Dr. Hidayet Takçı. Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/2008 1
|
|
- Levent Görgülü
- 8 yıl önce
- İzleme sayısı:
Transkript
1 Dr. Hidayet Takçı Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/2008 1
2 Çok miktarda veri toplanmı ve ambarlanmıtır. Web verisi, e-ticaret Bölüm ve dükkanlardaki ödemeler Banka/Kredi kartı ilemleri Bilgisayarlar daha ucuz ve daha güçlü hale gelmitir. Rekabetçi baskı güçlüdür Daha iyi sonuçlar ve özelletirilmi servisler salar (Örn. Müteri ilikileri yönetiminde (CRM)) Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/2008 2
3 Veri anormal hızlıekilde toplanmakta ve saklanmaktadır (saatte gigabyte lar seviyesinde) Uydular üzerinden uzak algılayıcılar Gökyüzünü tarayan teleskoplar Genleri açıklamak için üretilen mikro diziler Bilimsel simülasyonlar tarafından üretilen terabyte lar seviyesinde veri Geleneksel teknikler ham veri için yeterli deildir Veri madencilii bilim adamlarına u konularda yardımcı olur Veriyi sınıflandırma ve parçalara bölme Hipotez oluturmada Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/2008 3
4 ğ! Sıklıkla veri içindeki bilgi gizlidir ve okunabilir durumda deildir Faydalı bilgilerin kefedilmesi analistler için birkaç haftayı bulur Verilerin çou tam olarak hiçbir zaman analiz edilmemitir 4,000,000 3,500,000 3,000,000 2,500,000 2,000,000 1,500,000 1,000, , ten bu yana toplam depolama alanları (TB) Veri Miktarı Analistlerin sayısı From: Veri Madencilii R. Grossman, Dersi C. Kamath, G Y V. T Kumar, E Dr. Data Hidayet Mining Takçı for Scientific and Engineering 10/05/2008 Applications 4
5 Birkaç Tanım Dolaylı anlatılan, önceden bilinmeyen ve potansiyel olarak faydalı bilginin veriden önemsiz olmayan yöntemlerle kefi Anlamlı örüntülerin kefedilmesi için büyük miktardaki verinin, otomatik veya yarı otomatik olarak kefi & analiz edilmesidir. Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/2008 5
6 "# Ne deildir? telefon rehberinde bir telefona ait numaranın aranması Amazon hakkında bilgi için arama motorunda sorgu çalıtırmak Nedir? Bazı isimlere bazı yörelerde dierlerinden daha yaygın olarak raslanma durumu (O Brien, O Rurke, O Reilly gibi isimlerin Boston bölgesinde daha sık olması gibi) Kapsamlarına göre benzer dokümanların bir arada gruplanması (Amazon yamur ormanları ile, Amazon.com gibi) Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/2008 6
7 $ Veri Madenciliinin merkezinde, makine örenimi, örüntü tanıma, istatistik, ve veritabanı sistemleri yer alır Geleneksel teknikler bazı sebeplerden dolayı uygun olmayabilir Verinin aırı büyüklüü Verinin yüksek boyutu Verinin homojen olmaması ve daıtık yapısı Statistics/ AI Data Mining Machine Learning/ Pattern Recognition Database systems Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/2008 7
8 $! Tahmin (Prediction) Metotları Bazı deikenler bilinmeyen deikenleri veya dier deikenlerin gelecekteki deerlerini tahmin için kullanılır. Tanımlama (Description) Metotları Veriyi açıklayacak, insanlar tarafından yorumlanabilir örüntüleri bulacak metotlar From [Fayyad, et.al.] Advances in Knowledge Discovery and Data Mining, 1996 Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/2008 8
9 $!%%% Sınıflandırma (Classification) [Predictive] Kümeleme (Clustering) [Descriptive] Birliktelik Kuralları Kefi (Association Rule Discovery) [Descriptive] Sıralı Örüntü Kefi (Sequential Pattern Discovery) [Descriptive] Regresyon (Regression) [Predictive] Sapma Bulma (Deviation Detection) [Predictive] Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/2008 9
10 & Kayıtların bir koleksiyonu verilmi olsun (training set ) Her bir kayıt niteliklerin bir kümesini içerir (attributes), bu niteliklerden birisi sınıf niteliidir (class) Dier niteliklerin deerlerinin bir fonksiyonu olarak sınıf nitelii için bir model bulma. y=f(x1,x2,,xn) Hedef: önceden görülmeyen kayıtların olabildii kadar doru bir ekilde bir sınıfa atanması. Bir test set modelin doruluunu belirlemek için kullanılır. Genellikle, verilen veri seti eitim ve tes veri setlerine bölünür, eitim veri seti ile model kurulur, test veri seti ile de model dorulanır. Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/
11 &' Tid Geri Ödeme categorical Medini Durum categorical Gelir continuous Hileci class Geri Ödeme Medeni Durum Gelir Hileci 1 Yes Single 125K No 2 No Married 100K No 3 No Single 70K No 4 Yes Married 120K No 5 No Divorced 95K Yes 6 No Married 60K No 7 Yes Divorced 220K No No Single 75K? Yes Married 50K? No Married 150K? Yes Divorced 90K? No Single 40K? No Married 80K? Test Set 8 No Single 85K Yes 9 No Married 75K No 10 No Single 90K Yes Training Set Learn Classifier Model Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/
12 &(gu + Dorudan Pazarlama Hedef: Yeni bir cep telefonu ürününü almaya meyilli müterilerin bir kümesini hedefleyen mail gönderimi için maliyeti azaltmak. Yaklaım: Önceden tanıtımı yapılmı benzer bir ürün için elde edilen veri kullanılır. Müterilerin ürünü almak veya almamak yönündeki kararını biliyoruz. Bu durum sınıf niteliinin {buy, don t buy} karar formlarıeklinde sunulur. Böylesi bütün müteriler için çeitli demografik, yaam stili, irket balantıları ile ilgili bilgileri toplanır. Müterinin ii, nerede ikamet ettii, ayda ne kadar kazandıı, v.s. Bu bilgi bir sınıflayıcı modelini örenmek için kullanılır From [Berry & Linoff] Data Mining Techniques, 1997 Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/
13 &(gu, stisna Tespiti Hedef: Kredi kartı ilemlerinde istisna durumların tahmin edilmesi. Yaklaım: Kredi kartı ilemleri ve kredi kartında tutulan bilgileri nitelikler olarak kullan. Müteri ne zaman (gün, saat) alıveri yapar, ne alır, ne sıklıkta vaktinde ödeme yapar, vs Geçmi ilemleri dürüst (fair) ve istisna (fraud) olarak etiketle. Fair ve fraud sınıf nitelikleri olsun. lemlerden sınıf için bir model ören. Bir model aracılııyla bir hesap üzerindeki kredi kartı ilemlerini gözlemleyerek istisnayı tespit et. Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/
14 &(gu- Müteri Memnuniyeti/Memnuniyetsizlii : Hedef: Bir müterinin bir rakibe kaptırılma olasılıı olup olmadıı tahmin edilmeye çalıılır. Yaklaım: Nitelikleri bulmak için eski ve u andaki müterilerin her birinin detaylı ilem kayıtları kullanılır. Müteri çarıları ne sıklıktadır, nerede çaırırlar, en çok günün hangi saatinde çaırma yapılır, müterinin finansal durumu, medeni durumu nedir, vs. Müteriler sadık veya sadık deil diye etiketlenir. Sadakat için bir model bulunur. From [Berry & Linoff] Data Mining Techniques, 1997 Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/
15 &(gu. Gökyüzü Aratırmaları Kataloglama Hedef: Teleskopik resimlere dayalı olarak, özellikle görsel olarak sönük olan, gök cisimlerinin sınıfını (yıldız veya galaksi) tahmin etmek. Her biri 23,040 x 23,040 pixel ile sunulan toplam 3000 resim Yaklaım: Resmi bölümlere ayır Resim niteliklerini ölç (özellikler) her bir nesne için 40 adet Bu özelliklere dayalı olarak sınıfları modelle Baarı Hikayesi: Bulunması çok zor 16 yeni gök cismi bulunmutur From [Fayyad, et.al.] Advances in Knowledge Discovery and Data Mining, 1996 Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/
16 & Courtesy: lk balarda & Ouu Arada 3$0" g "!% En sonda u u /, 0",1 g gu Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/
17 Her biri bir dizi öznitelik ile, veri noktalarının bir kümesi ve noktalar arasındaki benzerlii ölçen bir benzerlik ölçümü verilmi olsun, kümelemenin amacı aaıdaki özellikleri salayan kümeleri bulmaktır Bir kümedeki veri noktaları dier noktalara göre daha benzerdir Farklı kümelerdeki veri noktaları dier noktalara göre daha az benzerdir. Benzerlik Ölçümleri: Eer öznitelikler sürekli deerler ise o zaman Euclidean Distance. Dierlerinde probleme uygun ölçümler kullanılır. Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/
18 $ Küme içi içi uzaklıklar minimize edilir Kümeler arası uzaklıklar maksimize edilir Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/
19 (gu + Pazar Bölümlemesi: Amaç: Her biri ayrı bir pazarlama stratejisi için uygun olabilecek farklı müteri alt gruplarını bulmak. Yaklaım: Müterilerin corafi ve yaam stillerine dayalı öznitelikleri toplanır Benzer müterilerin kümeleri bulunur. farklı Aynı kümedeki müteri örüntüleri gözlemlenip dier kümelerle karılatırma yapılarak kümeleme kalitesi ölçülür. Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/
20 (gu, Doküman Kümeleme: Hedef: çerisinde geçen önemli terimlere dayalı olarak benzer dokümanların gruplarını bulmak. Yaklaım: Her bir dokümanda kullanılan terimlerin frekansları belirlenir. Terimlerin frekanslarına dayalı olarak bir benzerlik bulunur. Bu bilgi kümeleme için kullanılır. Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/
21 u & Verilen bir koleksiyondan bazı elemanları içeren kayıtların bir kümesi verilmi olsun; Bir elemanın tekrar adedini, dier elemanların tekrar adetlerini kullanarak tahmin edecek kurallar üretilir. TID Items 1 Bread, Coke, Milk 2 Beer, Bread 3 Beer, Coke, Diaper, Milk 4 Beer, Bread, Diaper, Milk 5 Coke, Diaper, Milk Rules Discovered: 7897: 8 8 7#;"8978 Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/
22 u &(gu+ Supermarketin kendi kendine yönetimi Hedef: Birçok müteri tarafından birlikte satın alınan elemanların belirlenmesi. Yaklaım: Elemanlar arasındaki balantıları bulmak için barkod tarayıcılar ile toplanan satı noktası verileri ilenir. Bir klasik kural -- Eer bir müteri bez ve süt satın almısa, büyük ihtimalle bira da alır. Böylece, bez, süt ve bira yakın raflara konmalıdır Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/
23 u &(gu, Envanter Yönetimi: Hedef: Bir müteri araç bakım irketi onun müterilerine ait ürünlerin olası onarımlarını tahmin ederek ona uygun ekilde araç ekipmanlarını elde tutmak istemektedir. Yaklaım: farklı müteri yerleimlerinde önceki onarımlarda ihtiyaç duyulan parça ve araçlar hakkındaki veri ilenir ve örüntüler arasındaki tekrarlar kefedilir. Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/
24 ' & Olayların kendi zaman sınırları ile uyumlu nesnelerinin bir kümesi verilmi olsun, farklı olaylar arasındaki güçlü sıralı baıntıları tahmin edecek kurallar bulunur. (A B) (C) (D E) Kurallar zaman bilgisi ile sunulmaktadır. (A B) (C) (D E) <= xg >ng <= ws <= ms Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/
25 ' &' Satı noktası için ilem dizileri, Bilgisayar Kitapevi: (Intro_To_Visual_C) (C++_Primer) --> (Perl_for_dummies,Tcl_Tk) Spor giyim dükkanı: (Shoes) (Racket, Racketball) --> (Sports_Jacket) Telekomünikasyon alarm loglarında, (Inverter_Problem Excessive_Line_Current) (Rectifier_Alarm) --> (Fire_Alarm) Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/
26 3g Dier deikenlerin deerlerine dayalı olarak bir sürekli deerli hedef deiken tahmin edilmektedir, hedef deiken ile giri deikenler arasında dorusal veya dorusal olmayan bir iliki varsayılabilir. statistik ve yapay sinir aları sahalarında çalıılmıtır Örnekler: Yeni bir ürün için satı miktarlarının tahmini. Rüzgar hızlarını sıcaklık, nem oranı ve hava basıncının bir fonksiyonu olarak tahmin vs. Stok market indekslerinin zaman serileri eklinde tahmini Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/
27 ;< ; Normal davranıtan önemli sapmaların tespiti Uygulamalar: Kredi kartı istisna saptaması A nüfuz tespiti Typical network traffic at University level may reach over 100 million connections per day Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/
28 = 4 Ölçeklenebilirlik Yüksek Boyut Karmaık ve Düzensiz Veri Veri Kalitesi Veri Sahiplii ve Daıtım Mahremiyetin Korunması Akan (multimedya) Veri Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/
Dr. Hidayet Takçı. Veri Madenciliği Dersi G Y T E Dr. Hidayet Takçı 10/05/2008 1
Birinci Saat Veri Madenciliği: Giriş Dr. Hidayet Takçı Veri Madenciliği Dersi G Y T E Dr. Hidayet Takçı 10/05/2008 1 Neden Veri Madenciliği? Ticari Bakış Açısı Çok miktarda veri toplanmış ve ambarlanmıştır.
DetaylıBiL416 Hafta-1 Veri Madenciliği:Giriş
BiL416 Hafta-1 Veri Madenciliği:Giriş Neden Veri Madenciliği? Ticari Bakış Açısı Çok miktarda veri toplanmış ve ambarlanmıştır. Web verisi, e-ticaret Bölüm ve dükkanlardaki ödemeler Banka/Kredi kartı işlemleri
DetaylıDr. Hidayet Takçı. Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/2008 1
Dr. Hidayet Takçı Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/2008 1 Sayısal veya mantıksal her türlü deer bir veridir. Öznitelik Bir nesneye ait özellik veya onun bir karakteristiidir Örnek: bir
DetaylıNesnelerin İnternetinde Veri Analizi
Nesnelerin İnternetinde Veri Analizi Bölüm 2. Veri madenciliği w3.gazi.edu.tr/~suatozdemir Veritabanı teknolojisinin gelişimi 2 Neden veri madenciliği? Bilgisayarların ucuzlayıp aynı zamanda çok güçlü
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
DetaylıBölüm 1. Giriş. Öğretim üyesi: Doç. Dr. Suat Özdemir E-posta: suatozdemir@gazi.edu.tr. Websayfası: http://ceng.gazi.edu.tr/~ozdemir/teaching/dm
Bölüm 1. Giriş http://ceng.gazi.edu.tr/~ozdemir Ders bilgileri Öğretim üyesi: E-posta: suatozdemir@gazi.edu.tr Websayfası: http://ceng.gazi.edu.tr/~ozdemir/teaching/dm Bütün duyuru, ödev, vb. için ders
DetaylıVeri Madenciliği. Bölüm 1. Giriş. Doç. Dr. Suat Özdemir. w3.gazi.edu.tr/~suatozdemir
Bölüm 1. Giriş w3.gazi.edu.tr/~suatozdemir Ders bilgileri Öğretim üyesi: E-posta: suatozdemir@gazi.edu.tr Websayfası: w3.gazi.edu.tr/~suatozdemir/teaching/dm Bütün duyuru, ödev, vb. için ders web sayfasını
DetaylıVERİ MADENCİLİĞİNİN GÖREVLERİ
VERİ MADENCİLİĞİNİN GÖREVLERİ VERİ MADENCİLİĞİNİN GÖREVLERİ Classification (Sınıflandırma) Karakterizasyon (Betimleme) Regression (İlişki Çıkarımı) Clustering (Kümeleme) Association (İlişki Analizi) Forecasting
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Sıralı Örüntülerin Temelleri GSP Tabanlı Sıralı Örüntü Madenciliği Algoritma Sıralı Örüntülerden
DetaylıVeri Madenciliği. Yrd. Doç. Dr. Mustafa Gökçe Baydoğan. blog.mustafabaydogan.
Veri Madenciliği Yrd. Doç. Dr. Mustafa Gökçe Baydoğan mustafa.baydogan@boun.edu.tr www.mustafabaydogan.com blog.mustafabaydogan.com İçerik p Veri Madenciliği nedir? n Bir örnek p Boğaziçi Üniversitesi
Detaylı1. Satı ve Daıtım lemleri " # $ "!!
1. Satı ve Daıtım lemleri " " " " " %& % ' (& " & ' ( Stok kartı ilemlerine girmeden pratik bir ekilde ilem ) " & * + (& ", ) (& Satı Fatura ilemlerinde bu alan tıklayarak veya F 2 - " '"(& ". / 0 " &
Detaylı,$( -./(,$( 0$0$ 1 2 134(,$(
!"#$ %& '()*' ' + -./( 0$0$ 1 2 134( 5(/ 4 2 " $#56L = {a n b n c n : n 0}222 #.(.)", #22(# 7# 2", #6,489: 7", #24$62.. ' # #2(; 7 #", #2, #2.24$;7" $.7 2# < #44 )" -2 # 22)#( #4# 7 #7= 8"- 2 " >"",.'#
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?
DetaylıTaıt alımlarının ette tüketim endeksi kapsamında izlenmesi hakkında bilgi notu
Taıt alımlarının ette tüketim endeksi kapsamında izlenmesi hakkında bilgi notu ette tüketim endeksi, ekonomideki tüketim eilimlerini kartla yapılan tüketimi baz alarak incelemektedir. Bu nedenle, endeks
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
DetaylıTÜLN OTBÇER. Seminer Raporu Olarak Hazırlanmıtır.
TÜLN OTBÇER Seminer Raporu Olarak Hazırlanmıtır. Ankara Hacettepe Üniversitesi Mayıs, 2004 ! - " $ - "%%&%$ - "%' $ - "(%' $ - "( ) (* $+,( $ - ") (',( $ - "- %./$ 0 1*&/1(2, %("%. 3/1(4""3%(/1-( /32 $$
DetaylıVeri Madenciliği. Bölüm 5. Sınıflandırma 1. Doç. Dr. Suat Özdemir.
Bölüm 5. Sınıflandırma 1 http://ceng.gazi.edu.tr/~ozdemir Gözetimli & Gözetimsiz Öğrenme Predictive Data Mining vs. Descriptive Data Mining Gözetimli (Supervised) öğrenme= sınıflandırma (clasification)
DetaylıÖzel t üket im t alebinin izlenmesinde kart lı alıveri: Yeni bir tüketim endeksi önerisi. (e.t.t.e) Er can Tür kan. (ercan. turkan@tcmb. gov.
Özel t üket im t alebinin izlenmesinde kart lı alıveri: Yeni bir tüketim endeksi önerisi (e.t.t.e) Er can Tür kan (ercan. turkan@tcmb. gov. t r) Tür kiye Bankalar Bir lii 28 Kasım 2007 Sunum içerii* Tüketim
DetaylıGözetimli & Gözetimsiz Öğrenme
Bölüm 5. Sınıflandırma 1 http://ceng.gazi.edu.tr/~ozdemir Gözetimli & Gözetimsiz Öğrenme Predictive Data Mining vs. Descriptive Data Mining Gözetimli (Supervised) öğrenme= sınıflandırma (clasification)
DetaylıAkış YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
Akış Makine Öğrenmesi nedir? Günlük Hayatımızdaki Uygulamaları Verilerin Sayısallaştırılması Özellik Belirleme Özellik Seçim Metotları Bilgi Kazancı (Informaiton Gain-IG) Sinyalin Gürültüye Oranı: (S2N
Detaylı#$% &'#(# Konular. Bits of Information. Binary Özellikler Superimposed Coding Signature Formation Deerlendirme
!" #$% &'#(# Konular Binary Özellikler Deerlendirme Binary Özellikler Bir binary özellik iki deer alabilir (kapalı veya açık; var veya yok gibi) Bir kiiye ait bilgiler binary olarak aaıdaki gibi gösterilebilir
DetaylıZamansal Veri Madenciliği ve Anomali Tespiti için Bir Uygulama
Zamansal Veri Madenciliği ve Anomali Tespiti için Bir Uygulama Mehmet Yavuz ONAT Yrd.Doç.Dr.Engin YILDIZTEPE Dokuz Eylül Üniversitesi, İstatistik Bölümü Akademik Bilişim 2015, Anadolu Üniversitesi, Eskişehir
DetaylıMATEMATK ÖRETMNDE BULMACA ETKNLNN ÖRENC BAARISINA ETKS
MATEMATK ÖRETMNDE BULMACA ETKNLNN ÖRENC BAARISINA ETKS THE EFFECT OF PUZZLE EXPERINCE TO THE STUDENTS SUCCESS IN MATHS TEACHING Yrd.Doç.Dr. EMN AKKAN ÖZET Bu çalımanın amacı; bulmaca etkinliinin, ilköretim
DetaylıKullanım kılavuzunuz NAVIGON 3100
Bu kullanım kılavuzunda önerileri okuyabilir, teknik kılavuz veya NAVIGON 3100 için kurulum kılavuzu. Bu kılavuzdaki NAVIGON 3100 tüm sorularınızı (bilgi, özellikler, güvenlik danışma, boyut, aksesuarlar,
DetaylıSwissotel the Bosphorus, İstanbul / 15 Şubat 2012
Swissotel the Bosphorus, İstanbul / 15 Şubat 2012 Veri Depolama Sistemlerinin Yönetiminde Yenilikçi Yaklaşımlar Fatih AKGÜL Proje Yönetici Yardımcısı Türkiye İş Bankası A.Ş. Giriş İş Bankası Hedefleri
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
DetaylıDr. Hidayet Takçı. Veri Madenciliği Dersi GYTE Dr. Hidayet Takçı 10/05/2008 1
Besinci Saat Sınıflandırma: Alternatif Teknikler Dr. Hidayet Takçı Veri Madenciliği Dersi GYTE Dr. Hidayet Takçı 10/05/2008 1 Kural tabanlı Sınıflayıcı if then şeklinde ifade edilebilecek kurallarının
DetaylıFemsoft, kolay kullanımı ve genileyebilen esnek yapısı ile ilerinizi çok kolaylatıracak!
Femsoft Ticari Paket Programı küçük ve orta ölçekli iletmelerin optimum seviyede ilemlerini yapabilmesi için tasarlanmıtır ve ileri teknoloji içermektedir. Femsoft Ticari Paket Programı destekledii SQL
DetaylıBir Suistimalcinin Profili
Bir Suistimalcinin Profili!dil Gürdil, CPA, CFE, SMMM Ortak, Risk Yönetimi Danı"manlı#ı 17 Ekim 2011 Danı!manlık Ara!tırma Bir Suistimalcinin Profili - 69 ülke - 348 vaka 1 Temel Bulgular Bir Suistimalcinin
DetaylıKÜMELEME ANALZNDE YEN BR YAKLAIM: KENDN DÜZENLEYEN HARTALAR (KOHONEN ALARI)
KÜMELEME ANALZNDE YEN BR YAKLAIM: KENDN DÜZENLEYEN HARTALAR (KOHONEN ALARI) Aye OUZLAR (*) Özet: Kendini düzenleyen haritalar (Self-Organizing Maps-SOM) veya dier bir söyleyile Kohonen aları 1980 lerde
DetaylıSMILE KONTROL PANELLER
ÖZELLKLER SMILE KONTROL PANELLER ÜRÜN SPESFKASYONU UYGULAMA Smile Smile serisi, serisi, farklı farklı modellerde modellerde kontrol kontrol panellerinden oluur. panellerinden Paneller röle oluur. sayısı
DetaylıIRROMETER NASIL ÇALIIR...
IRROMETER NASIL ÇALIIR... Irrometer bir tansiyometre prensibi ile görev yapar. Irrometer içi saf su dolu bir tüp, bir vakum göstergesi ve gözenekli porselen bir balık ihtiva eder. Kök bölgesi derinliine
DetaylıPozisyon Kontrol Sistemi Üzerine Karakteristik Yapı Çalı ması: STANBUL - 2010
Pozisyon Kontrol Sistemi Üzerine Karakteristik Yapı Çalıması: Set Üzerinde Kullanılacak Ekipman: 1 Motor sürücü ve çıkı potansiyometresi, 1 Ayarlama amplifikatörü, 1 Türevsel amplifikatör, 1 Toplama amplifikatörü,
DetaylıEitim-Öretim Yılında SDÜ Burdur Eitim Cansevil TEB
2005-2006 Eitim-Öretim Yılında SDÜ Burdur Eitim Cansevil TEB 2005-2006 ETM-ÖRETM YILINDA SDÜ BURDUR ETM FAKÜLTES GSE BÖLÜMÜ MÜZK ETM ABD DA OKUMAKTA OLAN 2, 3 VE 4. SINIFLARIN DEVAMLILIK ZLEYEN DERSLERDE
DetaylıKONTROL SSTEMLER LABORATUARI
YILDIZ TEKNK ÜNVERSTES ELEKTRK-ELEKTRONK FAKÜLTES KONTROL ve OTOMASYON MÜHENDSL BÖLÜMÜ KONTROL SSTEMLER LABORATUARI Doç.Dr. Haluk GÖRGÜN Ar.Gör. brahim ALIKAN Ar.Gör. Yavuz EREN STANBUL - 2010-1 - DiGiAC
DetaylıBÜLTEN. KONU: Menkul Kıymetlerin Vergilendirilmesi Hk 277 Nolu GVK G.T. Yayınlanmıtır
Kültür Mah. 1375 Sk. No:25 Cumhuruiyet hanı K:5 35210 Alsancak - zmir-turkey Tel : + 90 232 464 16 16.. Fax: + 90 232 421 71 92. e-mail : info@psdisticaret.com..tr BÜLTEN SAYI :2010-054 Tarih: 27.12.2010
Detaylı1. Tanım ve Özellikler. 1.1. Tanım
1. Tanım ve Özellikler 1.1. Tanım Modbus protokolü ile OmniCon, Bilgisayar, PLC ve dier cihazlarla haberleerek topladıı bilgileri göstermek üzere tasarlanmı Info Panel kontrol ve haberleme ünitesidir.
DetaylıBOYASAN TEKSTL SANAY VE TCARET ANONM RKET Sayfa No: 1 SER:XI NO:29 SAYILI TEBLE STNADEN HAZIRLANMI YÖNETM KURULU FAALYET RAPORU 31 MART 2010 TBARYLE
Sayfa No: 1 A- 1-RAPORUN DÖNEM : Faaliyet raporu, BOYASAN A. nin MART/2010 yılı faaliyetlerini kapsar. 2-ORTAKLIIN ÜNVANI : BOYASAN TEKSTL SANAY VE TCARET A.. 3-DÖNEM ÇNDE YÖNETM VE DENETM KURULUNDA GÖREV
DetaylıBELEDYELERDE NORM KADRO ÇALIMASI ESASLARI
BELEDYELERDE NORM KADRO ÇALIMASI ESASLARI Belediyelerin görevlerini etkin ve verimli bir ekilde yerine getirebilmeleri için ihtiyaç duydukları optimal (ihtiyaçtan ne fazla ne de az) kadronun nicelik ve
DetaylıÖĞRENCİ SEÇME SINAVINDA (ÖSS) ÖĞRENCİ BAŞARIMINI ETKİLEYEN FAKTÖRLERİN VERİ MADENCİLİĞİ YÖNTEMLERİYLE TESPİTİ
5. Uluslararası İleri Teknolojiler Sempozyumu (IATS 09), 13-15 Mayıs 2009, Karabük, Türkiye ÖĞRENCİ SEÇME SINAVINDA (ÖSS) ÖĞRENCİ BAŞARIMINI ETKİLEYEN FAKTÖRLERİN VERİ MADENCİLİĞİ YÖNTEMLERİYLE TESPİTİ
DetaylıVeri Ambarları ve Veri Madenciliği (ISE 350) Ders Detayları
Veri Ambarları ve Veri Madenciliği (ISE 350) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Uygulama Saati Saati Laboratuar Saati Kredi AKTS Veri Ambarları ve Veri Madenciliği ISE 350 Bahar 3 0 0 3 6 Ön
DetaylıSINIF ÖRETMEN ADAYLARININ NTERNET KULLANIMINA LKN TUTUMLARININ DEERLENDRLMES
Ahi Evran Üniversitesi Kırehir Eitim Fakültesi Dergisi (KEFAD) Cilt 8, Sayı 1, (2007), 209-222 209 SINIF ÖRETMEN ADAYLARININ NTERNET KULLANIMINA LKN TUTUMLARININ DEERLENDRLMES Erturul USTA Ahi Evran Üniversitesi,
Detaylıe.t.t.e tüketim endeksi
(Sayı 39 - Aralık 21) Kartlı alıverie dayalı e.t.t.e tüketim endeksi 39. sayı Ercan Türkan (ercan.turkan@tcmb.gov.tr) 26 Ocak 211 (Sayı 39 - Aralık 21) Özet Aralık ayında nominal toplam tüketim, bir önceki
DetaylıNote: If you want to validate a page containing frames, be sure the DTD is set to "Frameset DTD". Read more about XHTML Validation.
FRAME Tagı Aynı pencere içinde birden fazla sayfa görünmesini istediğimiz zaman çerçeve (frame) kullanırız. Çerçeve tekniği, bir web sayfasını istenilen miktarda parçaya bölüp, bu sayfa üzerinde birkaç
Detaylıe.t.t.e tüketim endeksi
Kartlı alıverie dayalı e.t.t.e tüketim endeksi.sayı Ercan Türkan (ercan.turkan@tcmb.gov.tr) 22 Ocak 09 Özet Aralık 08 itibariyle tüketim endeksi, nominal olarak yıllık bazda yüzde 3,3 oranında artı göstermitir.
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
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:
Detaylı03. En Muhtemel Sayı (EMS) Yöntemi (5 li EMS) 03.01. EMS Yönteminde Dilüsyon Kavramı
03. En Muhtemel Sayı (EMS) Yöntemi (5 li EMS) En muhtemel sayı yöntemi, tüp dilüsyon yönteminin gelitirilmi eklidir. Bu yöntemde, materyalden FTS ile standart 1 : 9 oranında dilüsyon yapılır. Dilüsyonlardan
DetaylıMakine Öğrenmesi 2. hafta
Makine Öğrenmesi 2. hafta Uzaklığa dayalı gruplandırma K-means kümeleme K-NN sınıflayıcı 1 Uzaklığa dayalı gruplandırma Makine öğrenmesinde amaç birbirine en çok benzeyen veri noktalarını aynı grup içerisinde
DetaylıBaşarıda Sürekliliğin Dünü, Bugünü, Yarını. Cahit Güvensoy
Başarıda Sürekliliğin Dünü, Bugünü, Yarını Cahit Güvensoy Dünü: Aktiviteler Haziran da müjdeli haber, Eylül-Ekim kampanyaları ile son dakikaya kalmama çabası, ancak E- defter nedeniyle bu çabanın bloke
DetaylıLEM KURALLARI BLDRM FORMU. Önemli Açıklama
LEM KURALLARI BLDRM FORMU Önemli Açıklama Sermaye piyasasında gerçekletireceiniz hisse senedi ilemleri sonucunda kâr edebileceiniz gibi zarar riskiniz de bulunmaktadır. Bu nedenle, ilem yapmaya karar vermeden
DetaylıÖRETMEN ADAYLARININ ALGILADIKLARI LETM BECERS DÜZEYLERNN NCELENMES
Ahi Evran Üniversitesi Kırehir Eitim Fakültesi Dergisi (KEFAD) Cilt 8, Sayı 1, (2007), 123-135 123 ÖRETMEN ADAYLARININ ALGILADIKLARI LETM BECERS DÜZEYLERNN NCELENMES Mehmet Arif ÖZERBA Gazi Üniversitesi
Detaylı- 1. www.f1teknoloji.net. ... tarafından hazırlanan bu iyeri yönetmelii tüm irket çalıanları için geçerlidir.
- 1 Bilgisayar Kullanma Taahütnamesi AMAÇ Bu i talimatının amacı aaıdaki gibidir : -- Çalıanlara irket bilgisayarlarının kullanımı için gerekli yol gösterici bilgiyi salamak. -- irkete ait bilgisayar ve
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
DetaylıGENCAY KARAMAN. gencay@gencaykaraman.com gencaykaraman@gmail.com. DBA & Data Mining/Business Intelligence Specialist
Veri Madenciliği ile Çapraz Satış ve Risk Yönetimi Churn analyse, Cross selling, Fraud Detection, Risk Management, Customer Segmentation, Targeted ads, Sales Forecast GENCAY KARAMAN gencay@gencaykaraman.com
DetaylıBirliktelik Kuralları Analizi. Yard. Doç. Dr. Derya BİRANT Prof. Dr. Alp KUT
İş Zekası Çözümleri için i Çok Boyutlu Birliktelik Kuralları Analizi Yard. Doç. Dr. Derya BİRANT Prof. Dr. Alp KUT İçerik 1 Veri Madenciliği 2 Birliktelik Kuralları Analizi 3 Uygulama 4 Algoritma 5 Sonuçlar
Detaylı! " #$$% & ' ( ) ) ' *+ + & &, ( (-,, ) &!!. ' )' - " ) & Özel Tüketim Vergisi Genel Teblii. (SeriNo: 22)
! " #$$% & ' ( ) ) ' *+ + & &, ( (-,, ) &!!. ' )' - " ) & /!,!, Özel Tüketim Vergisi Genel Teblii (SeriNo: 22) 4760 sayılı Özel Tüketim Vergisi Kanununa ekli (II) sayılı listede yer alan kayıt ve tescile
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
DetaylıEL PARMAKLARINA DEERLER VEREREK KOLAY YOLDAN ÇARPMA ÖRETM YÖNTEMYLE ZHN ENGELL ÖRENCLERE ÇARPIM TABLOSU ÖRETM UYGULAMASI
Bu aratırma 2005 yılında 1. Uluslararası zmir Özel Eitim ve Otizm Sempozyumu'nda poster bildiri olarak sunulmutur. EL PARMAKLARINA DEERLER VEREREK KOLAY YOLDAN ÇARPMA ÖRETM YÖNTEMYLE ZHN ENGELL ÖRENCLERE
DetaylıTÜRKYE'DE OTOMOBL SAHPLNN MODELLENMES
TÜRKYE'DE OTOMOBL SAHPLNN MODELLENMES Kemal Selçuk ÖÜT 1 SUMMARY Car ownership forecasting plays an important role in both traditional and innovates planning. It is often recognised that the level of car
Detaylı2. Bölgesel Kalkınma ve Yönetiim Sempozyumu 25-26 Ekim 2007, zmir
Türkiye de Bölgesel Kalkınmanın Aracı Olarak Kalkınma Ajansları: zmir Kalkınma Ajansı Örnei Ergüder Can zmir Kalkınma Ajansı Giri: Türkiye de dier ülkeler gibi bölgelerarası hatta bölgeler içinde kalkınma
DetaylıBÜLTEN. KONU: Fason tekstil konfeksiyon ilerine tekrar tevkifat getirilmektedir.
Kültür Mah. 1375 Sk. No:25 Cumhuruiyet hanı K:5 35210 Alsancak - zmir-turkey Tel : + 90 232 464 16 16.. Fax: + 90 232 421 71 92. e-mail : info@psdisticaret.com..tr BÜLTEN Tarih: 26.12.2007 SAYI :2007-096
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
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
DetaylıİSTATİSTİK STATISTICS (2+0) Yrd.Doç.Dr. Nil TOPLAN SAÜ.MÜH. FAK. METALURJİ VE MALZEME MÜH. BÖLÜMÜ ÖĞRETİM ÜYESİ ÖĞRETİM YILI
İSTATİSTİK STATISTICS (+) Yrd.Doç.Dr. Nil TOPLAN SAÜ.MÜH. FAK. METALURJİ VE MALZEME MÜH. BÖLÜMÜ ÖĞRETİM ÜYESİ ÖĞRETİM YILI KONU BAŞLIKLARI :. İSTATİSTİĞE GİRİŞ. VERİLERİN DÜZENLENMESİ. MERKEZİ EĞİLİM ÖLÇÜLERİ.
DetaylıPricewaterhouseCoopers
1 YEN TÜRK LRASI 5083 SAYILI TÜRKYE CUMHURYET DEVLETNN PARA BRM HAKKINDA KANUN ve UYGULAMASI 7 Ekim 2004 Hakan Eraslan Kanuni Düzenleme Türkiye Cumhuriyeti Devletinin Para Birimi Hakkında 5083 Sayılı Kanun
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
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Birliktelik Kuralları Birliktelik Kurallarının Temelleri Support ve Confidence Apriori Algoritması
DetaylıFONKSYONLARI FONKSYONLARA GÖTÜREN FONKSYONLAR ÜZERNDE ANT-MONOTONLUK VE DEMPOTENTLK
ÖZEL EGE LSES FONKSYONLARI FONKSYONLARA GÖTÜREN FONKSYONLAR ÜZERNDE ANT-MONOTONLUK VE DEMPOTENTLK HAZIRLAYAN ÖRENC: Kıvanç Ararat (10B) DANIMAN ÖRETMEN: Emel Ergönül ZMR 2011 ÇNDEKLER PROJENN ADI 2 PROJENN
DetaylıÇ NDEK LER II. C LT KONULAR Sayfa Öz De er Öz Vektör.. 2. Lineer Cebir ve Sistem Analizi...
ÇNDEKLER II. CLT KONULAR 1. Öz Deer Öz Vektör.. 1 Kare Matrisin Öz Deeri ve Öz Vektörleri... 21 Matrisin Karakteristik Denklemi : Cayley Hamilton Teoremi.. 26 Öz Deer - Öz Vektör ve Lineer Transformasyon
DetaylıSAP FORUM İSTANBUL Discover Simple Kararlarınızı ileri analitiklerle aydınlatın
SAP FORUM İSTANBUL Discover Simple Kararlarınızı ileri analitiklerle aydınlatın Konuşmacı Adı : Beyhan BOYACIOGLU Firma Adı : METRIC Yazılım Use this title slide only with an image Gündem İleri Analiz
Detaylı3. 27 I C C' C C (V B ' C ') C DC. EM1 Modeli I B C E (V B ' E ') E' r E ' I E
3. 27 3.2.2. EM2 Modeli EM2 modeli, bir bipolar tranzistordaki yük birikimi olaylarının temsil edildii birinci dereceden bir modeldir. Bu model, kısıtlı da olsa, frekans domeni ve geçici hal analizlerinin
DetaylıBASINÇ DÜÜRME VE EMNYET STASYONU CHAZLARI SSTEMLER
BASINÇ DÜÜRME VE EMNYET STASYONU CHAZLARI SSTEMLER 163 Sultan ÖRENAY ÖZET Basınç Düürme ve Gaz Emniyet Hattı, Küresel Vana, Filtre, Regülatör, Emniyet Kapama Ventili, Emniyet Firar Ventili, Manometre,
DetaylıVEGAWINA5 2016 VERSION
VEGAWINA5 2016 VERSION Bundan Böyle Her Yıla Ait Hazırlanan Setup İçin Login Ekranında Version Yılı Yazacaktır Program Kurulumunda Ana Sayfa ( Boss ) Modülü Kurulumu Zorunlu Hale Getirilmiştir Hizmet\Firma\Kullanıcı
DetaylıVodafone Mobil Form Tanıtım Sunumu
Vodafone Mobil Form Tanıtım Sunumu Mobil Form ile Evrak İşine Son! Vodafone Mobil Form Kurumunuzun kağıtlar üzerinde formlar şeklinde yürüttüğü iş süreçlerini dijital platforma taşıyan bir mobil uygulamadır.
Detaylıyurdugul@hacettepe.edu.tr VB de Veri Türleri 1
yurdugul@hacettepe.edu.tr 1 VB de Veri Türleri 1 Byte 1 aretsiz tamsay Integer 2 aretli Tamsay Long 4 aretli Tamsay Single 4 Gerçel say Double 8 Gerçel say Currency 8 Gerçel say Decimal 14 Gerçel say Boolean
Detaylı#$% &'#(# Konular. Direct File Organization. Progressive Overflow Buckets Linear Quotient Brent s Method Binary Tree
!" #$% &'#(# Konular Progressive Overflow Buckets Linear Quotient Brent s Method Progressive overflow Coalesced hashing temel dezavantajı linkler için ek yer gerektirmesidir Progressive overflow (linear
Detaylı2005 yılı sonu itibarı ile 76,760 adet geçerli alan adı bulunmaktadır. Alt alan adı uzantılarına göre sayısal bilgi aaıda yer almaktadır.
NIC.TR (.tr ALAN ADI) YÖNETM.tr Alan Adı Yönetimi kapsamında; yurt çapında ve yurt dıından ".tr" uzantılı alan adı almak isteyen tüm kurum, kurulu ve ahısların; alan adı bavuruları deerlendirilmekte, alan
DetaylıBankacılık Sektörü: Aylık Gelimeler
Hisse Senedi / Sektör Görünümü 08/02/2011 Bankacılık Sektörü: Aylık Gelimeler Bilançolar zorlu bir yıla hazırlanıyor Bankacılık sektörü Aralık ayında 1.564 milyon TL net kar elde etti. BDDK nın yayımladıı
DetaylıMühendislikte İstatistik Yöntemler
Mühendislikte İstatistik Yöntemler Referans Kitaplar Türkçe : Mühendisler için İstatistik, Mehmetçik Bayazıt, Beyhan Oğuz, Birsen Yayınevi Mühendislikte İstatistik Metodlar, Erdem KOÇ,ÇÜ, Müh.Mim.Fak.
DetaylıOnline teknik sayfa DFV60A-22PL65536 DFV60 TEKERLEKLI ENKODER
Online teknik sayfa DFV60A-22PL65536 DFV60 A B C D E F Resimler farklı olabilir Sipariş bilgileri Tip Stok no. DFV60A-22PL65536 1051334 Diğer cihaz modelleri ve aksesuar www.sick.com/dfv60 H I J K L M
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
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
DetaylıZahmetsiz örüntü tanıma: Nokta bulutlarının karşılaştırılması yoluyla veri-tabanlı ve parametresiz istatistiksel öğrenme
Zahmetsiz örüntü tanıma: Nokta bulutlarının karşılaştırılması yoluyla veri-tabanlı ve parametresiz istatistiksel öğrenme Doç. Dr. Bilge Karaçalı Biyomedikal Veri İşleme Laboratuvarı Elektrik-Elektronik
DetaylıSosyo-Ekonomik Gelimilik Aratırması
Giri Sosyo-Ekonomik Gelimilik Aratırması Taner Kavasolu Devlet Planlama Tekilatı Kalkınma Planlarımızda, ülke corafyasında ve kesimler arasında dengeli bir gelime salanması hedefi, ülke ekonomisi için
DetaylıKataloglama ve Sınıflandırma Birimi
b KÜTÜPHANE DOKÜMANTASYON Basılı kaynak (Kitap) kayıt giriş işlemi Satın alma, bağış dağıtımla gelen AACR ( Anglo American Cataloguing Rules ) Modülü Kullanımı Standart AACR kataloglama kuralları kullanımı
DetaylıTG 12 ÖABT İLKÖĞRETİM MATEMATİK
KAMU PERSONEL SEÇME SINAVI ÖĞRETMENLİK ALAN BİLGİSİ TESTİ İLKÖĞRETİM MATEMATİK ÖĞRETMENLİĞİ TG ÖABT İLKÖĞRETİM MATEMATİK Bu testlerin her hakkı saklıdır. Hangi amaçla olursa olsun, testlerin tamamının
Detaylı#$% &'#(# Konular. Binary Tree Structures. Binary Search Trees AVL Trees Internal Path Reduction Trees Deerlendirme
!" #$% &'#(# Konular Binary Search Trees Deerlendirme Binary Search Trees Bir binary search tree üzerindeki her node hem data saklar hemde dier node lara ulaılırken yön belirler Bir binary search tree
DetaylıAynı tipten çok sayıda değişken topluluğudur. X Y Score1 Score2 (0) (1) (2)...
Array (Diziler) Array Aynı tipten çok sayıda değişken topluluğudur. Birden fazla aynı tipteki değerle işlem yapmayı kolaylaştırır. X Y Score1 Score2 40 56 Grade 40 56 80 (0) (1) (2)... (13) Array tanımlama:
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
DetaylıBÜYÜK VERI UYGULAMALARı DERS 7. Doç. Dr. Yuriy Mishchenko
1 BÜYÜK VERI UYGULAMALARı DERS 7 Doç. Dr. Yuriy Mishchenko PLAN Azure ML hizmeti kullanılmasına bir pratik giriş 2 3 MS AZURE ML 4 MS AZURE ML Azure Microsoft tarafından sağlanan bulut hesaplama hizmetleri
DetaylıÇağrı Yönetimi + CRM Yönetimi + Teknik Servis Yönetimi + Kioks Uygulaması = OtelCRM.net. Çağrı Yönetimi & CRM Yönetimi & Teknik Servis Yönetimi
Çağrı Yönetimi + CRM Yönetimi + Teknik Servis Yönetimi + Kioks Uygulaması = OtelCRM.net Çağrı Yönetimi & CRM Yönetimi & Teknik Servis Yönetimi OtelCrm.net En son teknolojik gelişmeleri ve sosyal gelişmeleri
DetaylıWEB SERVS TABANLI GELTRLEN MOBL UYGULAMALAR: ODTÜ MOBL ÖRENC LER BLG SSTEM (MOBS)
WEB SERVS TABANLI GELTRLEN MOBL UYGULAMALAR: ODTÜ MOBL ÖRENC LER BLG SSTEM (MOBS) Hale ALTINOVA, Yasemin YALÇIN, ve Serdar ARSLAN Orta Dou Teknik Üniversitesi, Bilgi lem Daire Bakanlıı, ANKARA altinova@metu.edu.tr,
DetaylıTÜRKYE NN TURZM GELRN ETKLEYEN DEKENLER ÇN EN UYGUN REGRESYON DENKLEMNN BELRLENMES
Dou Üniversitesi Dergisi, 6 (2) 2005, 163-174 TÜRKYE NN TURZM GELRN ETKLEYEN DEKENLER ÇN EN UYGUN REGRESYON DENKLEMNN BELRLENMES OBTAINING THE OPTIMUM REGRESSION EQUATION FOR VARIABLES WHICH AFFECT TOURISM
DetaylıT.C. Hitit Üniversitesi. Sosyal Bilimler Enstitüsü. İşletme Anabilim Dalı
T.C. Hitit Üniversitesi Sosyal Bilimler Enstitüsü İşletme Anabilim Dalı TURİZM PAZARLAMASINDA TÜKETİCİLERİN TURİSTİK SATIN ALMA KARARI ÜZERİNDE ETKİLİ OLAN WEB SİTESİ TASARIM ÖZELLİKLERİNİN NÖROGÖRÜNTÜLEME
Detaylı#$% &'#(# Konular. B-Tree and Derivatives. B-Trees B#-Trees B+-Trees Deerlendirme
!" #$% &'#(# Konular B+-Trees Deerlendirme B-Tree sequential ve direct eriimde iyi performansa sahiptir. Binary tree lerde branching factor ikiden büyük olamaz. B-Tree lerde teorik olarak limit yoktur.
Detaylı+,- #'. L = {a, b, c, d} a, b, c, d kümenin elemanları veya üyeleridir
!"#$ %& '()*' ' #'. L = {a, b, c, d} a, b, c, d kümenin elemanları veya üyeleridir b L, z L / #* ) {red, blue, red} ile {red, blue} aynıdır {3, 1, 9}, {9, 1, 3} ve {3, 9, 1} aynıdır / 0 Bir elemana sahip
Detaylı3 1 x 2 ( ) 2 = E) f( x) ... Bir sigorta portföyünde, t poliçe yln göstermek üzere, sigortal saysnn
SORU : Aada tanm verilen f fonksiyonlarndan hangisi denklemini her R için salar? f + = f t dt integral e A) f = e B) f = e C) f D) f = E) f = e ( ) = e ( ) SORU : Bir sigorta portföyünde, t poliçe yln
DetaylıSözlük Kullanarak Türkçe için Kavram Madenciliği Metotları Geliştirme
1 Cem Rıfkı Aydın, 1 Ali Erkan, 1 Tunga Güngör, 2 Hidayet Takçı 1 Boğaziçi Üniversitesi, 2 Cumhuriyet Üniversitesi Sözlük Kullanarak Türkçe için Kavram Madenciliği Metotları Geliştirme AB 14 7 Şubat 2014
DetaylıGAZİ ÜNİVERSİTESİ SAĞLIK KÜLTÜR VE SPOR DAİRESİ BAŞKANLIĞI KÜLTÜR VE SOSYAL HİZMETLER BİRİMİ YÖNERGESİ
GAZİ ÜNİVERSİTESİ SAĞLIK KÜLTÜR VE SPOR DAİRESİ BAŞKANLIĞI KÜLTÜR VE SOSYAL HİZMETLER BİRİMİ YÖNERGESİ BİRİNCİ BÖLÜM Amaç Amaç, Kapsam ve Dayanak Madde 1- Bu Yönergenin amacı, Gazi Üniversitesi Sağlık
Detaylı