T.C. TRAKYA ÜNĠVERSĠTESĠ FEN BĠLĠMLERĠ ENSTĠTÜSÜ

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "T.C. TRAKYA ÜNĠVERSĠTESĠ FEN BĠLĠMLERĠ ENSTĠTÜSÜ"

Transkript

1 T.C. TRAKYA ÜNĠVERSĠTESĠ FEN BĠLĠMLERĠ ENSTĠTÜSÜ VERĠ MADENCĠLĠĞĠNDE APRĠORĠ ALGORĠTMASI VE APRĠORĠ ALGORĠTMASININ FARKLI VERĠ KÜMELERĠNDE UYGULANMASI Ali Cenk GÜLCE Yüksek Lisans Tezi Bilgisayar Mühendisliği Ana Bilim Dalı DanıĢman: Yrd. Doç. Dr. NurĢen SUÇSUZ Yardımcı DanıĢman: Yrd. Doç. Dr. Nilüfer YURTAY Edirne 2010

2

3 iii ÖZET Günümüzde teknoloji sayesinde çok büyük miktarda veri elde edilip saklanabilmektedir. Bilindiği gibi veriler tek baģlarına değersizdirler. Bu veriler ancak belli bir amaç doğrultusunda iģlendiği zaman anlamlı hale gelmektedir. Veri madenciliği, büyük miktardaki mevcut veri içinden anlamlı, potansiyel olarak kullanıģlı, gelecekle ilgili tahmin yapılmasını sağlayan bağıntı ve kuralların bilgisayar programları kullanarak bulunmasıdır. Veri madenciliğinde en sık kullanılan yöntemlerden bir tanesi birliktelik kurallarıdır. Birliktelik kuralları, aynı iģlem içinde çoğunlukla beraber görülen nesneleri içeren kurallardır. Apriori algoritması, veri madenciliğinde sık geçen öğelerin keģfedilmesi için kullanılan en çok bilinen birliktelik-iliģki kuralı algoritmasıdır. Sık geçen öğeleri bulmak için birçok kez veritabanını taramak gerekir, bu taramalar aģamasında Apriori algoritmasının birleģtirme, budama iģlemleri ve minimum destek ölçütü yardımı ile birliktelik iliģkisi olan öğeler bulunur. Bu tez çalıģmasında, veri madenciliği ile ilgili kavramlar ve özellikle market sepet analizinde kullanmak üzere birliktelik kuralları üreten apriori algoritması detaylı bir Ģekilde ele alınmıģtır. Apriori algoritması market sepet analizinden farklı bir veri küme seti üzerine uygulanmıģtır. Örnek anket veri setinden, apriori algoritması kullanılarak birliktelik kurallarını bulan bir uygulama geliģtirilmiģtir. Bu uygulama içinde, veri tabanı dönüģüm iģlemi gerçekleģtirilmiģtir. Anahtar Kelimeler: Veri madenciliği, Apriori algoritması, Birliktelik kuralları, Market sepet analizi, Apriori algoritmasının farklı veri kümelerine uygulanması, Apriori algoritmasının anket verileri üzerine uygulanması

4 iv ABSTRACT Today, large amounts of data can be collected and stored by using technology. As known the data are worthless alone. These data would be significant only if they worked in the aim of this subject. Data mining is the process of finding the rules and the correlations among the large amounts of data by the computer programmes, which are understandable, potentially useful and provide predictions about the future. In data mining, association rules are one of the most frequently used methods which are the special application areas of the data mining. Association rules are the rules that include which items commonly occur together in the same transactions. The Apriori algorithm is the most popular association rule algorithm which discovers all frequent itemsets in large database of transactions. This algorithm uses iterative approach to count the frequent itemsets. Using this algorithm, candidate patterns which receive sufficient support from the database and the algorithm uses aprior gen actions join and prune to find all frequent itemsets. In this thesis, concepts about the data mining and apriori algorithm especially using in the market-basket analysis to produce the association rules are examined in details. Apriori algorithm was applied to dataset which is different from market basket analysis. An application was developed to find association rules from sample poll datasets by using apriori algorithm. Dataset transformation algorithm was developed and applied in this application. Keywords: Data mining, Apriori algorithm, Association rules, Market basket analysis, Applying apriori algorithm for different datasets, Applying apriori algorithm for poll datasets

5 v TEġEKKÜR Bu çalıģmanın hazırlanmasında bana yol gösteren, hiçbir yardımı esirgemeyen değerli hocam Yrd. Doç. Dr. Nilüfer YURTAY a, tez çalıģmamda ve yazımında bana yardımcı olan ve desteğini esirgemeyen değerli hocam Yrd. Doç. Dr. NurĢen SUÇSUZ a, bu çalıģmanın hazırlanması sırasında baģından sonuna kadar yanımda olup hiçbir yardımdan kaçınmayan baģta Emre ÖZER olmak üzere tüm arkadaģlarıma ve benim bu seviyeye gelmemde en büyük katkıya sahip, hayatımın her aģamasında bana destek olan sevgili aileme sonsuz teģekkürlerimi sunarım.

6 vi ĠÇĠNDEKĠLER ÖZET... ĠĠĠ ABSTRACT... ĠV TEġEKKÜR... V ĠÇĠNDEKĠLER... VĠ SĠMGELER VE KISALTMALAR LĠSTESĠ... VĠĠĠ ġekġller LĠSTESĠ... ĠX TABLOLAR LĠSTESĠ... X 1. GĠRĠġ VERĠ MADENCĠLĠĞĠ LĠTERATÜRDE VERĠ MADENCĠLĠĞĠ VERĠ MADENCĠLĠĞĠNĠN GELĠġĠMĠNDEKĠ ETKENLER VERĠ MADENCĠLĠĞĠ SÜRECĠ VERĠ MADENCĠLĠĞĠNĠN UYGULAMA BASAMAKLARI VERĠ MADENCĠLĠĞĠNĠN UYGULAMA ALANLARI VERĠ MADENCĠLĠĞĠ UYGULAMALARINDA KARġILAġILAN PROBLEMLER METODOLOJĠ VERĠ MADENCĠLĠĞĠ TEKNĠKLERĠ Sınıflama Diskriminant analizi Naive bayes Karar ağaçları Sinir ağları Kaba kümeler Genetik algoritma Regresyon analizi Kümeleme Bölümleme yöntemleri HiyerarĢik yöntemler... 22

7 vii Izgara tabanlı yöntemler Model tabanlı yöntemler Birliktelik Kuralları ve Ardışık Örüntüler Bellek Tabanlı Yöntemler Yapay Sinir Ağları Karar Ağaçları BĠRLĠKTELĠK KURALI BĠRLĠKTELĠK KURALININ MATEMATĠKSEL GÖSTERĠMĠ Güven (confidence) ve destek (support) kavramları APRĠORĠ ALGORĠTMASI UYGULAMA KULLANILAN TEKNOLOJĠLER VERĠLERĠN HAZIRLANMASI APRĠORĠ ALGORĠTMASI ĠLE UYGULAMA SONUÇLAR KAYNAKLAR ÖZGEÇMĠġ... 71

8 viii SĠMGELER VE KISALTMALAR LĠSTESĠ A B : A ürünün bulunduğu satıģlarda B ürünün de bulunması olayı A T : A, T nin alt kümesi C k : K adetli sık geçen aday veri setleri I A : I birleģim A L k : Sık geçen k adet öğeli veri setleri L k L k : K öğeli veri setlerinin kombinasyonları min_destek min_güven SQL : Minimum destek değeri : Minimum güven değeri : Structured Query Language

9 ix ġekġller LĠSTESĠ ġekil 2.1. Veri madenciliği çalıģmasında kullanılan metodoloji ġekil 3.1. Apriori algoritması akıģ diyagramı ġekil 3.2. Apriori algoritması özet kodu ġekil 3.3. Apriori-gen iģleminin özet kodu ġekil 3.4. Apriori budama iģleminin grafiksel gösterimi ġekil 4.1. Uygulama akıģ diyagramı ġekil 4.2 Tablo iliģkileri ġekil 4.3 Taraftar anketi demografik bilgiler giriģ ekranı 48 ġekil 4.4 Taraftar bilgileri giriģ ekranı. 49 ġekil 4.5 AlıĢveriĢ alıģkanlıkları giriģ ekranı ġekil 4.6 Elemeyi yapan SQL cümlesi. 50

10 x TABLOLAR LĠSTESĠ Tablo 2.1. Veri madenciliği uygulama alanları ve oranları Tablo 3.1. Ürün satıģ tablosu Tablo 3.2. Apriori algoritmasında kullanılan değiģkenler Tablo 3.3. Hareketler ve ürünler tablosu Tablo 3.4. Tekli birlikteliklerin destek değerleri Tablo 3.5. Minimum destek değerini sağlayan ürünler. 40 Tablo 3.6. Ġkili birliktelikler ve destek değerleri Tablo 3.7. Ġkili birlikteliklerden destek değerini sağlayan setler Tablo 3.8. Üçlü birliktelikler ve destek değerleri Tablo 3.9. Üçlü birlikteliklerden destek değerini aģan ürün setleri Tablo Üçlü birlikteliklerden çıkan birliktelik kuralları Tablo 4.1. Ürünler tablosu Tablo 4.2. Anket veri tablosu Tablo 4.3. Eğitim durumları tablosu Tablo 4.4. ĠĢlemler tablosu Tablo 4.5. Ürünler tablosu Tablo 4.6. ĠĢlemler tablosu Tablo 4.7. C1 ve L1 tabloları Tablo 4.8. C2 ve L2 tabloları... 60

11 xi Tablo 4.9. C3 ve L3 tabloları Tablo C3 ve L3 tabloları iterasyon sonu Tablo Kurallar tablosu Tablo Kabul edilen kurallar tablosu... 65

12 1 1. GĠRĠġ GeliĢen ve değiģen teknoloji sayesinde biliģimde de baģ döndürücü hızda geliģmeler yaģanmaktadır. Bu geliģmeler sayesinde bilgisayar sistemleri de her geçen gün hem daha fazla ucuzlamakta, hem de teknik anlamda kapasiteleri geliģmektedir. ĠĢlemciler hızlanmakta, disklerin kapasiteleri artarken fiziksel yapıları da küçülmektedir. Bu sayede artık bilgisayarlar daha büyük miktardaki veriyi saklayabilmekte ve daha kısa sürede iģleyebilmektedir. Bu geliģmeler doğrultusunda bilgisayar ağlarındaki alt yapı kalitesinin artmasıyla veriye baģka bilgisayarlardan da hızla ulaģabilmek mümkün olmaktadır. Bu geliģmeler ekonomik yapılanmayı da peģinden getirmektedir. Yeni bir sistem geliģtirildiğinde otomatikman eski sistemlerin fiyatları da ucuzlamaktadır. Bilgisayarların ucuzlaması ise sayısal teknolojiyi daha yaygın olarak kullanılabilir hale getirmektedir. Bu yaygın teknoloji veriyi depolamada sayısal sistemin kullanılmasına imkân tanımaktadır. Veri doğrudan sayısal olarak toplanmakta ve saklanmaktadır. Buda detaylı ve doğru bilgiye daha rahat ulaģabilmeyi sağlamaktadır. Bu geliģmeler günlük hayatta kullanılan birçok araç ve gerecinde fonksiyonelliklerini arttırmaktadır. Mesela cep telefonları sadece telefon olmaktan çıkarak, fotoğraf makinesi, hesap makinesi, telefon defteri ajanda vb. özelliklerle günlük yaģantıda vazgeçilmez bir köģeye yerleģmiģtir. Örneğin, eskiden marketlerdeki yazarkasalar basit bir hesap makinesi gibi müģterinin satın almıģ olduğu ürünlerin bedelini hesaplamak için kullanılmaktayken, günümüzde kasa yerine kullanılan satıģ noktası terminalleri sayesinde yapılan alıģveriģin bütün detayları veri olarak saklanabilmektedir. Saklanan bu binlerce malın ve binlerce müģterinin hareket bilgileri sayesinde her malın zaman içindeki hareketleri takip edilebilmektedir. Marketlerin indirim ve kampanya avantajlarını sunmak maksadıyla kartlı müģteri takip sistemleriyle bir müģterinin zaman içindeki tüm alıģveriģ verilerine ulaģmak ve analiz etmek artık firmalar için çok önemli olduğu kadar bir o kadar da kolay hale gelmiģtir.

13 2 Sadece veri kendi baģına değersiz olabilmektedir. Ġsteğe ve amaca bağlı olarak Ģekillendirildiğinde ise o veri artık bilgi olmaktadır. Bilgi bir amaca yönelik iģlenmiģ veridir. Veriyi bilgiye çevirmeye veri analizi denmektedir [Akpınar, 2002]. Bilgi de bir soruya yanıt vermek için veriden çıkardığımız olarak tanımlanabilir. Veri sadece sayılar veya harfler değildir; veri, sayı ve harfler ve onların anlamıdır. Veri hakkındaki bu veriye metaveri denmektedir [Akpınar, 2002]. Mesela market örneğinde veri analizi yaparak her mal için bir sonraki ayın satıģ tahminleri çıkarılabilmekte; satın alınan mallara bağlı olarak müģteriler gruplanabilmekte; yeni bir ürün için potansiyel müģteriler belirlenebilmekte; müģterilerin zaman içindeki hareketleri incelenerek onların davranıģları ile ilgili tahminler yapılabilmektedir. Binlerce malın ve müģterinin olabileceği düģünülürse bu analiz gözle ve elle yapılamayacağı için yazılımla desteklenerek yapılabilmektedir. ĠĢte veri madenciliği burada devreye girer: Veri madenciliği büyük miktarda veri içinden gelecekle ilgili tahmin yapmamızı sağlayacak bağıntı ve kuralların bilgisayar programları kullanarak aranmasıdır [Akpınar, 2002]. Veri Madenciliği; Büyük ve karmaģık verilerle çalıģır. Her türlü veriyi kullanarak çözümler üretebilir. Ġstatistik, yapay zekâ, makine öğrenmesi, veri tabanlarında bilgi keģfi, bilgisayar bilimi vb. gibi disiplinlerden faydalanır. Daha önceden bilinmeyen, doğrulanabilir, etkinleģtirilebilir bilgi arar. Otomatik veya yarı otomatik olarak çalıģan çözüm araçları kullanır. Birçok endüstride kullanılmaktadır. Sorunlara göre değiģen çözüm araçları vardır.

14 3 Hızla büyümekte olan bir sektördür. Gelecekte en popüler mesleklerden biri olacağı tahmin edilen veri madenciliği için Gartner Group araģtırma Ģirketinin gelecek 10 yıla dair tahminlerine göre; hedef pazarlarda veri madenciliği kullanımının %75 lere ulaģacağı iddia edilmektedir. Nobel ödülü sahibi Dr. Penzias vermiģ olduğu bir röportajda veri madenciliğinin önemini Ģu sözlerle belirtmektedir. Veri madenciliği oldukça önemli bir konuma gelecektir ve firmalar müģterileriyle ilgili hiçbir bilgiyi atamayacaklardır, çünkü bu bilgiler oldukça değerli olacaktır. Eğer siz müģterilerinizin bilgilerini değerlendirmiyorsanız, firmanız sektörünüzün dıģında kalacaktır. Yakın geleceğin, insanların tüketim alıģkanlıklarına ıģık tutacağını varsayarsak geçmiģ veriden çıkarılmıģ olan yorumlar gelecekte de geçerli olacak ve ilerisi için doğru tahmin yapılmasını sağlayacaktır.

15 4 2. VERĠ MADENCĠLĠĞĠ Basit bir tanım yapmak gerekir ise veri madenciliği, büyük ölçekli veriler arasından bilgiye ulaģma, bilgiyi madenleme iģidir. Ya da bir anlamda büyük veri yığınları içerisinden gelecek ile ilgili tahminde bulunabilmeyi sağlayabilecek bağıntıların bilgisayar programı kullanılarak aranmasıdır. Spesifik veri madenciliği yazılımları; kümeleme, doğrusal regresyon, sinir ağları, bayes ağları, görselleģtirme ve ağaç tabanlı modeller gibi pek çok modeli içermektedir. Veri madenciliği uygulamalarında yıllar boyu istatistiksel yöntemler kullanılmıģtır. Bununla birlikte, bugünün veri madenciliği teknolojisinde eski yöntemlerin tersine büyük veri kümelerindeki trend ve iliģkileri kısa zamanda saptayabilmek için yüksek hızlı bilgisayarlar kullanılmaktadır. Böylece veri madenciliği, gizli trendleri minimum çaba ve emekle ortaya çıkarmaktadır. Veri madenciliğinin temel bileģenlerinden biri veri ambarlarıdır. Veri ambarı, organizasyonun ihtiyaçları ile uyumlu büyük miktarlardaki verinin kolay eriģilebilir bir yapıda tutulmasını sağlayan bilgisayar tabanlı depolama sistemidir. Veri ambarları, organizasyonel veriye kolay bir Ģekilde ulaģılmasını sağlayan yapılardır. Veri ambarları 1990 lı yıllarda ortaya çıkmıģtır. Veri ambarları veriyi kullanılabilir iliģki ve profillerde sınıflandırmazlar, sadece potansiyel bilgiye sahip veritabanlarıdırlar. Veride saklı bilgiyi keģfetmeyi sağlayan ise veri madenciliği gibi tekniklerdir. Veri ambarından veriyi çekebilmek için hangi verinin gerekli olduğunu ve bu verinin nerede olduğunu tespit etmek önemlidir. Çoğunlukla gerekli veri, farklı sistemler üzerinde olup, farklı formatlardadır. Bu nedenle, ilk aģamada veri temizleme ve düzenleme iģlemi gerçekleģtirilmektedir. Veri ambarının yaratıcısı W.H. Immon a göre veri ambarı verinin temizlendiği, birleģtirildiği ve yeniden düzenlendiği merkezi ve entegre bir depodur.

16 5 Bazı veri madenciliğinin teknikleri tümevarım mantığı (inductive logic) programlamasını, makinevi öğrenmeyi v.b. kapsar. Veri madenciliği, sınıflandırmayı, birliktelik ve verilerin arasındaki sıralamayı yapmak için kurallar bulmayı içermektedir. Temel olarak birisi gözlenen örneklerden ve desenlerden çıkarılan bilgi olan hipotezlere varır. Bu desenler verilen sorgulardan elde edilmekte ve her sorgu önce verilen sorguya bağlı olmaktadır [Thuraisingham, 2003]. Gartner Grup tarafından yapılan tanımda ise veri madenciliği, istatistik ve matematik tekniklerle birlikte iliģki tanıma teknolojilerini kullanarak, depolama ortamlarında saklanmıģ bulunan veri yığınlarının elenmesi ile anlamlı yeni iliģki ve eğilimlerin keģfedilmesi sürecidir [Eker, 2004]. Veri madenciliği, temel olarak bilgisayar destekli bir bilgi çözümleme iģlemidir [Nazife, 2003]. Veri madenciliği, ayrı sorgular vererek büyük miktarda olan veriden yararlı bilgi, desenler ve eğilimler (genelde önceden belli olmayan) çıkarabilmektir [Thuraisingham, 2003]. Veri madenciliği, verinin sahibine anlamlı ve yararlı olacak Ģekilde veri kümesinin içinde Ģüphe uyandırmayan iliģkileri bulmak ve veriyi yeni bir Ģekilde özetlemek için veri kümelerinin incelenmesidir [Larose, 2005] Literatürde Veri Madenciliği Veri madenciliği 1990 lı yıllarda ortaya çıkmıģtır. Bir online veritabanı olan Science Direct te 1960 tan günümüze kadar bir literatür taraması yapıldığında veri

17 6 madenciliği ile ilgili 1500 e yakın makale olduğu görülmektedir. Veri madenciliğinin özellikle 2000 yılından bu yana büyük bir geliģme gösterdiği göze çarpmaktadır. AĢağıda tarihleri arasında veri madenciliği konusunda farklı alanlarda gerçekleģtirilen uygulama örnekleri yer almaktadır. Jiao, Zhang ve Helande 2006 da Kansai haritalama tekniği ile bir karar destek sistemi tasarlamıģlardır [Jiao vd., 2006]. Jeng, Chen ve Liang 2006 da genetik algoritma ile biyolojik sistemlerin kinetik parametrelerini belirlemiģlerdir [Jeng vd., 2006]. Facca ve Lanzi 2005 te web kütüklerinde tutulan verileri analiz etmek için makine öğrenme algoritmalarını kullanmıģlardır [Facca ve Lanzi, 2005]. Hong, Park, Jon ve Rho 2005 te veri madenciliği tekniklerini kullanarak bir tedarikçi seçim modeli önermiģlerdir [Hong vd., 2005]. Huang, Chen ve Wu 2005 te kümeleme tekniklerini kullanarak dağıtım merkezleri için bir sipariģ yönetim sistemi geliģtirmiģlerdir [Huang vd., 2005]. Cervone, Kafatos ve Singh 2006 da, veri madenciliği tekniklerini kullanarak bir deprem erken uyarı sistemi geliģtirmiģlerdir [Cervone vd., 2006]. Crespo ve Weber 2004 te, bulanık kümelemeye dayalı veri madenciliği metodolojisi geliģtirmiģlerdir [Crespo ve Weber, 2004]. Lee, Chiu, Chou ve Lu 2004 te, sınıflama ve regresyon tekniklerini kullanarak bir kredi derecelendirme uygulaması gerçekleģtirmiģlerdir [Lee vd., 2004]. Bellazi, Larizza ve Magni 2005 te, veri madenciliği tekniklerini kullanarak hemodiyaliz servislerinin kalite ölçümünü gerçekleģtirmiģlerdir [Bellazi vd., 2005].

18 7 Last ve Kandel 2004 te, karar ağacı algoritmasını kullanarak yarı iletken endüstrisindeki bir fabrikada üretim planlama uygulaması gerçekleģtirmiģlerdir [Last ve Kandel, 2004]. Lian, Lai, Lin ve Yao 2002 de, veri madenciliği tekniklerini montaj hattı uygulamalarında kullanmıģlardır [Lian vd.,2002]. Lin ve McClean 2001 de, Ģirket iflaslarının tahminine yönelik veri madenciliği yaklaģımı geliģtirmiģlerdir [Lin ve McClean, 2001]. Caskey 2001 de, genetik algoritma ve sinir ağları teknikleri ile bir fabrikadaki çalıģma koģullarını ortaya koymuģ ve bu koģulları iyileģtirici iģletme stratejileri önermiģtir [Caskey, 2001]. Cox ve Lewis 2002 de, çelik endüstrisindeki bir fabrikada yaptıkları uygulamada yapay sinir ağları yöntemini kullanarak ürünün istenilen kalite standartlarını sağlaması için gerekli girdi miktarını saptamıģlardır [Cox vd., 2002] Veri Madenciliğinin GeliĢimindeki Etkenler Temel olarak veri madenciliğini etkileyen faktörler aģağıdaki gibi ayrılabilir: Veri: Veri madenciliğinin geliģimindeki en önemli etken veridir. Son yıllarda sayısal verinin hızla artması bu verilerin yorum ihtiyacını hızlandırmıģ, dolayısıyla da veri madenciliğindeki geliģmeler hızlanmıģtır. Donanım: Verilerin çoğalması sonucu, veri madenciliğinde, sayısal ve istatistiksel olarak bu veriler üzerinde iģlemler yapma ihtiyacı doğmuģtur. GeliĢen

19 8 bellek ve iģlem hızı kapasitesi, birkaç yıl önce madencilik yapılamayan veriler üzerinde çalıģmayı mümkün hale getirmiģtir. Ġnternet ve Bilgisayar Ağları: Mevcut internet eskiye nazaran oldukça hızlandığı için daha fazla veriye hızlı bir Ģekilde ağ üzerinden ulaģmak ve farklı yerlerdeki verileri kolaylıkla toplayarak belirli algoritmalarla yorumlamakta kolay hale gelmiģtir. Buna bağlı olarak, veri madenciliğine uygun ağların tasarımı da yapılmaktadır. Bilimsel Hesaplamalar: Günümüz bilim adamları ve mühendisleri, simülasyonu, bilimin üçüncü yolu olarak görmektedirler. Veri madenciliği ve bilgi keģfi, teori, deney ve simülasyonu birbirine bağlamada önemli rol almaktadır. Ticaret: Ticari alanda rekabet gün geçtikçe artmakta ve bu da iģletmelerin bu ortamda ayakta kalabilmek için farklı yollar ve yöntemler aramalarına yol açmaktadır. Bu yöntemler hem az maliyetli olmalı, hem de kaliteyi düģürmeden hizmet ederek verimliliği artırmalıdır. ĠĢte bu noktada veri madenciliği kullanılan temel teknoloji haline gelmektedir. Çünkü veri madenciliği sayesinde müģterilerin ve müģteri faaliyetlerinin oluģturduğu fırsatlar daha kolay tespit edilebilmekte ve riskler daha açık görülebilmektedir Veri Madenciliği Süreci Veri madenciliğinde sadece verilerin sağlıklı bir Ģekilde toplanması ya da algoritmanın doğru seçilip düzgün çalıģıyor olması yeterli değildir. Sistemin belirli bir düzende iģliyor olması temel Ģarttır. BaĢarılı bir veri madenciliği projelerinde izlenmesi gereken adımlar aģağıdadır;

20 9 1. Problemin tanımlanması, 2. Verilerin hazırlanması, 3. Modelin kurulması ve değerlendirilmesi, 4. Modelin kullanılması, 5. Modelin izlenmesi Veri Madenciliğinin Uygulama Basamakları Veri madenciliğinin uygulama adımları aģağıdadır. Veri Temizleme (gürültü ve tutarsız verileri çıkarmak) Veri BütünleĢtirme (birçok veri kaynağını birleģtirmek) Veri Seçme (yapılacak olan analiz ile ilgili olan verileri belirlemek) Veri DönüĢümü (verinin, veri madenciliği tekniğinde kullanılabilecek Ģekilde dönüģümünü gerçekleģtirmek) Veri Madenciliği (veri örüntülerini yakalayabilmek için akıllı metotları uygulamak) Örüntü Değerlendirme (bazı ölçümlere göre elde edilmiģ bilgiyi temsil eden ilginç örüntüleri tanımlamak) Bilgi Sunumu (madenciliği yapılmıģ olan elde edilmiģ bilginin kullanıcıya sunumunu gerçekleģtirmek)

21 Veri Madenciliğinin Uygulama Alanları Veri madenciliğinin asıl amacı, çeģitli kaynaklar kullanılarak elde edilen birçok veriyi anlamlı bilgiler elde etmek ve bunu eyleme dönüģtürecek kararlar için kullanmaktır. Örnek birkaç kullanım alanı aģağıdadır [Akpınar, 2002]. Bir iģletme kendi müģterisiyken rakibine giden müģterilerle ilgili analizler yaparak rakiplerini tercih eden müģterilerinin özelliklerini elde edebilir ve bundan yola çıkarak gelecek dönemlerde kaybetme olasılığı olan müģterilerin kimler olabileceği yolunda tahminlerde bulunarak onları kaybetmemek, kaybettiklerini geri kazanmak için strateji geliģtirebilir. Ürün veya hizmette hangi özelliklerin ne derecede müģteri memnuniyetini etkilediği, hangi özelliklerinden dolayı müģterinin bunları tercih ettiği ortaya çıkarılabilir. MüĢterilerin kredi riskleri hesaplanarak hangi müģterilerin kredi riskinin yüksek olduğu, hangi müģterilerin geri ödemesini zamanında yapamayabileceği kestirilebilir. Kredi kartı ödemelerini aksatan, gecikmeli olarak yapan veya hiç yapmayanların özelliklerinden yola çıkılarak bundan sonra aynı duruma düģebilecek muhtemel kiģiler saptanabilir. Ürün talebi bazında müģteri profillerini belirleyerek, müģteri segmentasyonuna gitmek ve çapraz satıģ olanakları yaratmakta kullanılabilir. Piyasada oluģabilecek değiģikliklere mevcut müģteri portföyünün vereceği tepkinin firma üzerinde yaratabileceği etkinin tespitinde kullanılabilir.

22 11 En karlı mevcut müģteriler saptanarak, potansiyel müģteriler arasından en karlı olabilecekler belirlenebilir. Karlı müģteriler tespit edilerek onlara özel kampanyalar uygulanabilir. En masraflı müģteriler daha masrafsız müģteri haline dönüģtürülebilir. Örneğin, en çok bankacılık iģlemi yapanlar ortaya çıkarılıp bunlar Ģube bankacılığı yerine daha masrafsız Ġnternet bankacılığına yönlendirilebilir. Bir ürün veya hizmetle ilgili bir kampanya programı oluģturmak için hedef kitlenin seçiminden baģlayarak bunun hedef kitleye hangi kanallardan sunulacağı kararına kadar olan süreçte veri madenciliği kullanılabilir. Operasyonel süreçte oluģabilecek olası kayıpların veya suiistimallerin tespitinde kullanılabilir. Kurum teknik kaynaklarının optimal Ģekilde kullanılmasını sağlamakta kullanılabilir. Firmanın finansal yapısının, makro ekonomik değiģmeler karģısındaki duyarlılığı ve oluģabilecek risklerin tespitinde kullanabilir. GeçmiĢ ve mevcut yapı analiz edilerek geleceğe yönelik tahminlerde bulunulabilir. Özellikle ciro, karlılık, pazar payı, gibi analizlerde veri madenciliği çok rahat kullanılabilir. Yukarıda anlatılanlar ıģığında veri madenciliğinin uygulama alanları konu baģlıkları itibariyle aģağıdaki gibi sınıflandırılabilir. Veri madenciliğinin pazarlama alanındaki kullanım amaçları; MüĢteri segmentasyonunda, MüĢterilerin demografik özellikleri arasındaki bağlantıların kurulmasında,

23 12 ÇeĢitli pazarlama kampanyalarında, Mevcut müģterilerin elde tutmada, Pazar sepeti analizinde, Çapraz satıģ analizleri, MüĢteri değerleme, MüĢteri iliģkileri yönetiminde, ÇeĢitli müģteri analizlerinde, SatıĢ tahminlerinde. Veri madenciliğinin bankacılık alanındaki kullanım amaçları; Farklı finansal göstergeler arasındaki gizli korelasyonların bulunmasında, Kredi kartı dolandırıcılıklarının tespitinde, MüĢteri segmentasyonunda, Kredi taleplerinin değerlendirilmesinde, Usulsüzlük tespiti, Risk analizleri, Risk yönetimi, Sigortacılık, Yeni poliçe talep edecek müģterilerin tahmin edilmesinde, Sigorta dolandırıcılıklarının tespitinde, Riskli müģteri tipinin belirlenmesinde. Veri madenciliğinin perakendecilik alanındaki kullanım amaçları; SatıĢ noktası veri analizleri, AlıĢ-veriĢ sepeti analizleri, Tedarik ve mağaza yerleģim optimizasyonu.

24 13 Veri madenciliğinin borsa alanındaki kullanım amaçları; Hisse senedi fiyat tahmini, Genel piyasa analizleri, Alım-satım stratejilerinin optimizasyonu. Veri madenciliğinin telekomünikasyon alanındaki kullanım amaçları; Kalite ve iyileģtirme analizlerinde, Hisse tespitlerinde, Hatların yoğunluk tahminlerinde, ĠletiĢim desenlerinin belirlenmesi, Kaynakların daha iyi kullanılması, Servis kalitesinin arttırılması. Veri madenciliğinin sağlık ve ilaç alanındaki kullanım amaçları; Test sonuçlarının tahmini, Ürün geliģtirme, Tıbbi teģhis, Tedavi sürecinin belirlenmesinde, Semptomlara göre hastalık tespiti, Magnetik rezonans verileri ile sinir sistemi bölge iliģkilerinin belirlenmesi. Veri madenciliğinin endüstri alanındaki kullanım amaçları; Kalite kontrol analizlerinde, Lojistik, Üretim süreçlerinin optimizasyonunda.

25 14 Son yıllar içinde veri madenciliğinin uygulandığı alanlar ise Tablo 2.1 deki gibidir. Tablo 2.1. Veri Madenciliği uygulama alanları ve oranları Bankacılık (51) 12% Bioteknoloji / Genetik (11) 3% Kredi skorlama (35) 8% CRM (52) 12% Doğrudan pazarlama (34) 8% E-Ticaret (11) 3% Eğlence/ Müzik (4) 1% Sahtekarlık tespiti (31) 7% ġans oyunu (2) 0,01 % Kamu uygulamaları (12) 3% Sigortacılık (24) 6% Yatırım / Hisse senedi (5) 1% Junk / Anti-spam (5) 1% Sağlık/ ĠK (15) 4% Ġmalat (19) 5% Tıp/ Farmakoloji (12) 3% Perakende (25) 6% Bilim (17) 4% Güvenlik / Anti-terörizm(5) 1% Telekomünikasyon (23) 5% Seyahat (8) 2% Web (9) 2% Diğer (11) 3%

26 Veri Madenciliği Uygulamalarında KarĢılaĢılan Problemler Veri madenciliği girdi olarak kullanılacak bilgileri veritabanlarından alır. Bu sebeple veritabanlarının dinamik, eksiksiz, geniģ ve net veri içermesini gerektirir. Aksi durumda sağlıksız bilgiler içeren analizler yanlıģ stratejilerin oluģturulmasına neden olacaktır. Veri madenciliğinde karģılaģılan baģlıca sorunlar aģağıdaki gibi sıralanabilir: Sınırlı Bilgi: Veritabanları genel olarak veri madenciliği dıģındaki amaçlar için tasarlanmıģlardır. Bu yüzden, öğrenme görevini kolaylaģtıracak bazı özellikler bulunmayabilir. Gürültü ve Kayıp Değerler: Veri özellikleri ya da sınıflarındaki hatalara gürültü adı verilir. Veri tabanlarındaki eksik bilgi ve bu yanlıģlardan dolayı veri madenciliği amacına tam olarak ulaģmayabilir. Bu bilgi yanlıģlığı, ölçüm hatalarından, ya da öznel yaklaģımdan olabilir. Belirsizlik: YanlıĢlıkların Ģiddeti ve verideki gürültünün derecesi ile ilgilidir. Veri tahmini bir keģif sisteminde önemli bir husustur. Ebat, Güncellemeler ve Konu DıĢı Sahalar: Veri tabanlarındaki bilgiler, veri eklendikçe ya da silindikçe değiģebilir. Veri madenciliği perspektifinden bakıldığında, kuralların hala aynı kalıp kalmadığı ve istikrarlılığı problemi ortaya çıkar. Öğrenme sistemi, kimi verilerin zamanla değiģmesine ve keģif sisteminin verinin zamansızlığına karģın zaman duyarlı olmalıdır.

27 Metodoloji Bir veri madenciliği çalıģmasında kullanılan metodoloji ġekil 1 de verilmiģtir. Standart form içinde verilen veri, öğrenme ve deneme olmak üzere ikiye ayrılır. Her uygulamada kullanılabilecek birden çok teknik vardır ve önceden hangisinin en baģarılı olacağını kestirmek olası değildir. Bu yüzden öğrenme kümesi üzerinde L değiģik teknik kullanılarak L tane model oluģturulur. Sonra bu L model deneme kümesi üzerinde denenerek en baģarılı olanı, yani deneme kümesi üzerindeki tahmin baģarısı en yüksek olanı seçilir. Eğer bu en iyi model yeterince baģarılıysa kullanılır, aksi takdirde baģa dönerek çalıģma tekrarlanır. Tekrar sırasında baģarısız olan örnekler incelenerek bunlar üzerindeki baģarının nasıl arttırılabileceği araģtırılır. Örneğin standart forma yeni alanlar ekleyerek programa verilen bilgi arttırılabilir veya olan bilgi değiģik bir Ģekilde kodlanabilir veya amaç daha değiģik bir Ģekilde tanımlanabilir. İlk Standard Form Öğrenme Kümesi Deneme Kümesi Model 1 Model 2 Model L Olası modelleri Öğrenme kümesi Üstünde eğit En iyiyi Seç Eğitilmiş Modelleri Deneme kümesi Üzerinde dene ve En başarılısını seç Yeterince İyi ise Kabul et ġekil 2.1. Veri madenciliği çalıģmasında kullanılan metodoloji.

28 Veri Madenciliği Teknikleri Sınıflama, Kümeleme, Birliktelik Kuralları ve Sıralı Örüntüler, Veri madenciliği, bu maddelerle, iģlevlerine göre 3 temel grupta toplanabilir Sınıflama Verinin önceden belirlenen çıktılara uygun olarak ayrıģtırılmasını sağlayan bir tekniğe sınıflama denmektedir. Çıktılar, önceden bilindiği için sınıflama, veri kümesini denetimli olarak öğrenmektedir. Örneğin; A finans hizmetleri Ģirketi; müģterilerinin yeni bir yatırım fırsatıyla ilgilenip ilgilenmediğini öğrenmek istemektedir. Daha önceden benzer bir ürün satmıģtır ve geçmiģ veriler hangi müģterilerin önceki teklife cevap verdiğini göstermektedir. Amaç; bu teklife cevap veren müģterilerin özelliklerini belirlemek ve böylece pazarlama ve satıģ çalıģmalarını daha etkin yürütmektir. MüĢteri kayıtlarında müģterinin önceki teklife cevap verip vermediğini gösteren evet / hayır Ģeklinde bir alan bulunmakta bu alan hedef ya da bağımlı değiģken olarak adlandırılmaktadır. Amaç, müģterilerin diğer niteliklerinin (gelir düzeyi, iģ türü, yaģ, medeni durum, kaç yıldır müģteri olduğu, satın aldığı diğer ürün ve yatırım türleri)

29 18 hedef değiģken üzerindeki etkilerini analiz etmektir. Analizde yer alan diğer nitelikler bağımsız ya da tahminci değiģken adını almaktadır. Temel sınıflama algoritmaları aģağıdadır: Diskriminant analizi, Naive Bayes, Karar ağaçları, Sinir ağları, Kaba kümeler, Genetik algoritma, Regresyon analizi Diskriminant analizi Diskriminant analizi, bir dizi gözlemi önceden tanımlanmıģ sınıflara atayan bir tekniktir. Model, ait oldukları sınıf bilinen gözlem kümesi üzerine kurulmaktadır. Bu küme, öğrenme kümesi olarak da adlandırılmaktadır. Öğrenme kümesine dayalı olarak, diskriminant fonksiyonu olarak bilinen doğrusal fonksiyonların bir kümesi oluģturulmaktadır. Diskriminant fonksiyonu, yeni gözlemlerin ait olduğu sınıfı belirlemek için kullanılmaktadır. Yeni bir gözlem söz konusu olduğunda tüm diskriminant fonksiyonları hesaplanmakta ve yeni gözlem diskriminant fonksiyonunun değerinin en yüksek olduğu sınıfa atanmaktadır.

APRIORI ALGORİTMASI İLE ÖĞRENCİ BAŞARISI ANALİZİ

APRIORI 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

Detaylı

Web Madenciliği (Web Mining)

Web 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

Detaylı

PARALEL VERİ MADENCİLİĞİ ALGORİTMALARI. BAŞARIM 09, 15-18 Nisan 2009, ODTÜ, Ankara

PARALEL VERİ MADENCİLİĞİ ALGORİTMALARI. BAŞARIM 09, 15-18 Nisan 2009, ODTÜ, Ankara PARALEL VERİ MADENCİLİĞİ ALGORİTMALARI BAŞARIM 09, 15-18 Nisan 2009, ODTÜ, Ankara Veri Madenciliğine Genel Bir Bakış Veri Madenciliğinin Görevleri Sınıflama Seri Sınıflama Algoritmaları Paralel Sınıflama

Detaylı

YAPAY SİNİR AĞI İLE HAVA SICAKLIĞI TAHMİNİ APPROXIMATION AIR TEMPERATURE WITH ARTIFICIAL NEURAL NETWORK

YAPAY SİNİR AĞI İLE HAVA SICAKLIĞI TAHMİNİ APPROXIMATION AIR TEMPERATURE WITH ARTIFICIAL NEURAL NETWORK YAPAY SİNİR AĞI İLE HAVA SICAKLIĞI TAHMİNİ Hande ERKAYMAZ, Ömer YAŞAR Karabük Üniversitesi / TÜRKĠYE herkaymaz@karabuk.edu.tr ÖZET : Bu çalıģmada Yapay Sinir Ağları (YSA) ile hava sıcaklığının tahmini

Detaylı

VERİ MADENCİLİĞİ (Birliktelik Kuralları) Yrd.Doç.Dr. Kadriye ERGÜN

VERİ 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

Detaylı

inde Sepet Analizi Uygulamaları Market Basket Analysis for Data Mining

inde 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

Detaylı

Program AkıĢ Kontrol Yapıları

Program AkıĢ Kontrol Yapıları C PROGRAMLAMA Program AkıĢ Kontrol Yapıları Normal Ģartlarda C dilinde bir programın çalıģması, komutların yukarıdan aģağıya doğru ve sırasıyla iģletilmesiyle gerçekleģtirilir. Ancak bazen problemin çözümü,

Detaylı

Örnekleme Süreci ve Örnekleme Yöntemleri

Örnekleme Süreci ve Örnekleme Yöntemleri Örnekleme Süreci ve Örnekleme Yöntemleri Prof. Dr. Cemal YÜKSELEN Ġstanbul Arel Üniversitesi 4. Pazarlama AraĢtırmaları Eğitim Semineri 26-29 Ekim 2010 Örnekleme Süreci Anakütleyi Tanımlamak Örnek Çerçevesini

Detaylı

Web Madenciliği (Web Mining)

Web 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

Detaylı

Birliktelik Kuralları Analizi. Yard. Doç. Dr. Derya BİRANT Prof. Dr. Alp KUT

Birliktelik 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

VERİ MADENCİLİĞİNE BAKIŞ

VERİ 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?

Detaylı

Apriori Algoritması ile Teknik Seçmeli Ders Seçim Analizi

Apriori 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

Detaylı

Öğr.Gör.İnan ÜNAL Tunceli Üniversitesi Bilgisayar Mühendisliği Bölümü

Öğr.Gör.İnan ÜNAL Tunceli Üniversitesi Bilgisayar Mühendisliği Bölümü Öğr.Gör.İnan ÜNAL Tunceli Üniversitesi Bilgisayar Mühendisliği Bölümü Büyük miktardaki veriler içerisinden önemli olanlarını bulup çıkarmaya veri Madenciliği denir. Veri madenciliği bir sorgulama işlemi

Detaylı

VERİ MADENCİLİĞİ. Karar Ağacı Algoritmaları: SPRINT algoritması Öğr.Gör.İnan ÜNAL

VERİ MADENCİLİĞİ. Karar Ağacı Algoritmaları: SPRINT algoritması Öğr.Gör.İnan ÜNAL VERİ MADENCİLİĞİ Karar Ağacı Algoritmaları: SPRINT algoritması Öğr.Gör.İnan ÜNAL SPRINT Algoritması ID3,CART, ve C4.5 gibi algoritmalar önce derinlik ilkesine göre çalışırlar ve en iyi dallara ayırma kriterine

Detaylı

PERDELĠ BETONARME YAPILAR ĠÇĠN DOĞRUSAL OLMAYAN ANALĠZ METOTLARI

PERDELĠ BETONARME YAPILAR ĠÇĠN DOĞRUSAL OLMAYAN ANALĠZ METOTLARI PERDELĠ BETONARME YAPILAR ĠÇĠN DOĞRUSAL OLMAYAN ANALĠZ METOTLARI Nonlinear Analysis Methods For Reinforced Concrete Buildings With Shearwalls Yasin M. FAHJAN, KürĢat BAġAK Gebze Yüksek Teknoloji Enstitüsü,

Detaylı

TIMSS Tanıtım Sunusu

TIMSS Tanıtım Sunusu TIMSS Tanıtım Sunusu Ġçerik TIMSS Nedir? TIMSS in Amacı TIMSS i Yürüten KuruluĢlar TIMSS in GeçmiĢi TIMSS in Değerlendirme Çerçevesi TIMSS Döngüsünün Temel AĢamaları TIMSS in Kazanımları Sorular ve Öneriler

Detaylı

YAPAY SİNİR AĞLARI. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ

YAPAY SİNİR AĞLARI. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ YAPAY SİNİR AĞLARI Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ İÇERİK Sinir Hücreleri Yapay Sinir Ağları Yapısı Elemanları Çalışması Modelleri Yapılarına Göre Öğrenme Algoritmalarına Göre Avantaj ve

Detaylı

MEÜ. SAĞLIK BĠLĠMLERĠ ENSTĠTÜSÜ DERS TANIMI FORMU

MEÜ. SAĞLIK BĠLĠMLERĠ ENSTĠTÜSÜ DERS TANIMI FORMU MEÜ. SAĞLIK BĠLĠMLERĠ ENSTĠTÜSÜ DERS TANIMI FORMU Dersin Adı-Kodu: BİS 601 Örnek Genişliği ve Güç Programın Adı: Biyoistatistik Dersin düzeyi Doktora Ders saatleri ve Teori Uyg. Lab. Proje/Alan Çalışması

Detaylı

İÇTÜZÜK TADİL METNİ DOW JONES İSTANBUL 20 A TİPİ BORSA YATIRIM FONU İÇTÜZÜK DEĞİŞİKLİĞİ

İÇTÜZÜK TADİL METNİ DOW JONES İSTANBUL 20 A TİPİ BORSA YATIRIM FONU İÇTÜZÜK DEĞİŞİKLİĞİ İÇTÜZÜK TADİL METNİ DOW JONES İSTANBUL 20 A TİPİ BORSA YATIRIM FONU İÇTÜZÜK DEĞİŞİKLİĞİ Finansbank A.ġ. Dow Jones Istanbul 20 A Tipi Borsa Yatirim Fonu içtüzüğünün 1.2, 5.3, 5.4, 10.2, 10.3, 10.4, 14.1,

Detaylı

RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI. Yrd. Doç. Dr. Emre ATILGAN

RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI. Yrd. Doç. Dr. Emre ATILGAN RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI Yrd. Doç. Dr. Emre ATILGAN 1 RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI Olasılığa ilişkin olayların çoğunluğunda, deneme sonuçlarının bir veya birkaç yönden incelenmesi

Detaylı

Veri Madenciliği Yöntemleriyle İGDAŞ Çağrı Merkezi Veri Analizi VE Kalite Fonksiyon Yayılımı Yöntemiyle Süreç İyileştirme Çalışması

Veri Madenciliği Yöntemleriyle İGDAŞ Çağrı Merkezi Veri Analizi VE Kalite Fonksiyon Yayılımı Yöntemiyle Süreç İyileştirme Çalışması Veri Madenciliği Yöntemleriyle İGDAŞ Çağrı Merkezi Veri Analizi VE Kalite Fonksiyon Yayılımı Yöntemiyle Süreç İyileştirme Çalışması Nilay Kurşunoğlu, PwC Yönetim Danışmanlığı Biz Kimiz? Orhan Cem Sorumlu

Detaylı

İÇTÜZÜK TADİL METNİ MALİ SEKTÖR DIŞI NFIST İSTANBUL 20 A TİPİ BORSA YATIRIM FONU İÇTÜZÜK DEĞİŞİKLİĞİ

İÇTÜZÜK TADİL METNİ MALİ SEKTÖR DIŞI NFIST İSTANBUL 20 A TİPİ BORSA YATIRIM FONU İÇTÜZÜK DEĞİŞİKLİĞİ İÇTÜZÜK TADİL METNİ MALİ SEKTÖR DIŞI NFIST İSTANBUL 20 A TİPİ BORSA YATIRIM FONU İÇTÜZÜK DEĞİŞİKLİĞİ Finansbank A.ġ. Mali Sektör DıĢı NFIST Ġstanbul 20 A Tipi Borsa Yatırım Fonu içtüzüğünün 1.2, 5.3, 5.4,

Detaylı

NEVġEHĠR ÜNĠVERSĠTESĠ BOLOGNA SÜRECĠ

NEVġEHĠR ÜNĠVERSĠTESĠ BOLOGNA SÜRECĠ NEVġEHĠR ÜNĠVERSĠTESĠ BOLOGNA SÜRECĠ ÖĞRENME ÇIKTILARI HAZIRLAMA VE ÖĞRENCĠ Ġġ YÜKÜ HESABI FUNDA NALBANTOĞLU YILMAZ Eğitim Öğretim Planlamacısı Ekim, 2011 GĠRĠġ Bologna Süreci kapsamında, yükseköğretim

Detaylı

ENF182 Temel Bilgisayar Bilimleri Ö Ğ R. G Ö R. G Ö K H A N K U T L U A N A

ENF182 Temel Bilgisayar Bilimleri Ö Ğ R. G Ö R. G Ö K H A N K U T L U A N A ENF182 Temel Bilgisayar Bilimleri Ö Ğ R. G Ö R. G Ö K H A N K U T L U A N A F O N K S Ġ Y O N L A R Temel Fonksiyonlar Matematiksel Fonksiyonlar Ġstatiksel Fonksiyonlar Metinsel Fonksiyonlar Tarih Fonksiyonları

Detaylı

8 Haziran 2007 TBD İstanbul Bilişim Kongresi

8 Haziran 2007 TBD İstanbul Bilişim Kongresi Finansal Uygulamalarda Veri Madenciliği Ali Alkan ali.alkan@infora.com.tr 1/48 Gündem 1. Neden veri madenciliği? 2. Veri madenciliği türleri 3. Veri madenciliği teknikleri 4. Veri madenciliği uygulamaları

Detaylı

VERİ 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 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

Detaylı

Ġnternet ve Harekât AraĢtırması Uygulamaları

Ġnternet ve Harekât AraĢtırması Uygulamaları Ġnternet ve Harekât AraĢtırması Uygulamaları Cihan Ercan Mustafa Kemal Topcu 1 GĠRĠġ Band İçerik e- Konu\ Mobil Uydu Ağ Genişliği\ e- e- VoIP IpV6 Dağıtma Altyapı QoS ticaret\ Prensip Haberleşme Haberleşme

Detaylı

UZAKTAN EĞİTİM MERKEZİ

UZAKTAN EĞİTİM MERKEZİ ÜNİTE 2 VERİ TABANI İÇİNDEKİLER Veri Tabanı Veri Tabanı İle İlgili Temel Kavramlar Tablo Alan Sorgu Veri Tabanı Yapısı BAYBURT ÜNİVERSİTESİ UZAKTAN EĞİTİM MERKEZİ BİLGİSAYAR II HEDEFLER Veri tabanı kavramını

Detaylı

ULUSLARARASI ANTALYA ÜNİVERSİTESİ ENDÜSTRİ MÜHENDİSLİĞİ BÖLÜMÜ DERS KATALOĞU

ULUSLARARASI ANTALYA ÜNİVERSİTESİ ENDÜSTRİ MÜHENDİSLİĞİ BÖLÜMÜ DERS KATALOĞU ULUSLARARASI ANTALYA ÜNİVERSİTESİ ENDÜSTRİ MÜHENDİSLİĞİ BÖLÜMÜ DERS KATALOĞU ZORUNLU DERSLER IE 201 - Operasyon Modelleme Karar vermedeki belirsizlik rolü de dahil olmak üzere işletme kararlarının matematiksel

Detaylı

Veritabanı Yönetim Sistemleri I

Veritabanı Yönetim Sistemleri I Veritabanı Yönetim Sistemleri I (BTP 110) İçerik Sorumlusu: Yrd.Doç.Dr.Cenk ATLIĞ Trakya Üniversitesi Tunca Meslek Yüksekokulu Edirne-2010 TRAKYA ÜNİVERSİTESİ Tunca Meslek Yüksekokulu Müdürlüğü nden Öğrencilerimize

Detaylı

Merkezi Eğilim ve Dağılım Ölçüleri

Merkezi Eğilim ve Dağılım Ölçüleri Merkezi Eğilim ve Dağılım Ölçüleri Soru Öğrencilerin derse katılım düzeylerini ölçmek amacıyla geliştirilen 16 soruluk bir test için öğrencilerin ilk 8 ve son 8 soruluk yarılardan aldıkları puanlar arasındaki

Detaylı

VERİ MADENCİLİĞİ Metin Madenciliği

VERİ MADENCİLİĞİ Metin Madenciliği VERİ MADENCİLİĞİ Metin Madenciliği Yrd. Doç. Dr. Şule Gündüz Öğüdücü 1 2 Metin için Veri Madenciliği Metin Madenciliğinde Sorunlar Metin madenciliği: Veri madenciliği teknikleri ile yazılı belgeler arasındaki

Detaylı

CRM UYGULAMALARINDA BAŞARI ĐÇĐN BĐLĐNMESĐ GEREKENLER

CRM UYGULAMALARINDA BAŞARI ĐÇĐN BĐLĐNMESĐ GEREKENLER 1-Pazarlama konsepti ve bilişim destekli CRM sistemleri 2-CRM Nedir? Neden CRM? 3- CRM modelleri 4-CRM uygulama noktaları 5-CRM projelerinde başarı ve başarısızlığı etkileyen faktörler CRM UYGULAMALARINDA

Detaylı

Hansel zeki bir çocukmuģ. Sabah ormana doğru yürürlerken, akģam yemeğinde cebine sakladığı kuru ekmeğin kırıntılarını (yere iz bırakıp kaybolmamak ve

Hansel zeki bir çocukmuģ. Sabah ormana doğru yürürlerken, akģam yemeğinde cebine sakladığı kuru ekmeğin kırıntılarını (yere iz bırakıp kaybolmamak ve ALGORİTMALAR Hansel zeki bir çocukmuģ. Sabah ormana doğru yürürlerken, akģam yemeğinde cebine sakladığı kuru ekmeğin kırıntılarını (yere iz bırakıp kaybolmamak ve daha sonra bu izi takip ederek evin yolunu

Detaylı

Sektörde yoğunlaģma çok fazla. Kredilerin %95 i dört büyük bankanın elinde, mevduatların %74 ü ise iki büyük bankada bulunuyor.

Sektörde yoğunlaģma çok fazla. Kredilerin %95 i dört büyük bankanın elinde, mevduatların %74 ü ise iki büyük bankada bulunuyor. ESTONYA DA E-BANKACILIK GELİŞİMİ GENEL ÖZELLĠKLER: Mayıs den beri Avrupa Birliği üyesi Nüfusu,3 milyon. Alan 5,7 km. Her km baģına 3 kiģi düģüyor. Kentsel nüfus oranı %67.5. Kırsal nüfus oranı %3.5. Ülkede

Detaylı

İÇİNDEKİLER. BÖLÜM 1 Değişkenler ve Grafikler 1. BÖLÜM 2 Frekans Dağılımları 37

İÇİNDEKİLER. BÖLÜM 1 Değişkenler ve Grafikler 1. BÖLÜM 2 Frekans Dağılımları 37 İÇİNDEKİLER BÖLÜM 1 Değişkenler ve Grafikler 1 İstatistik 1 Yığın ve Örnek; Tümevarımcı ve Betimleyici İstatistik 1 Değişkenler: Kesikli ve Sürekli 1 Verilerin Yuvarlanması Bilimsel Gösterim Anlamlı Rakamlar

Detaylı

ÇED ve Planlama Genel Müdürlüğü Veri Tabanı (ÇED Veri Tabanı)

ÇED ve Planlama Genel Müdürlüğü Veri Tabanı (ÇED Veri Tabanı) ÇED ve Planlama Genel Müdürlüğü Veri Tabanı (ÇED Veri Tabanı) 1 GÜNDEM 1. Amacı 2. Veri Tabanı Kapsamı 3. Özellikleri 4. Uygulama 2 1-Amacı Mekansal (haritalanabilir) Bilgilerin Yönetimi Sağlamak (CBS)

Detaylı

4.46. VERĠDEN BĠLGĠYE ULAġMADA VERĠ MADENCĠLĠĞĠNĠN ÖNEMĠ

4.46. VERĠDEN BĠLGĠYE ULAġMADA VERĠ MADENCĠLĠĞĠNĠN ÖNEMĠ 4.46. VERĠDEN BĠLGĠYE ULAġMADA VERĠ MADENCĠLĠĞĠNĠN ÖNEMĠ 1 Ömer Osman DURSUN 2 Asaf VAROL 3 Esra MUTLUAY 1,2,3 Fırat Üniversitesi Teknik Eğitim Fakültesi, Elektronik-Bilgisayar Eğitimi Bölümü, Elazığ 1

Detaylı

ARAŞTIRMA KONULARINI BELİRLEME TEKNİKLERİ

ARAŞTIRMA KONULARINI BELİRLEME TEKNİKLERİ ARAŞTIRMA KONULARINI BELİRLEME TEKNİKLERİ Yrd. Doç. Dr. Satı BOZKURT Ege Üniversitesi HemĢirelik Fakültesi Hemşirelikte Araştırma HemĢireler var olan doğruları gerçekleģtirmek, Alanlarına yeni bilgiler

Detaylı

PAPATYA YAYINCILIK EĞİTİM Bilgisayar Sis. San. ve Tic. A.Ş. Veri Madenciliği Yöntemleri Dr. Yalçın ÖZKAN -II-

PAPATYA YAYINCILIK EĞİTİM Bilgisayar Sis. San. ve Tic. A.Ş. Veri Madenciliği Yöntemleri Dr. Yalçın ÖZKAN -II- Dr. Yalçın ÖZKAN Dr. Yalçın ÖZKAN PAPATYA YAYINCILIK EĞİTİM Bilgisayar Sis. San. ve Tic. A.Ş. Ankara Caddesi, Prof. Fahreddin Kerim Gökay Vakfı İşhanı Girişi, No: 11/3, Cağaloğlu (Fatih)/İstanbul Tel

Detaylı

VERİ MADENCİLİĞİ VE SOSYAL AĞ ANALİZİ ARAŞTIRMA LABORATUVARI

VERİ MADENCİLİĞİ VE SOSYAL AĞ ANALİZİ ARAŞTIRMA LABORATUVARI BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ VERİ MADENCİLİĞİ VE SOSYAL AĞ ANALİZİ ARAŞTIRMA LABORATUVARI 10 Aralık 2011, Cumartesi Fen ve Mühendislik Alanlarındaki Çeşitli Araştırma Projelerinden Örneklemeler İçerik

Detaylı

Stoklarınız ile ilgili tüm hareket ve detaylara menüler arasında gezmeden ulaşabilirsiniz.

Stoklarınız ile ilgili tüm hareket ve detaylara menüler arasında gezmeden ulaşabilirsiniz. OFİS Mikro Perakende Çözümleri 1 MİKRO OFİS SERİSİ Küçük ve orta ölçekteki perakende firmaları için hazırlanan programları, perakende satış noktalarının belkemiği olan satış noktası terminalleri (POSlarla),

Detaylı

BİYOİSTATİSTİK Örnekleme ve Örnekleme Yöntemleri Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH

BİYOİSTATİSTİK Örnekleme ve Örnekleme Yöntemleri Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH BİYOİSTATİSTİK Örnekleme ve Örnekleme Yöntemleri Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim AD. Web: www.biyoistatistik.med.ege.edu.tr 1 Araştırmalarda

Detaylı

GENETİK ALGORİTMALAR. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ

GENETİK ALGORİTMALAR. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ GENETİK ALGORİTMALAR Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ GENETİK ALGORİTMALAR Genetik algoritmalar, Darwin in doğal seçim ve evrim teorisi ilkelerine dayanan bir arama ve optimizasyon yöntemidir.

Detaylı

PROF. DR. ŞAKİR ESNAF IN BİTİRME PROJESİ KONULARI

PROF. DR. ŞAKİR ESNAF IN BİTİRME PROJESİ KONULARI PROF. DR. ŞAKİR ESNAF IN TEORİK ÇALIŞMA BAŞLIKLARI Ø Coğrafi Çoklu Tesis Yeri Seçimi (Weber) Probleminin Çözümü için Sezgisel ve Metasezgisel Algoritmalar Ø Çoklu Tesis Yeri Seçimi (Pmedyan) Probleminin

Detaylı

3 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI

3 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI ÖNSÖZ İÇİNDEKİLER III Bölüm 1 İSTATİSTİK ve SAYISAL BİLGİ 11 1.1 İstatistik ve Önemi 12 1.2 İstatistikte Temel Kavramlar 14 1.3 İstatistiğin Amacı 15 1.4 Veri Türleri 15 1.5 Veri Ölçüm Düzeyleri 16 1.6

Detaylı

Kullanılacak İstatistikleri Belirleme Ölçütleri. Değişkenin Ölçek Türü ya da Yapısı

Kullanılacak İstatistikleri Belirleme Ölçütleri. Değişkenin Ölçek Türü ya da Yapısı ARAŞTIRMA MODELLİLERİNDE KULLANILACAK İSTATİSTİKLERİ BELİRLEME ÖLÇÜTLERİ Parametrik mi Parametrik Olmayan mı? Kullanılacak İstatistikleri Belirleme Ölçütleri Değişken Sayısı Tek değişkenli (X) İki değişkenli

Detaylı

Algoritma Geliştirme ve Veri Yapıları 2 Veri Modelleri. Mustafa Kemal Üniversitesi

Algoritma Geliştirme ve Veri Yapıları 2 Veri Modelleri. Mustafa Kemal Üniversitesi Algoritma Geliştirme ve Veri Yapıları 2 Veri Modelleri Veri modelleri, veriler arasında ilişkisel ve sırasal düzeni gösteren kavramsal tanımlardır. Her program en azından bir veri modeline dayanır. Uygun

Detaylı

SERVĠS KULLANIM KĠTAPCIĞI. www.hemende.com. Websiteniz için Arama Motoru Optimizasyon Merkezi

SERVĠS KULLANIM KĠTAPCIĞI. www.hemende.com. Websiteniz için Arama Motoru Optimizasyon Merkezi SERVĠS KULLANIM KĠTAPCIĞI www.hemende.com Websiteniz için Arama Motoru Optimizasyon Merkezi 2016 hemende.com 0212 911 65 17 Backlink Alım / Satım Servisleri Backlink Nedir? İnternet üzerinde alan adı tahsisi

Detaylı

İş Analitiği'ne Netezza ile Yüksek Performans Katın

İş Analitiği'ne Netezza ile Yüksek Performans Katın İş Analitiği'ne Netezza ile Yüksek Performans Katın Umut ŞATIR İleri Analitik Çözüm Mimarı 2012 IBM Corporation Netezza and IBM Business Analytics Baştan sona bir İş Analitiği çözümü Performans Kolaylık

Detaylı

TC İSTANBUL KÜLTÜR ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ PSİKOLOJİ BÖLÜMÜ ÖĞRENCİ STAJ RAPORU/DEFTERİ HAZIRLAMA İLKELERİ

TC İSTANBUL KÜLTÜR ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ PSİKOLOJİ BÖLÜMÜ ÖĞRENCİ STAJ RAPORU/DEFTERİ HAZIRLAMA İLKELERİ TC İSTANBUL KÜLTÜR ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ PSİKOLOJİ BÖLÜMÜ ÖĞRENCİ STAJ RAPORU/DEFTERİ HAZIRLAMA İLKELERİ Eylül, 2011 İÇİNDEKİLER GĠRĠġ... 3 A. Öğrenci Staj Raporu/Defterinin Başlıca Bölümleri...

Detaylı

0502309-0506309 ÖLÇME YÖNTEMLERİ. Ders Öğretim Üyeleri Prof. Dr. Hüsamettin BULUT Yrd. Doç. Dr. M. Azmi AKTACĠR

0502309-0506309 ÖLÇME YÖNTEMLERİ. Ders Öğretim Üyeleri Prof. Dr. Hüsamettin BULUT Yrd. Doç. Dr. M. Azmi AKTACĠR 0502309-0506309 ÖLÇME YÖNTEMLERİ Ders Öğretim Üyeleri Prof. Dr. Hüsamettin BULUT Yrd. Doç. Dr. M. Azmi AKTACĠR Kaynak Ders Kitabı: ÖLÇME TEKNĠĞĠ (Boyut, Basınç, AkıĢ ve Sıcaklık Ölçmeleri), Prof. Dr. Osman

Detaylı

GENCAY KARAMAN. gencay@gencaykaraman.com gencaykaraman@gmail.com. DBA & Data Mining/Business Intelligence Specialist

GENCAY 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

Detaylı

BULANIK MANTIK VE SİSTEMLERİ 2014 2015 BAHAR DÖNEMİ ÖDEV 1. Müslüm ÖZTÜRK 148164001004 Bilişim Teknolojileri Mühendisliği ABD Doktora Programı

BULANIK MANTIK VE SİSTEMLERİ 2014 2015 BAHAR DÖNEMİ ÖDEV 1. Müslüm ÖZTÜRK 148164001004 Bilişim Teknolojileri Mühendisliği ABD Doktora Programı BULANIK MANTIK VE SİSTEMLERİ 2014 2015 BAHAR DÖNEMİ ÖDEV 1 Müslüm ÖZTÜRK 148164001004 Bilişim Teknolojileri Mühendisliği ABD Doktora Programı Mart 2015 0 SORU 1) Bulanık Küme nedir? Bulanık Kümenin (fuzzy

Detaylı

T.C. SELÇUK ÜNĠVERSĠTESĠ FEN BĠLĠMLERĠ ENSTĠTÜSÜ

T.C. SELÇUK ÜNĠVERSĠTESĠ FEN BĠLĠMLERĠ ENSTĠTÜSÜ T.C. SELÇUK ÜNĠVERSĠTESĠ FEN BĠLĠMLERĠ ENSTĠTÜSÜ VERİ MADENCİLİĞİ ALGORİTMALARINI KULLANARAK ÖĞRENCİ VERİLERİNDEN BİRLİKTELİK KURALLARININ ÇIKARILMASI Ufuk EKĠM YÜKSEK LĠSANS TEZĠ Bilgisayar Mühendisliği

Detaylı

EĞĠTĠM TEKNOLOLOJĠLERĠ ARAġTIRMALARI DERGĠSĠ

EĞĠTĠM TEKNOLOLOJĠLERĠ ARAġTIRMALARI DERGĠSĠ EĞĠTĠM TEKNOLOLOJĠLERĠ ARAġTIRMALARI DERGĠSĠ EĞĠTĠM TEKNOLOLOJĠLERĠ ARAġTIRMALARI DERGĠSĠ MAKALE YAZIM KURALLARI Versiyon 2 ETAD 2009 1 E T A D W W W. ET- AD. N E T ĠÇĠNDEKĠLER 1. GĠRĠġ... 1 2. MAKALE

Detaylı

Bilgisayar Mühendisliğine Giriş. Yrd.Doç.Dr.Hacer KARACAN

Bilgisayar Mühendisliğine Giriş. Yrd.Doç.Dr.Hacer KARACAN Bilgisayar Mühendisliğine Giriş Yrd.Doç.Dr.Hacer KARACAN İçerik Dosya Organizasyonu (File Organization) Veritabanı Sistemleri (Database Systems) BM307 Dosya Organizasyonu (File Organization) İçerik Dosya

Detaylı

Örgütler bu karmaģada artık daha esnek bir hiyerarģiye sahiptir.

Örgütler bu karmaģada artık daha esnek bir hiyerarģiye sahiptir. Durumsallık YaklaĢımı (KoĢulbağımlılık Kuramı) Durumsallık (KoĢulbağımlılık) Kuramının DoğuĢu KoĢul bağımlılık bir Ģeyin diğerine bağımlı olmasıdır. Eğer örgütün etkili olması isteniyorsa, örgütün yapısı

Detaylı

TÜRKĠYE TEKNOLOJĠ GELĠġTĠRME VAKFI (TTGV) DESTEKLERĠ

TÜRKĠYE TEKNOLOJĠ GELĠġTĠRME VAKFI (TTGV) DESTEKLERĠ TÜRKĠYE TEKNOLOJĠ GELĠġTĠRME VAKFI (TTGV) DESTEKLERĠ 3 TEMEL DESTEĞĠ MEVCUTTUR 1- Ar-Ge Proje Destekleri 2- Çevre Projeleri Destekleri 3- Teknolojik Girişimcilik Destekleri Ar-Ge Proje Destekleri a) Teknoloji

Detaylı

ULUSLARARASI TİCARET VE FİNANS TEZSİZ YÜKSEK LİSANS PROGRAMI DERS MÜFREDATI

ULUSLARARASI TİCARET VE FİNANS TEZSİZ YÜKSEK LİSANS PROGRAMI DERS MÜFREDATI ULUSLARARASI TİCARET VE FİNANS TEZSİZ YÜKSEK LİSANS PROGRAMI DERS MÜFREDATI I. Yarıyıl II. Yarıyıl Seçmeli (4 ders) 32 AKTS ULTF 570 Seminer 4 AKTS III. Yarıyıl ULTF 560 Bitirme Projesi 14 AKTS Seçmeli

Detaylı

LOJİSTİK REGRESYON ANALİZİ

LOJİSTİK REGRESYON ANALİZİ LOJİSTİK REGRESYON ANALİZİ Lojistik Regresyon Analizini daha kolay izleyebilmek için bazı terimleri tanımlayalım: 1. Değişken (incelenen özellik): Bireyden bireye farklı değerler alabilen özellik, fenomen

Detaylı

Özgörkey Otomotiv Yetkili Satıcı ve Yetkili Servisi

Özgörkey Otomotiv Yetkili Satıcı ve Yetkili Servisi Özgörkey Otomotiv Yetkili Satıcı ve Yetkili Servisi Grup ÇekoL : Ebru Tokgöz Gizem Şimşek Özge Bozdemir Emel Sema Tarihçe Temelleri 1951 yılında, Gruba ismini veren Erdoğan Özgörkey tarafından atılan

Detaylı

Bilkent Üniversitesi Bilgisayar Mühendisliği Bölümü. Bilgisayar Mühendisliği

Bilkent Üniversitesi Bilgisayar Mühendisliği Bölümü. Bilgisayar Mühendisliği Bilkent Üniversitesi Bilgisayar Mühendisliği Bölümü Bilgisayar Mühendisliği Bilgisayar Mühendisliği Günümüzde, finans, tıp, sanat, güvenlik, enerji gibi bir çok sektör, bilgisayar mühendisliğindeki gelişimlerden

Detaylı

İnsan Kaynakları Yönetiminin Değişen Yüzü

İnsan Kaynakları Yönetiminin Değişen Yüzü İnsan Kaynakları Yönetiminin Değişen Yüzü İnsan Kaynakları Yönetiminin Değişen Yüzü 21. yüzyılda Ģirketlerin kurumsallaģmasında, insan kaynakları yönetiminin Ģirketlerde etkin bir Ģekilde iģlemesi, giderek

Detaylı

ÜCRET SĠSTEMLERĠ VE VERĠMLĠLĠK DERSĠ. EKOTEN TEKSTĠL A.ġ.

ÜCRET SĠSTEMLERĠ VE VERĠMLĠLĠK DERSĠ. EKOTEN TEKSTĠL A.ġ. ÜCRET SĠSTEMLERĠ VE VERĠMLĠLĠK DERSĠ EKOTEN TEKSTĠL A.ġ. HAZIRLAYANLAR 2008463084 Gizem Özen 2008463055 Tuğba Gülseven 2009463097 Huriye Özdemir 2007463066 Raziye Sinem Sağsöz SUN GRUBU ŞİRKETLERİ SUN

Detaylı

1 OCAK- 30 HAZĠRAN 2009 DÖNEMĠNE AĠT KONSOLĠDE OLMAYAN FAALĠYET RAPORU

1 OCAK- 30 HAZĠRAN 2009 DÖNEMĠNE AĠT KONSOLĠDE OLMAYAN FAALĠYET RAPORU TURKISH BANK A.ġ. 1 OCAK- 30 HAZĠRAN 2009 DÖNEMĠNE AĠT KONSOLĠDE OLMAYAN FAALĠYET RAPORU A-BANKAMIZDAKĠ GELĠġMELER 1-ÖZET FĠNANSAL BĠLGĠLER Bankamızın 2008 yıl sonunda 823.201 bin TL. olan aktif büyüklüğü

Detaylı

T.C. BĠNGÖL ÜNĠVERSĠTESĠ REKTÖRLÜĞÜ Strateji GeliĢtirme Dairesi BaĢkanlığı. ÇALIġANLARIN MEMNUNĠYETĠNĠ ÖLÇÜM ANKET FORMU (KAPSAM ĠÇĠ ÇALIġANLAR ĠÇĠN)

T.C. BĠNGÖL ÜNĠVERSĠTESĠ REKTÖRLÜĞÜ Strateji GeliĢtirme Dairesi BaĢkanlığı. ÇALIġANLARIN MEMNUNĠYETĠNĠ ÖLÇÜM ANKET FORMU (KAPSAM ĠÇĠ ÇALIġANLAR ĠÇĠN) ÇALIġANLARIN MEMNUNĠYETĠNĠ ÖLÇÜM ANKET FORMU (KAPSAM ĠÇĠ ÇALIġANLAR ĠÇĠN) Düzenleme Tarihi: Bingöl Üniversitesi(BÜ) Ġç Kontrol Sistemi Kurulması çalıģmaları kapsamında, Ġç Kontrol Sistemi Proje Ekibimiz

Detaylı

Tanımlayıcı İstatistikler. Yrd. Doç. Dr. Emre ATILGAN

Tanımlayıcı İstatistikler. Yrd. Doç. Dr. Emre ATILGAN Tanımlayıcı İstatistikler Yrd. Doç. Dr. Emre ATILGAN 1 Tanımlayıcı İstatistikler Yer Gösteren Ölçüler Yaygınlık Ölçüleri Merkezi Eğilim Ölçüleri Konum Ölçüleri 2 3 Aritmetik Ortalama Aritmetik ortalama,

Detaylı

PERMÜTASYON, KOMBİNASYON. Örnek: Örnek: Örnek:

PERMÜTASYON, KOMBİNASYON. Örnek: Örnek: Örnek: SAYMANIN TEMEL KURALLARI Toplama Kuralı : Sonlu ve ayrık kümelerin eleman sayılarının toplamı, bu kümelerin birleşimlerinin eleman sayısına eşittir. Mesela, sonlu ve ayrık iki küme A ve B olsun. s(a)=

Detaylı

VERİ YAPILARI VE PROGRAMLAMA

VERİ YAPILARI VE PROGRAMLAMA VERİ YAPILARI VE PROGRAMLAMA (BIP116) Yazar: Doç.Dr.İ.Hakkı.Cedimoğlu SAKARYA ÜNİVERSİTESİ Adapazarı Meslek Yüksekokulu Bu ders içeriğinin basım, yayım ve satış hakları Sakarya Üniversitesi ne aittir.

Detaylı

MOBİLYA PERAKENDE SATIŞ SEKTÖRÜNDE VERİ MADENCİLİĞİ UYGULAMASI

MOBİLYA 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

Detaylı

KAPSAM HAFTALARA GÖRE DERS PROGRAMI ÖNERĠLEN KAYANAKLAR ÖĞRETME VE ÖĞRENME STRATEJĠ VE TEKNĠKLERĠ ÖLÇME VE DEĞERLENDĠRME YÖNTEMLERĠ

KAPSAM HAFTALARA GÖRE DERS PROGRAMI ÖNERĠLEN KAYANAKLAR ÖĞRETME VE ÖĞRENME STRATEJĠ VE TEKNĠKLERĠ ÖLÇME VE DEĞERLENDĠRME YÖNTEMLERĠ DERSĠN KODU ABYS-215 Bürolarda Teknoloji Kullanımı DERSĠN TÜRÜ ZORUNLU SEÇMELĠ X TEORĠK 2 PRATĠK 0 ECTS KREDĠSĠ 4 Bürolarda kullanılan genellikle iletiģimi sağlayan ya da verilerin iģlenmesine olanak sağlayan

Detaylı

ORAN ANALİZİ 8. VE 9. HAFTA

ORAN ANALİZİ 8. VE 9. HAFTA ORAN ANALİZİ 8. VE 9. HAFTA Genel Olarak Oran Analizi p Oran analizi tekniğinin amacı, finansal tablo kalemlerinin aralarındaki anlamlı ve yararlı ilişkilerden yola çıkarak bir işletmenin cari finansal

Detaylı

Algoritma Geliştirme ve Veri Yapıları 9 Ağaç Veri Modeli ve Uygulaması. Mustafa Kemal Üniversitesi

Algoritma Geliştirme ve Veri Yapıları 9 Ağaç Veri Modeli ve Uygulaması. Mustafa Kemal Üniversitesi Algoritma Geliştirme ve Veri Yapıları 9 Ağaç Veri Modeli ve Uygulaması Ağaç, verilerin birbirine sanki bir ağaç yapısı oluşturuyormuş gibi sanal olarak bağlanmasıyla elde edilen hiyararşik yapıya sahip

Detaylı

SCADA VE RAPORLAMA SĠSTEMLERĠ

SCADA VE RAPORLAMA SĠSTEMLERĠ SCADA VE RAPORLAMA SĠSTEMLERĠ SCADA (Supervisory Control And Data Your Acquisition Slide ) Title RAPORLAMA SİSTEMİ Kapsamlı ve entegre bir Veri Tabanlı Kontrol ve Gözetleme Sistemi (SCADA) sayesinde, bir

Detaylı

HESAP TABLOSU PROGRAMLARI

HESAP TABLOSU PROGRAMLARI HESAP TABLOSU PROGRAMLARI BĠLGĠSAYAR ORTAMINDA YARATILAN ELEKTRONĠK ÇALIġMA SAYFALARI 1 HESAP TABLOSU PPROGRAMLARI Lotus 1-2-3 Quattro Pro MS Excel Girilen veriler, tablolar halinde düzenlenerek iģlem

Detaylı

İkinci Bölümde; Global hazır giyim ticareti senaryoları ve Türkiye için hedefler oluģturulmaktadır.

İkinci Bölümde; Global hazır giyim ticareti senaryoları ve Türkiye için hedefler oluģturulmaktadır. SUNUŞ Türk hazır giyim sektörü her dönem sürdürdüğü yatırım eğilimi ve özellikle dıģ talebe bağlı üretim artıģı ile ekonomik büyümenin itici gücü olmakta, yatırım, kapasite ve üretim artıģı ile emek yoğun

Detaylı

2010 I. DÖNEM GEBZE EĞİTİM PROGRAMLARI

2010 I. DÖNEM GEBZE EĞİTİM PROGRAMLARI 2010 I. DÖNEM GEBZE EĞİTİM KuruluĢumuz ilgili Devlet KuruluĢları tarafından devlet destekleri kapsamındaki eğitim ve danıģmanlık faaliyetlerinde yetkilendirilmiģ bulunmaktadır. 1 STRATEJĠK PLANLAMA EĞĠTĠM

Detaylı

Kullanıcı Hesabı ve Şifre Yönetimi

Kullanıcı Hesabı ve Şifre Yönetimi 1. Amaç Bu prosedürün amacı BĠLGĠ bünyesinde veya yan kuruluģlarda çalıģan ve BILGINETWORKS alanına dahil olan kullanıcıların Ģifrelerinin azami ölçüde güvenlikli ve sağlam bir yapıda oluģturulmasını,

Detaylı

ÜCRET SİSTEMLERİ VE VERİMLİLİK YURTİÇİ KARGO

ÜCRET SİSTEMLERİ VE VERİMLİLİK YURTİÇİ KARGO ÜCRET SİSTEMLERİ VE VERİMLİLİK YURTİÇİ KARGO ALĠ ARIMAN:2008463007 OSMAN KARAKILIÇ:2008463066 MELĠK CANER SEVAL: 2008463092 MEHMET TEVFĠK TUNCER:2008463098 ŞİRKET TANITIMI 1982 yılında Türkiye'nin ilk

Detaylı

3.2. Raster Veriler. Satırlar. Sütunlar. Piksel/hücre büyüklüğü

3.2. Raster Veriler. Satırlar. Sütunlar. Piksel/hücre büyüklüğü 3.2. Raster Veriler Satırlar Piksel/hücre büyüklüğü Sütunlar 1 Görüntü formatlı veriler Her piksel için gri değerleri kaydedilmiştir iki veya üç bant (RGB) çok sayıda bant Fotoğraf, uydu görüntüsü, ortofoto,

Detaylı

Olgu-kontrol araştırmalarının analizi ve değerlendirilmesi. Raika Durusoy

Olgu-kontrol araştırmalarının analizi ve değerlendirilmesi. Raika Durusoy Olgu-kontrol araştırmalarının analizi ve değerlendirilmesi Raika Durusoy 1 Olgu-kontrol araştırmaları Belli bir hastalığı olan ( olgu ) ve olmayan ( kontrol ) bireyler belirlenir Her iki grubun bir etkene

Detaylı

Tedarik Zinciri Yönetiminde Yapay Zeka Teknikler

Tedarik Zinciri Yönetiminde Yapay Zeka Teknikler Tedarik Zinciri Yönetiminde Yapay Zeka Teknikler Doç.Dr.Mehmet Hakan Satman mhsatman@istanbul.edu.tr İstanbul Üniversitesi 2014.10.22 Doç.Dr.Mehmet Hakan Satmanmhsatman@istanbul.edu.tr Tedarik Zinciri

Detaylı

İÇTÜZÜK TADİL METNİ TÜRKİYE YÜKSEK PİYASA DEĞERLİ BANKALAR A TİPİ BORSA YATIRIM FONU İÇTÜZÜK DEĞİŞİKLİĞİ

İÇTÜZÜK TADİL METNİ TÜRKİYE YÜKSEK PİYASA DEĞERLİ BANKALAR A TİPİ BORSA YATIRIM FONU İÇTÜZÜK DEĞİŞİKLİĞİ İÇTÜZÜK TADİL METNİ TÜRKİYE YÜKSEK PİYASA DEĞERLİ BANKALAR A TİPİ BORSA YATIRIM FONU İÇTÜZÜK DEĞİŞİKLİĞİ Finansbank A.ġ. Türkiye Yüksek Piyasa Değerli Bankalar A Tipi Borsa Yatırım Fonu içtüzüğünün 1.2,

Detaylı

T.C ADALET BAKANLIĞI Ceza ve Tevkifevleri Genel Müdürlüğü

T.C ADALET BAKANLIĞI Ceza ve Tevkifevleri Genel Müdürlüğü T.C ADALET BAKANLIĞI Ceza ve Tevkifevleri Genel Müdürlüğü Ceza Ġnfaz Kurumlarında Madde Bağımlılığı Tedavi Hizmetleri Serap GÖRÜCÜ Psikolog YetiĢkin ĠyileĢtirme Bürosu Madde bağımlılığını kontrol altında

Detaylı

ÜRETĠM TESĠSLERĠ BÖLGESEL BAĞLANTI KAPASĠTE RAPORU 2020-2025

ÜRETĠM TESĠSLERĠ BÖLGESEL BAĞLANTI KAPASĠTE RAPORU 2020-2025 ÜRETĠM TESĠSLERĠ BÖLGESEL BAĞLANTI KAPASĠTE RAPORU 2020-2025 31.07.2015 İçindekiler Ġçindekiler... 2 Amaç ve Kapsam... 7 1. Yöntem... 8 2. Bölgelerin Değerlendirmeleri ve Sonuçlar... 10 2.1. Akdeniz...

Detaylı

KİŞİSEL GELİŞİM ASİSTANI

KİŞİSEL GELİŞİM ASİSTANI AR-GE MERKEZLERİ İYİ UYGULAMA ÖRNEKLERİ PAYLAŞIM TOPLANTISI GİRİŞİMCİLİK KİŞİSEL GELİŞİM ASİSTANI Türk DemirDöküm Fabrikaları A.ġ SUNUM PLANI 1. UYGULAMANIN KISA AÇIKLAMASI 2. UYGULAMANIN YENĠLĠKÇĠ VE

Detaylı

Karaciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması

Karaciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması Karaciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması 1 Emre DANDIL Bilecik Ş. Edebali Üniversitesi emre.dandil@bilecik.edu.tr +90228 214 1613 Sunum İçeriği Özet Giriş

Detaylı

Veri Madenciliği Karar Ağacı Oluşturma

Veri Madenciliği Karar Ağacı Oluşturma C4.5 Algoritması Veri Madenciliği Karar Ağacı Oluşturma Murat TEZGİDER 1 C4.5 Algoritması ID3 algoritmasını geliştiren Quinlan ın geliştirdiği C4.5 karar ağacı oluşturma algoritmasıdır. ID3 algoritmasında

Detaylı

Free, Open Access, Medical Education Serbest,Açık Erişimli Tıp Eğitimi Kısaca FOAM adı verilen ve Free, Open Acess, Medical Education manasına gelen

Free, Open Access, Medical Education Serbest,Açık Erişimli Tıp Eğitimi Kısaca FOAM adı verilen ve Free, Open Acess, Medical Education manasına gelen Free, Open Access, Medical Education Serbest,Açık Erişimli Tıp Eğitimi Kısaca FOAM adı verilen ve Free, Open Acess, Medical Education manasına gelen ve ICEM 2012 Konferansı esnasında Dublin de baģlayan

Detaylı

ĠSHAKOL. Ġġ BAġVURU FORMU. Boya Sanayi A.ġ. En Son ÇekilmiĢ Fotoğrafınız. No:.. ÖNEMLĠ NOTLAR

ĠSHAKOL. Ġġ BAġVURU FORMU. Boya Sanayi A.ġ. En Son ÇekilmiĢ Fotoğrafınız. No:.. ÖNEMLĠ NOTLAR Ġġ BAġVURU FORMU ĠSHAKOL Boya Sanayi A.ġ. No:.. En Son ÇekilmiĢ Fotoğrafınız ÖNEMLĠ NOTLAR 1. BaĢvuru formunu kendi el yazınızla ve bütün soruları dikkatli ve eksiksiz olarak doldurup, imzalayınız. ĠĢ

Detaylı

2011 Third International Conference on Intelligent Human-Machine Systems and Cybernetics

2011 Third International Conference on Intelligent Human-Machine Systems and Cybernetics 2011 Third International Conference on Intelligent Human-Machine Systems and Cybernetics Özet: Bulanık bir denetleyici tasarlanırken karşılaşılan en önemli sıkıntı, bulanık giriş çıkış üyelik fonksiyonlarının

Detaylı

NORMAL ÖĞRETİM DERS PROGRAMI

NORMAL ÖĞRETİM DERS PROGRAMI NORMAL ÖĞRETİM DERS PROGRAMI 1. Yarıyıl 1. Hafta ( 19.09.2011-23.09.2011 ) Modern Pazarlama ve Pazar Yönlülük Sosyal Bilimlerde Araştırmaya Giriş Tüketici Araştırmaları dersine giriş Giriş : Temel kavram

Detaylı

NAPOLEON PROBLEMİNE FARKLI BİR BAKIŞ

NAPOLEON PROBLEMİNE FARKLI BİR BAKIŞ ÖZEL EGE LİSESİ NAPOLEON PROBLEMİNE FARKLI BİR BAKIŞ HAZIRLAYAN ÖĞRENCİLER: Fatma Gizem DEMİRCİ Hasan Atakan İŞBİLİR DANIŞMAN ÖĞRETMEN: Gülşah ARACIOĞLU İZMİR 2013 İÇİNDEKİLER 1. PROJENİN AMACI... 3 2.

Detaylı

Yukarıdaki fonksiyonun anlamı: Bulunulan hücreye, B2 hücresinden B17 hücresine kadar olan hücreleri toplam ve yaz.

Yukarıdaki fonksiyonun anlamı: Bulunulan hücreye, B2 hücresinden B17 hücresine kadar olan hücreleri toplam ve yaz. DERS 14: FONKSİYONLAR (İŞLEVLER) Amaçlar: -Fonksiyon Sınıflamasını Tanımak. -Fonksiyonları Kullanmak. -Fonksiyon Sihirbazını Kullanmak. I. FONKSİYONLAR NE İŞE YARAR? Daha önceki haftalarda da Microsoft

Detaylı

DOKUZ EYLÜL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRLÜĞÜ DERS/MODÜL/BLOK TANITIM FORMU. Dersin Orjinal Adı: Pattern Recognition

DOKUZ EYLÜL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRLÜĞÜ DERS/MODÜL/BLOK TANITIM FORMU. Dersin Orjinal Adı: Pattern Recognition Dersi Veren Birim: Fen Bilimleri Enstitüsü Dersin Türkçe Adı: Örüntü Tanıma Dersin Orjinal Adı: Pattern Recognition Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora) Lisansüstü Dersin Kodu: CSE

Detaylı

Neden Endüstri Mühendisliği Bölümünde Yapmalısınız?

Neden Endüstri Mühendisliği Bölümünde Yapmalısınız? Lisansüstü Eğitiminizi Neden Endüstri Mühendisliği Bölümünde Yapmalısınız? Uludağ Üniversitesi Mühendislik-Mimarlık Fakültesi Endüstri Mühendisliği Bölümü, 1990 yılında kurulmuş ve ilk mezunlarını 1994

Detaylı

EXCEL DE BENZETİM ÖRNEKLERİ BMÜ-422 BENZETİM VE MODELLEME

EXCEL DE BENZETİM ÖRNEKLERİ BMÜ-422 BENZETİM VE MODELLEME EXCEL DE BENZETİM ÖRNEKLERİ BMÜ-422 BENZETİM VE MODELLEME GİRİŞ Bu bölümde benzetim için excel örnekleri önerilmektedir. Örnekler excel ile yapılabileceği gibi el ile de yapılabilir. Benzetim örnekleri

Detaylı