Zamansal Veri Madenciliği ve Anomali Tespiti için Bir Uygulama
|
|
- Nazar Koçer
- 5 yıl önce
- İzleme sayısı:
Transkript
1 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 6 Şubat, 2015
2 Çalışmanın Amacı Kesit anomalilerin tespiti Uygulama: Euro-Dolar paritesi verilerinde anomali tespiti
3 Sunum Planı Zamana Bağlı Değerler Zamansal Veri Madenciliği Veri Temsil Yöntemleri Anomali Tespiti Uygulama Referanslar
4 Zamana Bağlı Değerler Zaman Serileri Zamana Bağlı Diziler (Temporal Sequences) Anlamsal Zamana Bağlı Değerler (Semantic Temporal Data) Zamansal veri madenciliği zamana bağlı değerlerden oluşan bir veri seti ile veya bu veri setlerinden oluşan bir veritabanı ile ilgilenir. (Mitsa, 2010)
5 Zamansal Veri Madenciliği Zamansal veri madenciliği, veri madenciliği temelleri içerisinde zaman serilerinin karakterlerine uygun yöntemleri kullanır. Zamansal veri madenciliği istatistiksel yöntemlerdeki varsayımlara gerek duymadan zamana bağlı veriler içerisinden anlamlı bilgiler çıkarmayı amaçlar. Zaman serilerinden oluşan bir veri tabanında benzer zaman serilerinin bulmayı veya bir zaman serisi içerisinde geçekleşen olağan dışı desenleri belirlemeyi hedefler.
6 Zamansal Veri Madenciliği Yöntemleri Endeksleme (Indexing - Query by Content) Sınıflama (Classification) Kümeleme (Clustering) Anomali Tespiti (Anomaly Detection)
7 Veri Temsil Yöntemleri Zaman Serisi Temsil Yöntemleri (Keogh ve ark., 2005) Piecewise Aggregate Approximation (PAA) Symbolic Aggregate approximation (SAX)
8 Piecewise Aggregate Approximation PAA Temsil Yöntemi Zaman serisini sabit uzunluktaki kesitlere ayırarak, her bir kesiti ortalaması ile temsil etmeyi amaçlar. (Keogh ve ark., 2001 )
9 Symbolic Aggregate approximation SAX Temsil Yöntemi PAA üzerinden geliştirilen SAX, vektör halindeki temsil edilmiş veriyi sembollere dönüştürmeyi amaçlar. (Lin ve ark, 2003) SAX temsil yönteminin izlediği adımlar Normalleştirme PAA ile boyut indirgeme Sembolik dönüşüm
10 Symbolic Aggregate approximation Standart Normal Dağılım ve Kesme Noktaları c i = PAA ile elde edilen ortalama değerleri β = (β 1, β 2) seçilen 3 karakter için elde edilen kesme noktaları a; c i < β 1 Sembol = b; β 1 < c i < β 2 c; c i > β 2
11 Kesit Anomaliler Bir zaman serisinin kesitleri içerisinden kendisi ile eşleşmeyen en yakın komşusuna en büyük uzaklığa sahip olan kesit uyumsuz-anomali olarak belirlenir.(keogh ve arkadaşları, 2006) Literatürde kesit anomali tespiti üzerine bir çok çalışma bulunmaktadır; Online novelty detection on temporal sequences (SVR-Based), Ma ve Perkins, Finding the most unusual time series subsequence: algorithms and applications (HOT-SAX), Keogh ve ark., Finding Time Series Discords Based on Haar Transform (WAT), Fu ve ark., 2007.
12 HOT-SAX Algoritması Heuristically Ordered Time series using Symbolic Aggregate approximation. (Keogh ve ark., 2006) İhtiyaç duyulan tek parametre araştırılacak olan kesitin büyüklüğüdür. HOT-SAX bruteforce kullanarak, zaman serisi içerisinde gözlemlenen her kesiti kendisi ile eşleşmeyen bütün kesitlerle karşılaştırır. Zaman serisinin içerisindeki tüm kesitlerin benzerlik ölçümlerini yaparak anomali tespiti yapmaya çalışır.
13 HOT-SAX Algoritması HOT-SAX temsil yöntemi alttaki adımları izler Zaman serisi SAX yöntemi ile temsil edilir. Kesitlere verilen sembollerden desenler elde edilir. Oluşan desenlerden en az sayıda olanlar anomali adayı olarak seçilir. Seçilen adayların kendisi ile eşleşmeyen bütün kesitlere olan uzaklığı hesaplanır. En yakın komşusuna olan uzaklığı en fazla olan kesit anomali olarak belirlenir. Kendisi ile eşleşmeyen kesitler (non-self match): M ve K bir zaman serisinden seçilen m boyutunda kesitler ve başlangıç noktaları p ve q olsun. M K nın kendisi ile eşleşmeyen kesiti ise p q m olması beklenir.
14 Uygulama Aralık 2003 Aralık 2014 tarihleri arasındaki Euro-Dolar parite değerleri Zaman serisi European Central Bank web sayfasından günlük (iş günü) kaydedilen verilerden alınmıştır günlük Euro/Dolar parite değeri incelenmiştir. R istatistiksel proglamlama dili kullanılmıştır.
15 Uygulama Zaman serisinin sembolik gösterimi için dört karakter (a,b,c,d) tercih edilmiştir. PAA için genişlik 10 gün seçilmiştir. Her üç alt kesitin bir dönemi temsil ettiği belirlenmiştir. SAX temsil yöntemi sonrasında her 30 günlük dönem 3 karakter ile temsil edilmiştir.
16 Uygulama Zaman serisinden 8373 alt kesit elde edilmiş ve 2791 dönem HOT-SAX algoritması ile incelenmiştir. Tüm Dönemler Desen Tekrar Sayısı aaa 524 ddd 515 cbb 86 aac 1 bac 1 Anomali Adayları Desen Başlangıç Bitiş aac bac Anomali adaylarının en yakın komşularına olan uzaklıkları hesaplanmış ve aac deseni anomali olarak belirlenmiştir.
17 Uygulama 2009 yılına ait değerler ve bulunan anomali Bulunan anomali kesiti 2009 yılı içerisinde doların en yüksek olduğu zaman aralığını içermektedir.
18 Anomali Aralığında Gerçekleşen Ekonomik Olaylar Anomali olarak belirlenen desen Uluslararası finansal kriz karşısında ülkeler tarafından alınan önlemler incelenmiştir. 15 Mart 2009 haftasında FED beklenmeyen bir kararla 6 ay içinde, hükümetten 300 milyar dolara kadar uzun dönemli borç tahvili alacağını açıklamıştır.
19 Referanslar Chandola, V., Grumbach, A., Kumar, C., Anomaly Detection: A survey, ACM Computing Surveys, 41(3), (2009). Esling, P., Agon, C., Time-series data mining, ACM Computing Surveys, 45(1),(2012). European Central Bank Web Site, Erişim tarihi: Fu, T., A review on time series data mining, Engineering Applications of Artificial Intelligence, 24, 164:181(2011). Fu, A.W., Leung, O.T., Keogh, E., Lin, J., Finding Time Series Discords Based on Haar Transform, Advanced Data Mining and Applications, 4093, 31:41(2007). Keogh, E., Chakrabarti, K., Pazzani, M., and Mehrotra, S., Dimensionality reduction for fast similarity search in large time series databases, Knowledge and Information Systems, 3(3), 263:286(2001).
20 Referanslar Keogh, E., Lin, J., Lee, S.H., Herle, H.V., Finding the most unusual time series subsequence: algorithms and applications, Knowledge and Information Systems, 11(1), 1:27(2006). Lin, J., Keogh, E., Leonardi, S., and Chiu, B., A symbolic representation of time series, with implications for streaming algorithms, In Proceedings of the 8th ACM SIGMOD Workshop on Research Issues in Data Mining and Knowledge Discovery,2:11(2003). Lin, J.,Keogh, E., Wei, L., Lonardi, S., Experiencing SAX: a novel symbolic representation of time series, Data Mining and Knowledge Discovery, 15(2), 107:144(2007). Ratanamahatana, C. A., Lin, J., Gunopulos, D., Keogh, E., Mining time series data, Data Mining and Knowledge Discovery Handbook, 1069:1103(2005). Türkiye Bankalar Birliği, Bankacılık ve Araştırma Grubu, Uluslararası Finansal Kriz Karşısında Ülkeler Tarafından Alınan Önlemler Kronolojisi, Bankacılar Dergisi, 69, 86:93(2009).
21 Teşekkürler!
Zamansal Veri Madenciliği ve Anomali Tespiti için Bir Uygulama. Temporal Data Mining and an Application for Anomaly Detection
Zamansal Veri Madenciliği ve Anomali Tespiti için Bir Uygulama Mehmet Yavuz Onat1, Engin Yıldıztepe1 1Dokuz Eylül Üniversitesi, İstatistik Bölümü, İzmir yavuz.onat@gmail.com, engin.yildiztepe@deu.edu.tr
DetaylıA. SCI ve SCIE Kapsamındaki Yayınlar
A. SCI ve SCIE Kapsamındaki Yayınlar A.1. Erilli N.A., Yolcu U., Egrioglu E., Aladag C.H., Öner Y., 2011 Determining the most proper number of cluster in fuzzy clustering by using artificial neural networks.
DetaylıVERİ MADENCİLİĞİNE BAKIŞ
VERİ MADENCİLİĞİNE BAKIŞ İçerik Veri Madenciliği Neden Veri Madenciliği? Veri ve Veri Madenciliğinin Önemi Günümüzde Kullanılan Veri Madenciliğinin Çeşitli İsimleri Veri Madenciliği Nedir? Neden Veri Madenciliği?
DetaylıKümeleme Algoritmaları. Tahir Emre KALAYCI
Tahir Emre KALAYCI 2010 Gündem En önemli gözetimsiz öğrenme (unsupervised learning) problemi olarak değerlendirilmektedir Bu türdeki diğer problemler gibi etiketsiz veri kolleksiyonları için bir yapı bulmakla
DetaylıVERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Kümeleme İşlemleri Kümeleme Tanımı Kümeleme Uygulamaları Kümeleme Yöntemleri Kümeleme (Clustering) Kümeleme birbirine
DetaylıDOKUZ EYLÜL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRLÜĞÜ DERS/MODÜL/BLOK TANITIM FORMU. Dersin Kodu: CSE 5072
Dersi Veren Birim: Fen Bilimleri Enstitüsü Dersin Türkçe Adı: Veri Madenciliği ve Bilgi Keşfi Dersin Orjinal Adı: Data Mining and Knowledge Discovery Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora)
DetaylıBulanık 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
DetaylıK-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi
K-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi Erdal TAŞCI* Aytuğ ONAN** *Ege Üniversitesi Bilgisayar Mühendisliği Bölümü **Celal Bayar Üniversitesi
DetaylıA New Gesture Recognition System Using Weighted Dynamic Time Warping and Symbolic Aggregation Approximation Methods on Skeleton Data
Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi Afyon Kocatepe University Journal of Science and Engineering AKÜ FEMÜBİD 17 (2017) 015101 (117-123) AKU J. Sci. Eng. 17 (2017) 015101 (117-123)
DetaylıT.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
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:
DetaylıYönetim Bilişim Sistemleri (Karma) - 1. yarıyıl. 380000000001101 Hukukun Temelleri Fundamentals of Law 2 0 0 2 2 5 TR
- - - - - Bölüm Seçin - - - - - Gönder Yönetim Bilişim Sistemleri (Karma) - 1. yarıyıl 141000000001101 Akademik ve Sosyal Oryantasyon Academic and Social Orientation 1 0 0 1 0 1 TR 380000000001101 Hukukun
DetaylıApriori Algoritması ile Teknik Seçmeli Ders Seçim Analizi
Apriori Algoritması ile Teknik Seçmeli Ders Seçim Analizi Emre Güngör 1,2, Nesibe Yalçın 1,2, Nilüfer Yurtay 3 1 Bilecik Şeyh Edebali Üniversitesi, Bilgisayar Mühendisliği Bölümü, 11210, Merkez, Bilecik
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
DetaylıÖ Z G E Ç M İ Ş. 1. Adı Soyadı: Mustafa GÖÇKEN. 2. Doğum Tarihi: 12 Haziran 1976. 3. Unvanı: Yrd. Doç. Dr. 4. Öğrenim Durumu: Ph.D.
Ö Z G E Ç M İ Ş 1. Adı Soyadı: Mustafa GÖÇKEN 2. Doğum Tarihi: 12 Haziran 1976 3. Unvanı: Yrd. Doç. Dr. 4. Öğrenim Durumu: Ph.D. Derece Alan Üniversite Yıl Lisans Endüstri Mühendisliği Çukurova Üniversitesi
DetaylıYÖNETİM BİLİŞİM SİSTEMLERİ BÖLÜMÜ YENİ DERS MÜFREDATI (1) FAKÜLTESİ: İŞLETME FAKÜLTESİ / BUSINESS SCHOOL
(3) SINIFI: 1. Yıl Güz Dönemi MIS101 BİLGİSAYAR PROGRAMLAMA 1 COMPUTER PROGRAMMING 1 Z 3-0 4 BUS101 BİLİM VE TEKNOLOJİ TARİHİ HISTORY OF SCIENCE AND TECHNOLOGY Z 3-0 4 BUS103 İŞLETMECİLER İÇİN MATEMATİK
DetaylıAPRİORİ ALGORİTMASI İLE TEKNİK SEÇMELİ DERS SEÇİM ANALİZİ SELECTION BEHAVIOR ANALYSIS OF TECHNICAL ELECTIVE COURSES USING APRIORI ALGORITHM
APRİORİ ALGORİTMASI İLE TEKNİK SEÇMELİ DERS SEÇİM ANALİZİ Nesibe Yalçın 1 Emre Güngör 1 Nilüfer Yurtay ÖZET Bu çalışmada, Veri Madenciliği' nde Birliktelik Kuralı çıkarım algoritmalarından biri olan Apriori
DetaylıBLM 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
DetaylıGörev Unvanı Alan Üniversite Yıl Prof. Dr. Elek.-Eln Müh. Çukurova Üniversitesi Eylül 2014
ÖZGEÇMİŞ 1. Adı Soyadı : MUSTAFA GÖK 2. Doğum Tarihi: : 1972 3. Unvanı : Prof. Dr. 4. Öğrenim Durumu Derece Alan Üniversite Yıl Lisans Elektronik Mühendisliği İstanbul Üniversitesi 1995 Yüksek Lisans Electrical
Detaylı91-03-01-517 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)
DetaylıAPRIORI ALGORİTMASI İLE ÖĞRENCİ BAŞARISI ANALİZİ
APRIORI ALGORİTMASI İLE ÖĞRENCİ BAŞARISI ANALİZİ Murat KARABATAK 1, Melih Cevdet İNCE 2 1 Fırat Üniversitesi Teknik Eğitim Fakültesi Elektronik Bilgisayar Eğitimi Bölümü 2 Fırat Üniversitesi Mühendislik
DetaylıAnadolu Üniversitesi Endüstri Mühendisliği Bölümü İST328 Yöneylem Araştırması 2 Dersi Bahar Dönemi. Hazırlayan: Doç. Dr.
Anadolu Üniversitesi Endüstri Mühendisliği Bölümü İST8 Yöneylem Araştırması Dersi 00-0 Bahar Dönemi Hazırlayan: Doç. Dr. Nil ARAS AÇIKLAMA Bu sunu izleyen kaynaklardaki örnek ve bilgilerden faydalanarak
DetaylıWorld Bank Online Veritabanları
World Bank Online Veritabanları 1 Dünya Bankası Ne Yapmaktadır? Dünyanın en büyük geliştirme yardımı kaynaklarından biridir Gelişmekte Olan 100 ün üzerinde ekonomi ile çalışmaktadır Birincil Hedefi: yoksul
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimli Öğrenmenin Temelleri Karar Ağaçları Entropi ID3 Algoritması C4.5 Algoritması Twoing
DetaylıMOBİLYA PERAKENDE SATIŞ SEKTÖRÜNDE VERİ MADENCİLİĞİ UYGULAMASI
Akademik Sosyal Araştırmalar Dergisi, Yıl: 4, Sayı: 22, Mart2016, s. 385-394 Yüksel YURTAY 1 Oğuz YAVUZYILMAZ 2 Nihal Zuhal BACINOĞLU 3 MOBİLYA PERAKENDE SATIŞ SEKTÖRÜNDE VERİ MADENCİLİĞİ UYGULAMASI Özet
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
DetaylıUzaktan 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
DetaylıÖNGÖRÜ TEKNĐKLERĐ ÖDEV 5 (KEY)
ÖNGÖRÜ TEKNĐKLERĐ ÖDEV (KEY) Aşağıda verilen Y zaman sersisi bir ürünle ilgili satışları,aylar itibariyle, gösteren bir seridir. a) Bu serinin garfiğini çizip serinin taşıdığı desenleri (Trend, mevsimsellik
DetaylıMathSciNet GAZİ ÜNİVERSİTESİ MERKEZ KÜTÜPHANESİ
MathSciNet 1 KAPSAM MathSciNet, American Mathematical Society tarafından üretilen ve içerisinde 1.400.000 makalenin özeti ve değerlendirmesi bulunan matematik konusundaki en önemli veri tabanıdır. 1940
DetaylıWEB BELGELERİ KÜMELEMEDE BENZERLİK VE UZAKLIK ÖLÇÜTLERİ BAŞARILARININ KARŞILAŞTIRILMASI
Fen Bilimleri Enstitüsü Dergisi, (8) 35-49 Marmara Üniversitesi WEB BELGELERİ KÜMELEMEDE BENZERLİK VE UZAKLIK ÖLÇÜTLERİ BAŞARILARININ KARŞILAŞTIRILMASI Meltem IŞIK ve Ali Yılmaz ÇAMURCU Şişli Endüstri
DetaylıHEIN ONLINE KÜTÜPHANES
HEIN ONLINE 1 KAPSAM Hukuk alan ndaki ndaki dergileri içeren i en geni veri taban d r. Bu veri taban nda nda 1200 den fazla hukuk dergisi bulunmaktad r. Amerikan hukuk sistemine ili kin mevzuat ile dergilerde
DetaylıİSTATİSTİKSEL 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
Detaylıİlişkilendirme kurallarının kullanım alanları
Bölüm 4. Birliktelik Kuralları http://ceng.gazi.edu.tr/~ozdemir İlişkilendirme/Birliktelik Kuralları - Association Rules Birliktelik kuralları olarak da bilinir İlişkilendirme kuralı madenciliği Veri kümesi
DetaylıDOKUZ EYLÜL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRLÜĞÜ DERS/MODÜL/BLOK TANITIM FORMU. Dersin Kodu: CSE 5017
Dersi Veren Birim: Fen Bilimleri Enstitüsü Dersin Türkçe Adı: İleri Bilişim Sistemleri Dersin Orjinal Adı: Advanced Information Systems Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora) Lisansüstü
DetaylıÖZGEÇMİŞ VE ESERLER LİSTESİ
ÖZGEÇMİŞ VE ESERLER LİSTESİ Adı Soyadı E-posta İletişim Adresileri : Özge CAĞCAĞ YOLCU : ozge.cagcag_yolcu@kcl.ac.uk ozgecagcag@yahoo.com : Giresun Üniversitesi, Mühendislik Fakültesi, Endüstri Mühendisliği
DetaylıK-MEANS, K-MEDOIDS VE BULANIK C-MEANS ALGORİTMALARININ UYGULAMALI OLARAK PERFORMANSLARININ TESPİTİ
İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi Yıl: 6 Sayı:11Bahar 2007/1 s. 31-45 K-MEANS, K-MEDOIDS VE BULANIK C-MEANS ALGORİTMALARININ UYGULAMALI OLARAK PERFORMANSLARININ TESPİTİ Meltem IŞIK *,
DetaylıVERİ MADENCİLİĞİ F A T M A İ L H A N
VERİ MADENCİLİĞİ F A T M A İ L H A N Veri Madenciliği Nedir? Veri madenciliği büyük miktarda veri içinden gelecekle ilgili tahmin yapmamızı sağlayacak bağıntı ve kuralların bilgisayar programı kullanılarak
DetaylıMÜFREDAT 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
DetaylıGenetik Algoritmalar (GA) Genetik Algoritmalar Đçerik Nesin Matematik Köyü E rim Ç lı l ş ı ta t yı Nisan, 2012 Mustafa Suphi Erden
Genetik Algoritmalar Nesin Matematik Köyü Evrim Çalıştayı 20-23 Nisan, 202 Genetik Algoritmalar (GA Đçerik Biyolojiden esinlenme GA nın özellikleri GA nın unsurları uygulama Algoritma Şema teoremi Mustafa
DetaylıGüz Dönemi Zorunlu Dersleri
T.C. AKSARAY ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ELEKTRİK-ELEKTRONİK ve BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI TEZLİ YÜKSEK LİSANS PROGRAMI Güz Dönemi Zorunlu Dersleri EEBM 501 İleri Mühendislik Matematiği
DetaylıVERİ MADENCİLİĞİNİN GÖREVLERİ
VERİ MADENCİLİĞİNİN GÖREVLERİ VERİ MADENCİLİĞİNİN GÖREVLERİ Classification (Sınıflandırma) Karakterizasyon (Betimleme) Regression (İlişki Çıkarımı) Clustering (Kümeleme) Association (İlişki Analizi) Forecasting
DetaylıApriori Algoritması. Konu İçeriği. Giriş. Tarihçesi. Apriori Nedir? Örnekler. Algoritma. Açıklama. Weka İle Kullanımı. Kaynakça.
Apriori Algoritması Konu İçeriği Giriş Tarihçesi Apriori Nedir? Örnekler Algoritma Açıklama Weka İle Kullanımı Kaynakça Giriş Veri madenciliğinde kullanılan ve veri kümeleri veya veriler arasındaki ilişkiyi
DetaylıMELİKE ŞAH DİREKOGLU
MELİKE ŞAH DİREKOGLU ÖZGEÇMİŞ 1. Adı Soyadı: Melike Şah Direkoğlu 2. Doğum Tarihi: 03 Nisan 1982 3. Unvanı: Yard. Doc. Dr. 4. Öğrenim Durumu: Doktora, Y. Lisans, Lisans Derece Alan Üniversite Yıl Lisans
DetaylıVeri Madenciliği Süreci
Veri Madenciliği Eda Coşlu Mehmet Akif Ersoy Üniversitesi, Yönetim Bilişim Sistemleri Bölümü, BURDUR edacoslu@hotmail.com Büyük miktardaki veriler içerisinden önemli olanlarını bulup çıkarmaya Veri Madenciliği
DetaylıELEKTRİK-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
DetaylıVERİ MADENCİLİĞİ (Veri Ön İşleme-2) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Veri Ön İşleme-2) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma Kümeleme
DetaylıDr. Hidayet Takçı. Veri Madenciliği Dersi G Y T E Dr. Hidayet Takçı 10/05/2008 1
Birinci Saat Veri Madenciliği: Giriş Dr. Hidayet Takçı Veri Madenciliği Dersi G Y T E Dr. Hidayet Takçı 10/05/2008 1 Neden Veri Madenciliği? Ticari Bakış Açısı Çok miktarda veri toplanmış ve ambarlanmıştır.
DetaylıBilişim Sistemleri. Modelleme, Analiz ve Tasarım. Yrd. Doç. Dr. Alper GÖKSU
Bilişim Sistemleri Modelleme, Analiz ve Tasarım Yrd. Doç. Dr. Alper GÖKSU Ders Akışı Hafta 5. İhtiyaç Analizi ve Modelleme II Haftanın Amacı Bilişim sistemleri ihtiyaç analizinin modeli oluşturulmasında,
DetaylıANKARA ÜNİVERSİTESİ A ÖĞRENCİ İŞLERİ DAİRE BAŞKANLIĞI
PROGRAM ADI : BİLGİSAYAR MÜHENDİSLİĞİ (İNGİLİZCE) 1.SINIF /1.YARIYIL* 1 COM101 COMPUTER PROGRAMMING I - - 4 2 6 5 9 2 COM113 INTRODUCTION TO COMPUTER SCIENCE - - 3 0 3 3 5 3 PHY0101 PHYSICS I - - 3 0 3
DetaylıMÜHENDİSLİK FAKÜLTESİ / ENSTİTÜSÜ / YÜKSEKOKULU BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ /ABD LİSANS PROGRAMI - 2 ( yılı öncesinde birinci
MÜHENDİSLİK FAKÜLTESİ / ENSTİTÜSÜ / YÜKSEKOKULU BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ /ABD LİSANS PROGRAMI - 2 (2016-17 yılı öncesinde birinci sınıfa başlayan öğrenciler için) BİRİNCİ YIL 1. Dönem CMPE113
DetaylıYZM 5257 YAPAY ZEKA VE UZMAN SİSTEMLER DERS#6: GENETİK ALGORİTMALAR
YZM 5257 YAPAY ZEKA VE UZMAN SİSTEMLER DERS#6: GENETİK ALGORİTMALAR Sınıflandırma Yöntemleri: Karar Ağaçları (Decision Trees) Örnek Tabanlı Yöntemler (Instance Based Methods): k en yakın komşu (k nearest
Detaylı1. Oracle Data Miner 11g Release 2 Kurulumu Aşamaları
1. Oracle Data Miner 11g Release 2 Kurulumu Aşamaları Uyarı 1: Kuruluma başlamadan önce Oracle 11g Release 2 veritabanı kurulumunu eksiksiz bir şekilde gerçekleştirmiş olmanız beklenmektedir. İlgili kurulum
Detaylıinde Sepet Analizi Uygulamaları Market Basket Analysis for Data Mining
Veri Madenciliğ inde Sepet Analizi Uygulamaları Market Basket Analysis for Data Mining Mehmet Aydın Ula ş, Ethem Alpaydın (Boğaziçi Üniversitesi Bilgisayar Mühendisliği) Nasuhi Sönmez, Ataman Kalkan (GİMA
DetaylıBİYOİSTATİSTİK Uygulama 4 Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH
BİYOİSTATİSTİK Uygulama 4 Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim AD. Web: www.biyoistatistik.med.ege.edu.tr 1 Örnek Senaryo İmplant üreten İMPLANTDENT
DetaylıTÜRKİYE ODALAR VE BORSALAR BİRLİĞİ
Sayfa 1 Gözden Geçirme Notları 2011 Yılı Nisan Ayı Ödemeler Dengesi Göstergeleri Merkez Bankası tarafından tarihinde yayımlanan 2011 yılı Nisan ayına ilişkin Ödemeler Dengesi bültenine göre; 2010 yılı
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
DetaylıKansızlık Tanısına İlişkin Bir Veri Madenciliği Uygulaması
Kansızlık Tanısına İlişkin Bir Veri Madenciliği Uygulaması Yüksel Yurtay 1,Yavuz Salman 1,Mehmet Emin Salman 1,Fatih Gençali 1 1 Bilgisayar Mühendisliği Bölümü, Sakarya Üniversitesi, Türkiye. Özet Tıbbi
DetaylıVERİ MADENCİLİĞİ. İlişkilendirme Kuralları Bulma. İlişkilendirme Kuralları. Yaygın Öğeler. İlişkilendirme Kuralları Madenciliği
İlişkilendirme Kuralları Madenciliği VERİ MADENCİLİĞİ İlişkilendirme Kuralları Yrd. Doç. Dr. Şule Gündüz Öğüdücü İlişkilendirme kuralı madenciliği Veri kümesi içindeki yaygın örüntülerin, nesneleri oluşturan
DetaylıDerece Alan Üniversite Yıl. Lisans İSTATİSTİK HACETTEPE ÜNİVERSİTESİ 1993
1. Adı Soyadı: MURAT ALPER BAŞARAN 2. Doğum Tarihi: 23.01.1970 3. Unvanı: Doç. Dr 4. Öğrenim Durumu: Derece Alan Üniversite Yıl Lisans İSTATİSTİK HACETTEPE ÜNİVERSİTESİ 1993 Y. Lisans MATEMATİK NEW MEXICO
DetaylıÖZGEÇMİŞ. Dr. Aytuğ ONAN
ÖZGEÇMİŞ İletişim Bilgileri Dr. Aytuğ ONAN Çalıştığı Kurum: Doktor Öğretim Üyesi, Manisa Celal Bayar Üniversitesi, Hasan Ferdi Turgutlu Teknoloji Fakültesi, Yazılım Mühendisliği Bölümü, Turgutlu-MANİSA.
DetaylıDerece Alan Üniversite Yıl Lisans Elek.Elektonik Müh. Bilkent Üniversitesi 1993 Y. Lisans Elektrik Müh. Rutgers
1. Adı Soyadı : Kadir Aşkın PEKER 2. Doğum Tarihi : 1972 3. Unvanı : Yrd.Doç.Dr. 4. Öğrenim Durumu : Derece Alan Üniversite Yıl Lisans Elek.Elektonik Müh. Bilkent Üniversitesi 1993 Y. Lisans Elektrik Müh.
DetaylıBİLECİK ŞEYH EDEBALİ ÜNİVERSİTESİ AKADEMİK ÖZGEÇMİŞ FORMU
BİLECİK ŞEYH EDEBALİ ÜNİVERSİTESİ AKADEMİK ÖZGEÇMİŞ FORMU KİŞİSEL BİLGİLER Adı Soyadı Tolga YÜKSEL Ünvanı Birimi Doğum Tarihi Yrd. Doç. Dr. Mühendislik Fakültesi/ Elektrik Elektronik Mühendisliği 23.10.1980
DetaylıDÖVİZ KURU PARİTE DEĞİŞİMİ VE PETROL FİYATLARINDAKİ DÜŞÜŞÜN CARİ İŞLEMLER DENGESİNE ETKİSİ ( 5 Şubat 2015 ) ( Zafer YÜKSELER )
DÖVİZ KURU PARİTE DEĞİŞİMİ VE PETROL FİYATLARINDAKİ DÜŞÜŞÜN CARİ İŞLEMLER DENGESİNE ETKİSİ ( 5 Şubat 2015 ) ( Zafer YÜKSELER ) 1. Döviz Kuru Pariteleri: Uluslararası piyasalarda ABD doları diğer para birimlerine
DetaylıVeritabanı, Veri Madenciliği, Veri Ambarı, Veri Pazarı
Veritabanı, Veri Madenciliği, Veri Ambarı, Veri Pazarı Başkent Üniversitesi Bilgisayar Mühendisliği Yönetim Bilişim Sistemleri (Bil 483) 20394676 - Ümit Burak USGURLU Veritabanı Veri tabanı düzenli bilgiler
DetaylıArş. Gör. Mümine KAYA
Arş. Gör. Mümine KAYA E-Mail: muminekaya@osmaniye.edu.tr İş Telefonu: 0 (328) 827 10 00-3705 İş Adresi: Osmaniye Korkut Ata Karacaoğlan Yerleşkesi 80000 Merkez / OSMANİYE KİŞİSEL BİLGİLER Doğum Tarihi
DetaylıSürelerine Göre Tahmin Tipleri
Girişimcilik Bölüm 5: Talep Tahmini scebi@ktu.edu.tr 5.1. Talep Tahmini Tahmin: Gelecek olayları önceden kestirme bilim ve sanatı. İstatistiksel Tahmin: Geçmiş verileri matematiksel modellerde kullanarak
DetaylıA. BIÇIME İLIŞKIN ANALIZ VE DEĞERLENDIRME
Y. Mimar Işılay TEKÇE nin Doktora Tez Çalışmasına İlişkin Rapor 18 Ocak 2010 A. BIÇIME İLIŞKIN ANALIZ VE DEĞERLENDIRME 1. Çalışmanın Bölümleri Aday tarafından hazırlanarak değerlendirmeye sunulan doktora
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
DetaylıBİLGİ VE BELGE YÖNETİMİ BÖLÜMÜ LİSANS EĞİTİM BAHAR DÖNEMİ PROGRAMI
ANADAL EĞİTİM PROGRAMI ZORUNLU DERSLERİ SINIF / II.YARIYIL in önceki eğitim programında eşdeğer bir dersi var mı? 3 YDİ 0 YDF 0 YDA 0 Temel Yabancı Dil (İngilizce) Temel Yabancı Dil (Fransızca) Temel Yabancı
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimsiz Öğrenmenin Temelleri Kümeleme Uzaklık Fonksiyonları Öklid Uzaklığı Manhattan
DetaylıYazılım Test Maliyet Fonksiyonlarının Otomatik Olarak Keşfedilmesi
Yazılım Test Maliyet Fonksiyonlarının Otomatik Olarak Keşfedilmesi Gülşen Demiröz ve Cemal Yılmaz {gulsend, cyilmaz}@sabanciuniv.edu Sabancı Üniversitesi, İstanbul 10. Ulusal Yazılım Mühendisliği Sempozyumu
DetaylıBİYOİSTATİSTİK. Uygulama 4. Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH
BİYOİSTATİSTİK Uygulama 4 Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim AD. Web: www.biyoistatistik.med.ege.edu.tr 1 Güven Aralıkları 2 Güven Aralıkları
DetaylıVERİ MADENCİLİĞİ önemsiz olmayan, gizli, önceden bilinmeyen, potansiyel olarak kullanışlı
Veri Madenciliği, örüntü tanıma, istatistik ve matematiksel yöntemlerin kullanımıyla devasa miktardaki güncel ya da geçmiş veri içerisinden ilgi çekici ( önemsiz olmayan, gizli, önceden bilinmeyen, potansiyel
DetaylıYÖNEYLEM ARAŞTIRMASI - III
YÖNEYLEM ARAŞTIRMASI - III Prof. Dr. Cemalettin KUBAT Yrd. Doç. Dr. Özer UYGUN İçerik Altın Oran (Golden Section Search) Arama Metodu Tek değişkenli bir f(x) fonksiyonunu ele alalım. [Bazı x ler için f
DetaylıYZM 3217 YAPAY ZEKA DERS#10: KÜMELEME
YZM 317 YAPAY ZEKA DERS#10: KÜMELEME Sınıflandırma (Classification) Eğiticili (supervised) sınıflandırma: Sınıflandırma: Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğunu bilinir Eğiticisiz (unsupervised)
DetaylıYrd. Doç. Dr. Övünç ÖZTÜRK
Yrd. Doç. Dr. Övünç ÖZTÜRK ÖĞRENİM DURUMU Derece Üniversite Bölüm / Program Yıllar Lisans Orta Doğu Teknik Üniversitesi Bilgisayar Mühendisliği 99-00 Y. Lisans Ege Üniversitesi Bilgisayar Mühendisliği
DetaylıBilgiye Erişim Sistemlerinde Veri Arama ve Eşleştirme
Bilgiye Erişim Sistemlerinde Veri Arama ve Eşleştirme M. Erkan YÜKSEL 1, Özgür Can TURNA 1, M. Ali ERTÜRK 1 1 İstanbul Üniversitesi, Bilgisayar Mühendisliği Bölümü, İstanbul {eyuksel, ozcantur}@istanbul.edu.tr,
DetaylıYrd. Doç. Dr. Tuğba ÖZACAR ÖZTÜRK
Yrd. Doç. Dr. Tuğba ÖZACAR ÖZTÜRK ÖĞRENİM DURUMU Derece Üniversite Bölüm / Program Yıllar Lisans Dokuz Eylül Üniversitesi Bilgisayar Mühendisliği 99-00 Y. Lisans Ege Üniversitesi Bilgisayar Mühendisliği
DetaylıYAPAY SİNİR AĞI KULLANARAK DEPREM EĞİLİMİNİN KESTİRİMİ. Umut FIRAT
YAPAY SİNİR AĞI KULLANARAK DEPREM EĞİLİMİNİN KESTİRİMİ Umut FIRAT ufirat@yahoo.com Öz: Depremler yeryüzünde en çok yıkıma neden olan doğal afetlerdir. Bu durum, depremlerin önceden tahmin edilmesi fikrini
DetaylıBİLİMSEL ARAŞTIRMA TEKNİKLERİ
BİLİMSEL ARAŞTIRMA TEKNİKLERİ Prof. Dr. Sevinç GÜLSEÇEN, sevincg@yahoo.com Dr. Elif KARTAL, elifkartal86@gmail.com İstanbul Eylül 2015 Takvim 14 Eylül 2015 Eğitim - Öğretim Başlangıcı 30 Eylül 2015 Araştırmanın
DetaylıVERİ MADENCİLİĞİ (Birliktelik Kuralları) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Birliktelik Kuralları) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Birliktelik Kurallarının Tanımı Destek ve Güven Ölçütleri Apriori Algoritması Birliktelik Kuralları (Association
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
DetaylıÖZGEÇMİŞ. Unvan Bölüm Üniversite Yıl Yrd. Doç. Dr. Yazılım Mühendisliği Bahçeşehir Üniversitesi 2007
1. Adı Soyadı: Mehmet Alper TUNGA 2. Doğum Tarihi: 11/06/1975 3. Unvanı: Yrd. Doç. Dr. 4. Öğrenim Durumu: ÖZGEÇMİŞ Derece Bölüm/Program Üniversite Yıl Lisans Matematik Mühendisliği İstanbul Teknik Üniversitesi
DetaylıBÖLÜM 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
DetaylıAdana Toplu Taşıma Eğilimleri
Adana Toplu Taşıma Eğilimleri Doç. Dr. Mustafa Gök Elektrik Elektronik Mühendisliği Bilgisayar Bilimleri Ana Bilim Dalı Başkanı 13.06.2014 Doç. Dr. Mustafa Gök (Ç. Ü.) Adana Toplu Taşıma Eğilimleri 13.06.2014
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
DetaylıGörüntü 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
Detaylıİş Zekâsı Sistemi Projesi
BI İş Zekâsı Sistemi Projesi Ulaş Kula, Bilişim Ltd. Esinkap 5. Ar-Ge Proje Pazarı 31 Mayıs 2012 Bilişim Ltd. 1985 te kurulan Bilişim Ltd, Türkiye nin üstün başarıyla sonuçlanmış önemli projelerine imza
DetaylıYrd. Doç. Dr. Büşra ÖZDENİZCİ IŞIK Üniversitesi Enformasyon Teknolojileri Bölümü
Yrd. Doç. Dr. Büşra ÖZDENİZCİ IŞIK Üniversitesi Enformasyon Teknolojileri Bölümü busra.ozdenizci@isikun.edu.tr 1. Adı Soyadı : Büşra Özdenizci 2. Doğum Tarihi : 1987 3. Unvanı : Yardımcı Doçent 4. Öğrenim
DetaylıElena Battini SÖNMEZ Önder ÖZBEK N. Özge ÖZBEK. 2 Şubat 2007
AVUÇ İZİ VE PARMAK İZİNE DAYALI BİR BİYOMETRİK TANIMA SİSTEMİ Elena Battini SÖNMEZ Önder ÖZBEK N. Özge ÖZBEK İstanbul Bilgi Üniversitesi Bilgisayar Bilimleri 2 Şubat 2007 Biyometrik Biyometrik, kişileri
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
DetaylıVERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Sınıflandırma yöntemleri Karar ağaçları ile sınıflandırma Entropi Kavramı ID3 Algoritması C4.5
DetaylıATOS ScanBox Standartlaştırılmış Endüstriyel Otomasyon Ölçüm Sistemi
GOM Workshop Serisi Sac Metal Şekillendirme ATOS ScanBox Standartlaştırılmış Endüstriyel Otomasyon Ölçüm Sistemi Ervin ADALI 12 Nisan, 2017 ATOS Otomasyon Sanayi tip Robot üzerinde Sensör Hızlı ölçüm ve
DetaylıVERİ MADENCİLİĞİ İLE DEPREM VERİLERİNİN ANALİZİ
VERİ MADENCİLİĞİ İLE DEPREM VERİLERİNİN ANALİZİ N. Duru -1, M. Canbay -1 Posta Adresi: 1- Kocaeli Üniversitesi Müh.Fak. Bilgisayar Mühendisliği 2- Kocaeli Üniversitesi Müh.Fak. Jeofizik Mühendisliği E-posta:
DetaylıPetrol fiyatlarının istatistiksel analizi ve örüntüleri
Petrol fiyatlarının istatistiksel analizi ve örüntüleri Barış Sanlı, barissanli2@gmail.com, NOT: Bu yazıdaki 2014-2019 tarihleri arasındaki haftalık petrol fiyat değişim grafiği hatalıydı. Bu düzeltildi.
DetaylıBilgisayar Mühendisliği
Bilgisayar Mühendisliği Bülent Ecevit Üniversitesi Bilgisayar Mühendisliği Bölümü http://bilgisayar.beun.edu.tr İçerik Zonguldak Tanıtımı Üniversite Tanıtımı Mühendis Kimdir? Mühendisin Sorusu Bilgisayar
Detaylı- Mali analizin Tanımı - Türlerine göre mali analiz - Değerlendirme Kuruluşları
- Mali analizin Tanımı - Türlerine göre mali analiz - Değerlendirme Kuruluşları Elbistan Meslek Yüksek Okulu 2012 2013 Bahar Yarıyılı Öğr. Gör. Murat KEÇECĠOĞLU Finansal Analiz Eğilim Yüzdeleri (Trend)
DetaylıKABA KÜME TEORİSİ (Rough Set Theory) Dr. Sedat TELÇEKEN
KABA KÜME TEORİSİ (Rough Set Theory) Dr. Sedat TELÇEKEN Giriş Bilgi teknolojisindeki gelişmeler ve verilerin dijital ortamda saklanmaya başlanması ile yeryüzündeki bilgi miktarı her 20 ayda iki katına
DetaylıBÖLÜM III: Şebeke Modelleri. Şebeke Kavramları. Şebeke Kavramları. Şebeke Kavramları. Yönlü Şebeke (Directed Network) Dal / ok
8.0.0 Şebeke Kavramları BÖLÜM III: Şebeke Modelleri Şebeke (Network) Sonlu sayıdaki düğümler kümesiyle, bunlarla bağlantılı oklar (veya dallar) kümesinin oluşturduğu yapı şeklinde tanımlanabilir ve (N,A)
Detaylı