı Oluşturma Adımları VERİLERİN SUNUMU. Verilerin Özetlenmesi ve Grafikle Gösterilmesi
VERİLERİN SUNUMU GM-0 MÜH. ÇALIŞ. İSTATİSTİKSEL YÖNTEMLER Br çalışadan elde edlen verler ha ver ntelğndedr. Ha verlerden blg ednek zor ve zaan alıcıdır. Ha verler çok karaşık durudadır. Verlern düzenlenes
DetaylıKİ-KARE TESTLERİ. şeklinde karesi alındığında, Z i. değerlerinin dağılımı ki-kare dağılımına dönüşür.
Kİ-KARE TESTLERİ A) Kİ-KARE DAĞILIMI VE ÖZELLİKLERİ Örnekleme yoluyla elde edlen rakamların, anakütle rakamlarına uygun olup olmadığı; br başka fadeyle gözlenen değerlern teork( beklenen) değerlere uygunluk
DetaylıStandart Model (SM) Lagrange Yoğunluğu. u, d, c, s, t, b. e,, Şimdilik nötrinoları kütlesiz Kabul edeceğiz. Kuark çiftlerini gösterelim.
SM de yer alacak fermyonlar Standart Model (SM) agrange Yoğunluğu u s t d c b u, d, c, s, t, b e e e,, Şmdlk nötrnoları kütlesz Kabul edeceğz. Kuark çftlern gösterelm. u, c ve t y u (=1,,) olarak gösterelm.
DetaylıMamografide Şüpheli Kitle Adayı Bölgelerin Belirlenmesi
Mamografde Şüphel Kle Adayı Bölgelern Belrlenmes Burçn KURT a, Vasf V. NABİYEV b, Kemal TURHAN a a Byosas ve Tıp Blşm AD, Karadenz Ten Ünverses, Trabzon b Blgsayar Mühendslğ AD, Karadenz Ten Ünverses,
DetaylıZAMAN SERİSİ VERİ MADENCİLİĞİ VE DESTEK VEKTÖR MAKİNALAR KULLANAN YENİ BİR AKILLI ARIZA SINIFLANDIRMA YÖNTEMİ
Gaz Ünv. Müh. Mm. Fak. Der. J. Fac. Eng. Arch. Gaz Unv. Clt 3, No, 431-440, 008 Vol 3, No, 431-440, 008 ZAMAN SERİSİ VERİ MADENCİLİĞİ VE DESTEK VEKTÖR MAKİNALAR KULLANAN YENİ BİR AKILLI ARIZA SINIFLANDIRMA
DetaylıMetin Madenciliği ile Soru Cevaplama Sistemi
Metn Madenclğ le Soru Cevaplama Sstem Sevnç İlhan 1, Nevchan Duru 2, Şenol Karagöz 3, Merve Sağır 4 1 Mühendslk Fakültes Blgsayar Mühendslğ Bölümü Kocael Ünverstes slhan@kocael.edu.tr, nduru@kocael.edu.tr,
DetaylıT.C. SELÇUK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ
T.C. SELÇUK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ BİLGİ SİSTEMLERİNE FARK FONKSİYONU TABANLI ÖZELLİK SEÇME YÖNTEMİNİN GELİŞTİRİLMESİ MEHMET HACIBEYOĞLU OKTORA TEZİ Blgsayar Mühendslğ Analm alını Mart-0
DetaylıSEK Tahmincilerinin Arzulanan Özellikleri. SEK Tahmincilerinin Arzulanan Özellikleri. Ekonometri 1 Konu 9 Sürüm 2,0 (Ekim 2011)
SEK Tahmnclernn Arzulanan Özellkler İk Değşkenl Bağlanım Model SEK Tahmnclernn Arzulanan Özellkler Ekonometr 1 Konu 9 Sürüm 2,0 (Ekm 2011) http://www.ackders.org.tr SEK Tahmnclernn Arzulanan Özellkler
DetaylıKİ-KARE TESTLERİ A) Kİ-KARE DAĞILIMI VE ÖZELLİKLERİ
Kİ-KAR TSTLRİ A) Kİ-KAR DAĞILIMI V ÖZLLİKLRİ Örnekleme yoluyla elde edlen rakamların, anakütle rakamlarına uygun olup olmadığı; br başka fadeyle gözlenen değerlern teork( beklenen) değerlere uygunluk gösterp
DetaylıERS-2 Raw Datası için Dönüşüme Dayalı Sıkıştırma
ERS- Raw Datası çn Dönüşüme Dayalı Sııştırma. Göhan. KASAPOĞLU, İrahm. PAPİLA, Bngül YAZGA, Sedef KET İstanul Ten Ünverstes, Eletr-Eletron Faültes, Eletron ve Haerleşme Mühendslğ, 066, Masla, İstanul Tel:
DetaylıIII - ELEKTROMAGNETİK GENELLEŞTİRME
3 - EEKTROMAGNETİK GENEEŞTİRME.A ) AGRANGE ORMAİZMİ Dnamğn agrange medu le yenden frmüle edlmes, genelleşrlmş krdna ssemlernn kullanılmasına mkan anır. Yen krdnaların ye larak ble dk lmaları gerekmez.
DetaylıBasel II Geçiş Süreci Sıkça Sorulan Sorular
Basel II Geçş Sürec Sıkça Sorulan Sorular Soru No: 71 Cevaplanma Tarh: 06.03.2012 İlgl Hüküm: --- Konu: Gayrmenkul İpoteğyle Temnatlandırılmış Alacaklar İçn KR510AS Formunun Doldurulmasına İlşkn Örnek
DetaylıGRUPLARDA VE YARIGRUPLARDA ETKİNLİK(EFFICIENCY) The Efficiency Of Groups And Semigroups *
GRUPLARDA VE YARIGRUPLARDA ETKİNLİK(EFFICIENCY The Effcency Of Groups And Semgroups * Özer CAN Matematk Ana Blm Dalı Blal VATANSEVER Matematk Ana Blm Dalı ÖZET Bu çalışmada öncelkle gruplarda, yarıgruplarda,
DetaylıTek Yönlü Varyans Analizi
Tek Yönlü Varyan Analz Nedr ve hang durumlarda kullanılır? den fazla grupların karşılaştırılmaı öz konuu e, çok ayıda t-tet nn kullanılmaı, Tp I hatanın artmaına yol açar; Örneğn, eğer 5 grubu kşerl olarak
Detaylı4) Seyrek rastlanılan bir hastalık için belli bir zaman araalığında bu hastalığa yakalananların sayısının gözlenmesi,
POĐSSON DAĞILIMI Poisson Dağılımı sürekli oramlarda (zaman, alan, hacim, ) kesikli sonuçlar veren ve aşağıda a),b),c) şıklarında belirilen özelliklere sahip deneylerin modellenmesinde kullanılan bir dağılım
Detaylı3. Parçaları Arasında Aralık Bulunan Çok Parçalı Basınç Çubukları
3. Parçaları Arasında Aralık Bulunan Çok Parçalı Basınç Çubukları Basınç çubukları brden fazla profl kullanılarak, bu profller arasında plan düzlemnde bell br mesafe bulunacak şeklde düzenleneblr. Bu teşklde,
DetaylıPARAMETRİK OLMAYAN HİPOTEZ TESTLERİ Kİ-KARE TESTLERİ
PARAMETRİK OLMAYAN HİPOTEZ TESTLERİ Kİ-KARE TESTLERİ 1 Populasyonun nceledğmz br özellğnn dağılışı blenen dağılışlardan brsne, Normal Dağılış, t Dağılışı, F Dağılışı, gb br dağılışa uygun olduğu durumlarda
DetaylıDeney No: 2. Sıvı Seviye Kontrol Deneyi. SAKARYA ÜNİVERSİTESİ Dijital Kontrol Laboratuvar Deney Föyü Deneyin Amacı
SRY ÜNİVERSİESİ Djtal ontrol Laboratuvar Deney Föyü Deney No: 2 Sıvı Sevye ontrol Deney 2.. Deneyn macı Bu deneyn amacı, doğrusal olmayan sıvı sevye sstemnn belrlenen br çalışma noktası cvarında doğrusallaştırılmış
DetaylıSüleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Y.2008, C.13, S.1 s.111-131.
Süleyman Demrel Ünverstes İktsad ve İdar Blmler Fakültes Y.008, C.3, S. s.-3. BİREYSEL EMEKLİLİK FONLARINDA FON YAPILARININ KARMA DENEMELER YÖNTEMİ İLE İNCELENMESİ EXAMINING THE STRUCTURE OF FUNDS BY MIXTURE
DetaylıKİ KARE ANALİZİ. Doç. Dr. Mehmet AKSARAYLI Ki-Kare Analizleri
Kİ KAR ANALİZİ 1 Doç. Dr. Mehmet AKSARAYLI www.mehmetaksarayl K-Kare Analzler OLAY 1: Genelde br statstk sınıfında, öğrenclern %60 ının devamlı, %30 unun bazen, %10 unun se çok az derse geldkler düşünülmektedr.
DetaylıAvrupa Birliği ve Türkiye de Mali Saydamlığın Panel Veri Yöntemi ile Analizi
EGE AKADEMİK BAKIŞ / EGE ACADEMIC REVIEW Cl: Özel Sayı 0 ss. 59-73 Avrupa Brlğ ve Türkye de Mal Saydamlığın Panel Ver Yönem le Analz Fscal Transparency of he European Unon and Turkey wh Panel Daa Analyss
DetaylıÖğr. Gör. Selçuk ŞİMŞEK İlköğretim Bölümü Sınıf Öğretmenliği Ana Bilim Dalı Eğitim Fakültesi.Pamukkale Üniversitesi
PAMUKKALE ÜNİVERSİTESİ EĞİTİM FAKÜLTESİ SINIF ÖĞRETMENLİĞİ BÖLÜMÜ 2. SINIF ÖĞRENCİLERİNİN BEDEN EĞİTİMİ ve OYUN DERSİNİ SAĞLIK ve SAĞLANAN OLANAKLAR AÇISINDAN DEĞERLENDİRMELERİ Öğr. Gör. Selçuk ŞİMŞEK
DetaylıÖRNEKLEME YÖNTEMLERİ ve ÖRNEKLEM GENİŞLİĞİ
03.05.013 ÖRNEKLEME YÖNTEMLERİ ve ÖRNEKLEM GENİŞLİĞİ 1 Nede Örekleme? Öreklemde çalışmak ktlede çalışmakta daha kolaydır. Ktle üzerde çalışmak çok daha masraflı olablr. Çoğu durumda tüm ktleye ulaşmak
DetaylıELEKTRİK DEVRE TEMELLERİ
ELEKTRİK DEVRE TEMELLERİ Öğretm üyes: Doç. Dr. S. Özoğuz Tel: 85 36 9 e-posta: serdar@ehb.tu.edu.tr Ders saat: Pazartes,.-3. / D-4 İçndekler. Dere teors, toplu parametrel dereler, Krchhoff un gerlm e akım
DetaylıÇok Barajlı Sistemde Gerçek Zamanlı Optimal İşletme *
İMO Teknk Derg, 2011 5359-5385, Yazı 347 Çok Barajlı semde Gerçek Zamanlı Opmal İşleme * Mücah OPAN* ÖZ Bu çalışmada, çok amaçlı ve çok barajlı br su kaynakları ssem anımlanmışır. sem üzerne enerj ürem
DetaylıTOZ DETERJAN İÇİN ÜRETİM PLANLAMA VE ÇİZELGELEME SİSTEMİ TASARIMI
Endüsr Mühendslð Dergs Cl: 0 Saý: Safa: (5-66) Makna Mühendsler Odası TOZ DETERJAN İÇİN ÜRETİM PLANLAMA E ÇİZELGELEME SİSTEMİ TASARM Tardu Selm SEPİN, Mehme Dar ATKN, Merve Nalı ERALP, Gökhan MEMİŞOĞLU,
Detaylı2 MANYETİZMA. 7. Etki ile mıknatıslanmada mıknatısın 5. K L M F F S N S N S N
3 Manyetzma Test Çözümler 1 Test 1'n Çözümler 3. 1 2 3 4 5 6 1. X Şekl I M 1 2 Y 3 4 Mıknatıs kutupları Şekl I dek gb se 4 ve 5 numaralı kutuplar zıt şaretl olur. Manyetk alan çzgler kutup şddet le doğru
DetaylıRasgele Değişken Üretme Teknikleri
Rasgele Değşken Üretme Teknkler Amaç Smülasyon modelnn grdlern oluşturacak örneklern üretlmes Yaygın olarak kullanılan ayrık veya sürekl dağılımların örneklenmes sürecn anlamak Yaygın olarak kullanılan
DetaylıİMKB BİLEŞİK 100 ENDEKSİ GETİRİ VOLATİLİTESİNİN ANALİZİ ANALYSIS OF ISTANBUL STOCK EXCHANGE 100 INDEX S RETURN VOLATILITY ABSTRACT
İsanbul Tcare Ünverses Sosyal Blmler Dergs Yıl:7 Sayı:3 Bahar 008 s.339-350 İMKB BİLEŞİK 00 ENDEKSİ GETİRİ VOLATİLİTESİNİN ANALİZİ Ünal H. ÖZDEN ÖZET Fnansal serlerde, aşıdıkları özellkler nedenyle doğrusal
DetaylıFarklı Varyans. Var(u i X i ) = Var(u i ) = E(u i2 ) = s 2 Eşit Varyans
Farklı Varyans Var(u X ) = Var(u ) = E(u ) = s Eşt Varyans Y X 1 Farklı Varyans Hata Var(u X ) = Var(u ) = E(u ) = s Farklı Varyans Zaman EKKY nn varsayımlarından br anakütle regresyon fonksyonu u lern
DetaylıYÜKSEK PLANLAMA KURULU
YÜKSEK PLANLAMA KURULU Tarh : 4/02/2008 Karar No : 2008/T-5 Konu : Enerj KİT lernn Uygulayacağı Malye Bazlı Fyalandırma Mekanzmasının Usul ve Esasları Yüksek Planlama Kurulu nca; Enerj ve Tab Kaynaklar
DetaylıOLASILIK. Bölüm 4. Temel Tanımlar ve Kavramlar-I. Olasılık
ölüm 4 Olasılık OLSILIK opulasyon hakkında blg sahb olmak amacı le alınan örneklerden elde edlen blgler bre br doğru olmayıp heps mutlaka br hata payı taşımaktadır. u hata payının ortaya çıkmasının sebeb
DetaylıMEH535 Örüntü Tanıma
MEH535 Örünü Tanıma 4. Paramerik Sınıflandırma Doç.Dr. M. Kemal GÜLLÜ Elekronik ve Haberleşme Mühendisliği Bölümü web: hp://akademikpersonel.kocaeli.edu.r/kemalg/ E-posa: kemalg@kocaeli.edu.r Paramerik
Detaylıalphanumeric journal The Journal of Operations Research, Statistics, Econometrics and Management Information Systems
Avalable onlne a www.alphanumercjournal.com alphanumerc journal The Journal of Operaons Research, Sascs, Economercs and Managemen Informaon Sysems Receved: March 0, 017 Acceped: Aprl 19, 017 Publshed Onlne:
DetaylıAdi Diferansiyel Denklemler NÜMERİK ANALİZ. Adi Diferansiyel Denklemler. Adi Diferansiyel Denklemler
6.4.7 NÜMERİK ANALİZ Yrd. Doç. Dr. Hatce ÇITAKOĞLU 6 Müendslk sstemlernn analznde ve ugulamalı dsplnlerde türev çeren dferansel denklemlern analtk çözümü büük öneme saptr. Sınır değer ve/vea başlangıç
DetaylıARAŞTIRMA MAKALESİ/RESEARCH ARTICLE TEK ÇARPIMSAL SİNİR HÜCRELİ YAPAY SİNİR AĞI MODELİNİN EĞİTİMİ İÇİN ABC VE BP YÖNTEMLERİNİN KARŞILAŞTIRILMASI ÖZ
ANADOLU ÜNİVERSİTESİ Blm ve Teknoloj Dergs A-Uygulamalı Blmler ve Mühendslk Clt: 14 Sayı: 3 013 Sayfa: 315-38 ARAŞTIRMA MAKALESİ/RESEARCH ARTICLE Faruk ALPASLAN 1, Erol EĞRİOĞLU 1, Çağdaş Hakan ALADAĞ,
DetaylıVERİ MADENCİLİĞİ Demetleme Yöntemleri
VERİ MADENCİLİĞİ Demetleme Yöntemler Yrd Doç Dr Şule ündüz Öğüdücü http://wwwnnovatuedutr/etmdeta asp?eid/ Demetleme şlemler Demetleme uulamaları Demetleme Yöntemler Bölünmel Yöntemler Herarşk Yöntemler
Detaylıa IIR süzgeç katsayıları ve N ( M) de = s 1 (3) 3. GÜRÜLTÜ GİDERİMİ UYGULAMASI
Fırat Ünverstes-Elazığ MİTRAL KAPAK İŞARETİ ÜZERİNDEKİ ANATOMİK VE ELEKTRONİK GÜRÜLTÜLERİN ABC ALGORİTMASI İLE TASARLANAN IIR SÜZGEÇLERLE SÜZÜLMESİ N. Karaboğa 1, E. Uzunhsarcıklı, F.Latfoğlu 3, T. Koza
DetaylıCebir Notları. Karmaşık Sayılar Testi z = 1 2i karmaşık sayısının çarpmaya göre tersinin eşleniğinin sanal kısmı kaçtır?
Cebr Ntları Karmaşık Sayılar Test. + se Re() + Im()?. ( x y) + + ( x+ y ) se x + y tplamı kaçtır?. x + y ( x ) ve se y kaçtır?. ve se y x kaçtır?. sayısı kaça eşttr?. sayısı kaça eşttr? 7. x+ + ( y ) y
DetaylıTEMEL BAZI KAVRAMLAR. Uzay: İçinde yaşadığımız sonsuz boşluktur. Uzay, bir noktalar kümesidir. Uzay, bütün varlıkları içine alır.
1 TEMEL ZI KVRMLR Nokta: Kalemin kâğıda, tebeşirin tahtaya bıraktığı ize nokta denir. Nokta boyutsuzdur. Yani; noktanın eni, boyu ve yüksekliği yoktur. ütün geometrik şekiller noktalardan oluşur. Noktalar
DetaylıBÖLÜM 1 1.GİRİŞ: İSTATİSTİKSEL DOĞRUSAL MODELLER
BÖLÜM 1 1.GİRİŞ: İSTATİSTİKSEL DOĞRUSAL MODELLER Blmn amaçlarından br yaşanılan doğa olaylarını tanımlamak ve olayları önceden tahmnlemektr. Bu amacı başarmanın yollarından br olaylar üzernde etkl olduğu
DetaylıYÜKSEK LİSANS TEZİ Savaş OK. Anabilim Dalı : Makina Mühendisliği. Programı : Sistem Dinamiği ve Kontrol
İSTABUL TEKİK ÜİVERSİTESİ FE BİLİMLERİ ESTİTÜSÜ DİAMİK MATRİS KOTROL VE GEELLEŞTİRİLMİŞ ÖGÖRÜLÜ KOTROL ALGORİTMALARII KARŞILAŞTIRILMASI YÜKSEK LİSAS TEZİ Savaş OK Anablm Dalı : Makna Mühendslğ Programı
DetaylıPROJE SEÇİMİ VE KAYNAK PLANLAMASI İÇİN BİR ALGORİTMA AN ALGORITHM FOR PROJECT SELECTION AND RESOURCE PLANNING
Dokuz Eylül Ünverstes Sosyal Blmler Ensttüsü Dergs Clt 3, Sayı:2, 2001 PROJE SEÇİMİ VE KAYAK PLALAMASI İÇİ BİR ALGORİTMA lgün MORALI 1 C. Cengz ÇELİKOĞLU 2 ÖZ Kaynak tahss problemler koşullara bağlı olarak
Detaylı( ) 3.1 Özet ve Motivasyon. v = G v v Operasyonel Amplifikatör (Op-Amp) Deneyin Amacı. deney 3
Yıldız Teknk Ünverstes Elektrk Mühendslğ Bölümü Deneyn Amacı İşlemsel kuvvetlendrcnn çalışma prensbnn anlaşılması le çeştl OP AMP devrelernn uygulanması ve ncelenmes. Özet ve Motvasyon.. Operasyonel Amplfkatör
DetaylıVEKTÖRLER VE VEKTÖREL IŞLEMLER
VEKTÖRLER VE VEKTÖREL IŞLEMLER 1 2.1 Tanımlar Skaler büyüklük: Sadece şddet bulunan büyüklükler (örn: uzunluk, zaman, kütle, hacm, enerj, yoğunluk) Br harf le sembolze edleblr. (örn: kütle: m) Şddet :
DetaylıENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN SINANMASI
V. Ulusal Üretm Araştırmaları Sempozyumu, İstanbul Tcaret Ünverstes, 5-7 Kasım 5 ENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN
DetaylıDEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Cilt: 12 Sayı: 3 sh. 1-15 Ekim 2010
DEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Cl: 12 Sayı: 3 sh. 1-15 Em 2010 ZAMAN-FREKANS DÜZLEMİNDE SİNYAL BİLEŞENİ ÇIKARIMI İÇİN YENİ BİR YÖNTEM (A NOVEL METHOD FOR SIGNAL COMPONENT INCISION
Detaylı"SERVİS TORK ANAHTARI" CT, Nm
Anahtarları SYSTEM 5000-1 CT "SERVİS TORK ANAHTARI" 5000-1 CT, 10 0 Sürekl tekrarlanalen torklama hassasyet ± % Sesl ve ttreşml hssedlelr tork erşm uyarısı Sıkma ve sökme yön ayarı çn kısa yol gevşetmes
Detaylıbir yol oluşturmaktadır. Yine i 2 , de bir yol oluşturmaktadır. Şekil.DT.1. Temel terimlerin incelenmesi için örnek devre
Devre Analz Teknkler DEE AAĐZ TEKĐKEĐ Bu zamana kadar kullandığımız Krchoffun kanunları ve Ohm kanunu devre problemlern çözmek çn gerekl ve yeterl olan eştlkler sağladılar. Fakat bu kanunları kullanarak
DetaylıBİRİM KÖK TESTLERİNDE YAPISAL KIRILMA ZAMANININ İÇSEL OLARAK BELİRLENMESİ PROBLEMİ: ALTERNATİF YAKLAŞIMLARIN PERFORMANSLARI
BİRİM KÖK TESTLERİNDE YAPISAL KIRILMA ZAMANININ İÇSEL OLARAK BELİRLENMESİ PROBLEMİ: ALTERNATİF YAKLAŞIMLARIN PERFORMANSLARI Arş. Gör. Furkan EMİRMAHMUTOĞLU Yrd. Doç. Dr. Nezir KÖSE Arş. Gör. Yeliz YALÇIN
Detaylı