Veri-Nesne-Nitelik. Bölüm 2. Veri Önişleme
|
|
- Levent Izzet
- 7 yıl önce
- İzleme sayısı:
Transkript
1 10 Bölüm 2. Veri Önişleme Veri-Nesne-Nitelik Veri: Nesneler ve nesnelerin niteliklerinden oluşan küme Nesne terimi yerine kayıt (record), varlık (entity), örnek (sample, instance) kullanılabilir Nitelik (attribute) bir nesnenin (object) bir özelliğidir bir insanın yaşı, ortamın sıcaklığı.. Nitelik yerine boyut (dimension), özellik (feature, characteristic) kullanılabilir Nitelikler ve bu niteliklere ait değerler bir nesneyi oluşturur. Nesneler grubu veriyi oluşturur Öğrenci kayıt listesi Nesne (Objects) Nitelik (Attributes) Tid Refund Marital Taxable Status Income Cheat 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 8 No Single 85K Yes 9 No Married 75K No 10 No Single 90K Yes VERİ 1
2 Ayrık ve sürekli nitelikler Ayrık Nitelik / Discrete Attribute Sonlu sayıda değerden oluşan nitelikler E.g., posta kodu, meslek, ya da doküman seti içerisindeki kelimeler Tamsayı değerler olarak ifade edilebilir İkili / binary nitelikler de ayrık niteliklerin özel bir türüdür Sürekli Nitelik / Continuous Attribute Değeri gerçek sayılar olan nitelikler E.g., sıcaklık, k yükseklik, klik ya da ağırlıkğ Floating-point değerler olarak ifade edilebilir Neden veri önişleme? Gerçek hayatta karşılaştığımız veriler genelde eksik (missing or incomplete), hatalı (noisy), ve tutarsız (inconsistent) olma eğilimindedir. Düşük ş kaliteli veri Veri kalitesini düşüren sorunlar: Noise / Gürültü Outliers / Sapan veri Missing values / Eksik veri Duplicate data / Tekrarlı veri Veri iletim hataları Teknolojik sınırlamalar Veri isimlendirmede veya yapısında uyumsuzluk 2
3 Noise / Gürültü Orjinal veride oluşan istenmeyen değişimlerdir Örnek: telefonda konuşurken sesimizin bozulması, televizyon ekranındaki karlanma İki Sinüs Dalgası İki Sinüs Dalgası + Gürültü Outliers / Sapan veri Sapan veriler veri setinin geri kalan kısmından çok farklı olan verileridir. 3
4 Missing Values / Eksik veri Nedenler Bilginin toplanamaması Yaşını, kilosunu ya da gelirini belirtmek istemeyen insanlar Uygun olmayan nitelikler Çocuklar için gelir niteliği uygulanamaz Çözümler Eksik verileri dikkate alma Eksik veriyi tahmin et (ortalama vs.) Duplicate Data / Tekrarlı veri Birbirinin aynısı olan veriler Değişik veritabanlarının birleştirilmesi sırasında ortaya çıkar Birden çok eposta adresine sahip insan Çözüm Veri temizleme 4
5 Neden veri önişleme? Düşük kaliteli veri düşük kaliteli veri madenciliği sonuçlarına yol açar Veri önişleme? Veri madenciliği kalitesini artırmak Veri madenciliğini kolaylaştırmak Verimliliği artırmak hedeflenir Tanımlayıcı veri özetleme Veri önişlemenin temeli Veriyi daha iyi anlamak ve anlatmak Verinin merkezi eğilimi Ortalama, ortanca (median), mode Verinin dağılımı Çeyreklikler (quartiles), IQR, variance, boxplots 5
6 Ortalama (Mean) Ortalama (mean) n 1 x Örnekleme n i 1 x i Popülasyon Ağırlıklı ortalama x x N n i 1 n i 1 w i x i w i Ortanca (Median) Veri setinde ortadaki verinin değeri Çift sayıda veri varsa ortadaki iki verinin ortalaması Gruplanmış veriler için interpolation yolu ile bulunur Yaş Frekans n / 2 ( f ) l median L1 ( ) c f Ortanca aralığın ilk elemanı Ortanca aralıktan aşağıdaki aralıklardaki eleman sayılarının toplamı f median 600 / 2 (270) median 16 ( ) Ortanca aralığın genişliği Ortanca aralığın frekansı 6
7 Mod (Mode) Veri seti içinde en çok tekrarlanan veri Unimodal Bimodal Ti Trimodal Deneysel (empirical) formül mean mode 3( mean median) Simetrik ve Çarpık Veri Ortalama, ortanca ve mod değerleri Mean Median Mode 7
8 Verinin dağılımı Quartiles, outliers and boxplots Çeyrek (Quartile): Q 1 (25 th percentile), Q 3 (75 th percentile) Inter-quartile range: IQR = Q 3 Q 1 Five number summary: min, Q 1, M, Q 3, max Boxplot: ends of the box are the quartiles, median is marked, whiskers, and plot outlier individually Sapan veri (Outlier): usually, a value higher/lower than 1.5 x IQR Verinin dağılımı Varyans ve standart sapma (örnekleme: s, populasyon: σ) Varyans: s 2 1 n1 n i1 ( x x) i 2 1 [ n1 n n 2 xi ( i1 n i1 2 x ) ] Standart sapma s (ya da σ) varyansın kare kökü 1 i n n ( xi ) N i1 N i1 x 2 i 2 8
9 Normal dağılım eğrisinin özellikleri Normal dağılım eğrisi (μ σ) ile (μ+σ) arasında verilerin yaklaşık %68i bulunur (μ: ortalama, σ: standart sapma) (μ 2σ) ile (μ+2σ) arasında %95i (μ 3σ) ile (μ+3σ) arasında %99.7si 68% 95% 99.7% Görsel tanımlayıcı veri özetleme Veriyi daha iyi ifade edebilmek için kullandığımız yöntemler Boxplot Histogram, sıklık histogramı, bar chart Eşit bölen (Quantile) grafikleri Q-Q grafikleri Serpme (scatter) grafikleri 9
10 Boxplot analizi Five number summary nin grafik olarak gösterimi Minimum, Q1, M, Q3, Maximum Boxplot Veri bir kutu olarak gösterilir Kutunun alt ve üst çizgileri 1. ve 3. çeyreklerdir Ortanca bir çizgi ile belirtilir Maxve mindeğerleri kutunun dışında iki çizgi (Whiskers) ile belirtilir Histogram analizi Basit istatistiksel sınıfları gösteren grafik Veri setindeki çeşitli sınıflara ait verilerin sayısını ya da frekansını veren dikdörtgenlerden oluşur 10
11 Quantile plot Kullanıcının hem normal verileri hem de aykırılıklarını görmesini sağlar Quantile bilgisi verir Veri x i ile gösterilirse, f i değeri ğ veri setindeki verilerin i %100f i sinin x i den küçük ya da eşit olduğunu gösterir Tek değişkenli analiz Quantile-Quantile plot Karşılaştırma yapar, eğilimi gösterir Çift değişkenli analiz Q1 M Q3 Quantile-quantile plots (also called q-q plots) are used to determine if two data sets come from populations with a common distribution. In such a plot, points are formed from the quantiles of the data. Şube 1 de satılan ürünler şube 2 de satılanlardan daha ucuz olma eğiliminde 11
12 Scatter plot Veri içindeki sapan verileri, kümeleri gösterir Özet: Veri Dağılımının Grafiksel Olarak Gösterimi Histogram Boxplot Quantile plot: each value x i is paired with f i indicating that approximately 100 f i %ofdata are x i Quantile-quantile (q-q) plot: graphs the quantiles of one univariant distribution against the corresponding quantiles of another Scatter plot: each pair of values is a pair of coordinates and plotted as points in the plane 12
13 Veri önişleme Veri temizleme Eksik veri tamamlama, hatalı verileri düzeltme, tutarsız verileri kaldırma Veri bütünleştirme Artık verileri ortadan kaldırma, veritabanlarını birleştirme Veri değiştirme Veriyi daha anlaşılabilir bir halde ifade etme, normalizasyon Veri azaltma Veri bütünleştirme, nitelik alt kümesi seçme, boyut küçültme, vb. Veri önişleme 13
14 Veri önişleme Veri temizleme Eksik veri tamamlama, hatalı verileri düzeltme, tutarsız verileri kaldırma Veri bütünleştirme Artık verileri ortadan kaldırma, veritabanlarını birleştirme Veri değiştirme Veriyi daha anlaşılabilir bir halde ifade etme, normalizasyon Veri azaltma Veri bütünleştirme, nitelik alt kümesi seçme, boyut küçültme, vb. Veri temizleme Eksik veri tamamlama, hatalı verileri düzeltme, tutarsız verileri kaldırma Eksik veri tamamlama (missing values) Kaydı yok say Elle doldurma Global bir değerle doldurma Nitelik ortalamasıyla doldurma Eksik verinin ait olduğu grubun nitelik ortalamasıyla doldurma En olası değerle doldurma (regression, Bayesian inference) 14
15 Veri temizleme Hatalı verileri düzeltme (gürültülü-noisy data) hatalı veri toplama gereçleri veri giriş problemleri veri girişi i i sırasında kullanıcıların l hatalı yorumları veri iletim hataları teknolojik sınırlamalar veri isimlendirmede veya yapısında uyumsuzluk Hatalı verinin tespiti? Sapan veriler Veri temizleme Çözüm yöntemleri Kova metodu (Binning): Veriyi düzleştirme, lokal çözüm Kova ortalaması ile düzleştirme Kova ortancası ile düzleştirme Kova sınırları ile düzleştirme Eğri uydurma (Regression) Demetleme (Clustering) İnsan-bilgisayar incelemesi 15
16 Kova metodu (Binning) Eşit genişlik (Equal-width (distance) partitioning) Veri setini N eşit aralığa böler: uniform grid Eğer A ve B veri setindeki en büyük ve en küçük değerler ise her bir aralığın genişliği: W = (B A)/N. Basit ancak sapan verilerden etkilenir Çarpık (skewed) veri iyi ifade edilemez Kova metodu (Binning) Eşit derinlik (Equal-depth (frequency) partitioning) Her bir veri aralığı yaklaşık olarak aynı sayıda veri içerir Ölçeklenebilir 16
17 Binning - Örnek Sorted data for price (in dollars): 4, 8, 9, 15, 21, 21, 24, 25, 26, 28, 29, 34 Partition into equal-frequency (equi-depth) bins: - Bin 1: 4, 8, 9, 15 - Bin 2: 21, 21, 24, 25 - Bin 3: 26, 28, 29, 34 Smoothing by bin means: - Bin 1: 9, 9, 9, 9 - Bin 2: 23, 23, 23, 23 - Bin 3: 29, 29, 29, 29 Smoothing by bin boundaries: - Bin 1: 4, 4, 4, 15 - Bin 2: 21, 21, 25, 25 - Bin 3: 26, 26, 26, 34 Regresyon Y1 Y1 y = x + 1 X1 x 17
18 Demetleme / Kümeleme Veri önişleme Veri temizleme Eksik veri tamamlama, hatalı verileri düzeltme, tutarsız verileri kaldırma Veri bütünleştirme Artık verileri ortadan kaldırma, veritabanlarını birleştirme Veri değiştirme Veriyi daha anlaşılabilir bir halde ifade etme, normalizasyon Veri azaltma Veri bütünleştirme, nitelik alt kümesi seçme, boyut küçültme, vb. 18
19 Veri bütünleştirme Artık verileri ortadan kaldırma, veritabanlarını birleştirme Schema bütünleştirme Varlık tanımlama (entity identification) problem Veritabanı 1 -> Cust_id Veritabanı 2 -> Cust_number Metadata kullanımı Her niteliği tanımla Artık/tekrarlı veri temizleme Korelasyon analizi Chi-squaretest Korelasyon Analizi Correlation coefficient (also called Pearson s product moment coefficient) r A, B ( A A )( B B ) ( AB ) N A B N A B N A B where n is the number of tuples, A and B are the respective means of A and B, σ A and σ B are the respective standard deviation of A and B, and Σ(AB) is the sum of the AB crossproduct. If r A,B > 0, A and db are positively correlated d(a (A s values increase as B s). The higher, the stronger correlation. r A,B = 0: independent; r A,B < 0: negatively correlated 19
20 Pearson s product moment coefficient r A,B değerlerinin anlamı Correlation Negative Positive None 0.09 to to 0.09 Small 0.3 to to 0.3 Medium 0.5 to to 0.5 Strong 1.0 to to 1.0 Korelasyon Analizi - Örnek 20
21 Chi-square Test Ayrık / kategorik veri için korelasyon Χ 2 (chi-square) test 2 ( Observed Expected ) Expected The larger the Χ 2 value, the more likely the variables are related The cells that contribute the most to the Χ 2 value are those whose actual count is very different from the expected count Correlation does not imply causality # of hospitals and # of car-theft in a city are correlated Both are causally linked to the third variable: population 2 Chi-square Test - Örnek male female Sum (row) fiction 250(90) 200(360) 450 non-fiction 50(210) 1000(840) 1050 Sum(col.) Χ 2 (chi-square) calculation (numbers in parenthesis are expected counts calculated based on the data distribution in the two categories) (250 90) (50 210) ( ) ( ) Bu hipotezin yanlış olduğunu red etmek için Bağımsızlık derecesi = (r-1)(c-1)=(2-1)(2-1)=1 ve belli bir önem derecesi için chisquare dağılımının kritik değer tablosuna bakılır önem değeri için < olduğundan Cinsiyet ve okuma tercihi birbirlerinden bağımsız değil denir (çok kuvvetli bir ilişki vardır). 21
22 Kritik değer tablosu Veri önişleme Veri temizleme Eksik veri tamamlama, hatalı verileri düzeltme, tutarsız verileri kaldırma Veri bütünleştirme Artık verileri ortadan kaldırma, veritabanlarını birleştirme Veri değiştirme Veriyi daha anlaşılabilir bir halde ifade etme, normalizasyon Veri azaltma Veri bütünleştirme, nitelik alt kümesi seçme, boyut küçültme, vb. 22
23 Veri değiştirme Veriyi daha anlaşılabilir bir halde ifade etme, normalizasyon Düzeltme (smoothing) Birleştirme (aggregation) Genelleme Normalizasyon Max-min normalizasyon Z-score normalizasyon Normalizasyon by decimal scaling Nitelik oluşturma Veri değiştirme Min-max normalization: to [new_min A, new_max A ] v mina v ' ( new_ maxa new_ mina) new_ mina maxa mina Ex. Let income range $12,000 to $98,000 normalized to [0.0, 1.0]. Then $73,600 is mapped to 73,600 12,000 (1.0 0) ,000 12,000 v A Z-score normalization (μ: mean, σ: standard deviation): v ' A Ex. Let μ = 54,000, σ = 16,000. Then 73,600 54, ,000 Normalization by decimal scaling v v' 10 j Where j is the smallest integer such that Max( ν ) < 1 v <1 olacak şekilde v değerini en büyük yapacak j değeri 23
24 Veri önişleme Veri temizleme Eksik veri tamamlama, hatalı verileri düzeltme, tutarsız verileri kaldırma Veri bütünleştirme Artık verileri ortadan kaldırma, veritabanlarını birleştirme Veri değiştirme Veriyi daha anlaşılabilir bir halde ifade etme, normalizasyon Veri azaltma Veri bütünleştirme, nitelik alt kümesi seçme, boyut küçültme, vb. Veri azaltma Veri boyutunu düşür Orijinal verinin özelliklerini koru Boyut küçültmek için harcanan zaman veri madenciliği ğ yaparken kazanacağımız ğ zamanı geçmemelidir Bazı metotlar Veri küpü birleştirme Nitelik altkümesi seçme Boyut azaltma Numerosity reduction (Veriyi modellerle yada görsel olarak ifade etme) Ayrıştırma ve konsept hiyerarşisi geliştirme 24
25 Nitelik altkümesi seçme Veriye ait tüm nitelikler yapılacak iş için önemli olmayabilir Alışveriş eğiliminin belirlenmesi/müşterilerin telefon numaraları Tekrarlı/redundant l/ d nitelikler Verinin dağılım özelliğini bozmadan veriyi ifade edebilecek en küçük nitelik altkümesinin seçilmesi Sonuçta ortaya çıkan örüntü sayısı azaltılarak veri anlaşılması daha kolay hale getirilir Veriyi i iyi i şekilde ifade edecek nitelik altkümesi nasıl bulunacak? Nitelik altkümesi seçme İyi ve kötü nitelikler bağımsızlık testleri, karar ağaçları gibi yöntemlerle belirlenir Bilgi kazancı vb. n nitelik için 2 n altküme (exponential) Sezgisel (heuristic) i metotlar : İleri adım adım seçme (Step-wise forward selection) Boş küme ile başlayıp en iyi nitelikler kümeye dahil edilir Geri adım adım eleme (Step-wise backward elimination) Tüm nitelikler ile başlanıp, her basamakta en kötü olan(lar) elenir İleri seçme ve geri elemenin birleştirilmesi Karar ağacı çıkarma (Decision-tree induction) Ağaç ortaya çıkarılır ağaç üzerinde görülmeyen nitelikler kötü/önemsiz olarak nitelendirilir ve elenir 25
26 Boyut azaltma (Dimentionality Reduction) Kodlama (encoding) ve değiştirmeyle veriyi sıkıştırma Wavelet transforms Principle Component Analysis (PCA) Numerosity reduction Veriyi modellerle yada görsel olarak daha küçük formlarda ifade etme Eğri uydurma modelleri Histogramlar Demetleme Örnekleme 26
27 Regresyon Analizi Bağımlı değişken ile bir veya daha çok bağımsız değişken arasındaki ilişkiyi incelemek amacıyla kullanılan bir analiz yöntemidir. Regresyon analizi ile bağımlı ve bağımsız değişkenler arasında bir ilişki var mıdır? Eğer bir ilişki varsa bu ilişkinin gücü nedir? Değişkenler arasında ne tür bir ilişki vardır? gibi sorulara cevap aranmaya çalışılır. y Y1 Y1 X1 y = x + 1 x Histogramlar Equ-width/Eşit genişlik Equ-depth/Eşit derinlik V optimal (Barlar arasında en düşük varyans) Olası bütün histogramlardan barlar arasından en düşük varyansa sahip olanı seç MaxDiff (Veriler arasındaki en fazla fark eden değer çiftleri sınırları belirler) B kova sayısı En yüksek B-1 tane farkı belirle ve kovaları ayır
28 Demetleme / Kümeleme Veri setini benzerliklerine göre demetlere ayırma Sadece demeti ifade eden bilgiyi sakla Merkez ve çap Gruplu yapıya sahip veri setinde daha iyi sonuç verir Hiyeraşik demetleme yapılabilir ve indeks ağaçları olarak ifade edilebilir Örnekleme Tüm veri seti N i temsil edecek küçük veri seti s i seçmek Basit metotların performansı iyi değil Uyarlanabilir metotlar Strafied örnekleme Belli bir kurala göre sınıfla her sınıftan eşit sayıda örnek al 28
29 Örnekleme çeşitleri Simple random sampling There is an equal probability of selecting any particular item Sampling without replacement Once an object is selected, it is removed from the population Sampling with replacement A selected object is not removed from the population Stratified sampling: Partition the data set, and draw samples from each partition (proportionally, i.e., approximately the same percentage of the data) Used in conjunction with skewed data Sampling: With or without Replacement Raw Data 29
30 Sampling: Cluster or Stratified Sampling Raw Data Cluster/Stratified Sample Ayrıştırma ve konsept hiyerarşisi geliştirme Sayısal veri Binning Histogram analizi Kategorik veri Şema seviyesinde (kullanıcılar tarafından) Cadde<semt<şehir<ülke Gruplama {ankara,kayseri,konya}-> içanadolu Anlamsal bağlantılar Bazen adres olarak sadece şehir bilgisi yetebilir. Cadde sokak numara nitelikleri atılır. 30
Veri Madenciliği. Bölüm 2. Veri Önişleme. Doç. Dr. Suat Özdemir. w3.gazi.edu.tr/~suatozdemir
Bölüm 2. Veri Önişleme w3.gazi.edu.tr/~suatozdemir Veri-Nesne-Nitelik 10 Veri: Nesneler ve nesnelerin niteliklerinden oluşan küme Nesne terimi yerine kayıt (record), varlık (entity), örnek (sample, instance)
DetaylıCHAPTER 7: DISTRIBUTION OF SAMPLE STATISTICS. Sampling from a Population
CHAPTER 7: DISTRIBUTION OF SAMPLE STATISTICS Sampling from a Population Örnek: 2, 4, 6, 6, 7, 8 say lar ndan oluşan bir populasyonumuz olsun Bu say lardan 3 elemanl bir örneklem (sample) seçebiliriz. Bu
DetaylıVeri Toplama Yöntemleri. Prof.Dr.Besti Üstün
Veri Toplama Yöntemleri Prof.Dr.Besti Üstün 1 VERİ (DATA) Belirli amaçlar için toplanan bilgilere veri denir. Araştırmacının belirlediği probleme en uygun çözümü bulabilmesi uygun veri toplama yöntemi
Detaylı*Bir boyutlu veri (bir özellik, bir rasgele değişken, bir boyutlu dağılım): ( x)
4. Ders Tablolar: Hazırlama ve Analiz *Bir boyutlu veri (bir özellik, bir rasgele değişken, bir boyutlu dağılım): Örnek1: 4 çocuklu bir ailede kız çocukların sayısı X rasgele değişkeni olsun. Mendel yasalarına
DetaylıÜNİTE 5 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI
ÜNİTE 5 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI 1 Rassal Değişken Bir deney ya da gözlemin şansa bağlı sonucu bir değişkenin aldığı değer olarak düşünülürse, olasılık ve istatistikte böyle bir
DetaylıBÖLÜM 3 FREKANS DAĞILIMLARI VE FREKANS TABLOLARININ HAZIRLANMASI
1 BÖLÜM 3 FREKANS DAĞILIMLARI VE FREKANS TABLOLARININ HAZIRLANMASI Ölçme sonuçları üzerinde yani amaçlanan özelliğe yönelik gözlemlerden elde edilen veriler üzerinde yapılacak istatistiksel işlemler genel
DetaylıSÜREÇ YÖNETİMİ VE SÜREÇ İYİLEŞTİRME H.Ömer Gülseren > ogulseren@gmail.com
SÜREÇ YÖNETİMİ VE SÜREÇ İYİLEŞTİRME H.Ömer Gülseren > ogulseren@gmail.com Giriş Yönetim alanında yaşanan değişim, süreç yönetimi anlayışını ön plana çıkarmıştır. Süreç yönetimi; insan ve madde kaynaklarını
DetaylıBÖLÜM 7 BİLGİSAYAR UYGULAMALARI - 1
1 BÖLÜM 7 BİLGİSAYAR UYGULAMALARI - 1 Belli bir özelliğe yönelik yapılandırılmış gözlemlerle elde edilen ölçme sonuçları üzerinde bir çok istatistiksel işlem yapılabilmektedir. Bu işlemlerin bir kısmı
DetaylıBÖL-1B. Fatih University- Faculty of Engineering- Electric and Electronic Dept.
SAYISAL DEVRE TASARIMI EEM122 Ref. Morris MANO & Michael D. CILETTI SAYISAL TASARIM 4. Baskı BÖL-1B Fatih University- Faculty of Engineering- Electric and Electronic Dept. İŞARETLİ SAYILAR Bilgisayar gibi
Detaylı1. YAPISAL KIRILMA TESTLERİ
1. YAPISAL KIRILMA TESTLERİ Yapısal kırılmanın araştırılması için CUSUM, CUSUMSquare ve CHOW testleri bize gerekli bilgileri sağlayabilmektedir. 1.1. CUSUM Testi (Cumulative Sum of the recursive residuals
DetaylıRİSK ANALİZİ VE. İşletme Doktorası
RİSK ANALİZİ VE MODELLEME İşletme Doktorası Programı Bölüm - 1 Portföy Teorisi Bağlamında Risk Yönetimi ile İlgili Temel Kavramlar 1 F23 F1 Risk Kavramı ve Riskin Ölçülmesi Risk istenmeyen bir olayın olma
DetaylıExponential Distribution. diger. Probability Distributions. Sürekli Şans Değişkenleri. 0 diger. SÜREKLİ RASSAL DEĞİŞKENLER ve OLASILIK DAĞILIMLARI
Probability Distributions Probability Distributions SÜREKLİ RASSAL DEĞİŞKENLER ve OLASILIK DAĞILIMLARI Dr. Mehmet AKSARAYLI Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Ekonometri Bölümü
DetaylıVeri Objeleri ve Attribute (öznitelik) tipleri
Veri Objeleri ve Attribute (öznitelik) tipleri Verinin Temel İstatistiksel Tanımı Verinin Görselleştirilmesi Verilerin Benzerliklerinin Ölçülmesi SMY 535, Veri Madenciliği, Güz 2015, Ders #2 2 Record Relational
DetaylıALGILAMA - ALGI. Alıcı organların çevredeki enerjinin etkisi altında uyarılmasıyla ortaya çıkan nörofizyolojik süreçler.
ALGILAMA Duyum Algı ALGILAMA - ALGI Duyum Alıcı organların çevredeki enerjinin etkisi altında uyarılmasıyla ortaya çıkan nörofizyolojik süreçler. Algılama Duyu verilerini örgütleyip yorumlayarak çevredeki
DetaylıYILDIZ TEKNİK ÜNİVERSİTESİ DERS GÖREVLENDİRME YÖNERGESİ
YILDIZ TEKNİK ÜNİVERSİTESİ DERS GÖREVLENDİRME YÖNERGESİ İÇİNDEKİLER İÇİNDEKİLER...i BİRİNCİ BÖLÜM...1 Amaç, Kapsam, Dayanak ve Tanımlar...1 Amaç...1 Kapsam...1 Dayanak...1 Tanımlar...1 İKİNCİ BÖLÜM...2
DetaylıVERİ MADENCİLİĞİ (Veri Önişleme-1) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Veri Önişleme-1) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma Kümeleme
Detaylıİki Değişkenli Bağlanım Modelinin Uzantıları
İki Değişkenli Bağlanım Modelinin Uzantıları Hesaplamaya İlişkin Konular Ekonometri 1 Konu 19 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial ShareAlike
DetaylıIstatistik ( IKT 253) 1. Çal şma Sorular - Cevaplar
TOBB-ETÜ, Iktisat Bölümü Istatistik ( IKT 253) 1. Çal şma Sorular - Cevaplar Soru 1: Bir hafta boyunca saat 2-3pm aras nda bir ma¼gazay ziyaret eden insan say s aşa¼g daki gibidir Pzt. Sa. Çar. Per. Cu.
DetaylıYarışma Sınavı A ) 60 B ) 80 C ) 90 D ) 110 E ) 120. A ) 4(x + 2) B ) 2(x + 4) C ) 2 + ( x + 4) D ) 2 x + 4 E ) x + 4
1 4 The price of a book is first raised by 20 TL, and then by another 30 TL. In both cases, the rate of increment is the same. What is the final price of the book? 60 80 90 110 120 2 3 5 Tim ate four more
DetaylıEtkinliklere katılım, ücretli ve kontenjan ile sınırlıdır.
24-26 Ekim 2016 tarihleri arasında gerçekleşecek olan Future Learning 2016 konferansımızda bu yıl birbirinden ilginç konu başlıklarına sahip eğitimler ve atölye çalışmaları gerçekleştirilecektir. Etkinliklere
DetaylıHAM PUAN: Üniversite Sınavlarına giren adayların sadece netler üzerinden hesaplanan puanlarına hem puan denir.
YGS / LYS SÖZLÜĞÜ OBP (ORTA ÖĞRETİM BAŞARI PUANI): Öğrencinin diploma notunun diğer öğrencilerin diploma notlarına oranıdır. En az 100 en çok 500 puan arasında değişen bu değer, öğrencinin başarısı okulun
Detaylıİstatistik ve Olasılığa Giriş. İstatistik ve Olasılığa Giriş. Ders 3 Verileri Sayısal Ölçütlerle İfade Etme. Verileri Sayısal Ölçütlerle İfade Etme
İstatistik ve Olasılığa Giriş Robert J. Beaver Barbara M. Beaver William Mendenhall Presentation designed and written by: Barbara M. Beaver İstatistik ve Olasılığa Giriş Ders 3 Verileri Sayısal Ölçütlerle
DetaylıSÜRE BİLİŞİM TEKNOLOJİLERİ ÜNİTE 1: : BİLGİ VE TEKNOLOJİ DERS SAATİ: 7
7. 30Ekim - 2Kasım 202 6. AFTA 22-23Ekim 202 5. 5-9 Ekim 202 4. 8-2 Ekim 202 3. -5 Ekim 202 EYLÜL 2. 24-28 Eylül 202 EYLÜL. 7-2 Eylül 202 202 203 ÖĞRETİM YILI BİLİŞİM TEKNOLOJİLERİ ÜNİTE : : BİLGİ VE TEKNOLOJİ
DetaylıBölüm 3. Sentaks ve semantik tarifi ISBN 0-321-49362-1
Bölüm 3 Sentaks ve semantik tarifi ISBN 0-321-49362-1 Bölüm 3 Konuları Giriş Genel olarak sentaks tarifi Sentaks tarifinin matematiksel yöntemleri Özellik gramerleri (Attribute Grammars) Programların anlamını
Detaylı13 Kasım 2012. İlgili Modül/ler : Satın Alma ve Teklif Yönetimi. İlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL
13 Kasım 2012 İlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL STOK BİLGİLERİNİ KULLANARAK TOPLU ALIM TALEP FİŞİ OLUŞTURMA Satın Alma ve Teklif Yönetimi modülü ile ihtiyaç duyulan stoklar otomatik belirlenip,
DetaylıNedensel-Karşılaştırma Yöntemi
Nedensel-Karşılaştırma Yöntemi Belli bir değişken açısından farklılaşan grupları birbiriyle karşılaştırmak amaçlanır. Bu amaçla, en az iki gruptan oluşan bir örneklem belirlenir. Örneğin, okulöncesi eğitim
DetaylıKonular. VERİ MADENCİLİĞİ Veri Önişleme. Değer Kümeleri. Veri Nedir? Nitelik Türleri. Konular. Veri Veri Önişleme Benzerlik ve farklılık
0 VERİ MADENCİLİĞİ Veri Önişleme Yrd. Doç. Dr. Şule Gündüz Öğüdücü Veri Nedir? nesneler ve nesnelerin niteliklerinden oluşan küme kayıt (record), varlık (entity), örnek (sample, instance) nesne için kullanılabilir.
DetaylıYedi Karat Kullanım Klavuzu. Yedi Karat nedir? Neden Karat?
Yedi Karat Kullanım Klavuzu Yedi Karat nedir? Karat, fiziksel dünya ile iletişim ve etkileşim kurulabilmesini sağlayan, elektronik prototip geliştirme kartıdır. Karat, tek başına çalışabilen interaktif
DetaylıDENEY 2: PROTOBOARD TANITIMI VE DEVRE KURMA
A. DENEYİN AMACI : Protoboard kullanımını öğrenmek ve protoboard üzerinde basit direnç devreleri kurmak. B. KULLANILACAK ARAÇ VE MALZEMELER : 1. DC güç kaynağı, 2. Multimetre, 3. Protoboard, 4. Değişik
DetaylıBIM BUILDING INFORMATION MODELING YAPI BİLGİ MODELİ
BIM BUILDING INFORMATION MODELING YAPI BİLGİ MODELİ S u n u m ö z e t i 1. Bölüm: Genel tanımlar 2. Bölüm: BIM e gereksinim 3. Bölüm: Birlikte çalışabilirlik ve BIM veri standardı 4. Bölüm: BIM verisi
DetaylıKORELASYON VE REGRESYON ANALİZİ
KORELASON VE REGRESON ANALİZİ rd. Doç. Dr. S. Kenan KÖSE İki ya da daha çok değişken arasında ilişki olup olmadığını, ilişki varsa yönünü ve gücünü inceleyen korelasyon analizi ile değişkenlerden birisi
DetaylıTEKNİK RESİM. Ders Notları: Mehmet Çevik Dokuz Eylül Üniversitesi. Görünüşler - 1
TEKNİK RESİM 2010 Ders Notları: Mehmet Çevik Dokuz Eylül Üniversitesi 2/25 Görünüşler Birinci İzdüşüm Metodu Üçüncüİzdüşüm Metodu İzdüşüm Sembolü Görünüşlerin Çizilmesi Görünüş Çıkarma Kuralları Tek Görünüşle
DetaylıAB ve Türkiye Telekomünikasyon Pazarları 2009 Yılı Durum Karşılaştırması
T.C. BAŞBAKANLIK AVRUPA BİRLİĞİ GENEL SEKRETERLİĞİ Sosyal, Bölgesel ve Yenilikçi Politikalar Başkanlığı AB ve Türkiye Telekomünikasyon Pazarları 2009 Yılı Durum Karşılaştırması Hazırlayanlar Uzman Hakan
DetaylıMODEL KURMA HATALARI ve VERİ SORUNLARI
MODEL KURMA HATALARI ve VERİ SORUNLARI Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge 14 Ekim 2012 Ekonometri
DetaylıDİKKAT! SORU KİTAPÇIĞINIZIN TÜRÜNÜ "A" OLARAK CEVAP KÂĞIDINA İŞARETLEMEYİ UNUTMAYINIZ. SAYISAL BÖLÜM SAYISAL-2 TESTİ
ALES İlkbahar 007 SAY DİKKAT! SORU KİTAPÇIĞINIZIN TÜRÜNÜ "A" OLARAK CEVAP KÂĞIDINA İŞARETLEMEYİ UNUTMAYINIZ. SAYISAL BÖLÜM SAYISAL- TESTİ Sınavın bu testinden alacağınız standart puan, Sayısal Ağırlıklı
DetaylıB02.8 Bölüm Değerlendirmeleri ve Özet
B02.8 Bölüm Değerlendirmeleri ve Özet 57 Yrd. Doç. Dr. Yakup EMÜL, Bilgisayar Programlama Ders Notları (B02) Şimdiye kadar C programlama dilinin, verileri ekrana yazdırma, kullanıcıdan verileri alma, işlemler
DetaylıPazarlama Araştırması Grup Projeleri
Pazarlama Araştırması Grup Projeleri Projeler kapsamında öğrencilerden derlediğiniz 'Teknoloji Kullanım Anketi' verilerini kullanarak aşağıda istenilen testleri SPSS programını kullanarak gerçekleştiriniz.
DetaylıSaplama ark kaynağı (Stud welding) yöntemi 1920'li yıllardan beri bilinmesine rağmen, özellikle son yıllarda yaygın olarak kullanılmaktadır.
SAPLAMA KAYNAĞI Saplama ark kaynağı (Stud welding) yöntemi 1920'li yıllardan beri bilinmesine rağmen, özellikle son yıllarda yaygın olarak kullanılmaktadır. Arkın metalleri ergitme özelliğinden yararlanarak
DetaylıCS 553 INTELLIGENT DATA ANALYSIS PROJECT WORKSHOP ORHUN ALP ORAL
1 CS 553 INTELLIGENT DATA ANALYSIS PROJECT WORKSHOP ORHUN ALP ORAL 2 PROJECT OUTLINE 1. Domain Information 2. Dataset: Extraction, Features and possible values 3. Preprocessing: Statistics, missing values,
Detaylı6. Ders. Genelleştirilmiş Lineer Modeller (Generalized Linear Models, GLM)
6. Ders Genelleştirilmiş Lineer Modeller (Generalized Linear Models, GLM) Y = X β + ε Lineer Modeli pek çok özel hallere sahiptir. Bunlar, ε nun dağılımına (bağımlı değişkenin dağılımına), Cov( ε ) kovaryans
DetaylıATH-SW Serisi yüzey montaj termostat
Gönderi adresi: Mackenrodtstraße 4, Adres: Ataşehir TEM Yanyol, Darende İş Merkezi 36039 Fulda, Almanya No:7 D.4, Ataşehir - İstanbul Posta adresi: 36035 Fulda, Almanya Telefon: 06 455 865 Telefon: +49
DetaylıMak-204. Üretim Yöntemleri II. Vida ve Genel Özellikleri Kılavuz Çekme Pafta Çekme Rayba Çekme
Mak-204 Üretim Yöntemleri II Vida ve Genel Özellikleri Kılavuz Çekme Pafta Çekme Rayba Çekme Kubilay ASLANTAŞ Afyon Kocatepe Üniversitesi Teknik Eğitim Fakültesi Makine Eğt. Bölümü Üretim Yöntemleri 1
Detaylı6.5 Basit Doğrusal Regresyonda Hipotez Testleri. 6.5.1 İçin Hipotez Testi: 1. Hipotez kurulur. 2. Test istatistiği hesaplanır.
6.5 Basit Doğrusal Regresyonda Hipotez Testleri 6.5.1 İçin Hipotez Testi: 1. Hipotez kurulur. 2. Test istatistiği hesaplanır. olduğu biliniyor buna göre; hipotezinin doğruluğu altında test istatistiği
DetaylıM. Selçuk ERCAN. Bina Yönetim Sistemleri Alarko-Carrier A.Ş.
M. Selçuk ERCAN Bina Yönetim Sistemleri Alarko-Carrier A.Ş. Teşhis Nedir? * Cihaz ve işletme aksaklıklarının varlığını belirlemek * Maliyet olarak etkisini araştırmak, Aciliyetini araştırmak * Nedenlerini
Detaylı2013-2014 EĞİTİM VE ÖĞRETİM YILI TED KDZ EREĞLİ KOLEJİ ORTAOKULU MATEMATİK 8.SINIF ÜNİTELENDİRİLMİŞ YILLIK PLANDIR.
EYLÜL 2013-201 EĞİTİM VE ÖĞRETİM YILI TED KDZ EREĞLİ KOLEJİ ORTAOKULU MATEMATİK 8.SINIF ÜNİTELENDİRİLMİŞ YILLIK PLANDIR. 9-13 Örüntü ve Süslemeler Dönüşüm Geometrisi 1. Doğru, çokgen ve çember modellerinden
DetaylıÖĞRENME FAALĠYETĠ 7. 7. GELĠġMĠġ ÖZELLĠKLER
ÖĞRENME FAALĠYETĠ 7 AMAÇ ÖĞRENME FAALĠYETĠ 7 Bu faaliyette verilen bilgiler ile hazırlamıģ olduğunuz belgeye uygun baģvuruları (Ġçindekiler Tablosu, Dipnot/sonnot, Ģekil tablosu, resim yazısı vb.) hatasız
Detaylı1.3. NİTEL ARAŞTIRMA YÖNTEMLERİ... 2 1.1. GİRİŞ... 2 1.2. NİTEL ARAŞTIRMALARDA GEÇERLİK VE GÜVENİRLİK SORUNLARI... 2
İÇİNDEKİLER 1. NİTEL ARAŞTIRMA YÖNTEMLERİ... 2 1.1. GİRİŞ... 2 1.2. NİTEL ARAŞTIRMALARDA GEÇERLİK VE GÜVENİRLİK SORUNLARI... 2 1.3. NİTEL ARAŞTIRMA YÖNTEMLERİ... 2 1.3.1. ÖRNEK OLAY (DURUM ÇALIŞMASI) YÖNTEMİ...
DetaylıIt is symmetrical around the mean The random variable has an in nite theoretical range: 1 to +1
The Normal Distribution f(x) µ s x It is bell-shaped Mean = Median = Mode It is symmetrical around the mean The random variable has an in nite theoretical range: 1 to +1 1 If random variable X has a normal
DetaylıYrd. Doç.Dr. Neşet Demirci, Balıkesir Üniversitesi, NEF, Fizik Eğitimi. Hipotez Testine Giriş
Yrd. Doç.Dr. Neşet Demirci, Balıkesir Üniversitesi, NEF, Fizik Eğitimi 5. ders Hipotez Testine Giriş Yrd. Doç.Dr. Neşet Demirci, Balıkesir Üniversitesi, NEF, Fizik Eğitimi Hipotez Yazma Popülasyon hakkındaki
DetaylıT.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ MEKATRONİK MÜHENDİSLİĞİ BÖLÜMÜ MEKATRONİK LABORATUVARI 1. BASINÇ, AKIŞ ve SEVİYE KONTROL DENEYLERİ
T.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ MEKATRONİK MÜHENDİSLİĞİ BÖLÜMÜ MEKATRONİK LABORATUVARI 1 BASINÇ, AKIŞ ve SEVİYE KONTROL DENEYLERİ DENEY SORUMLUSU Arş.Gör. Şaban ULUS Haziran 2012 KAYSERİ
DetaylıSÜRE BĠLĠġĠM TEKNOLOJĠLERĠ ÜNĠTE 1: ĠLETĠġĠM DERS SAATĠ: 1. Gelecekteki bilişim teknoloji
2. 0-4 EKĠM 20 EKĠM. 3-7 EKĠM 20 EYLÜL 4. 26-30 EYLÜL 20 EYLÜL 3. 9-23 EYLÜL 20 20 202 ÖĞRETİM YILI BĠLĠġĠM TEKNOLOJĠLERĠ ÜNĠTE : ĠLETĠġĠM DERS SAATĠ:.. Gelecekteki bilişim teknolojilerinin olası etkisi
Detaylıİstatiksel Analiz ve Enstrümantasyon (MFGE 312) Ders Detayları
İstatiksel Analiz ve Enstrümantasyon (MFGE 312) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Kredi AKTS Saati İstatiksel Analiz ve Enstrümantasyon MFGE 312 Bahar 2 2 0
DetaylıMARMARA ÜNĠVERSĠTESĠ YABANCI DĠL VE TÜRKÇE HAZIRLIK SINIFLARI EĞĠTĠM-ÖĞRETĠM ve SINAV YÖNERGESĠ Senato: 13 Ekim 2009 / 274-11
MARMARA ÜNĠVERSĠTESĠ YABANCI DĠL VE TÜRKÇE HAZIRLIK SINIFLARI EĞĠTĠM-ÖĞRETĠM ve SINAV YÖNERGESĠ Senato: 13 Ekim 2009 / 274-11 Amaç ve kapsam MADDE 1 (1) Bu Yönergenin amacı, Marmara Üniversitesi Yabancı
DetaylıHÂKİMLER VE SAVCILAR YÜKSEK KURULU HUKUKİ MÜZAKERE TOPLANTILARI PROJE FİŞİ
HÂKİMLER VE SAVCILAR YÜKSEK KURULU HUKUKİ MÜZAKERE TOPLANTILARI PROJE FİŞİ GİRİŞ Hâkimler ve Savcılar Yüksek Kurulu (HSYK) yeni yapısıyla göreve başladığı günden bugüne yargının daha etkin ve verimli bir
DetaylıOrtaö retim Alan Ö retmenli i Tezsiz Yüksek Lisans Programlar nda Akademik Ba ar n n Çe itli De i kenlere Göre ncelenmesi: Mersin Üniversitesi Örne i
Ortaö retim Alan Ö retmenli i Tezsiz Yüksek Lisans Programlar nda Akademik Ba ar n n Çe itli De i kenlere Göre ncelenmesi: Mersin Üniversitesi Örne i Devrim ÖZDEM R ALICI * Özet Bu ara t rmada 2002-2003
DetaylıİSTANBUL TİCARET ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ BİLGİSAYAR SİSTEMLERİ LABORATUARI YÜZEY DOLDURMA TEKNİKLERİ
İSTANBUL TİCARET ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ BİLGİSAYAR SİSTEMLERİ LABORATUARI YÜZEY DOLDURMA TEKNİKLERİ Deneyde dolu alan tarama dönüşümünün nasıl yapıldığı anlatılacaktır. Dolu alan tarama
DetaylıKonveyörler NP, NI Serisi
NP, NI Serisi NP Serisi T-Max konveyörleri, üretim şartlarınıza uygun olarak, Avrupa da, optimum verimde çalışacak şekilde imal edilmiştir. Alüminyum konstrüksiyon kasası, yüksek sıcaklığa dayanıklı bant
DetaylıKonu 4 Tüketici Davranışları Teorisi
Konu 4 Tüketici Davranışları Teorisi Hadi Yektaş Zirve Üniversitesi İşletme Yüksek Lisans Programı Güz 2012 1 / 93 Hadi Yektaş Tüketici Davranışları Teorisi İçerik 1 2 Kayıtsızlık Eğrisi Analizi Tüketici
DetaylıKılavuz Çekmek. Üretim Yöntemleri 15
Kılavuz Çekmek Kılavuz çekme işlemlerinde kullanılan takımlar genellikle Yüksek Hız Çeliklerinden (HSS) yapılırlar. Bununla birlikte son zamanlarda kaplamalı(tin) kılavuz takımları da üretilmeye başlanmıştır.
DetaylıFen-Teknoloji-Toplum-Çevre I (Elektrik ve Manyetik Alanın Toplumsal ve Çevresel Etkileri)
ĐLKÖĞRETĐM ANABĐLĐM DALI FEN BĐLGĐSĐ EĞĐTĐMĐ BĐLĐM DALI DOKTORA PROGRAMI 2013 2014 EĞĐTĐM ÖĞRETĐM PLANI GÜZ YARIYILI DERSLERĐ Dersin Kodu Dersin Adı T P AKTS ĐFE 600* Seminer 0 3 6 ĐFE 601 Đleri Nicel
Detaylıhttp://acikogretimx.com
09 S 0- İstatistik sorularının cevaplanmasında gerekli olabilecek tablolar ve ormüller bu kitapçığın sonunda verilmiştir.. şağıdakilerden hangisi istatistik birimi değildir? ) Doğum B) ile C) Traik kazası
DetaylıT.C. Hitit Üniversitesi. Sosyal Bilimler Enstitüsü. İşletme Anabilim Dalı
T.C. Hitit Üniversitesi Sosyal Bilimler Enstitüsü İşletme Anabilim Dalı X, Y, Z KUŞAĞI TÜKETİCİLERİNİN YENİDEN SATIN ALMA KARARI ÜZERİNDE ALGILANAN MARKA DENKLİĞİ ÖĞELERİNİN ETKİ DÜZEYİ FARKLILIKLARININ
DetaylıBilgisayarla Tasarım I (GRT 207) Ders Detayları
Bilgisayarla Tasarım I (GRT 207) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Uygulama Saati Saati Laboratuar Saati Kredi AKTS Bilgisayarla Tasarım I GRT 207 Her İkisi 1 2 0 2 5 Ön Koşul Ders(ler)i Dersin
DetaylıDeneysel Verilerin Değerlendirilmesi
Deneysel Verilerin Değerlendirilmesi Ölçme-Birimler-Anlamlı Rakamlar Ölçme: Bir nesnenin bazı özelliklerini (kütle, uzunluk vs..) standart olarak belirlenmiş birimlere göre belirlenmesi işlemidir (ölçüm,
DetaylıRegresyon. Regresyon korelasyon ile yakından ilişkilidir
Regresyon Regresyona Giriş Regresyon korelasyon ile yakından ilişkilidir Regresyon bir bağımlı değişken ile (DV) bir veya daha fazla bağımsız değişken arasındaki doğrusal ilişkiyi inceler. DV için başka
DetaylıCHAPTER 8: CONFIDENCE INTERVAL ESTIMATION: ONE POPULATION
CHAPTER 8: CONFIDENCE INTERVAL ESTIMATION: ONE POPULATION A point estimator of a population parameter is a function of the sample information that yields a single number An interval estimator of a population
DetaylıELLE SÜT SAĞIM FAALİYETİNİN KADINLARIN HAYATINDAKİ YERİ ARAŞTIRMA SONUÇLARI ANALİZ RAPORU
ELLE SÜT SAĞIM FAALİYETİNİN KADINLARIN HAYATINDAKİ YERİ ARAŞTIRMA SONUÇLARI ANALİZ RAPORU Hazırlayan Sosyolog Kenan TURAN Veteriner Hekimi Volkan İSKENDER Ağustos-Eylül 2015 İÇİNDEKİLER Araştırma Konusu
DetaylıDİJİTAL FOTOĞRAF MAKİNELERİ VE KAMERALAR ÜRÜN E-EĞİTİMİ ÖZETİ
DİJİTAL FOTOĞRAF MAKİNELERİ VE KAMERALAR ÜRÜN E-EĞİTİMİ ÖZETİ DİJİTAL FOTOĞRAF MAKİNELERİ Dijital Fotoğraf Makinesi Nasıl çalışır? Dijital fotoğraf makineleri 4 elemandan oluşur. Bu elemanlar Objektif,
DetaylıKAPSAMLI İÇERİK SADELEŞTİRİLMİŞ ARAMA MOTORU YENİLİKÇİ BİLGİ İŞLEME TEKNOLOJİSİ PRATİK GÖRÜNTÜLEME ARAÇLARI MOBİL ERİŞİM
BAŞLANGIÇ REHBERİ KAPSAMLI İÇERİK SADELEŞTİRİLMİŞ ARAMA MOTORU YENİLİKÇİ BİLGİ İŞLEME TEKNOLOJİSİ PRATİK GÖRÜNTÜLEME ARAÇLARI MOBİL ERİŞİM LEXPERA Yeni Nesil Hukuk Bilgi Sistemi, hukuki araştırmalarınızı
DetaylıMİKRO İKTİSAT ÇALIŞMA SORULARI-10 TAM REKABET PİYASASI
MİKRO İKTİSAT ÇALIŞMA SORULARI-10 TAM REKABET PİYASASI 1. Firma karını maksimize eden üretim düzeyini seçmiştir. Bu üretim düzeyinde ürünün fiyatı 20YTL ve ortalama toplam maliyet 25YTL dir. Firma: A)
Detaylı2008 YILI MERKEZİ YÖNETİM BÜTÇESİ ÖN DEĞERLENDİRME NOTU
2008 YILI MERKEZİ YÖNETİM BÜTÇESİ ÖN DEĞERLENDİRME NOTU I- 2008 Mali Yılı Bütçe Sonuçları: Mali Disiplin Sağlandı mı? Maliye Bakanlığı tarafından açıklanan 2008 mali yılı geçici bütçe uygulama sonuçlarına
DetaylıPAZARLAMA VE PERAKENDE
T.C. MİLLÎ EĞİTİM BAKANLIĞI PAZARLAMA VE PERAKENDE İSTATİSTİK 462I00001 Ankara, 2011 Bu modül, mesleki ve teknik eğitim okul/kurumlarında uygulanan Çerçeve Öğretim Programlarında yer alan yeterlikleri
DetaylıUYGULAMA 4 TANIMLAYICI İSTATİSTİK DEĞERLERİNİN HESAPLANMASI
1 UYGULAMA 4 TANIMLAYICI İSTATİSTİK DEĞERLERİNİN HESAPLANMASI Örnek 1: Ders Kitabı 3. konuda verilen 100 tane yaş değeri için; a. Aritmetik ortalama, b. Ortanca değer, c. Tepe değeri, d. En küçük ve en
DetaylıOKUL BAZLI BÜTÇELEME KILAVUZU
Üst Politika Belgelerinde Okul Bazlı Bütçe: Amaç: OKUL BAZLI BÜTÇELEME KILAVUZU 1. Onuncu Kalkınma Planı (2014-2018) 154- Okul idarelerinin bütçeleme süreçlerinde yetki ve sorumlulukları artırılacaktır.
DetaylıDers 2: Aktüerya. Ankara Üniversitesi. İST424 Aktüeryal Risk Analizi Ders Notları. Doç.Dr. Fatih Tank. Sigortacılığın.
yal ya yal Ders 2: ya Ankara Üniversitesi Giriş yal ya yal ya Tanım (5.1.1 Risk) Hasar oluşumundaki belirsizliğe risk denir. Objektif Risk Risk Subjektif Risk Tanım (5.1.2 Objektif Risk) Gerçekleşen hasarın
Detaylıİçindekiler. 2. Zaman Verilerinin Belirlenmesi 47
İçindekiler 1. Süreç Verileri Yönetimine Giriş 1 1 Giriş 3 2 Temel Bilgiler 5 2.1 Refa ya göre süreç yönelimli zaman verileri yönetimi anlayışı 5 2.2 Standart süreçte veriler 8 2.2.1 Yönetim verileri 9
DetaylıSPSS (Statistical Package for Social Sciences)
SPSS (Statistical Package for Social Sciences) SPSS Data Editor: Microsoft Excel formatına benzer satır ve sütunlardan oluşan çalışma sayfası (*sav) Data Editör iki arayüzden oluşur. 1. Data View 2. Variable
DetaylıF İ R M a. Herşey Bir Kaynaktan. Düz profillerin ve baraların işlenmesinde uzman
F İ R M a Düz profillerin ve baraların işlenmesinde uzman EHRT ürün yelpazesi, busbarların komple işlemlerini (kesme, zımbalama ve büküm) içerir. Çalıştığımız firmalar genellikle elektrik endüstrisine
Detaylıİçindekiler Şekiller Listesi
1 İçindekiler 1.GĠRĠġ 3 2. Mekânsal Sentez ve Analiz ÇalıĢmaları... 4 3. Konsept....5 4. Stratejiler.....6 5.1/1000 Koruma Amaçlı Ġmar Planı.....7 6.1/500 Vaziyet Planı Sokak Tasarımı....7 7.1/200 Özel
Detaylı0 dan matematik. Bora Arslantürk. çalışma kitabı
0 dan matematik 0 dan matematik 1 çalışma kitabı Sıfırdan başlanarak matematik ile ilgili sıkıntı yaşayan herkese hitap etmesi, Akıllı renklendirme ile göz yoran değil ayrım yapmayı, istenileni bulmayı
DetaylıTURBOCHARGER REZONATÖRÜ TASARIMINDA SES İLETİM KAYBININ NÜMERİK VE DENEYSEL İNCELENMESİ
7. OTOMOTİV TEKNOLOJİLERİ KONGRESİ, 26 27 MAYIS BURSA TURBOCHARGER REZONATÖRÜ TASARIMINDA SES İLETİM KAYBININ NÜMERİK VE DENEYSEL İNCELENMESİ Özgür Palaz, Eksen Mühendislik opalaz@ex-en.com.tr Burak Erdal,
Detaylı- TESTO 417 - Hava Hızı ve Debisi Ölçüm Cihazı TANITMA VE KULLANMA KILAVUZU
- TESTO 417 - Hava Hızı ve Debisi Ölçüm Cihazı TANITMA VE KULLANMA KILAVUZU 1 1. Ürün Açıklaması Testo 417 Testo 416 Pervane Prob Ekran Kontrol tuşları Pil kompartmanı Servis kompartmanı Cihazı açma /
DetaylıELITE A.G. KS100/HEFM SICAK-SOĞUK ETĐKET BOY KESME VE ĐŞARETLEME MAKĐNASI KULLANIM KILAVUZU
ELITE A.G. KS100/HEFM SICAK-SOĞUK ETĐKET BOY KESME VE ĐŞARETLEME MAKĐNASI KULLANIM KILAVUZU ANA EKRAN Makinenin şalteri açıldığında 5 sn boyunca açılış ekranı gelir. Daha sonra ana ekrana geçilir. Bu ekranda
DetaylıSEYAHAT PERFORMANSI MENZİL
SEYAHAT PERFORMANSI MENZİL Uçakların ne kadar paralı yükü, hangi mesafeye taşıyabildikleri ve bu esnada ne kadar yakıt harcadıkları en önemli performans göstergelerinden biridir. Bir uçağın kalkış noktasından,
DetaylıUSB KVM Switch. Ses özellikli ve 2 portlu USB KVM switch. Ses özellikli ve 4 portlu USB KVM switch
USB KVM Switch Ses özellikli ve 2 portlu USB KVM switch Ses özellikli ve 4 portlu USB KVM switch Kullanma Kılavuzu DS-11403 (2 Portlu) DS-12402 (4 Portlu) 1 NOT Bu cihaz FCC kurallarının 15. Bölümü uyarınca,
Detaylı01 OCAK 2015 ELEKTRİK AKIMI VE LAMBA PARLAKLIĞI SALİH MERT İLİ DENİZLİ ANADOLU LİSESİ 10/A 436
01 OCAK 2015 ELEKTRİK AKIMI VE LAMBA PARLAKLIĞI SALİH MERT İLİ DENİZLİ ANADOLU LİSESİ 10/A 436 ELEKTRİK AKIMI VE LAMBALAR ELEKTRİK AKIMI Potansiyelleri farklı olan iki iletken cisim birbirlerine dokundurulduğunda
DetaylıİSTANBUL KEMERBURGAZ ÜNİVERSİTESİ ÖNLİSANS VE LİSANS PROGRAMLARI ARASINDA YATAY GEÇİŞ YÖNERGESİ. BİRİNCİ BÖLÜM Amaç, Kapsam, Dayanak ve Tanımlar
İSTANBUL KEMERBURGAZ ÜNİVERSİTESİ ÖNLİSANS VE LİSANS PROGRAMLARI ARASINDA YATAY GEÇİŞ YÖNERGESİ BİRİNCİ BÖLÜM Amaç, Kapsam, Dayanak ve Tanımlar Amaç ve Kapsam MADDE 1 - (1) Bu yönerge İstanbul Kemerburgaz
DetaylıTemel Bilgisayar Programlama
BÖLÜM 9: Fonksiyonlara dizi aktarma Fonksiyonlara dizi aktarmak değişken aktarmaya benzer. Örnek olarak verilen öğrenci notlarını ekrana yazan bir program kodlayalım. Fonksiyon prototipi yazılırken, dizinin
DetaylıOlasılık ve İstatistik Dersinin Öğretiminde Deney ve Simülasyon
Olasılık ve İstatistik Dersinin Öğretiminde Deney ve Simülasyon Levent ÖZBEK Fikri ÖZTÜRK Ankara Üniversitesi Fen Fakültesi İstatistik Bölümü Sistem Modelleme ve Simülasyon Laboratuvarı 61 Tandoğan/Ankara
Detaylıİşte sınavla öğrenci alan liselerin kontenjanları
On5yirmi5.com İşte sınavla öğrenci alan liselerin kontenjanları Başta Anadolu ve fen liseleri olmak üzere merkezi sınavla öğrenci alan okulların toplam kontenjanları ortaya çıktı. Yayın Tarihi : 31 Temmuz
Detaylıİçerik EBYS Raporlama... 2 Belge İşlemleri Raporu... 2 Birim Gelen Belge Listesi Raporu... 3 Birim Gelen Belge Sayıları Raporu... 4 Birim Giden Belge
İçerik EBYS Raporlama... 2 Belge İşlemleri Raporu... 2 Birim Gelen Belge Listesi Raporu... 3 Birim Gelen Belge Sayıları Raporu... 4 Birim Giden Belge Listesi Raporu... 5 Birim Giden Belge Sayıları Raporu...
DetaylıBilgiye Ulaşma. Markush Arama
SciFinder ın bu sürümü, Markush taramasıyla ek patent bilgilerine ulaşmak için bir yol sağlar. Diğer arama ve kullanılabilirlik geliştirmeleri; bir defalık tercih ayarı ile tekrarlanan referansların otomatik
DetaylıDoç. Dr. Mehmet Durdu KARSLI Sakarya Üniversitesi E itim fakültesi Doç. Dr. I k ifa ÜSTÜNER Akdeniz Üniversitesi E itim Fakültesi
ÜN VERS TEYE G R SINAV S STEM NDEK SON DE KL E L K N Ö RENC LER N ALGILARI Doç. Dr. Mehmet Durdu KARSLI Sakarya Üniversitesi E itim fakültesi Doç. Dr. I k ifa ÜSTÜNER Akdeniz Üniversitesi E itim Fakültesi
DetaylıOPERATÖRLER BÖLÜM 4. 4.1 Giriş. 4.2. Aritmetik Operatörler
BÖLÜM 4. OPERATÖRLER 4.1 Giriş Turbo Pascal programlama dilinde de diğer programlama dillerinde olduğu gibi operatörler, yapılan işlem türüne göre aritmetik, mantıksal ve karşılaştırma operatörleri olmak
DetaylıİZMİR KÂTİP ÇELEBİ ÜNİVERSİTESİ ENGELSİZ ÜNİVERSİTE KOORDİNATÖRLÜĞÜ VE ENGELLİ ÖĞRENCİ BİRİMİ ÇALIŞMA USUL VE ESASLARI BİRİNCİ BÖLÜM
İZMİR KÂTİP ÇELEBİ ÜNİVERSİTESİ ENGELSİZ ÜNİVERSİTE KOORDİNATÖRLÜĞÜ VE ENGELLİ ÖĞRENCİ BİRİMİ ÇALIŞMA USUL VE ESASLARI BİRİNCİ BÖLÜM Amaç, Kapsam, Dayanak, Tanımlar ve Genel Esaslar Amaç Madde 1- (1)Bu
DetaylıBÖLÜM 1 YAZILIM TASARIMINA GİRİŞ YZM211 YAZILIM TASARIMI. Yrd. Doç. Dr. Volkan TUNALI Mühendislik ve Doğa Bilimleri Fakültesi / Maltepe Üniversitesi
BÖLÜM 1 YAZILIM TASARIMINA GİRİŞ YZM211 YAZILIM TASARIMI Yrd. Doç. Dr. Volkan TUNALI Mühendislik ve Doğa Bilimleri Fakültesi / Maltepe Üniversitesi Amaçlar 2 Tasarımın ne olduğunu ve çeşitli tasarım türlerinin
DetaylıYandaki resimlerde Excel Pazartesi den başlayarak günleri otomatik olarak doldurmuştur.
Otomatik Doldurma; Hızlı veri girişi için Microsoft Excel'in otomatik olarak verileri tekrarlamasını sağlayabilir veya verileri otomatik olarak girebilirsiniz. Excel'in sayı, sayı ve metin birleşimi, tarih
DetaylıAnaliz aşaması sıralayıcı olurusa proje yapımında daha kolay ilerlemek mümkün olacaktır.
Analiz Raporu Kısa Özet Her geçen gün eczanecilik sektörü kendi içerisinde daha da yarışır hale geliyor. Teknolojinin getirdiği kolaylık ile eczane otomasyonu artık elinizin altında. Çoğu eczacılar hastalarına
DetaylıKARMAŞIK YAPILARDA TEŞVİK MÜDAHALESİ. Metin Durgut, TEPAV 5. Bölgesel Kalkınma ve Yönetişim Sempozyumu, Ocak 2011
KARMAŞIK YAPILARDA TEŞVİK MÜDAHALESİ Metin Durgut, TEPAV 5. Bölgesel Kalkınma ve Yönetişim Sempozyumu, Ocak 2011 SANAYİLEŞMEKTE OLAN ÜLKELER İÇİN KABULLER 1. Ekonomi, belli bir alanda uzmanlaşmaktan çok
DetaylıÜniversitelerde Yabancı Dil Öğretimi
Üniversitelerde Yabancı Dil Öğretimi özcan DEMİREL 1750 Üniversiteler Yasası nın 2. maddesinde üniversiteler, fakülte, bölüm, kürsü ve benzeri kuruluşlarla hizmet birimlerinden oluşan özerkliğe ve kamu
Detaylı