Zeki Optimizasyon Teknikleri

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "Zeki Optimizasyon Teknikleri"

Transkript

1 Zeki Optimizasyon Teknikleri Yapay Sinir Ağları (Artificial Neural Network) Doç.Dr. M. Ali Akcayol Yapay Sinir Ağları Biyolojik sinir sisteminden esinlenerek ortaya çıkmıştır. İnsan beyninin öğrenme, eski bilgiye dayalı tahmin etme, eksik bilgiyi tamamlama gibi yeteneklerini makinelere kazandırmayı amaçlar. Birçok işlem ünitesinden (processing elements, units, neuron) oluşur. Birçok farklı alanda başarıyla uygulanmıştır. (İşaret tanıma, el yazısı tanıma, ileriye dönük tahminde bulunma, adaptif kontrol, gürültülü veya eksik bilgileri tanıma v.b.)

2 Yapay Sinir Ağları (Biyolojik nöron) İşlem birimlerine neuron (nöron) adı verilir. Her nöron bir gövde (body), akson (axon) ve çok sayıda dentrit ten (dendrites) oluşmaktadır. Bir nöron aktif (firing) veya pasif (rest) durumunda olabilir. Eğer toplam giriş değeri belirtilen eşik değerinden (threshold - bias) büyükse nöron aktif olur aksi takdirde pasiftir. Sinaps nöron ile başka bir nöron un dentrit i arasındaki boşluktur. Yapay Sinir Ağları (Yapay nöron) Node olarak adlandırılan birçok sayıda işlem ünitesinden oluşmaktadır. Her bir node girişlere ve çıkışlara sahiptir. Her node (nöron) sahip olduğu aktivasyon fonksiyonu (activation function) ile basit hesaplamalar yapar. Nöronlar aktif olmak için bir eşik değerine (treshold - bias) sahiptir. Nöronlar girişine gelen değerler için giriş fonksiyonuna sahiptir. (Genellikle girişlerin toplamı alınır) w 0 bias x w f : aktivasyon fonksiyonu Girişler x i w i h(w 0,w i, x i ) y = f( h) y x n w n h : w i ve x i birleştirir Çıkış 2

3 Yapay Sinir Ağları (Yapay nöron) Yapay sinir ağları ile biyolojik sinir ağları ANN Node lar giriş çıkış node fonksiyonu Bağlantılar Bağlantı gücü Biyolojik NN Hücre gövdesi Diğer nöronlardan işaret ateşleme frekansı ateşleme mekanizması Sinapslar Sinaptic gücü Yapay Sinir Ağları (Tarihçe) Walter Pitts & Warren McCulloch 943 yılında biyolojik nöronların ilk yapay modelini oluşturmuşlardır. Bütün mantıksal işlemler farklı eşik değerleri ve farklı ağırlıklar ile gerçekleştirilmiştir. Donald Hebb 949 yılında Hebb öğrenme kuralını bulmuştur. Eğer iki nöron aktifse ikisi arasındaki bağlantı güçlendirilir. Rosenblatt 958 yılında ilk perceptron u buldu ve öğrenme metodu geliştirdi. 960 yılında Widrow ve Hoff ADALINE ı geliştirdi. Türevlenebilir fonksiyonlarla gradiant descent tabanlı öğrenme kuralını budular. 3

4 Yapay Sinir Ağları (Tarihçe) 96 yılında Rosenblatt backpropagation öğrenme şemasını önerdi ancak ağın eğitiminde başarılı olamadı. Minsky ve Papert 969 yılında perceptron un bazı basit mantıksal işlemlerde l yetersiz olduğunu ğ göstermişlerdir. öt il Örneğin bir perceptron un XOR problemini çözemediği görüldü. Çok katmanlı ağ ile bu tür problemlerin çözülebileceği düşünüldü ancak nasıl eğitilebileceği konusunda çözüm bulunamadı. 980 li yıllarda bu iki problem çok katmanlı ve farklı ağ yapıları kullanılarak çözüldü. Günümüzde ANN diğer yapay zeka teknikleriyle (fuzzy logic, genetik algoritma) birlikte kullanılarak çok daha etkin çözümler ortaya koymaktadır. Yapay Sinir Ağları (Perceptron) Tek katmanlı bir işlem ünitesi. Perceptron tüm girişleri toplar ve eşik değeriyle karşılaştırır. Eğer sonuç eşik değerden (sign function için 0) büyükse değilse - değerini (sign activation function) çıkış olarak üretir. 4

5 Yapay Sinir Ağları (Perceptron) En çok kullanılan node fonksiyonları Step, if input > c a, diğer Ramp, if input > d a, if input < c a+(input-c)(b-a)/(d-c), diğer Yapay Sinir Ağları (Perceptron) En çok kullanılan node fonksiyonları Sigmoid f(x) = /(+e -x ) Gaussian 5

6 Yapay Sinir Ağları Diğer node fonksiyonları ψ ψ ψ ψ ψ ψ ψ ψ Yapay Sinir Ağları AND Perceptron girişler 0 veya ikiside ise çıkış birisi 0 ise çıkış 0 2-D giriş uzayı 4 olası data noktası threshold çizgi ile gösterilebilir. 6

7 Yapay Sinir Ağları OR Perceptron girişler 0 veya birisi ise çıkış ikiside 0 ise çıkış 0 2-D giriş uzayı 4 olası data noktası threshold çizgi ile gösterilebilir. Yapay Sinir Ağları (ANN Mimarileri) Komple bağlı ağlar (Fully connected networks) Her node diğer tüm node lara bağlıdır. Bağlantılar pozitif, negatif veya 0 olabilir. 7

8 Yapay Sinir Ağları (ANN Mimarileri) Katmanlı ağlar (Layered networks) Node lar katman ismi verilen alt gruplar halindedir. İleri katmandan geriye doğru bağlantı olamaz. Yapay Sinir Ağları (ANN Mimarileri) İleri beslemeli ağlar (Feedforward networks) Bağlantılar i.katmandaki bir node ile i+.katmandaki bir node arasında yapılabilir. En yaygın kullanılan ağ yapısıdır. 8

9 Yapay Sinir Ağları (Öğrenme Stratejileri) Denetimli öğrenme (Supervised learning) Ağa belirli giriş değeri için çıkış değerleri verilir. Nöronlar arasındaki ağırlıklar verilen giriş ve çıkış değerlerine göre yarlanır. Delta öğrenme kuralı ve geri yayılmalı (backpropagation) öğrenme denetimli öğrenmedir. Denetimsiz öğrenme (Unsupervised learning) Çıkış değerlerinin girilmesine gerek yoktur. Öğrenme süresince sadece örnek giriş değerleri verilir ve örnekler arasındaki ilişkiler ile sistemin kendi kendisine öğrenmesi sağlanır. Kohonen algoritması ve Adaptive Resonance Theory (ART) denetimsiz öğrenme metodunu kullanır. Destekleyici öğrenme (Reinforcement learning) Denetimli öğrenmenin farklı bir türüdür. Çıkış değerleri girmek yerine verilen giriş değerlerine göre çıkışı değerlendirerek öğrenmeyi sağlar.. Genetik Algoritmalar ve LVQ (Learning Vector Quantizer) ağı destekleyici öğrenme kullanır. Yapay Sinir Ağları (Öğrenme Stratejileri) Denetimli öğrenme (Supervised learning) Hatanın geri yayılımı Hata = t - o Eğitim seti: {(x m, t m ); m P} µ x in o - İstenen çıkış (denetmen) µ t out 9

10 Yapay Sinir Ağları (Öğrenme) Perceptron öğrenme kuralı w i+ = w i + w i x x 2 d w i = η * x i * (d - o) η = öğrenme oranı (0- arasında) w i = i.bağlantının ağırlık değeri w i = Ağırlık değişim değeri x i = i.girişe i i girilen iil değer dğ d = İstenen çıkış değeri o = Hesaplanan çıkış değeri x x 2 - w w w 0 ao Yapay Sinir Ağları (Öğrenme) x x 2 d (w,w 2 ) (w + w,w 2 + w 2 ) - Minimum hata x x 2 w w w 0 ao 0

11 Yapay Sinir Ağları (Hata) Sum Square Error SSE = P K p= j= ( d p, j o p, j ) 2 P = K = Eğitim kümesi boyutu Çıkış vektörü boyutu (Çıkış neuron sayısı) Mean Squared Error MSE = P P p= K j= ( d p, j o p, j ) 2 Yapay Sinir Ağları (Öğrenme) Çok katmanlı ağlarda öğrenme (Backpropagation) r E E E ( w ) =, w w,..., 0 w n E,..., r r r w w+ w r r w = η E ( w ) w w + w i E w = η i i w i i

12 Yapay Sinir Ağları (Öğrenme) Çok katmanlı ağlarda öğrenme (Backpropagation) w,2 = w,2 + w,2 w,2 =η( E / O 2 )( O 2 / net 2 ) ( net 2 / w,2 ) E / O 2 = ( / O 2 )(T 2 -O 2 ) 2 E / 2 O 2 = -2(T 2 -O 2 ) ( d k ok ) O 2 / net 2 = ( / net 2 )f(net 2 ) O 2 / net 2 = f (net 2 ) net 2 / w,2 =O, E = w,2 = η (T 2 -O 2 ) f (net 2 ) O, Sigmoid f(x) = /(+exp(-x)) f (x) = exp(-x)/(+exp(-x)) 2 I w,2 I 2 = /(+exp(-x)) /(+exp(-x)) 2 = f(x) ( f(x)) I 2 I 3 I 4 I I 6 Layer Layer 2 2 O O 2 Yapay Sinir Ağları (Öğrenme) Çok katmanlı ağlarda öğrenme (Backpropagation) w i,2 = w i,2 + w i,2 w i,2 =η( E / O 2 )( O 2 / net 2 ) ( net 2 / O,2 ) ( O,2 / net,2 ) ( net,2 / w i,2 ) I w i,2 I 2 I 2 I 3 w 2, 2 O net 2 / O,2 = w 2,2 O,2 / net,2 = f (net,2 ) net,2 / w i,2 = I w i,2 = η (T 2 -O 2 )f (net 2 )w 22 2,2 f (net,2 ) I w i,2 =η( E / O )( O / net ) ( net / O,2 ) ( O,2 / net,2 ) ( net,2 / w i,2 ) I 4 I 5 I 6 w 2,2 3 4 Layer 2 Layer 2 w i,2 = η (T -O ) f (net ) w 2, f (net,2 ) I O 2 2

13 Yapay Sinir Ağları (Öğrenme oranı) Yapay Sinir Ağları (Uygulamalar Ses tanıma) Problem: İki farklı kişinin merhaba kelimesini söylemesinin öğretilmesi. Kişi = Ahmet 2. Kişi = Mehmet Frekans dağılımı 60 örnek ile alınsın. 3

14 Yapay Sinir Ağları (Uygulamalar Ses tanıma) Ağ yapısı = ileri beslemeli çok katmanlı 60 giriş (her frekans örneği için) 6 gizli node 2 çıkış (0- ise Ahmet, -0 ise Mehmet ) Yapay Sinir Ağları (Uygulamalar Ses tanıma) Ahmet 0 Mehmet 0 4

15 Yapay Sinir Ağları (Uygulamalar Ses tanıma) Ahmet Mehmet Yapay Sinir Ağları (Uygulamalar Ses tanıma) Ahmet = = 0.74 Mehmet 0.73 = =

16 Yapay Sinir Ağları (Uygulamalar Ses tanıma) Ahmet Mehmet Yapay Sinir Ağları (Uygulamalar Karakter tanıma) İleri beslemeli çok katmanlı ağ Bacpropagation öğrenme ğ metodu A B C D E Hidden Layer Output Layer Input Layer 6

17 Yapay Sinir Ağları (Avantajlar Dezavantajlar) ANN, GA ve FL ANN Öğrenme Kapasitesi Optimizasyon Kapasitesi GA FL İfade Kabiliyeti Yapay Sinir Ağları (Araştırma) Kaynaklar:. Neural Networks, A Comprehensive Foundation, S. Haykin, Prentice Hall (999) 2. Elements of Articial Neural Networks, K.Mehrotra, C.K. Mohan, S.Ranka, MIT, İnternet adresleri : 7

18 Yapay Sinir Ağları Haftalık Ödev: Yapay Sinir Ağları kullanılarak yapılmış bir makale bulup elde edilen sonuçları içeren bir rapor hazırlayınız. İncelenen makalede Yapay Sinir Ağı kullanılmasının gerekçeleri, uygulamanın sonuçları değerlendirilecektir. - İncelenen makale son 5 yılda yayınlanmış olacaktır. - Makale Yurtdışında SCI te taranan bir dergide yayınlanmış olacaktır. - Hazırlanan rapora makalenin tam metnide eklenecektir. - Hazırlanan rapor ve makalenin tamamı diğer öğrencilerin hepsine e-postayla gönderilecektir. 8

Yapay Sinir Ağlarına Giriş. Dr. Hidayet Takçı

Yapay Sinir Ağlarına Giriş. Dr. Hidayet Takçı Yapay Sinir Ağlarına Giriş Dr. Hidayet Takçı htakci@gmail.com http://htakci.sucati.org Giriş Neden Yapay Sinir Ağları (YSA) Bazı işler insanlar tarafından kolaylıkla yerine getirilirken mevcut bilgisayarlar

Detaylı

Yapay Sinir Ağları. (Artificial Neural Networks) DOÇ. DR. ERSAN KABALCI

Yapay Sinir Ağları. (Artificial Neural Networks) DOÇ. DR. ERSAN KABALCI Yapay Sinir Ağları (Artificial Neural Networks) J E O L O J İ M Ü H E N D İ S L İ Ğ İ A. B. D. E S N E K H E S A P L A M A Y Ö N T E M L E R İ - I DOÇ. DR. ERSAN KABALCI Yapay Sinir Ağları Tarihçe Biyolojik

Detaylı

Zeki Optimizasyon Teknikleri

Zeki Optimizasyon Teknikleri Zeki Optimizasyon Teknikleri Genetik Algoritma (Genetic Algorithm) Doç.Dr. M. Ali Akcayol Genetik Algoritma 1970 li yıllarda John Holland tarafından geliştirilmiştir. 1989 yılında David E. Goldberg Genetik

Detaylı

İlk Yapay Sinir Ağları. Dr. Hidayet Takçı

İlk Yapay Sinir Ağları. Dr. Hidayet Takçı İlk Yapay Sinir Ağları Dr. Hidayet htakci@gmail.com http://htakci.sucati.org Tek katmanlı algılayıcılar (TKA) Perceptrons (Rosenblat) ADALINE/MADALINE (Widrow and Hoff) 2 Perseptron eptronlar Basit bir

Detaylı

Zeki Optimizasyon Teknikleri

Zeki Optimizasyon Teknikleri Zeki Optimizasyon Teknikleri Ara sınav - 25% Ödev (Haftalık) - 10% Ödev Sunumu (Haftalık) - 5% Final (Proje Sunumu) - 60% - Dönem sonuna kadar bir optimizasyon tekniğiyle uygulama geliştirilecek (Örn:

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

Zeki Optimizasyon Teknikleri

Zeki Optimizasyon Teknikleri Zeki Optimizasyon Teknikleri Tabu Arama (Tabu Search) Doç.Dr. M. Ali Akcayol Tabu Arama 1986 yılında Glover tarafından geliştirilmiştir. Lokal minimum u elimine edebilir ve global minimum u bulur. Değerlendirme

Detaylı

ÇİMENTO BASMA DAYANIMI TAHMİNİ İÇİN YAPAY SİNİR AĞI MODELİ

ÇİMENTO BASMA DAYANIMI TAHMİNİ İÇİN YAPAY SİNİR AĞI MODELİ ÇİMENTO BASMA DAYANIMI TAHMİNİ İÇİN YAPAY SİNİR AĞI MODELİ Ezgi Özkara a, Hatice Yanıkoğlu a, Mehmet Yüceer a, * a* İnönü Üniversitesi Mühendislik Fakültesi Kimya Mühendisliği Bölümü, Malatya, 44280 myuceer@inonu.edu.tr

Detaylı

Yaklaşık Düşünme Teorisi

Yaklaşık Düşünme Teorisi Yaklaşık Düşünme Teorisi Zadeh tarafından 1979 yılında öne sürülmüştür. Kesin bilinmeyen veya belirsiz bilgiye dayalı işlemlerde etkili sonuçlar vermektedir. Genellikle bir f fonksiyonu ile x ve y değişkeni

Detaylı

Yapay Sinir Ağları. YZM 3226 Makine Öğrenmesi

Yapay Sinir Ağları. YZM 3226 Makine Öğrenmesi Yapay Sinir Ağları YZM 3226 Makine Öğrenmesi Outline Yapay Sinir Ağları Tanımı Tarihçe Neden YSA kullanırız? YSA uygulamaları Temel YSA modelleri Paradigms of Machine Learning Rule Induction Neural Network

Detaylı

GÖRSEL YAZILIM GELİŞTİRME ORTAMI İLE BERABER BİR YAPAY SİNİR AĞI KÜTÜPHANESİ TASARIMI VE GERÇEKLEŞTİRİMİ

GÖRSEL YAZILIM GELİŞTİRME ORTAMI İLE BERABER BİR YAPAY SİNİR AĞI KÜTÜPHANESİ TASARIMI VE GERÇEKLEŞTİRİMİ EGE ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ (YÜKSEK LİSANS TEZİ) GÖRSEL YAZILIM GELİŞTİRME ORTAMI İLE BERABER BİR YAPAY SİNİR AĞI KÜTÜPHANESİ TASARIMI VE GERÇEKLEŞTİRİMİ Ahmet Cumhur KINACI Bilgisayar Mühendisliği

Detaylı

Yapay Sinir Ağları ve Yüksek Enerji Fiziği Uygulamaları

Yapay Sinir Ağları ve Yüksek Enerji Fiziği Uygulamaları Yapay Sinir Ağları ve Yüksek Enerji Fiziği Uygulamaları Ece Akıllı Université de Genève 12 Eylül 2016 CERN TR E. Akıllı (UNIGE) Yapay Sinir Ağları 12.09.2016 1 / 18 Akış 1 Makine Ogrenimi 2 Yapay Sinir

Detaylı

Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Şekil Tanıma Final Projesi. Selçuk BAŞAK 08501008

Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Şekil Tanıma Final Projesi. Selçuk BAŞAK 08501008 Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü Şekil Tanıma Final Projesi Selçuk BAŞAK 08501008 Not: Ödevi hazırlamak için geliştirdiğim uygulama ve kaynak kodları ektedir.

Detaylı

Yapay Sinir Ağları. (Artificial Neural Networks) DOÇ. DR. ERSAN KABALCI E S N E K H E S A P L A M A Y Ö N T E M L E R İ - II

Yapay Sinir Ağları. (Artificial Neural Networks) DOÇ. DR. ERSAN KABALCI E S N E K H E S A P L A M A Y Ö N T E M L E R İ - II Yapay Sinir Ağları (Artificial Neural Networks) J E O L O J İ M Ü H E N D İ S L İ Ğ İ A. B. D. E S N E K H E S A P L A M A Y Ö N T E M L E R İ - II DOÇ. DR. ERSAN KABALCI Yapay Sinir Ağları Tarihçe Biyolojik

Detaylı

TC. GAZİ ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ İŞLETME ANABİLİM DALI ÜRETİM YÖNETİMİ BİLİM DALI

TC. GAZİ ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ İŞLETME ANABİLİM DALI ÜRETİM YÖNETİMİ BİLİM DALI TC. GAZİ ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ İŞLETME ANABİLİM DALI ÜRETİM YÖNETİMİ BİLİM DALI YAPAY SİNİR AĞLARI VE BEKLEME SÜRESİNİN TAHMİNİNDE KULLANILMASI YÜKSEK LİSANS TEZİ Hazırlayan Muhammet DEVECİ

Detaylı

T.C. KIRIKKALE ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ YAPAY SİNİR AĞLARI. Doç.Dr. Necaattin BARIŞÇI FİNAL PROJESİ

T.C. KIRIKKALE ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ YAPAY SİNİR AĞLARI. Doç.Dr. Necaattin BARIŞÇI FİNAL PROJESİ T.C. KIRIKKALE ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ YAPAY SİNİR AĞLARI Doç.Dr. Necaattin BARIŞÇI YAPAY SİNİR AĞLARI İLE KORONER ARTER HASTALIĞI RİSK Öğrenci : SİNEM ÖZDER Numarası : 118229001004

Detaylı

ÇATI DÖŞEMESİNDE MEYDANA GELEN YOĞUŞMA VE BUHARLAŞMA KÜTLELERİNİN YAPAY SİNİR AĞLARI İLE TAHMİN EDİLMESİ

ÇATI DÖŞEMESİNDE MEYDANA GELEN YOĞUŞMA VE BUHARLAŞMA KÜTLELERİNİN YAPAY SİNİR AĞLARI İLE TAHMİN EDİLMESİ S.Ü. Müh.-Mim. Fak. Derg., c.21, s.1-2, 2006 J. Fac.Eng.Arch. Selcuk Univ., v.21, n.1-2, 2006 ÇATI DÖŞEMESİNDE MEYDANA GELEN YOĞUŞMA VE BUHARLAŞMA KÜTLELERİNİN YAPAY SİNİR AĞLARI İLE TAHMİN EDİLMESİ Ömer

Detaylı

Zeki Optimizasyon Teknikleri

Zeki Optimizasyon Teknikleri Zeki Optimizasyon Teknikleri (nt lgorithm) Doç.Dr. M. li kcayol 996 yılında Marco Dorigo tarafından ortaya atılmıştır. Temel olarak karıncaların yiyecek madde ile yuvaları arasındaki en kısa yolu bulmalarından

Detaylı

İSTATİKSEL NORMALİZASYON TEKNİKLERİNİN YAPAY SİNİR AĞIN PERFORMANSINA ETKİSİ

İSTATİKSEL NORMALİZASYON TEKNİKLERİNİN YAPAY SİNİR AĞIN PERFORMANSINA ETKİSİ İSTATİKSEL NORMALİZASYON TEKNİKLERİNİN YAPAY SİNİR AĞIN PERFORMANSINA ETKİSİ Selahattin YAVUZ * Muhammet DEVECİ ** ÖZ Son yıllarda, yapay sinir ağları pek çok alanda uygulanan ve üzerinde en çok araştırma

Detaylı

Ali Gülbağ et al / Elec Lett Sci Eng 1 (1) (2005) 07-12

Ali Gülbağ et al / Elec Lett Sci Eng 1 (1) (2005) 07-12 Electronic Letters on Science & Engineering () (2005) Available online at www.e-lse.org A Study on Binary Gas Mixture Ali Gülbağ, Uğur Erkin Kocamaz, Kader Uzun Sakarya University, Department of Computer

Detaylı

ÖZEL EGE LİSESİ ORTAÖĞRETİM ÖĞRENCİLERİNİN SINAV PERFORMANSI MODELLEMESİNDE YAPAY SİNİR AĞLARI KULLANIMI

ÖZEL EGE LİSESİ ORTAÖĞRETİM ÖĞRENCİLERİNİN SINAV PERFORMANSI MODELLEMESİNDE YAPAY SİNİR AĞLARI KULLANIMI ÖZEL EGE LİSESİ ORTAÖĞRETİM ÖĞRENCİLERİNİN SINAV PERFORMANSI MODELLEMESİNDE YAPAY SİNİR AĞLARI KULLANIMI HAZIRLAYAN ÖĞRENCİLER: Yaren DEMİRAĞ Ege Onat ÖZSÜER DANIŞMAN ÖĞRETMEN: Gülşah ARACIOĞLU İZMİR 2015

Detaylı

X ve Y boş olmayan iki küme olsun. İki küme arasında tanımlanmış olan bir bulanık ilişki R, X x Y nin bir bulanık alt kümesidir.

X ve Y boş olmayan iki küme olsun. İki küme arasında tanımlanmış olan bir bulanık ilişki R, X x Y nin bir bulanık alt kümesidir. Bulanık İlişkiler X ve Y boş olmayan iki küme olsun. İki küme arasında tanımlanmış olan bir bulanık ilişki R, X x Y nin bir bulanık alt kümesidir. R F(X x Y) Eğer X = Y ise R bir ikilik (binary) bulanık

Detaylı

BAŞKENT ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ BENZER SÜREÇLERDE ÜRETİLEN ÜRÜNLER İÇİN YAPAY ZEKA İLE ZAMAN TAHMİNİ SONER ŞÜKRÜ ALTIN

BAŞKENT ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ BENZER SÜREÇLERDE ÜRETİLEN ÜRÜNLER İÇİN YAPAY ZEKA İLE ZAMAN TAHMİNİ SONER ŞÜKRÜ ALTIN BAŞKENT ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ BENZER SÜREÇLERDE ÜRETİLEN ÜRÜNLER İÇİN YAPAY ZEKA İLE ZAMAN TAHMİNİ SONER ŞÜKRÜ ALTIN YÜKSEK LİSANS TEZİ 2011 BENZER SÜREÇLERDE ÜRETİLEN ÜRÜNLER İÇİN YAPAY

Detaylı

NÖRAL SİSTEMLERE GİRİŞ. Ders Notu

NÖRAL SİSTEMLERE GİRİŞ. Ders Notu NÖRAL SİSTEMLERE GİRİŞ Ders Notu 1 1. GİRİŞ... 4 2. ZEKA... 5 3. YAPAY ZEKA... 5 4. YAPAY ZEKA NIN GELİŞİM SÜRECİ... 5 5. YAPAY ZEKANIN AMAÇLARI... 7 6. YSA TESTLERİ... 7 6.1 Turing Testi... 7 6.2 Çin

Detaylı

İSTANBUL TİCARET ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ BİLGİSAYAR SİSTEMLERİ LABORATUARI

İSTANBUL TİCARET ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ BİLGİSAYAR SİSTEMLERİ LABORATUARI İSTANBUL TİCARET ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ BİLGİSAYAR SİSTEMLERİ LABORATUARI Lineer Ayrılabilen Paternlerin Yapay Sinir Ağı ile Sınıflandırılması 1. Biyolojik Sinirin Yapısı Bilgi işleme

Detaylı

Yapay Sinir Ağları ve Uygulamaları (EE 423) Ders Detayları

Yapay Sinir Ağları ve Uygulamaları (EE 423) Ders Detayları Yapay Sinir Ağları ve Uygulamaları (EE 423) Ders Detayları Ders Adı Ders Dönemi Ders Uygulama Laboratuar Kredi AKTS Kodu Saati Saati Saati Yapay Sinir Ağları ve Uygulamaları EE 423 Her İkisi 3 0 0 3 5

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

Geriye Yayılım ve Levenberg Marquardt Algoritmalarının YSA Eğitimlerindeki Başarımlarının Dinamik Sistemler Üzerindeki Başarımı. Mehmet Ali Çavuşlu

Geriye Yayılım ve Levenberg Marquardt Algoritmalarının YSA Eğitimlerindeki Başarımlarının Dinamik Sistemler Üzerindeki Başarımı. Mehmet Ali Çavuşlu Geriye Yayılım ve Levenberg Marquardt Algoritmalarının YSA Eğitimlerindeki Başarımlarının Dinamik Sistemler Üzerindeki Başarımı Mehmet Ali Çavuşlu Özet Yapay sinir ağlarının eğitiminde genellikle geriye

Detaylı

T.C. BALIKESİR ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MATEMATİK ANABİLİM DALI PORTFÖY OPTİMİZASYONU

T.C. BALIKESİR ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MATEMATİK ANABİLİM DALI PORTFÖY OPTİMİZASYONU T.C. BALIKESİR ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MATEMATİK ANABİLİM DALI YAPAY SİNİR AĞLARI İLE PORTFÖY OPTİMİZASYONU YÜKSEK LİSANS TEZİ MEHMET YAVUZ BALIKESİR, HAZİRAN - 2012 T.C. BALIKESİR ÜNİVERSİTESİ

Detaylı

YAPAY SĠNĠR AĞLARININ EKONOMĠK TAHMĠNLERDE KULLANILMASI

YAPAY SĠNĠR AĞLARININ EKONOMĠK TAHMĠNLERDE KULLANILMASI P A M U K K A L E Ü N İ V E R S İ T E S İ M Ü H E N D İ S L İ K F A K Ü L T E S İ P A M U K K A L E U N I V E R S I T Y E N G I N E E R I N G C O L L E G E M Ü H E N D ĠS L ĠK B ĠL ĠM L E R ĠD E R G ĠS

Detaylı

Yapay Sinir Ağları İçin Net Platformunda Görsel Bir Eğitim Yazılımının Geliştirilmesi

Yapay Sinir Ağları İçin Net Platformunda Görsel Bir Eğitim Yazılımının Geliştirilmesi BİLİŞİM TEKNOLOJİLERİ DERGİSİ, CİLT: 5, SAYI: 1, OCAK 2012 19 Yapay Sinir Ağları İçin Net Platformunda Görsel Bir Eğitim Yazılımının Geliştirilmesi Kerim Kürşat ÇEVİK 1, Emre DANDIL 2 1 Bor Meslek Yüksekokulu,

Detaylı

ÖZET Yüksek Lisans Tezi YAPAY SİNİR AĞLARI İLE KONUŞMA TANIMA Gülin DEDE Ankara Üniversitesi Fen Bilimleri Enstitüsü Elektronik Mühendisliği Anabilim

ÖZET Yüksek Lisans Tezi YAPAY SİNİR AĞLARI İLE KONUŞMA TANIMA Gülin DEDE Ankara Üniversitesi Fen Bilimleri Enstitüsü Elektronik Mühendisliği Anabilim ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ YAPAY SİNİR AĞLARI İLE KONUŞMA TANIMA Gülin DEDE ELEKTRONİK MÜHENDİSLİĞİ ANABİLİM DALI ANKARA 2008 Her hakkı saklıdır ÖZET Yüksek Lisans Tezi

Detaylı

T.C. BALIKESİR ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ENDÜSTRİ MÜHENDİSLİĞİ ANABİLİM DALI

T.C. BALIKESİR ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ENDÜSTRİ MÜHENDİSLİĞİ ANABİLİM DALI T.C. BALIKESİR ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ENDÜSTRİ MÜHENDİSLİĞİ ANABİLİM DALI TRANSFORMATÖR ÜRETİMİNDE ÜRETİM ZAMANLARININ YAPAY SİNİR AĞLARI İLE TAHMİNİ İÇİN BİR ÇALIŞMA YÜKSEK LİSANS TEZİ ÖMÜR

Detaylı

ZAMAN SERİSİ ANALİZİNDE MLP YAPAY SİNİR AĞLARI VE ARIMA MODELİNİN KARŞILAŞTIRILMASI

ZAMAN SERİSİ ANALİZİNDE MLP YAPAY SİNİR AĞLARI VE ARIMA MODELİNİN KARŞILAŞTIRILMASI ZAMAN SERİSİ ANALİZİNDE MLP YAPAY SİNİR AĞLARI VE ARIMA MODELİNİN KARŞILAŞTIRILMASI Oğuz KAYNAR * Serkan TAŞTAN ** ÖZ Bu çalışmada zaman serisi analizinde yaygın olarak kullanılan Box-Jenkis modelleri

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

T.C. SÜLEYMAN DEMİREL ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ İŞLETME ANABİLİM DALI YAPAY SİNİR AĞLARI YÖNTEMİ İLE TAHMİN (İMKB DE BİR UYGULAMA)

T.C. SÜLEYMAN DEMİREL ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ İŞLETME ANABİLİM DALI YAPAY SİNİR AĞLARI YÖNTEMİ İLE TAHMİN (İMKB DE BİR UYGULAMA) T.C. SÜLEYMAN DEMİREL ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ İŞLETME ANABİLİM DALI YÜKSEK LİSANS TEZİ YAPAY SİNİR AĞLARI YÖNTEMİ İLE TAHMİN (İMKB DE BİR UYGULAMA) DANIŞMAN Doç. Dr. İbrahim GÜNGÖR HAZIRLAYAN

Detaylı

Çok Katmanlı Algılayıcı (Multilayer Perceptron) DOÇ. DR. ERSAN KABALCI

Çok Katmanlı Algılayıcı (Multilayer Perceptron) DOÇ. DR. ERSAN KABALCI Çok Katmanlı Algılayıcı (Multilayer Perceptron) J E O L O J İ M Ü H E N D İ S L İ Ğ İ A. B. D. E S N E K H E S A P L A M A Y Ö N T E M L E R İ - I DOÇ. DR. ERSAN KABALCI Perceptron Rosenblatt (1962): İlk

Detaylı

Yapay Sinir Ağlarına Giriş

Yapay Sinir Ağlarına Giriş Yapay Sinir Ağlarına Giriş Neslihan Serap Şengör Oda no: 1107 Tel: 0212 285 36 10 e-mail: sengorn@itu.edu.tr Tuba Ayhan Oda no: 1109 Tel: 0212 285 36 17 e-mail: ayhant@itu.edu.tr Ders Hakkında Yarıyıliçi

Detaylı

WEB SAYFALARINA İLİŞKİN YAPAY SİNİR AĞLARI İLE SINIFLANDIRMA YÖNTEMİ

WEB SAYFALARINA İLİŞKİN YAPAY SİNİR AĞLARI İLE SINIFLANDIRMA YÖNTEMİ WEB SAYFALARINA İLİŞKİN YAPAY SİNİR AĞLARI İLE SINIFLANDIRMA YÖNTEMİ Doç.Dr Erhan Akyazı Marmara Üniversitesi Bilişim Bölümü eakyazi@marmara.edu.tr Şafak Kayıkçı Marmara Üniversitesi Bilişim Bölümü safak@safakkayikci.com

Detaylı

Yapay Zeka ya giris. Yapay sinir aglari ve bulanik mantik. Uzay CETIN. Université Pierre Marie Curie (Paris VI),

Yapay Zeka ya giris. Yapay sinir aglari ve bulanik mantik. Uzay CETIN. Université Pierre Marie Curie (Paris VI), Yapay Zeka ya giris Yapay sinir aglari ve bulanik mantik Uzay CETIN Université Pierre Marie Curie (Paris VI), Master 2 Recherche, Agents Intelligents, Apprentissage et Décision (AIAD) November 11, 2008

Detaylı

İç Basınç Altında İnce Cidarlı Kabukların Yapay Sinir Ağları ile Çözümü

İç Basınç Altında İnce Cidarlı Kabukların Yapay Sinir Ağları ile Çözümü Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü Dergisi, 10-3 (006),447-451 İç Basınç Altında İnce Cidarlı Kabukların Yapay Sinir Ağları ile Çözümü Ömer KELEŞOĞLU, Adem FIRAT Fırat Üniversitesi,

Detaylı

Genetik Algoritmalar. Bölüm 1. Optimizasyon. Yrd. Doç. Dr. Adem Tuncer E-posta:

Genetik Algoritmalar. Bölüm 1. Optimizasyon. Yrd. Doç. Dr. Adem Tuncer E-posta: Genetik Algoritmalar Bölüm 1 Optimizasyon Yrd. Doç. Dr. Adem Tuncer E-posta: adem.tuncer@yalova.edu.tr Optimizasyon? Optimizasyon Nedir? Eldeki kısıtlı kaynakları en iyi biçimde kullanmak olarak tanımlanabilir.

Detaylı

Fatih Kölmek. ICCI 2012-18.Uluslararası Enerji ve Çevre Fuarı ve Konferansı 25 Nisan 2012, İstanbul, Türkiye

Fatih Kölmek. ICCI 2012-18.Uluslararası Enerji ve Çevre Fuarı ve Konferansı 25 Nisan 2012, İstanbul, Türkiye Fatih Kölmek ICCI 2012-18.Uluslararası Enerji ve Çevre Fuarı ve Konferansı 25 Nisan 2012, İstanbul, Türkiye Türkiye Elektrik Piyasası Dengeleme ve Uzlaştırma Mekanizması Fiyat Tahmin Modelleri Yapay Sinir

Detaylı

Gevşek Hesaplama (COMPE 474) Ders Detayları

Gevşek Hesaplama (COMPE 474) Ders Detayları Gevşek Hesaplama (COMPE 474) Ders Detayları Ders Adı Gevşek Hesaplama Ders Kodu COMPE 474 Dönemi Ders Uygulama Laboratuar Kredi AKTS Saati Saati Saati Bahar 3 0 0 3 5 Ön Koşul Ders(ler)i Dersin Dili Dersin

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

SÜREKLİ DOĞAL GERİLİM VERİLERİNİN YAPAY SİNİR AĞLARI İLE DEĞERLENDİRİLMESİ, DEPREM ve YAĞIŞLARLA İLİŞKİSİ

SÜREKLİ DOĞAL GERİLİM VERİLERİNİN YAPAY SİNİR AĞLARI İLE DEĞERLENDİRİLMESİ, DEPREM ve YAĞIŞLARLA İLİŞKİSİ SÜREKLİ DOĞAL GERİLİM VERİLERİNİN YAPAY SİNİR AĞLARI İLE DEĞERLENDİRİLMESİ, DEPREM ve YAĞIŞLARLA İLİŞKİSİ ÖZET: Petek SINDIRGI 1 ve İlknur KAFTAN 2 1 Yardımcı Doçent Dr. Jeofizik Müh. Bölümü, Dokuz Eylül

Detaylı

İnce Dikdörtgen Plakların Titreşim Frekanslarının Yapay Sinir Ağları Yaklaşımı ile Tahmini *

İnce Dikdörtgen Plakların Titreşim Frekanslarının Yapay Sinir Ağları Yaklaşımı ile Tahmini * İMO Teknik Dergi, 2007 4161-4176, Yazı 275 İnce Dikdörtgen Plakların Titreşim Frekanslarının Yapay Sinir Ağları Yaklaşımı ile Tahmini * Ömer CİVALEK* Yusuf CALAYIR** ÖZ Çalışmada, 21 farklı mesnet koşuluna

Detaylı

KPSS SONUÇLARININ VERİ MADENCİLİĞİ YÖNTEMLERİYLE TAHMİN EDİLMESİ

KPSS SONUÇLARININ VERİ MADENCİLİĞİ YÖNTEMLERİYLE TAHMİN EDİLMESİ KPSS SONUÇLARININ VERİ MADENCİLİĞİ YÖNTEMLERİYLE TAHMİN EDİLMESİ Pamukkale Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi Bilgisayar Mühendisliği Anabilim Dalı Hüseyin ÖZÇINAR Danışman: Yard.

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

Çok Markalı Servis İstasyonları için Yapay Sinir Ağları ile Görüntü Tabanlı Araç Marka ve Modeli Tanıma Yazılımı

Çok Markalı Servis İstasyonları için Yapay Sinir Ağları ile Görüntü Tabanlı Araç Marka ve Modeli Tanıma Yazılımı BAÜ Fen Bil. Enst. Dergisi Cilt 13(1) 88-101 (2011) Çok Markalı Servis İstasyonları için Yapay Sinir Ağları ile Görüntü Tabanlı Araç Marka ve Modeli Tanıma Yazılımı Gürkan TUNA 1 Trakya Üniversitesi, Edirne

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

İnsan beyni, birbiri ile karmaşık ilişkiler içinde bulunan nöron hücreleri kitlesidir. Tüm aktivitelerimizi kontrol eder, yaradılışın en görkemli ve

İnsan beyni, birbiri ile karmaşık ilişkiler içinde bulunan nöron hücreleri kitlesidir. Tüm aktivitelerimizi kontrol eder, yaradılışın en görkemli ve YAPAY SİNİRAĞLARI İnsan beyni, birbiri ile karmaşık ilişkiler içinde bulunan nöron hücreleri kitlesidir. Tüm aktivitelerimizi kontrol eder, yaradılışın en görkemli ve gizemli harikalarından biridir. İnsan

Detaylı

ESTIMATION OF EFFLUENT PARAMETERS AND EFFICIENCY FOR ADAPAZARI URBAN WASTEWATER TREATMENT PLANT BY ARTIFICIAL NEURAL NETWORK

ESTIMATION OF EFFLUENT PARAMETERS AND EFFICIENCY FOR ADAPAZARI URBAN WASTEWATER TREATMENT PLANT BY ARTIFICIAL NEURAL NETWORK ESTIMATION OF EFFLUENT PARAMETERS AND EFFICIENCY FOR ADAPAZARI URBAN WASTEWATER TREATMENT PLANT BY ARTIFICIAL NEURAL NETWORK ADAPAZARI KENTSEL ATIKSU ARITMA TESĐSĐ ÇIKIŞ SUYU PARAMETRELERĐ VE VERĐM DEĞERLERĐNĐN

Detaylı

KÜTAHYA İLİNİN YAPAY SİNİR AĞLARI KULLANILARAK ELEKTRİK PUANT YÜK TAHMİNİ

KÜTAHYA İLİNİN YAPAY SİNİR AĞLARI KULLANILARAK ELEKTRİK PUANT YÜK TAHMİNİ ELECTRICAL PEAK LOAD FORECASTING IN KÜTAHYA WITH ARTIFICIAL NEURAL NETWORKS. Y. ASLAN * & C. YAŞAR * & A. NALBANT * * Elektrik-Elektronik Mühendisliği Bölümü, Mühendislik Fakültesi Dumlupınar Üniversitesi,

Detaylı

TUĞLA VE KİREMİT FABRİKALARININ HAVA KİRLİLİĞİNE KATKILARININ YAPAY SİNİR AĞI MODELLEMESİ İLE ARAŞTIRILMASI

TUĞLA VE KİREMİT FABRİKALARININ HAVA KİRLİLİĞİNE KATKILARININ YAPAY SİNİR AĞI MODELLEMESİ İLE ARAŞTIRILMASI TUĞLA VE KİREMİT FABRİKALARININ HAVA KİRLİLİĞİNE KATKILARININ YAPAY SİNİR AĞI MODELLEMESİ İLE ARAŞTIRILMASI Merve ARABACI a, Miray BAYRAM a, Mehmet YÜCEER b, Erdal KARADURMUŞ a a Hitit Üniversitesi, Mühendislik

Detaylı

Makine Öğrenmesi 6. hafta

Makine Öğrenmesi 6. hafta Makne Öğrenmes 6. hafta Yapay Snr Ağlarına Grş Tek katmanlı YSA lar Algılayıcı (Perceptron) Aalne (Aaptve Lnear Elemen Byolojk Snr Hücres Byolojk snrler ört ana bölümen oluşmaktaır. Bunlar: Denrt, Akson,

Detaylı

TÜRKĐYE CUMHURĐYETĐ ANKARA ÜNĐVERSĐTESĐ SAĞLIK BĐLĐMLERĐ ENSTĐTÜSÜ

TÜRKĐYE CUMHURĐYETĐ ANKARA ÜNĐVERSĐTESĐ SAĞLIK BĐLĐMLERĐ ENSTĐTÜSÜ TÜRKĐYE CUMHURĐYETĐ ANKARA ÜNĐVERSĐTESĐ SAĞLIK BĐLĐMLERĐ ENSTĐTÜSÜ YAPAY SĐNĐR AĞLARININ ĐNCELENMESĐ VE SIRT AĞRISI OLAN BĐREYLER ÜZERĐNDE BĐR UYGULAMASI Burcu KARAKAYA BĐYOĐSTATĐSTĐK ANABĐLĐM DALI YÜKSEK

Detaylı

YÜKSEK LĐSANS TEZĐ Hale Hilal DODURGALI

YÜKSEK LĐSANS TEZĐ Hale Hilal DODURGALI ĐSTANBUL TEKNĐK ÜNĐVERSĐTESĐ FEN BĐLĐMLERĐ ENSTĐTÜSÜ KARINCA KOLONĐSĐ OPTĐMĐZASYONU ĐLE EĞĐTĐLMĐŞ ÇOK KATMANLI YAPAY SĐNĐR AĞI ĐLE SINIFLANDIRMA YÜKSEK LĐSANS TEZĐ Hale Hilal DODURGALI Anabilim Dalı :

Detaylı

YAPAY AÇIKLIKLI RADAR GÖRÜNTÜLERİNDE YAPAY SİNİR AĞLARI İLE HEDEF TANIMLAMA

YAPAY AÇIKLIKLI RADAR GÖRÜNTÜLERİNDE YAPAY SİNİR AĞLARI İLE HEDEF TANIMLAMA HAVACILIK VE UZAY TEKNOLOJİLERİ DERGİSİ TEMMUZ 2004 CİLT 1 SAYI 4 (55-60) YAPAY AÇIKLIKLI RADAR GÖRÜNTÜLERİNDE YAPAY SİNİR AĞLARI İLE HEDEF TANIMLAMA Okyay KAYNAK Boğaziçi Üniversitesi Mühendislik Fakültesi

Detaylı

YAPAY SİNİR AĞLARI YÖNTEMİ İLE ARALIKLI TALEP TAHMİNİ (1)

YAPAY SİNİR AĞLARI YÖNTEMİ İLE ARALIKLI TALEP TAHMİNİ (1) Beykoz Akademi Dergisi, 2016; 4(1), 1-32 Gönderim tarihi: 10.10.2015 Kabul tarihi: 22.04.2016 DOI: 10.14514/BYK.m.21478082.2016.4/1.1-32 OLGU SUNUMU YAPAY SİNİR AĞLARI YÖNTEMİ İLE ARALIKLI TALEP TAHMİNİ

Detaylı

İĞNECİKLİ SİNİR AĞLARI

İĞNECİKLİ SİNİR AĞLARI İSTANBUL AYDIN ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ Yüksek Lisans Semineri İĞNECİKLİ SİNİR AĞLARI Peren Jerfi CANATALAY Danışman: Prof. Dr.Hasan Hüseyin BALIK İstanbul, Mayıs 2014 İÇİNDEKİLER.... Sayfa

Detaylı

T.C. İSTANBUL KÜLTÜR ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YAPAY SİNİR AĞLARI METODU İLE GAYRİMENKUL DEĞERLEME YÜKSEK LİSANS TEZİ.

T.C. İSTANBUL KÜLTÜR ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YAPAY SİNİR AĞLARI METODU İLE GAYRİMENKUL DEĞERLEME YÜKSEK LİSANS TEZİ. T.C. İSTANBUL KÜLTÜR ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YAPAY SİNİR AĞLARI METODU İLE GAYRİMENKUL DEĞERLEME YÜKSEK LİSANS TEZİ Erhan SARAÇ Anabilim Dalı: İnşaat Mühendisliği Programı: Proje Yönetimi

Detaylı

Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi. Jeodezik Koordinat Dönüşümünde Esnek Hesaplama Modeli

Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi. Jeodezik Koordinat Dönüşümünde Esnek Hesaplama Modeli Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi Afyon Kocatepe University Journal of Science and Engineering AKÜ FEMÜBİD 16 (2016) 035502 (655-659) DOI: 10.5578/fmbd.36319 AKU J. Sci.

Detaylı

Büyük Veri Analitiği (Big Data Analytics)

Büyük Veri Analitiği (Big Data Analytics) Büyük Veri Analitiği (Big Data Analytics) M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Bu dersin sunumları, Mining of Massive Datasets, Jure Leskovec, Anand Rajaraman, Jeffrey David

Detaylı

YOLCULUK YARATIMININ YAPAY SİNİR AĞLARI İLE MODELLENMESİ MODELLING OF THE TRIP GENERATION WITH ARTIFICIAL NEURAL NETWORK

YOLCULUK YARATIMININ YAPAY SİNİR AĞLARI İLE MODELLENMESİ MODELLING OF THE TRIP GENERATION WITH ARTIFICIAL NEURAL NETWORK YOLCULUK YARATIMININ YAPAY SİNİR AĞLARI İLE MODELLENMESİ * Nuran BAĞIRGAN 1, Muhammet Mahir YENİCE 2 1 Dumlupınar Üniversitesi, Mühendislik Fakültesi, İnşaat Mühendisliği Bölümü, Kütahya, nbagirgan@dumlupinar.edu.tr

Detaylı

YAPAY SİNİR AĞLARI Bölüm 1-Giriş. Dr. Erhan AKDOĞAN

YAPAY SİNİR AĞLARI Bölüm 1-Giriş. Dr. Erhan AKDOĞAN YAPAY SİNİR AĞLARI Bölüm 1-Giriş YSA, insan beyninin özelliklerinden olan öğrenme yolu ile yeni bilgiler türetebilme, yeni bilgiler oluşturabilme ve keşfedebilme gibi yetenekleri herhangi bir yardım almadan

Detaylı

ELEKTRİK DAĞITIM ŞEBEKELERİNDE TALEP TAHMİNİ

ELEKTRİK DAĞITIM ŞEBEKELERİNDE TALEP TAHMİNİ 1 45 89 133 177 221 265 309 353 397 441 485 529 573 617 661 705 GW MW ELEKTRİK DAĞITIM ŞEBEKELERİNDE TALEP TAHMİNİ Mehmet ÖZEN 1 e-posta: ozenmehmet.92@gmail.com Ömer GÜL 1 e-posta: enerjikalitesi@gmail.com

Detaylı

YAPAY SİNİR AĞLARI TEMELLİ TIBBÎ TEŞHİS SİSTEMİ. Muzaffer DOĞAN Yüksek Lisans Tezi

YAPAY SİNİR AĞLARI TEMELLİ TIBBÎ TEŞHİS SİSTEMİ. Muzaffer DOĞAN Yüksek Lisans Tezi YAPAY SİNİR AĞLARI TEMELLİ TIBBÎ TEŞHİS SİSTEMİ Muzaffer DOĞAN Yüksek Lisans Tezi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Anabilim Dalı Ağustos 2003 i ÖZET Yüksek Lisans Tezi YAPAY SİNİR AĞLARI

Detaylı

Web Madenciliği (Web Mining)

Web Madenciliği (Web Mining) Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Genel bilgiler Değerlendirme Arasınav : 25% Ödevler : 15% Final Projesi : 30% Final Sınavı : 30%

Detaylı

ULAŞTIRMA MODELİ VE ÇEŞİTLİ ULAŞTIRMA MODELLERİ

ULAŞTIRMA MODELİ VE ÇEŞİTLİ ULAŞTIRMA MODELLERİ ULAŞTIRMA MODELİ VE ÇEŞİTLİ ULAŞTIRMA MODELLERİ Özlem AYDIN Trakya Üniversitesi Bilgisayar Mühendisliği Bölümü ULAŞTIRMA MODELİNİN TANIMI Ulaştırma modeli, doğrusal programlama probleminin özel bir şeklidir.

Detaylı

ANFIS ve YSA Yöntemleri ile İşlenmiş Doğal Taş Üretim Sürecinde Verimlilik Analizi

ANFIS ve YSA Yöntemleri ile İşlenmiş Doğal Taş Üretim Sürecinde Verimlilik Analizi Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi Afyon Kocatepe University Journal of Science and Engineering AKÜ FEMÜBİD 16 (2016) 017101 (174 185) AKU J. Sci. Eng. 16 (2016) 017101 (174

Detaylı

HĠBRĠT RADYAL TABANLI FONKSĠYON AĞLARI ĠLE DEĞĠġKEN SEÇĠMĠ VE TAHMĠNLEME: MENKUL KIYMET YATIRIM KARARLARINA ĠLĠġKĠN BĠR UYGULAMA

HĠBRĠT RADYAL TABANLI FONKSĠYON AĞLARI ĠLE DEĞĠġKEN SEÇĠMĠ VE TAHMĠNLEME: MENKUL KIYMET YATIRIM KARARLARINA ĠLĠġKĠN BĠR UYGULAMA T.C. Ġstanbul Üniversitesi Sosyal Bilimler Enstitüsü ĠĢletme Anabilim Dalı Sayısal Yöntemler Bilim Dalı Doktora Tezi HĠBRĠT RADYAL TABANLI FONKSĠYON AĞLARI ĠLE DEĞĠġKEN SEÇĠMĠ VE TAHMĠNLEME: MENKUL KIYMET

Detaylı

ALTIN ORAN ARAMA (GOLDEN SECTION SEARCH) METODU

ALTIN ORAN ARAMA (GOLDEN SECTION SEARCH) METODU ALTIN ORAN ARAMA (GOLDEN SECTION SEARCH) METODU Tek değişkenli bir f(x) fonksiyonunu ele alalım. [Bazı x ler için f (x) bulunamayabilir.] Aşağıdaki DOP modelini çözmek istediğimizi var sayalım. Max f(x)

Detaylı

Isı Transferinde Isı Kayıplarının Yapay Sinir Ağları Yöntemi ile İncelenmesi

Isı Transferinde Isı Kayıplarının Yapay Sinir Ağları Yöntemi ile İncelenmesi Araştırma Makalesi / Research Article Iğdır Üni. Fen Bilimleri Enst. Der. / Iğdır Univ. J. Inst. Sci. & Tech. 7(2): 93-105, 2017 Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi Iğdır University Journal

Detaylı

DEÜ MÜHENDİSLİK FAKÜLTESİ FEN ve MÜHENDİSLİK DERGİSİ Cilt: 6 Sayı: 1 sh Ocak 2004

DEÜ MÜHENDİSLİK FAKÜLTESİ FEN ve MÜHENDİSLİK DERGİSİ Cilt: 6 Sayı: 1 sh Ocak 2004 DEÜ MÜHENDİSİK FAKÜTESİ FEN ve MÜHENDİSİK DERGİSİ Cilt: 6 Sayı: 1 sh. 1-16 Ocak 004 GERİYE YAYIMA YAPAY SİNİR AĞI KUANIARAK EASTİK KİRİŞERİN STATİK VE DİNAMİK ANAİZİ (STATIC AND DYNAMIC ANAYSIS OF EASTIC

Detaylı

GÜL ÇİÇEĞİ DİKİM ALANLARININ YAPAY SİNİR AĞLARI YÖNTEMİYLE TAHMİNİ

GÜL ÇİÇEĞİ DİKİM ALANLARININ YAPAY SİNİR AĞLARI YÖNTEMİYLE TAHMİNİ Akdeniz Üniversitesi Uluslararası Alanya İşletme Fakültesi Dergisi Y.2011, C.3, S.2, s.137-149 Akdeniz University International Journal of Alanya Faculty of Busıness Y.2011, Vol.3, No.2, pp.137-149 GÜL

Detaylı

TÜRKİYE CUMHURİYETİ ÇUKUROVA ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ EKONOMETRİ ANABİLİM DALI

TÜRKİYE CUMHURİYETİ ÇUKUROVA ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ EKONOMETRİ ANABİLİM DALI 1 TÜRKİYE CUMHURİYETİ ÇUKUROVA ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ EKONOMETRİ ANABİLİM DALI TÜRKİYE DE FAALİYET GÖSTEREN TİCARİ BANKALARIN FİNANSAL RİSKLERİNİN YAPAY SİNİR AĞLARI YAKLAŞIMI İLE BELİRLENMESİ

Detaylı

MATLAB. Y. Doç. Dr. Aybars UĞUR Yapay Sinir Ağları Ders Notları

MATLAB. Y. Doç. Dr. Aybars UĞUR Yapay Sinir Ağları Ders Notları MATLAB Y. Doç. Dr. Aybars UĞUR Yapay Sinir Ağları Ders Notları MATLAB Nedir? MATLAB, Mathworks firmasının geliştirdiği teknik bir programlama dilidir. (www.mathworks.com) MATLAB, teknik hesaplamalar ve

Detaylı

Çok Katmanlı Algılayıcılar. Dr. Hidayet Takçı

Çok Katmanlı Algılayıcılar. Dr. Hidayet Takçı Çok Katmanlı Algılayıcılar Dr. Hidayet Takçı htakci@gmail.com http://htakci.sucati.org Perceptron Sınıflandırması Perceptronlar sadece doğrusal sınıflandırma yapabilir. 2 Yapay Sinir Ağları ve Uygulamaları

Detaylı

C.Ü. İktisadi ve İdari Bilimler Dergisi, Cilt 8, Sayı 1, 2007 97

C.Ü. İktisadi ve İdari Bilimler Dergisi, Cilt 8, Sayı 1, 2007 97 C.Ü. İktisadi ve İdari Bilimler Dergisi, Cilt 8, Sayı, 2007 97 SİVAS İLİNDE YAPAY SİNİR AĞLARI İLE HAVA KALİTESİ MODELİNİN OLUŞTURULMASI ÜZERİNE BİR UYGULAMA Ahmet Gürkan YÜKSEK *, Hüdaverdi BİRCAN **,

Detaylı

Tiroid Hastalığının Teşhisinde Parçacık Sürü Optimizasyonu ile Yapay Sinir Ağının Hibrit Kullanımı

Tiroid Hastalığının Teşhisinde Parçacık Sürü Optimizasyonu ile Yapay Sinir Ağının Hibrit Kullanımı 2016 Published in 4th International Symposium on Innovative Technologies in Engineering and Science 3-5 November 2016 (ISITES2016 Alanya/Antalya - Turkey) Tiroid Hastalığının Teşhisinde Parçacık Sürü Optimizasyonu

Detaylı

T.C. FIRAT ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ YAPAY SİNİR AĞLARI (BİTİRME ÖDEVİ) Süha TOZKAN 99220056

T.C. FIRAT ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ YAPAY SİNİR AĞLARI (BİTİRME ÖDEVİ) Süha TOZKAN 99220056 T.C. FIRAT ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ YAPAY SİNİR AĞLARI (BİTİRME ÖDEVİ) Süha TOZKAN 99220056 YÖNETEN Yrd. Doç. Dr. Hasan H. BALIK ELAZIĞ 2004 1 T.C. FIRAT

Detaylı

ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ EKONOMİDE ÖNCÜ GÖSTERGELER İLE BÜYÜME TAHMİNİ UYGULAMASI.

ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ EKONOMİDE ÖNCÜ GÖSTERGELER İLE BÜYÜME TAHMİNİ UYGULAMASI. ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ EKONOMİDE ÖNCÜ GÖSTERGELER İLE BÜYÜME TAHMİNİ UYGULAMASI Ezgi DÜLGER BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI ANKARA 2016 Her hakkı saklıdır

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

Yapay Sinir Ağları ile Ağ Üzerinde Saldırı Tespiti ve Paralel Optimizasyonu

Yapay Sinir Ağları ile Ağ Üzerinde Saldırı Tespiti ve Paralel Optimizasyonu Yapay Sinir Ağları ile Ağ Üzerinde Saldırı Tespiti ve Paralel Optimizasyonu Mehmet Zahid Yıldırım 1, Abdullah Çavuşoğlu 2, Baha Şen 2, İdris Budak 3 1 Karabük Üniversitesi, Fen Bilimleri Enstitüsü Bilgisayar

Detaylı

İleri Örüntü Tanıma Teknikleri Ve Uygulamaları İçerik

İleri Örüntü Tanıma Teknikleri Ve Uygulamaları İçerik Tekrar Konular İleri Örüntü Tanıma Teknikleri Ve Uygulamaları İçerik 1. Uygulamalar ve tanımlamalar 2. Örüntü tanıma sistemleri ve bir örnek 3. Bayes karar teorisi 4. En yakın komşu sınıflandırıcıları

Detaylı

Hava Kirliliğine Neden Olan PM10 ve SO 2 Maddesinin Yapay Sinir Ağı Kullanılarak Tahmininin Yapılması ve Hata Oranının Hesaplanması

Hava Kirliliğine Neden Olan PM10 ve SO 2 Maddesinin Yapay Sinir Ağı Kullanılarak Tahmininin Yapılması ve Hata Oranının Hesaplanması Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi Afyon Kocatepe University Journal of Science and Engineering AKÜ FEMÜBİD XX (201X) xxxxxx (xx s) AKU J. Sci.Eng.XX (201X) xxxxxx (xx pp)

Detaylı

Polipropilen Lifli Betonların Yüksek Sıcaklık Sonrası Basınç Dayanımlarının Yapay Sinir Ağları ile Tahmini

Polipropilen Lifli Betonların Yüksek Sıcaklık Sonrası Basınç Dayanımlarının Yapay Sinir Ağları ile Tahmini 23 Polipropilen Lifli Betonların Yüksek Sıcaklık Sonrası Basınç Dayanımlarının Yapay Sinir Ağları ile Tahmini Hasbi YAPRAK ve Abdulkadir KARACI Kastamonu University, Kastamonu, 37100 Türkiye, Kastamonu

Detaylı

İSTANBUL TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ

İSTANBUL TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ İSTANBUL TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ TALEP TAHMİNİNDE YAPAY SİNİR AĞLARININ KULLANILMASI YÜKSEK LİSANS TEZİ Fatih ADIYAMAN Anabilim Dalı : ENDÜSTRİ MÜHENDİSLİĞİ Programı : MÜHENDİSLİK YÖNETİMİ

Detaylı

Matematiksel Optimizasyon ve Yapay Öğrenme

Matematiksel Optimizasyon ve Yapay Öğrenme Matematiksel Optimizasyon ve Yapay Öğrenme İlker Birbil Sabancı Üniversitesi Mühendislik ve Doğa Bilimleri Fakültesi Endüstri Mühendisliği Programı Veri Bilimi İstanbul Buluşma 14 Şubat, 2017 Optimizasyon

Detaylı

Yapay Sinir Ağı Tabanlı Modülasyon Tanıma Sistemlerinde Kullanılan Eğitim Algoritmalarının Karşılaştırmalı Başarım Analizi

Yapay Sinir Ağı Tabanlı Modülasyon Tanıma Sistemlerinde Kullanılan Eğitim Algoritmalarının Karşılaştırmalı Başarım Analizi Yapay Sinir Ağı Tabanlı Modülasyon Tanıma Sistemlerinde Kullanılan Eğitim Algoritmalarının Karşılaştırmalı Başarım Analizi Büşra ÜLGERLİ, Gökay YÜCEL, Ahmet ALTUN, Engin ÖKSÜZ, Ali ÖZEN Nuh Naci Yazgan

Detaylı

YAPAY SİNİR AĞLARI VE GEZGİN SATICI PROBLEMİNE UYGULANMALARI. Müh. Murat YILDIRIMHAN

YAPAY SİNİR AĞLARI VE GEZGİN SATICI PROBLEMİNE UYGULANMALARI. Müh. Murat YILDIRIMHAN İSTANBUL TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YAPAY SİNİR AĞLARI VE GEZGİN SATICI PROBLEMİNE UYGULANMALARI YÜKSEK LİSANS TEZİ Müh. Murat YILDIRIMHAN Anabilim Dalı : Endüstri Mühendisliği Programı

Detaylı

ÖZET...V ABSTRACT...VII TEŞEKKÜR... IX ŞEKİLLER DİZİNİ... XIV SÖZLÜK... XIX

ÖZET...V ABSTRACT...VII TEŞEKKÜR... IX ŞEKİLLER DİZİNİ... XIV SÖZLÜK... XIX XI İÇİNDEKİLER ÖZET...V ABSTRACT...VII TEŞEKKÜR... IX ŞEKİLLER DİZİNİ... XIV SÖZLÜK... XIX 1. GİRİŞ... 1 2. PLANLAMANIN TARİHÇESİ... 7 2.1 Literatürdeki Planlayıcılar ve Kullandıkları Problem... Gösterimi

Detaylı

Askı Madde Konsantrasyonu ve Miktarının Yapay Sinir Ağları ile Belirlenmesi 1

Askı Madde Konsantrasyonu ve Miktarının Yapay Sinir Ağları ile Belirlenmesi 1 İMO Teknik Dergi, 2004 3267-3282, Yazı 219 Askı Madde Konsantrasyonu ve Miktarının Yapay Sinir Ağları ile Belirlenmesi 1 Mahmut FIRAT * Mahmud GÜNGÖR ** ÖZET Son yıllarda, inşaat mühendisliğindeki bilgisayarlı

Detaylı

YAPAY SİNİR AĞLARI YÖNTEMİ İLE GÖKSU NEHRİ NİN AKIM TAHMİNİ FLOW FORECASTING OF GÖKSU RIVER WITH ARTIFICIAL NEURAL NETWORKS METHOD

YAPAY SİNİR AĞLARI YÖNTEMİ İLE GÖKSU NEHRİ NİN AKIM TAHMİNİ FLOW FORECASTING OF GÖKSU RIVER WITH ARTIFICIAL NEURAL NETWORKS METHOD 1 SDU International Technologic Science pp. 1-7 Constructional Technologies YAPAY SİNİR AĞLARI YÖNTEMİ İLE GÖKSU NEHRİ NİN AKIM TAHMİNİ Özlem Terzi, Mehmet Köse Özet: Günümüzde kuraklık ve küresel ısınma

Detaylı

YAPAY SİNİR AĞLARI İLE FİYAT TAHMİNLEMESİ

YAPAY SİNİR AĞLARI İLE FİYAT TAHMİNLEMESİ YAPAY SİNİR AĞLARI İLE FİYAT TAHMİNLEMESİ Elif ERDOĞAN Fatih Üniversitesi Ankara Meslek Yüksekokulu, Ostim /Ankara Öğretim Görevlisi eerdogan@fatih.edu.tr Hamide ÖZYÜREK Fatih Üniversitesi Ankara Meslek

Detaylı

Otomatik Doküman Sınıflandırma

Otomatik Doküman Sınıflandırma Otomatik Doküman Sınıflandırma Rumeysa YILMAZ, Rıfat AŞLIYAN, Korhan GÜNEL Adnan Menderes Üniversitesi, Fen Edebiyat Fakültesi Matematik Bölümü, Aydın rumeysa2903@gmailcom, rasliyan@aduedutr, kgunel@aduedutr

Detaylı

Diferansiyel Evrim Algoritması Destekli Yapay Sinir Ağı ile Orta Dönem Yük Tahmini

Diferansiyel Evrim Algoritması Destekli Yapay Sinir Ağı ile Orta Dönem Yük Tahmini International Journal of Research and Development, Vol.3, No., January 20 28 Diferansiyel Evrim Algoritması Destekli Yapay Sinir Ağı ile Orta Dönem Yük Tahmini İbrahim EKE Gazi Üniversitesi Mühendislik

Detaylı

Electronic Letters on Science & Engineering 4(1) (2008) Available online at www.e-lse.org

Electronic Letters on Science & Engineering 4(1) (2008) Available online at www.e-lse.org Electronic Letters on Science & Engineering 4(1) (8) Available online at www.e-lse.org Artificial Neural Networks Application for Modelling of Wastewater Treatment Plant Performance Ece Ceren Yilmaz 1

Detaylı

PSM 11 PEM YAKIT HÜCRELERİNİN YAPAY SİNİR AĞLARI İLE MODELLENMESİ

PSM 11 PEM YAKIT HÜCRELERİNİN YAPAY SİNİR AĞLARI İLE MODELLENMESİ PSM 11 PEM YAKIT HÜCRELERİNİN YAPAY SİNİR AĞLARI İLE MODELLENMESİ U. Özveren 2, S. Dinçer 1 1 Yıldız Teknik Üniversitesi, Kimya Müh. Bölümü, Davutpaşa Kampüsü, 34210 Esenler / İstanbul e-posta: dincer@yildiz.edu.tr

Detaylı