İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK MÜHENDİSLİĞİ PROGRAMI

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK MÜHENDİSLİĞİ PROGRAMI"

Transkript

1 İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK MÜHENDİSLİĞİ PROGRAMI ORACLE DATA MINER İLE MANTARLARIN ZEHİRLİLİĞİ ÜZERİNE BİR VERİ MADENCİLİĞİ UYGULAMASI BİTİRME ÖDEVİ Özge KAPLAN Gizem GÖZEN Teslim Tarihi: Tez Danışmanı: Yar. Doç. Dr. Ahmet KIRIŞ MAYIS 2013

2 ÖNSÖZ Bitirme projemizi hazırlamamızda her zaman yanımızda olup desteğini esirgemeyen Sayın Hocamız Yar. Doç. Dr. Ahmet KIRIŞ a, güven ve sevgisini her zaman hissettiğimiz, sıkıntılarımızda yanımızda olan ailelerimize ve başta bilgisi ile Ece Hazal AYDIN ve manevi desteği ile Fulden KOÇ olmak üzere yanımızda olan arkadaşlarımıza en içten teşekkürlerimizi sunarız. Mayıs-2013 Özge KAPLAN Gizem GÖZEN ii

3 İÇİNDEKİLER Sayfa No ÖZET v 1.GİRİŞ VERİ MADENCİLİĞİ Tanım Gelişim Süreci Kullanım Alanları Veri Madenciliği Süreci Veri Temizleme Veri Bütünleştirme Veri İndirgeme Veri Dönüştürme Veri Madenciliği Algoritmasının Uygulanması Sonuçları Sunum Ve Değerlendirme Veri Madenciliği Yöntemleri Sınıflandırma Kümeleme Birliktelik Kuralları SQL DEVELOPER VE ODM Bağlantı Veri Madenciliği İçin Bağlantı Uygulamalar Veri Aktarımı Veri Ayırma Nitelik Önemliliği KULLANILAN YÖNTEMLER Naive Bayes iii

4 Tek Boyutlu Naive Bayes Örneği İki Boyutlu Naive Bayes Örneği Karar Ağaçları Karar Destek Vektörleri UYGULAMA VE SONUÇLAR Veri Tanımı Model Oluşturma Verinin Veri Tabanına Aktarılması Verinin Ayrılması Sınıflandırma Modelin Uygulanması Uygulama Sonucun Tablo İle Gösterilmesi Sonuç Değerlendirmesi KAYNAKLAR iv

5 ÖZET Bu projede mantarların zehirliliği üzerine bir veri madenciliği çalışması yapılmıştır. Bu çalışmanın amacı mantarların belirli özelliklerine göre zehirliliklerinin araştırılmasıdır. Bunun için gerçek verilerin bulunduğu bir internet sitesinden [1] Agaricus-lepiota verileri alınmış ve sınıflandırma modeline uygun olarak tablo haline getirilmiştir. Sonuçlara ulaşılması için sınıflandırma algoritmalarından Naive Bayes, Decision Tree ve Support Vector Machine kullanılmıştır. Bu projeyi gerçekleştirmek için Oracle 11g R2 sürümü ve SQL Developer paket programı kullanılmıştır. Bu program sayesinde tablo haline getirilen veriler SQL Developer a aktarılmış ve Navie Bayes, Support Vector Machine ve Decision Tree modelleri uygulanmıştır. Uygulanan modellerde amaçlanan, bulunan tahminlerle doğruya en yakın sonuçlara ulaşabilmektir. Bu tahminler sonuçların daha kolay yorumlanmasına yardımcı olmuştur. v

6 1.GİRİŞ Geçmişten günümüze teknolojinin gelişmesiyle bilgisayar ortamında tutulan verilerin sayısında hızlı bir artış gözlemlenmektedir. Bu verilerin düzenlenmesi ve daha yararlı bir şekilde kullanılması için bazı yöntemler geliştirilmiştir. Bu yöntemlerden biri de veri madenciliğidir. Veri madenciliği bilgisayar ortamında tutulan çok sayıdaki verinin gelecekle ilgili tahminlerinde kullanılır. Bu yöntem günümüzde tarım sanayi ticaret gibi birçok sektörde kullanılmaktadır. Bu proje, mantarların koku, popülasyon, habitat, çürüklük, şapka şekli gibi özellikleri ile geçmiş yıllardaki zehirlilik verisi üzerine bir model oluşturulmasını ve herhangi bir mantarın zehirlilik tahmininde kullanılan veri madenciliği uygulamasını kapsamaktadır. Bu tezde herhangi bir mantarın zehirlililiğinin belirlenmesinde uygulanan aşamalar anlatılmaktadır. 1

7 2.VERİ MADENCİLİĞİ 2.1. Tanım Veri Madenciliği, veri ambarlarında tutulan çok çeşitli verilere dayanarak daha önce keşfedilmemiş verileri ortaya çıkarmak, bunları karar vermek ve gerçekleştirmek için kullanma sürecidir. Bu tanımdan yararlanarak veri madenciliğinin aynı zamanda bir istatistiksel süreç olduğunu da söylemek mümkündür [2]. Veri Madenciliği büyük ölçekli veriler arasından bilgiye ulaşmak için kullanılan bir yöntemdir Gelişim Süreci İnsanoğlu geçmişten bugüne her zaman verileri yorumlayıp bilgi edinmeye çalışmıştır ve bunun için çeşitli donanımlar oluşturmuştur. Bu donanımlar bilginin taşınmasını sağlamıştır. Zamanla her alanda bilgi toplanmaya başlanmış ve kronolojik olarak gelişimi Şekil 2.1 [3] de özetlenmiştir [4]. Şekil 2.1 Veri madenciliğinin tarihsel gelişimi [3] 2

8 2.3. Kullanım Alanları Büyük hacimde veri bulunan her yerde veri madenciliği kullanmak mümkündür. Günümüzde karar verme sürecine ihtiyaç duyulan birçok alanda veri madenciliği uygulamaları yaygın olarak kullanılmaktadır. Örneğin pazarlama, biyoloji, bankacılık, sigortacılık, borsa, perakendecilik, telekomünikasyon, genetik, sağlık, bilim ve mühendislik, kriminoloji, sağlık, endüstri, istihbarat vb. birçok dalda başarılı uygulamaları görülmektedir. Son 20 yıldır Amerika Birleşik Devletleri nde çeşitli veri madenciliği algoritmalarının gizli dinlemeden, vergi kaçakçılıklarının ortaya çıkartılmasına kadar çeşitli uygulamalarda kullanıldığı bilinmektedir. Kaynaklar incelendiğinde veri madenciliğinin en çok kullanıldığı alan olarak tıp, biyoloji ve genetik görülmektedir [3] Veri Madenciliği Süreci Veri madenciliği süreci 6 adımdan oluşmaktadır: veri temizleme, veri bütünleştirme, veri indirgeme, veri dönüştürme, veri madenciliği algoritmasını uygulama, sonuçları sunum ve değerlendirme Veri Temizleme Veri tabanında yer alan hatalı verileri temizlemek, eksik verileri düzenlemek için yapılan işlemler bütünüdür Veri Bütünleştirme Farklı veri tabanlarından ya da veri kaynaklarından elde edilen verilerin birlikte değerlendirmeye alınabilmesi için farklı türdeki verilerin tek türe dönüştürülmesi işlemidir. Bunun en yaygın örneği cinsiyette görülmektedir. Çok fazla tipte tutulabilen bir veri olup, bir veri tabanında 0/1 olarak tutulurken diğer veri tabanında E/K veya Erkek/Kadın şeklinde tutulabilir. Bilginin keşfinde başarı verinin uyumuna da bağlı olmaktadır [5]. 3

9 Veri İndirgeme Veri madenciliği uygulamalarının sonuçlarına güveniliyorsa veri ya da değişkenlerin sayısı azaltılabilir Veri Dönüştürme Kullanılacak modele göre verinin yapısının korunup şeklinin değiştirilmesidir Veri Madenciliği Algoritmasının Uygulanması Veri hazırlandıktan sonra gerekli olan algoritmaların uygulanmasıdır Sonuçları Sunum Ve Değerlendirme Algoritmalar uygulandıktan sonra sonuçların değerlendirilmesi ve sunulmasıdır Veri Madenciliği Yöntemleri Sınıflandırma Sınıflandırma, veri tabanlarındaki gizli örüntüleri ortaya çıkarabilmek için veri madenciliği uygulamalarında sıkça kullanılan bir yöntemdir. Sınıflandırma yöntemi yeni bir durum meydana geldiğinde karar verilmesine yardımcı olur. Bu yüzden sınıflandırma yönteminde en çok kullanılan teknik karar ağaçlarıdır. Bunun dışında lojistik regresyon, diskriminant analizi gibi teknikler de kullanılır Kümeleme Verilerin kendi aralarındaki benzerliklerin göz önüne alınarak gruplandırılması işlemidir. Kümeleme yöntemlerinin çoğu veri arasındaki uzaklıkları kullanır. Hiyerarşik Kümeleme yöntemleri en yakın komşu algoritması ve en uzak komşu algoritmasıdır. Hiyerarşik olmayan kümeleme yöntemleri arasında k-ortalamalar yöntemi sayılabilir. Uygulamada çok sayıda kümeleme yöntemi kullanılmaktadır. Bu yöntemler, değişkenler arasındaki benzerliklerden ya da farklılıklardan yararlanarak bir kümeyi alt kümelere ayırmakta kullanılmaktadır. 4

10 Hangi tekniğin kullanılacağı küme sayısına bağlı olmakla birlikte her iki tekniğin beraber kullanılması çok daha yararlıdır. Böylece hem sonuçları hem de iki tekniğin hangisinin daha uygun sonuçlar verdiğini karşılaştırmak mümkün olmaktadır. Kümeleme analizinin amacı, gruplanmamış verileri benzerliklerine göre sınıflandırmak ve araştırmacıya özetleyici bilgiler elde etmede yardımcı olmaktır. Kümeleme analizinin uygulanabilmesi için verilerin normal dağılımlı olması varsayımı olmakla birlikte, bu varsayım teoride kalmakta ve uygulamalarda göz ardı edilmektedir. Sadece uzaklık değerlerinin normal dağılıma uygunluğu ile yetinilmektedir [5] Birliktelik Kuralları Veri tabanı içinde yer alan kayıtların birbiriyle olan ilişkilerini inceleyerek, hangi olayların eş zamanlı olarak birlikte gerçekleşebileceklerini ortaya koymaya çalışan veri madenciliği yöntemleridir. Özellikle pazarlama alanında uygulanmaktadır (Pazar sepet analizleri). Bu yöntemler birlikte olma kurallarını belirli olasılıklarla ortaya koyar. Birliktelik çözümlemelerinin en yaygın uygulaması perakende satışlarda müşterilerin satın alma eğilimlerini belirlemek amacıyla yapılmaktadır. Müşterilerin bir anda satın aldığı tüm ürünleri ele alarak satın alma eğilimini ortaya koyan uygulamalara Pazar sepet çözümlemesi denilmektedir [5]. 5

11 3. SQL DEVELOPER VE ODM Oracle Data Miner (ODM) ile yapılan veri madenciliği işlemleri şimdi Oracle 11g R2 sürümünün desteklediği SQL Developer içine gömülü ODM ile yapılmaktadır. Uygulamaya başlamadan önce sunucu üzerine Oracle 11g R2, Oracle veritabanı SQL Developer programını içermediği için ayrı olarak istemci üzerine ise SQL Developer kurulmuştur Bağlantı SQL Developer ile bağlantı kurabilmek için öncelikle arşivden çıkarılan klasörün içindeki sqldeveloper.exe isimli çalıştır dosyası açılır. Açılan ekranda Connections sekmesine sağ tıklandığında Şekil 3.1 deki ekran çıkacaktır. Şekil 3.1. SQL Developer Bağlantı Oluşturma Ekranı New Connection sekmesi seçildikten sonra Şekil 3.2. deki işlemler yapılmalıdır. 6

12 Şekil 3.2. Şifre Giriş Ekranı Şekil 3.2 deki Password kısmına Oracle 11g R2 sürümü kurulurken verilen şifre yazılır. Daha sonra bağlantıyı kontrol etmek için öncelikle Test butonuna basılır ve Şekil 3.3. teki Connect butonuyla bağlantı kurulur. Şekil 3.3. Bağlantı Kontrol Ekranı Bağlantı kurulduktan sonra Şekil 3.4. teki ekran çıkacaktır. 7

13 Şekil 3.4. Bağlantı Genel Görünümü Veri Madenciliği İçin Bağlantı Şekil 3.5. Kullanıcı Oluşturma Ekranı Şekil 3.5 te görülen Create User sekmesi seçilerek Şekil 3.6 elde edilir 8

14 Şekil 3.6. Kullanıcı Şifre Ekranı Şekil 3.6. da gerekli işlemler yapılarak veri madenciliği için gerekli olan bağlantı kurulur. Şekil 3.7. Kullanıcı Oluşturuldu Ekranı Şekil 3.7. görüldüğünde bağlantının başarıyla gerçekleştirildiği anlaşılır. 9

15 3.2. Uygulamalar SQL Developer da kullanılan algoritmalar daha sonraki bölümde anlatılacaktır. Bunun dışında import, split ve attribute importance gibi işlemler de yapılabilir Veri Aktarımı Öncelikle SQL Developer a aktarılacak veriye uygun tablo New Table sekmesi ile oluşturulur. Veri aktarma işlemi ile alınan veri tablo şeklinde SQL Developer a aktarılır. Nasıl yapılacağı Şekil 3.8 de belirtilmiştir: Şekil3.8. Veri Aktarım Ekranı Veri Ayırma Daha sonraki bölümlerde oluşturulacak modeli Build ve Test şeklinde ayırmada kullanılır. SQL komutu yardımı ile bu işlem gerçekleştirilir. Şekil 3.9. da bu komut görülmektedir. 10

16 Şekil 3.9. Veri Ayırma Komut Ekranı Kırmızı ile gösterilenler oluşturulan tabloların isimleridir ve isteğe göre değiştirilebilir Nitelik Önemliliği Hedef verinin tahmin edilmesinde etkili olan veriye ait niteliklerin bulunması işlemidir. Bu işlem sayesinde tahminin doğruluk oranı artmaktadır. Güvenilirlik açısından bu işlemin yapılması önemlidir. Bu işlem Şekil daki gibi yapılır ve sonuçlar elde edilir. Şekil Attribute Importance Ekranı 11

17 4. KULLANILAN YÖNTEMLER 4.1. Naive Bayes Naive Bayes her kriterin sonuca olan etkilerinin olasılık olarak hesaplanması temeline dayanmaktadır. Data Mining işleminin açıklanmasında kullanılan örneklerden biri tenis maçıdır. Bu örnekte tenis maçının oynanıp oynanmamasına etki eden bilgiler bulunmaktadır. Ancak bu bilgiye göre tenis maçının oynanması veya oynanmaması durumu kaydedilirken o anki hava durumu, sıcaklık, nem ve rüzgar durumu bilgileri de alınmış olsun. Bu bilgiler değerlendirildiğinde varsayılan tahmin yöntemleri ile hava bugün rüzgarlı tenis maçı bugün oynanmaz şeklinde kararlar verilmektedir. Ancak Data Mining bu kararların tüm kriterlerin etkisi ile verildiği bir yaklaşımdır. Dolayısıyla öğrenilecek sisteme bugün hava güneşli, sıcak, nemli ve rüzgar yok şeklinde bir bilgi verildiğinde sistem eğitildiği daha önce gerçekleşmiş istatistiklerden faydalanarak tenis maçının oynanma ve oynanmama ihtimalini hesaplar ve tahminini bildirir [6]. Veri madenciliği uygulanacak olan veri kümesi aşağıda gösterilen tablonun formatındadır. Tabloda her satır (her kayıt) bir vektör ( x i ) olarak düşünülür, x i vektörünün j. elemanı i. kaydın A j sütunundaki değerine karşı gelir. Son sütun (B) yani y vektörü, veri madenciliği ile tahmin edilmek istenen hedef özelliktir. Dolayısıyla n kayıt ve (m+1) sütundan oluşan bir tabloda her biri m boyutlu n tane belirleyici x i vektörü ve bir tane hedef sütun (B), yani y vektörü vardır. 12

18 Şekil 4.1. : Bir veri kaydı örneği Naive Bayes yöntemi ile sınıflandırma koşullu olasılık hesabına dayanmaktadır. Şekil 4.1 de görüldüğü üzere tüm değerleri belirli geçmiş bir veri kümesinde, B yani sonuç sütunu, diğer A, ( i 1,..., m ) sütunlarına bağlı kabul edilerek, i P( B b A a,...( i 1,..., m )), olasılıkları hesaplanır, burada j 1,..., s ve j i ik k 1,..., mi dir. Bu ifade ile, her biri m i tane farklı gruptan oluşan 13 A i sütunları a ik değerlerini aldıklarında, bu A i sütunlarına bağlı olarak, B sütununda bulunan s tane farklı grubun b j değerlerinden her birini alma olasılıkları hesaplanmaktadır. Geçmiş veri kümesi yardımıyla hesaplanan bu olasılıklar, yeni gelecek verinin hangi gruba dahil edileceğinin, yani B sütununun tahmininde kullanılacaktır. Konuyu anlaşılır kılmak için, tahmin edici sütun önce bir tane, A 1, sonra iki tane, A 1, A 2 alınarak, B sütununun bunlara bağlı olasılıkları hesaplanarak problem basitleştirilmiş daha sonra ise m sütun alınarak problem genelleştirilmiştir. Öncelikle koşullu olasılık kavramının açıklanması gerekmektedir. A ve B iki olay olmak üzere, bu olayların olma olasılıkları P( A ) ve P( B ) ile verilir. Eğer A ve B olaylarının gerçekleşmesi birbirine bağlı değilse, bu iki olayın birlikte olma olasılığı

19 (4.1) ile verilir. Örneğin A olayı, o gün havanın yağmurlu olması ve B olayı ise atılan bir madeni paranın yazı gelme olasılığı ise, bu iki olay birbirinden bağımsızdır ve bu iki olayın birlikte olma olasılıkları her bir olayın olma olasılıklarının çarpımına eşittir. Eğer A ve B olayları birbirine bağlı ise, bu iki olayın birlikte olma olasılıkları; A nın olma olasılığı ile A dan sonra B nin olma olasılığının çarpımı ile yani (4.2) veya B nin olma olasılığı ile B den sonra A nın olma olasılığının çarpımı ile yani P( AB, ) PB ( ) PA ( B) (4.3) ile verilir. Dolayısıyla buradan (4.2) ve (4.3) denklemleri birbirine eşitlenerek, A olayından sonra B olayının olma olasılığı P( BPA ) ( B) PB ( A) (4.4) PA ( ) ile verilir. Örneğin A olayı havanın yağmurlu olması, B olayı ise Ali nin balığa çıkma olayı ise, B olayının A olayına bağlı olduğu açıktır ve A olayından sonra B olayının olma olasılığı yani hava yağmurlu iken Ali nin balığa çıkma olayı (4.4) ifadesiyle hesaplanır. Bir olayın olması ve olmaması olasılıkları toplamı PB ( ) PB ( ) 1 dir. Burada üst indisi B olayının değilini göstermektedir. Dolayısıyla Ali hava yağmurlu iken balığa çıktığı gibi, yağmur yağmazken de balığa çıkabilir, yani bir B olayına bağlı olarak A olayının olma olasılığı P( A) PAB (, ) PAB (, ) PBPA ( ) ( B) PB ( ) PA ( B ) (4.5) şeklinde verilir. Bu ifade, (4.4) te kullanılırsa, PBPA ( ) ( B) PB ( A) P( BPA ) ( B) PB ( ) PA ( B ) (4.6) elde edilir. Eğer A ve B olayları farklı değerler alabiliyorsa, örneğin Ali nin balığa çıkması (b 1 ), işe gitmesi (b 2 ), spor yapması (b 3 ) gibi üç farklı B olayı varsa bu 14

20 durumda PB ( b1) PB ( b2) PB ( b3) 1 dir. (4.5) ifadesine benzer bir şekilde bu kez A olayı r tane ayrık a k ve B olayı s tane ayrık b j değeri alıyorsa; s s k ( k),( j) j ( k) ( j) (4.7) P A a P A a B b P B b P A a B b j 1 j 1 elde edilir. (4.7) ifadesi (4.4) te yerine yazıldığında ise, j ( k) ( j) P B b P A a B b P ( B bj) ( A ak) s P B b P A B b k 1 ( ) k k (4.8) elde edilir. (4.8) ifadesinin A ve B olaylarının ikiden fazla değer alabildikleri durum için (4.6) ifadesinin genelleştirilmiş hali olduğu açıktır. Bu ifade Şekil.4.1 de verilen tabloda B sonuç sütununu tahmin edici tek bir A 1 sütunu olması halinde B sütununun alabileceği değerlerin olasılıklarının hesaplanmasında kullanılır. Ancak gerçek hayatta sadece biri tahmin edici, diğeri hedef sütun olmak üzere iki sütun olması değil, hedef sütunu tahmin edici birçok sütun bulunması beklenir. Bu nedenle (4.8) ifadesinde A gibi sadece bir tahmin edici sütun yerine m tane A i sütunu olduğunu ve bunların her birinin r i tane bağımsız değer alabildiği yani örneğin A 1 sütunu r 1 5, A 2 sütunu r 2 3 farklı değer alabildiği düşünülür. Bu durumda (4.8) ifadesinde A yerine A1, A2,..., A m gibi m tane olay alınırsa; 1 2 m P B bj P A1 a1j, A 1 2 a2 j,..., A 2 m amj B b m j s P B bk P A1 a1j, A 1 2 a2 j,..., A 2 m amj B b m k P B b A a, A a,..., A a j 1 1j 2 2 j m mj k 1 (4.9) ifadesi elde edilir. Tahmin edici her sütunun yani her A i olayının birbirinden bağımsız olduğu kabulü yapılırsa, sonuç olarak PB ( b) PA ( a B b) k i iji k i 1 k 1 1j1 2 2j2 m mjm m PB ( b A a, A a,..., A a ) m P( B b ) P( A a B b ) r i iji r rb r B i 1 (4.10) ifadesi elde edilir. Burada j 1,..., m ve k 1,..., s için bu olasılık değerleri i i 15

21 hesaplanmalıdır, ayrıca rb B terimi hedef sütunun alabileceği tüm farklı değerler üzerinde toplam alınacağını ifade etmektedir. Aşağıda bu yönteme örnekler verilmiştir. r Tek Boyutlu Naive Bayes Örneği 210 bireyin bulunduğu tablo Şekil 4.2. de verilmiştir. Bu tabloda eğitim durumları lise, üniversite, yüksek lisans ve bunlara göre bireylerin gelir düzeyleri az, orta, yüksek olarak belirtilmiştir. SQL Developer ile de bu olasılıklar hesaplanabilir fakat hesaplamanın sadece sonucunu gösterip, nasıl yapıldığına dair bilgi bulunmadığından tek boyutlu Naive Bayes hesaplamaları aşağıda verilecektir. Şekil 4.2. Tek Boyutlu Veri Tablosu Şekil 4.2. den alınan verilerden elde edilen her farklı gruptaki kişi sayısı Şekil 4.3 te gösterilmiştir. Şekil 4.3. Kişi Sayısı Şekil 4.2. ve Şekil 4.3. yardımı ile aşağıdaki olasılıklar hesaplanacaktır P E L P G Y E L P E LG Y P E L (4.11) 16

22 Denklem deki gibi olasılıklar hesaplanır fakat sonuçlar Şekil 4.3 ten daha kolay bir şekilde görülebilir. Buna göre diğer sonuçlar aşağıda verilmiştir. Şekil 4.4. te SQL Developer sonucu verilmiştir. Şekil 4.4. Tek Boyutlu Naive Bayes SQL Developer Sonucu 17

23 4.1.2.İki Boyutlu Naive Bayes Örneği 210 bireyin bulunduğu tablo Şekil 4.5 te verilmiştir. Bu tabloda eğitim durumları lise, üniversite, yüksek lisans,araba sahibi olma durumları yok, ikinci el, sıfır ve bunlara karşılık gelir düzeyleri az, orta, ve yüksek olarak belirtilmiştir. Bununla birlikte Şekil 4.5. ten alınan verilerden elde edilen her farklı gruptaki kişi sayısı Şekil 4.6. da gösterilmiştir. Şekil 4.5. İki Boyutlu Veri Tablosu Şekil 4.6. Kişi Sayısı Bu veri yardımı ile olasılıklar hesaplanacaktır. 18

24 Yukarıdaki formüllerde A:az, O:orta, Y:yüksek, L:lise, Ü:üniversite, YL:yüksek lisans, S:sıfır, İE:ikinci el, YK:yok olarak kısaltılmıştır. Olasılıklar el ile bu şekilde hesaplanır. Verilerin sayısı arttıkça olasılıkları bu şekilde hesaplamak zorlaşır. Bu sebeple SQL Developer kullanmak daha yararlı olacaktır. Karşılaştırma yapmak için Şekil 4.7. deki sonuçlar kullanılabilir Karar Ağaçları Şekil 4.7. SQL Developer Sonucu İstatistiksel yöntemlerde veya yapay sinir ağlarında veriden bir fonksiyon öğrenildikten sonra bu fonksiyonun insanlar tarafından anlaşılabilecek bir kural olarak yorumlanması zordur. Karar ağaçlarında ise ağaç oluşturulduktan sonra, kökten yaprağa doğru inilerek kurallar yazılır. Bu şekilde kural çıkarma veri madenciliği çalışmasının sonucunun doğrulanmasını sağlar. Bu kurallar uygulama konusunda uzman bir karar vericiye gösterilerek sonucun anlamlı olup olmadığı denetlenebilir. Sonradan başka bir teknik kullanılacak bile olsa karar ağacı ile önce bir kısa çalışma yapmak, önemli değişkenler ve yaklaşık kurallar konusunda karar vericiye bilgi verir [2] Karar Destek Vektörleri 19

25 Sınıflandırma konusunda kullanılan oldukça etkili ve basit yöntemlerden birisidir. Sınıflandırma için bir düzlemde bulunan iki grup arasında bir sınır çizilerek iki grubu ayırmak mümkündür. Bu sınırın çizileceği yer ise iki grubun da üyelerine en uzak olan yer olmalıdır. İşte SVM bu sınırın nasıl çizileceğini belirler. Bu işlemin yapılması için iki gruba da yakın ve birbirine paralel iki sınır çizgisi çizilir ve bu sınır çizgileri birbirine yaklaştırılarak ortak sınır çizgisi üretilir. Örneğin Şekil 4.7 deki iki grup ele alınır: Şekil 4.7. Ortak Sınır Çizgisi Bu şekilde iki grup iki boyutlu iki düzlem üzerinde gösterilmiştir. Bu düzlemi ve boyutları birer özellik olarak düşünmek mümkündür. Yani basit anlamda sisteme giren her girdinin bir özellik çıkarımı yapılmış ve sonuçta bu iki boyutlu düzlemde her girdiyi gösteren farklı bir nokta elde edilmiştir. Bu noktaların sınıflandırılması demek, çıkarılmış olan özelliklere göre girdilerin sınıflanması demektir. Yukarıda her iki sınıf arasında oluşan aralığa tolerans demek mümkündür. Bu düzlemdeki her bir noktanın tanımı aşağıdaki gösterim ile yapılabilir: (4.12) Yukarıdaki gösterimi şu şekilde okumak mümkündür. Her x,c ikilisi için x vektör uzayımızdaki bir nokta ve c ise bu noktanın -1 veya +1 olduğunu gösteren değeridir. Bu noktalar kümesi i= 1 den n e kadar gitmektedir. Yani bu gösterim bir önceki şekilde olan noktaları ifade etmektedir. Bu gösterimin bir aşırı düzlem üzerinde olduğunu düşünülürse, bu gösterimdeki her noktanın : 20

26 wx b = 0 (4.13) denklemi ile ifade edilmesi mümkündür. Buradaki w aşırıdüzleme dik olan normal vektörü ve x noktanın değişen parametresi ve b ise kayma oranıdır. Bu denklemi klasik ax+b doğru denklemine benzetmek mümkündür. Yine yukarıdaki denkleme göre b/ w değeri bize iki grup arasındaki mesafe farkını verir. Bu mesafe farkına daha önce tolerans ismi de verilmişti. Bu mesafe farkı denklemine göre mesafeyi en yüksek değere çıkarmak için yukarıdaki ilk şekilde gösterilen 0, -1 ve +1 değerlerine sahip 3 doğruyu veren denklemde 2/ w formülü kullanılmıştır. Yani doğrular arası mesafe 2 birim olarak belirlenmiştir. Bu denkleme göre elde edilen iki doğru denklemi: wx b = -1 (4.14) wx + b = 1 (4.15) olarak bulunmuştur. Aslında bu denklemler doğruların kaydırılması sonucunda elde edilen en yüksek değerlerin bulunması işleminin bir sonucudur. Aynı zamanda bu denklemlerle problemin doğrusal ayrılabilir olduğu da kabul edilmiş olur. Tahmin edileceği üzere iki grup arasındaki aşırıdüzlemin tek yönlü olması mümkün değildir. Aşağıda bu duruma bir örnek gösterilmiştir: 21

27 Şekil 4.8. Aşırıdüzlem Yukarıdaki şekilde iki farklı hiperdüzlem (aşırı düzlem) olasılığı bulunmasına karşılık SVM yönteminde bu olasılıklardan en büyük toleransa sahip olanı alınır [7]. 22

28 5. UYGULAMA VE SONUÇLAR Bu proje kapsamında mantarların zehirliliği üzerine bir uygulama yapılmıştır Veri Tanımı İlk olarak veri [1] den düzenlenmiş bir şekilde alınmıştır. Agaricus-lepiota mantar verisinde 8124 kayıt bulunmaktadır. Mantarların her biri koku, spor iz rengi, alt rengi, halka tipi, sapın üst ve alt halkası, sapın üst ve alt halkasının rengi, alt boyutu, popülasyon, çürüklük, habitat, sap kökü, alt açıklık, şapka şekli, halka sayısı, şapka rengi ve yüzeyi, örtü rengi ve tipi, alt parçası, sap şekli olmak üzere 22 özelliğe sahiptir. Bu özelliklere göre mantar verisine Support Vector Machine, Naive Bayes ve Decision Tree modelleri uygulanmış ve verinin zehirliliği tahmin edilmiştir. Mantar verisi Şekil 5.1. de görülmektedir. Şekil 5.1. Mantar Verisi 23

29 5.2. Model Oluşturma Verinin Veri Tabanına Aktarılması Tablo halinde bulunan mantar verisi Şekil 3.8. deki gibi SQL Developer a aktarılmıştır. Verinin aktarılmış hali Şekil 5.2. deki gibidir. Şekil 5.2. Aktarılmış Veri Verinin Ayrılması Mantar verisi Şekil 3.9. daki komut yardımı ile Build ve Test verisi olarak ikiye ayrılmıştır. Verinin bu şekilde ayrılmasındaki amaç, daha sonraki bölümde anlatılacak olan sınıflandırma modeli uygulanırken kullandığımız verinin uygulamada kullanılacak olan veriden farklı olmasını sağlamaktır. Bu sayede uygulamanın güvenilirliği görülmüştür Sınıflandırma Bölüm de anlatıldığı gibi sınıflandırma mantarın zehirlilik tahmininde kullanılan bir yöntemdir. Bu yöntemin uygulanması için öncelikle SQL Developer ın Component Palette bölümündeki Workflow Editor sekmesinden Data Source seçilir. Buradan Şekil 5.3. teki gibi Şekil 3.9..da oluşturulan mantarın Build verisi seçilir. 24

30 Şekil 5.3. Data Source Bu işlemden sonra Explore Data Build verisine bağlanır. Daha sonra Şekil 5.4. teki gibi Class Build bağlanır. Şekil 5.4. Class Build Class Build de sağ tıklanarak Edit butonuna basıldığında SVM, DT ve NB algoritmaları seçilir. Açılan ekranda otomatik ayar yapılması istenmediğinden Auto kutucuklarının işaretleri kaldırılır ve Advanced butonu seçilir. Bundan sonra çıkan ekran Şekil 5.5 teki gibi olacaktır. 25

31 Şekil 5.5. Advanced Settings Burada input girdi seçimi önemlidir. Bölüm te anlatılan Nitelik Önemliliği nden dolayı sadece hedef sütun için önem taşıyan sütunlar input girdi olarak seçilir. Bu işlem hedef tahmininin doğruluk oranını artırır. Şekil 5.5. te görülen Performance Settings sekmesinden Natural seçimi yapılır. Bu işlemler her bir algoritma için ayrı ayrı yapılır. Daha sonra Class Build de sağ tıklanıp Run seçeneği seçilerek çalıştırılır. Çalıştırılma işleminin başarıyla sonuçlandığının anlaşılabilmesi için Node un sağ üst köşesindeki işaret kontrol edilir. Eğer işaret yeşilse View Test Results seçeneğiyle test sonuçları görülebilir ve bunların karşılaştırılması yapılabilir. 26

32 Şekil 5.6. SVM Test Sonucu Şekil 5.7. DT Test Sonucu 27

33 Şekil 5.8. NB Test Sonucu Şekil 5.6., 5.7., 5.8. deki test sonuçları elde edilir Modelin Uygulanması Uygulama Öncelikle bölüm te anlatıldığı gibi yeni bir Data Source seçilir. Bu kez Edit seçeneğinden mantarın Test verisi Şekil 5.9. daki gibi seçilir. Burada Test verisinin Build verisinden tamamen farklı olması gerekmektedir. 28

34 Şekil 5.9. Test Verisinin Seçilmesi Test verisi seçildikten sonra Workflow Editor den Evaluate and Apply sekmesinin içindeki Apply seçeneği seçilir. Class Build ve Test verisi Apply a bağlanır. Bağlandıktan sonra Edit seçeneğindeki Data Columns tan Test verisinin bütün sütunları Şekil daki gibi seçilir. Şekil Edit Apply Node Daha sonra Apply da Run seçeneği çalıştırılır. Başarılı bir şekilde çalıştığının anlaşılabilmesi için yine sağ üst köşedeki yeşil işaretin görülmesi gerekmektedir Bu işaret görüldükten sonra sağ tıklanarak sonuçlar Şekil deki gibi görülebilir. 29

35 Şekil Uygulama Sonuç Ekranı Şekil de kırmızı ile gösterilen sütun zehirlilik tahminlerini, mavi ile gösterilen ise olasılık sonuçlarını vermektedir. Burada da her bir algoritmanın tahmin ve olasılık sonuçları görülmektedir Sonucun Tablo ile Gösterilmesi İsteğe bağlı olarak sonuçlar ayrı bir tablo ile de gösterilebilir. Yeni bir sonuç tablosunun oluşturulabilmesi için Workflow Editor seçeneğinden Create Table or View seçilir ve akış şemasına eklenir. Apply yeni oluşturduğumuz tabloya bağlandıktan sonra tablonun üzerine tıklanarak çalıştırılır ve sonuç Şekil deki gibi elde edilir. Şekil Sonuç Ekranı 30

36 5.4. Sonuç Değerlendirmesi Test verisine Support Vector Machine, Naive Bayes ve Decision Tree modelleri uygulandığında aşağıdaki sonuçlar elde edilmiştir. Bu sonuçların doğruluk oranları bu modellerden hangileri uygulandığında daha güvenilir sonuçlar alınabileceğini göstermektedir. İncelene verinin Test olarak ayrılmış kısmına Support Vector Machine modeli uygulandığında toplam doğruluk oranı %99,8784 tür. Zehirsiz olmasını doğru tahmin etme oranı %100 iken zehirli olmasını doğru tahmin etme oranı ise %99,749 dur. Naive Bayes modeli uygulandığında toplam doğruluk oranı %98,9465 tir. Bu model zehirsiz olmasını %98,9788 zehirli olmasını ise %98,9121 oranında doğru tahmin etmiştir. Decision Tree modelinin toplam doğruluk oranı ise %99,6759 dur. Bu model zehirsizlikte %100, zehirlilikte ise %99,3305 oranında doğru tahminde bulunmuştur. Doğruluk oranlarına bakıldığında SVM, NB ve DT modellerinin 3ü de kullanılabilir. Bu yöntemlerden veri için en uygunu SVM modelidir. Support Vector Machine modelinde 2033 bilgi içeren Test verisinden yanlış sınıflandırmayı engellemek için olasılık oranları 0.7 den büyük olanlar seçilmiştir. Olasılığı 0.7 den büyük olan 1950 adet veri bulunmaktadır. Bunun sonucunda %100 doğru olarak sınıflandırılan mantar oranı %95 bulunmuştur. 31

37 6. KAYNAKLAR [1] Mayıs, [2] K. Yaralıoğlu, Veri Madenciliği, Mayıs, [3] S. Savaş, N. Topaloğlu, M. Yılmaz, Ver. Madenciliği ve Türkiye deki Uygulama Örnekleri, İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 21, [4] H. Çıngı, Veri Madenciliğine Giriş, yunus.hacettepe.edu.tr/~hcingi, Mayıs, [5] E. Coşku, Veri Madenciliği, Mayıs, [6] Nisan, [7] Mayıs,

2. Oracle Data Miner İle Örnek Bir Veri Madenciliği Çalışması

2. Oracle Data Miner İle Örnek Bir Veri Madenciliği Çalışması 2. Oracle Data Miner İle Örnek Bir Veri Madenciliği Çalışması Bu örnek uygulamada bir önceki yazımda Oracle SQL Developer a yüklediğim Data Miner Repository ile gelen hazır bir sigorta şirketi veri setini

Detaylı

1. Oracle Data Miner 11g Release 2 Kurulumu Aşamaları

1. Oracle Data Miner 11g Release 2 Kurulumu Aşamaları 1. Oracle Data Miner 11g Release 2 Kurulumu Aşamaları Uyarı 1: Kuruluma başlamadan önce Oracle 11g Release 2 veritabanı kurulumunu eksiksiz bir şekilde gerçekleştirmiş olmanız beklenmektedir. İlgili kurulum

Detaylı

Veri Madenciliği Süreci

Veri Madenciliği Süreci Veri Madenciliği Eda Coşlu Mehmet Akif Ersoy Üniversitesi, Yönetim Bilişim Sistemleri Bölümü, BURDUR edacoslu@hotmail.com Büyük miktardaki veriler içerisinden önemli olanlarını bulup çıkarmaya Veri Madenciliği

Detaylı

İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK MÜHENDİSLİĞİ PROGRAMI

İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK MÜHENDİSLİĞİ PROGRAMI İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK MÜHENDİSLİĞİ PROGRAMI NAIVE BAYES YÖNTEMİ İLE BANKACILIK SEKTÖRÜ ÜZERİNE BİR VERİ MADENCİLİĞİ UYGULAMASI BİTİRME ÖDEVİ Ece Hazal AYDIN 090080013

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

CEN 416 DATA MINING DERSİ PROJESİ ÖĞRENCİLER 080909090 AHMET AKAN 050600707 MEHMET BAKAN

CEN 416 DATA MINING DERSİ PROJESİ ÖĞRENCİLER 080909090 AHMET AKAN 050600707 MEHMET BAKAN CEN 416 DATA MINING DERSİ PROJESİ ÖĞRENCİLER 080909090 AHMET AKAN 050600707 MEHMET BAKAN 1 1. Veri nedir? Veri madenciliği nedir? Veri; işlenmemiş, gerçek ya da enformasyon parçacığına verilen addır. Yani

Detaylı

İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK MÜHENDİSLİĞİ PROGRAMI

İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK MÜHENDİSLİĞİ PROGRAMI İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK MÜHENDİSLİĞİ PROGRAMI ORACLE DATA MINER İLE İMKB HİSSELERİNİN YILLIK NET KARLARI ÜZERİNE BİR VERİ MADENCİLİĞİ UYGULAMASI BİTİRME ÖDEVİ Armağan

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

İNTERNET PROGRAMCILIĞI 2 10. HAFTA MYSQL - PHPMYADMIN. Hazırlayan Fatih BALAMAN. İçindekiler. Hedefler. Mysql Nedir.

İNTERNET PROGRAMCILIĞI 2 10. HAFTA MYSQL - PHPMYADMIN. Hazırlayan Fatih BALAMAN. İçindekiler. Hedefler. Mysql Nedir. İNTERNET PROGRAMCILIĞI 2 10. HAFTA İçindekiler MYSQL - PHPMYADMIN Mysql Nedir PhpMyAdmin Nedir PhpMyAdmin Arayüzü Hedefler Mysql' in görevini söyleyebilir PhpMyAdmin' in kullanım amacını söyler Hazırlayan

Detaylı

DESTEK DOKÜMANI. Ürün : Tiger Enterprise/ Tiger Plus/ Go Plus/Go Bölüm : Kurulum İşlemleri

DESTEK DOKÜMANI. Ürün : Tiger Enterprise/ Tiger Plus/ Go Plus/Go Bölüm : Kurulum İşlemleri LOGO PROGRAM KURULUMU VE AYARLARI Logo programlarının yüklemesi için kullanılacak,setup dosyaları ftp://download.logo.com.tr/ adresinden indirilerek yapılır. Örneğin Kobi ürünleri için; ftp://download.logo.com.tr/windows/kobi/guncel/go_plus/klasöründen

Detaylı

BAYES ÖĞRENMESİ BİLECİK ÜNİVERSİTESİ. Araş. Gör. Nesibe YALÇIN. Yapay Zeka-Bayes Öğrenme

BAYES ÖĞRENMESİ BİLECİK ÜNİVERSİTESİ. Araş. Gör. Nesibe YALÇIN. Yapay Zeka-Bayes Öğrenme BAYES ÖĞRENMESİ Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ Yapay Zeka-Bayes Öğrenme 1 İÇERİK Bayes Teoremi Bayes Sınıflandırma Örnek Kullanım Alanları Avantajları Dezavantajları Yapay Zeka-Bayes Öğrenme

Detaylı

GĐRĐŞ. 1 Nisan 2009 tarihinde BDP programının yeni bir sürümü yayınlanmış ve bu sürümde yapılan değişikliklere

GĐRĐŞ. 1 Nisan 2009 tarihinde BDP programının yeni bir sürümü yayınlanmış ve bu sürümde yapılan değişikliklere e-bildirge Versiyon : Yakamoz 3.6.7.7 ve Genel Muhasebe 3.6.7.8 İlgili Programlar : Yakamoz ve üstü ticari paketler & Genel Muhasebe Tarih : 02.04.2009 Doküman Seviyesi (1 5) : 3 (Tecrübeli Kullanıcı)

Detaylı

Mühendislikte Veri Tabanları Dersi Uygulamaları (ArcGIS-SQL)

Mühendislikte Veri Tabanları Dersi Uygulamaları (ArcGIS-SQL) Mühendislikte Veri Tabanları Dersi Uygulamaları (ArcGIS-SQL) İstanbul Teknik Üniversitesi, İnşaat Fakültesi, Geomatik Mühendisliği Bölümü 2014 2015 Güz Yarıyılı Uygulama 2 ArcGIS Yazılımı ile Mekânsal

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

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

ORACLE DATA MINER İLE KREDİ ÖDEMELERİ ÜZERİNE BİR VERİ MADENCİLİĞİ UYGULAMASI BİTİRME ÖDEVİ. Aslı Pınar YAPICI Ayşegül ÖZEL Cemal AYÇA

ORACLE DATA MINER İLE KREDİ ÖDEMELERİ ÜZERİNE BİR VERİ MADENCİLİĞİ UYGULAMASI BİTİRME ÖDEVİ. Aslı Pınar YAPICI Ayşegül ÖZEL Cemal AYÇA ORACLE DATA MINER İLE KREDİ ÖDEMELERİ ÜZERİNE BİR VERİ MADENCİLİĞİ UYGULAMASI BİTİRME ÖDEVİ Aslı Pınar YAPICI Ayşegül ÖZEL Cemal AYÇA Anabilim Dalı: MATEMATİK MÜHENDİSLİĞİ Tez Danışmanı: Prof. Dr. Ulviye

Detaylı

TAPU VERİ SAYISALLAŞTIRMA YAZILIMI KURULUM DÖKÜMANI. Tapu Kadastro Genel Müdürlüğü-Bilgi Teknolojileri Daire Başkanlığı Page 1

TAPU VERİ SAYISALLAŞTIRMA YAZILIMI KURULUM DÖKÜMANI. Tapu Kadastro Genel Müdürlüğü-Bilgi Teknolojileri Daire Başkanlığı Page 1 TAPU VERİ SAYISALLAŞTIRMA YAZILIMI KURULUM DÖKÜMANI Tapu Kadastro Genel Müdürlüğü-Bilgi Teknolojileri Daire Başkanlığı Page 1 Tapu Kadastro Genel Müdürlüğü-Bilgi Teknolojileri Daire Başkanlığı Page 2 Bu

Detaylı

PERSONEL BANKA IBAN BİLGİSİ DEĞİŞİKLİĞİ UYGULAMA KILAVUZU

PERSONEL BANKA IBAN BİLGİSİ DEĞİŞİKLİĞİ UYGULAMA KILAVUZU PERSONEL BANKA IBAN BİLGİSİ DEĞİŞİKLİĞİ UYGULAMA KILAVUZU ŞUBAT - 2014 PERSONEL ÖDEMELERİ UYGULAMA GELİŞTİRME VE DESTEK ŞUBESİ 1 İçindekiler GİRİŞ......3 1. HARCAMA BİRİMLERİNCE YAPILACAK İŞLEMLER..3 1.1.

Detaylı

Sisteme giriş yapıldığında ana sayfa üzerinde işlem menüleri, Hızlı erişim butonları ve mail gönderim istatistikleri yer alır.

Sisteme giriş yapıldığında ana sayfa üzerinde işlem menüleri, Hızlı erişim butonları ve mail gönderim istatistikleri yer alır. Kullanım Kılavuzu 1. Sisteme Giriş... 2 2. JetMail Ana Sayfa... 2 3. Kişi Listesi Ekleme... 3 3.1. Özel Alan Ekleme... 3 3.2. Segment Görüntüleme... 4 3.3. Bounced Kabul Edilen Mailler... 5 4. Kişi Ekleme...

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

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

DENEME SINAVI. ECDL BAŞLANGIÇ Hesap Tablosu

DENEME SINAVI. ECDL BAŞLANGIÇ Hesap Tablosu DENEME SINAVI ECDL BAŞLANGIÇ Hesap Tablosu 1. Hesap Çizelgesi (Microsoft Office - Excel) uygulamasını açınız. Başlat > Programlar > Microsoft Office > Microsoft Office Excel 2003 yolu izlenerek Excel programı

Detaylı

HAL KAYIT SİSTEMİ HAL HAKEM HEYETİ İŞLEMLERİ KULLANICI KILAVUZU

HAL KAYIT SİSTEMİ HAL HAKEM HEYETİ İŞLEMLERİ KULLANICI KILAVUZU HAL KAYIT SİSTEMİ HAL HAKEM HEYETİ İŞLEMLERİ KULLANICI KILAVUZU Ekim 2015 İçindekiler 1. HAL KAYIT SİSTEMİ NE GİRİŞ... 2 2. HAL HAKEM HEYETİ BAŞVURU OLUŞTURMA SÜRECİ... 2 2.1. BAŞVURU İÇİN GEREKLİ BİLGİLERİN

Detaylı

ÜCRET BORDROSUNDA DEĞĐŞEN SAHALAR

ÜCRET BORDROSUNDA DEĞĐŞEN SAHALAR ÜCRET BORDROSUNDA DEĞĐŞEN SAHALAR Versiyon : 3.6.7.8 ve üstü İlgili Programlar : Ücret Bordrosu Tarih : 28.02.2009 Doküman Seviyesi (1 3) : 3 (Tecrübeli Kullanıcı) GĐRĐŞ SGK tarafından personel bilgilerinin

Detaylı

İNTERNET TARAYICISI ÜZERİNDE ÇALIŞABİLEN ELEKTRİK TALEP TAHMİNİ ANALİZ PROGRAMI

İNTERNET TARAYICISI ÜZERİNDE ÇALIŞABİLEN ELEKTRİK TALEP TAHMİNİ ANALİZ PROGRAMI TMMOB TÜRKİYE VI. ENERJİ SEMPOZYUMU - KÜRESEL ENERJİ POLİTİKALARI VE TÜRKİYE GERÇEĞİ İNTERNET TARAYICISI ÜZERİNDE ÇALIŞABİLEN ELEKTRİK TALEP TAHMİNİ ANALİZ PROGRAMI Barış Sanlı Dünya Enerji Konseyi Türk

Detaylı

13 Aralık 2007. Đlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL. Đlgili Modül/ler : Raporlar. Kullanıcı Tanımlı Raporlar Bölümünden Yapabildiklerimiz

13 Aralık 2007. Đlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL. Đlgili Modül/ler : Raporlar. Kullanıcı Tanımlı Raporlar Bölümünden Yapabildiklerimiz 13 Aralık 2007 Đlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL Đlgili Modül/ler : Raporlar KULLANICI TANIMLI RAPORLAR Kullanıcı Tanımlı Raporlar Bölümünden Yapabildiklerimiz Kendi isteklerinize özel rapor tasarımları

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

Veri Madenciliği. Veri madenciliği uygulamalarında alt yapı gereksinimi veri ambarı sayesinde sağlanır.

Veri Madenciliği. Veri madenciliği uygulamalarında alt yapı gereksinimi veri ambarı sayesinde sağlanır. Veri Madenciliği Büyük miktardaki veriler içerisinden önemli olanlarını bulup çıkarmaya Veri Madenciliği denir. Veriler üzerinde çözümlemeler yapmak amacıyla ve veriyi çözümleyip bilgiye ulaşabilmek için

Detaylı

www.elektrikogretmenleri.com

www.elektrikogretmenleri.com FIREWORKS (MENU OLUŞ TURMA) 1 Önce Başlat menüsü Programlar Adobe Web Premium CS3 Adobe Fireworks CS3 kısayol simgesi ile Fireworks programı açılır. 2 Fireworks programı açıldığında Karşımıza gelen Yeni

Detaylı

1. Mutabakat.zip dosyası açılır. 2. Mutabakat klasörü içindeki Mutabakat.exe dosyası çalıştırılır.

1. Mutabakat.zip dosyası açılır. 2. Mutabakat klasörü içindeki Mutabakat.exe dosyası çalıştırılır. BA&BS MUTABAKAT PROGRAMI Kurulumu 1. Mutabakat.zip dosyası açılır. 2. Mutabakat klasörü içindeki Mutabakat.exe dosyası çalıştırılır. 3. Server ayarlarının yapılacağı pencere açılır. 3.1 Server Adı\instance

Detaylı

1. İLİŞKİLERİN İNCELENMESİNE YÖNELİK ANALİZLER. 1.1. Sosyal Bilimlerde Nedensel Açıklamalar

1. İLİŞKİLERİN İNCELENMESİNE YÖNELİK ANALİZLER. 1.1. Sosyal Bilimlerde Nedensel Açıklamalar 1. İLİŞKİLERİN İNCELENMESİNE YÖNELİK ANALİZLER Daha önceki derslerimizde anlatıldığı bilimsel araştırmalar soruyla başlamaktadır. Ancak sosyal bilimlerde bu soruların cevaplarını genel geçerli sonuçlar

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 ULAŞTıRMA MODELININ TANıMı Ulaştırma modeli, doğrusal programlama probleminin özel bir şeklidir.

Detaylı

Ipad,Ipone ve Android Mobil Aygıtlar İçin İş Zekası Mobil Uygulaması Kullanıcı Kılavuzu

Ipad,Ipone ve Android Mobil Aygıtlar İçin İş Zekası Mobil Uygulaması Kullanıcı Kılavuzu Ipad,Ipone ve Android Mobil Aygıtlar İçin İş Zekası Mobil Uygulaması Kullanıcı Kılavuzu https://mobiliz.sbm.org.tr/ İçindekiler. Uygulamanın mobil aygıtlara yüklenmesi... 3. Uygulamanın başlatılması ve

Detaylı

Bu sekme ile genel olarak biçimlendirme ile ilgili ayarlamaların yapıldığı sekmedir.

Bu sekme ile genel olarak biçimlendirme ile ilgili ayarlamaların yapıldığı sekmedir. 3. GİRİŞ SEKMESİ Bu sekme ile genel olarak biçimlendirme ile ilgili ayarlamaların yapıldığı sekmedir. 3.1. Excel 2010 da Kesme, Kopyalama, Yapıştırma ve Biçim Boyacısı Giriş sekmesinin ilk grubu olan Pano

Detaylı

KULLANIM KILAVUZU. Programda veri gireceğiniz yerler beyaz renklidir. Sarı renkli alanlar hesaplama veya otomatik olarak gelen bilgilerdir.

KULLANIM KILAVUZU. Programda veri gireceğiniz yerler beyaz renklidir. Sarı renkli alanlar hesaplama veya otomatik olarak gelen bilgilerdir. Programın Ekran görüntüsü şekildeki gibidir: KULLANIM KILAVUZU Programda veri gireceğiniz yerler beyaz renklidir. Sarı renkli alanlar hesaplama veya otomatik olarak gelen bilgilerdir. Banka: Program kurulduğunda

Detaylı

ELEKTRONİK ÇİZELGE. Hücreleri Biçimlendirme. Formülleri Kullanma. Verileri Sıralama. Grafik Oluşturma 1) HÜCRELERİ BİÇİMLENDİRME

ELEKTRONİK ÇİZELGE. Hücreleri Biçimlendirme. Formülleri Kullanma. Verileri Sıralama. Grafik Oluşturma 1) HÜCRELERİ BİÇİMLENDİRME Hücreleri Biçimlendirme ELEKTRONİK ÇİZELGE Formülleri Kullanma Verileri Sıralama Grafik Oluşturma 1) HÜCRELERİ BİÇİMLENDİRME Elektronik Çizelge de sayıları; bin ayracı, yüzde oranı, tarih/saat ve para

Detaylı

WINDOWS VE PARDUS İÇİN İMZAGER KURULUM TALİMATI

WINDOWS VE PARDUS İÇİN İMZAGER KURULUM TALİMATI Doküman Kodu Yayın Numarası Yayın Tarihi TALM-001-053 0 03.01.2012 DEĞİŞİKLİK KAYITLARI Yayın No Yayın Nedeni Yayın Tarihi 0 İlk Çıkış 03.01.2012 TALM-001-053 03.01.2012 2/15 İÇİNDEKİLER 1 Giriş...4 2

Detaylı

TABLOSAL VERĐLERĐ EDĐTLEME YENĐ SUTUN EKLEME

TABLOSAL VERĐLERĐ EDĐTLEME YENĐ SUTUN EKLEME TABLOSAL VERĐLERĐ EDĐTLEME YENĐ SUTUN EKLEME ArCatolog üzerinde oluşturulmuş veri depoları olan shapfile ve Feature class vektör verilerin tablosal değerleri ve bunları amaca uygun olarak oluşturmak ve

Detaylı

TEMEL BİLGİSAYAR. Ders Notları. Yrd. Doç. Dr. Seyit Okan KARA

TEMEL BİLGİSAYAR. Ders Notları. Yrd. Doç. Dr. Seyit Okan KARA TEMEL BİLGİSAYAR Ders Notları Yrd. Doç. Dr. Seyit Okan KARA Pencerenin ortasında bulunan beyaz sayfa, slayt tasarımında kullanacağımız sayfamızdır. Sol panelde bu slayt sayfasının küçültülmüş halde bir

Detaylı

BİLGİSAYAR PROGRAMLAMA. Yrd. Doç. Dr. Beytullah EREN beren@sakarya.edu.tr 0264 295 5642

BİLGİSAYAR PROGRAMLAMA. Yrd. Doç. Dr. Beytullah EREN beren@sakarya.edu.tr 0264 295 5642 BİLGİSAYAR PROGRAMLAMA Yrd. Doç. Dr. Beytullah EREN beren@sakarya.edu.tr 0264 295 5642 EXCEL DE GRAFİK UYGULAMA GRAFİKLER Grafikler, çok sayıda verinin ve farklı veri serileri arasındaki ilişkinin anlaşılmasını

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

Web Server Sunucu Loglarının K-Komşu Algoritması ile İ ncelenmesi

Web Server Sunucu Loglarının K-Komşu Algoritması ile İ ncelenmesi Web Server Sunucu Loglarının K-Komşu Algoritması ile İ ncelenmesi İçindekiler 1 Özet... 2 2 Giriş... 3 3 Uygulama... 4 4 Sonuçlar... 6 1 1 Özet Web sunucu logları üzerinde veri madenciliği yapmanın temel

Detaylı

Microsoft SQL Server 2008 Oracle Mysql (Ücretsiz) (Uygulamalarımızda bunu kullanacağız) Access

Microsoft SQL Server 2008 Oracle Mysql (Ücretsiz) (Uygulamalarımızda bunu kullanacağız) Access Programlamaya Giriş VERİ TABANI UYGULAMASI ÖN BİLGİ Veritabanları, verilere sistematik bir şekilde erişilebilmesine, depolanmasına ve güncellenmesine izin veren, yüksek boyutlu veriler için çeşitli optimizasyon

Detaylı

Docmage.exe dosyasını çalıştırılır ve karşımıza Şekil-1 deki ekran gelecektir.

Docmage.exe dosyasını çalıştırılır ve karşımıza Şekil-1 deki ekran gelecektir. 22 Haziran 2007 Đlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL Đlgili Modül/ler : Etiket Yazdırma ETĐKET YAZDIRMA MODÜLÜNDE DOCMAGE DĐZAYNI (BARKOD) Doküman sihirbazı DocMage den görsel açıdan zengin form

Detaylı

Kırklareli Üniversitesi

Kırklareli Üniversitesi Evrak Kayıt Programı Kullanım Kılavuzu Kırklareli Üniversitesi Evrak takibi açısından kullanıcıya büyük ölçüde hız ve evrakın kolay bulunabilme özelliği vermiştir. Deftere yapılan kayıt esnasında yaşanılan

Detaylı

FABREKA YAZILIM ELEKTRONİK DANIŞMANLIK TİC. LTD. ŞTİ.

FABREKA YAZILIM ELEKTRONİK DANIŞMANLIK TİC. LTD. ŞTİ. FABREKA YAZILIM ELEKTRONİK DANIŞMANLIK TİC. LTD. ŞTİ. VEBIAN V1.7 AKTARIM SEÇENEKLERİ DOKÜMANI 12.12.2015 İçindekiler Amaç ve Kapsam... 2 Veri Aktarım Seçenekleri... 3 Tüm Kayıtları Yeniden Aktar... 3

Detaylı

CAEeda ÇÖZÜMÜ YAPILMIŞ NACA 0012 KANADI İÇİN 2B ÇİZİM EĞİTİM NOTU. EDA Tasarım Analiz Mühendislik

CAEeda ÇÖZÜMÜ YAPILMIŞ NACA 0012 KANADI İÇİN 2B ÇİZİM EĞİTİM NOTU. EDA Tasarım Analiz Mühendislik CAEeda TM ÇÖZÜMÜ YAPILMIŞ NACA 0012 KANADI İÇİN 2B ÇİZİM EĞİTİM NOTU EDA Tasarım Analiz Mühendislik 1. Kapsam Çözümü yapılmış *.pos.edf dosyasında bulunan çözümağını al. Sonlu eleman modeli üzerinde bulunan

Detaylı

İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ ORACLE DATA MINER İLE ÖĞRENCİ KAYITLARI ÜZERİNE BİR VERİ MADENCİLİĞİ UYGULAMASI

İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ ORACLE DATA MINER İLE ÖĞRENCİ KAYITLARI ÜZERİNE BİR VERİ MADENCİLİĞİ UYGULAMASI İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ ORACLE DATA MINER İLE ÖĞRENCİ KAYITLARI ÜZERİNE BİR VERİ MADENCİLİĞİ UYGULAMASI BİTİRME ÖDEVİ Ceyda DURMAZ Murat KOCAMIŞ Anabilim Dalı: MÜHENDİSLİK BİLİMLERİ

Detaylı

Excel' de formüller yazılırken iki farklı uygulama kullanılır. Bunlardan;

Excel' de formüller yazılırken iki farklı uygulama kullanılır. Bunlardan; 7. FORMÜLLER SEKMESİ Excel in en çok kullanılan yönü hesaplama yönüdür. Hesaplamalar Formüller aracılığıyla yapılır. Formüller sekmesi anlatılırken sık kullanılan formüller ve formül yazımı da anlatılacaktır.

Detaylı

ICubes Giriş. http://ids.ipsos.com.tr/icubes/ adresinden sisteme girilir. Açılan sayfaya kullanıcı adı ve şifre yazılarak platforma giriş yapılır

ICubes Giriş. http://ids.ipsos.com.tr/icubes/ adresinden sisteme girilir. Açılan sayfaya kullanıcı adı ve şifre yazılarak platforma giriş yapılır ICUBES ICubes, Ipsos çalışanları ve müşterileri için tasarlanmış, üretim datalarını farklı bir platform üzerinden toplu şekilde görmeye yarayan bir programdır. ICubes Giriş http://ids.ipsos.com.tr/icubes/

Detaylı

BÖLÜM12. 2- FORMÜLLER ve OTOMATİK TOPLAM. 2.1. Formüller

BÖLÜM12. 2- FORMÜLLER ve OTOMATİK TOPLAM. 2.1. Formüller BÖLÜM12 2- FORMÜLLER ve OTOMATİK TOPLAM 2.1. Formüller Formül, bir sayfadaki verilerin aritmetiksel, mantıksal, istatistiksel vb. işlemleri yapması için kullanılan denklemlerdir ve bize sonuç bildirirler.

Detaylı

YEDEKLEME PROGRAMI KURULUM VE KULLANIMI

YEDEKLEME PROGRAMI KURULUM VE KULLANIMI YEDEKLEME PROGRAMI KURULUM VE KULLANIMI Kurulum 1..zip dosyasını açınız. 2. Açılan dosyanın içindeki Yedekleme klasörünü açınız. 3. Yedekleme.exe dosyasını açınız. 4. Üst pencerede ki ekran gözükecektir.

Detaylı

Dövizli Kullanım LOGO KASIM 2011

Dövizli Kullanım LOGO KASIM 2011 Dövizli Kullanım LOGO KASIM 2011 İçindekiler Dövizli Kullanım... 3 Kavramlar... 3 Döviz Türleri... 4 Satır bilgilerinin silinmesi... 4 Tüm tablonun silinmesi... 4 Sistemde yer alan ilk tanımlara ulaşım...

Detaylı

TAŞINIR MAL KAYIT VE TAKİP MODÜLÜ

TAŞINIR MAL KAYIT VE TAKİP MODÜLÜ MALİYE SGB..net TAŞINIR MAL KAYIT VE TAKİP MODÜLÜ 1 Taşınır Mal Yönetimi Taşınır Mal Yönetimi ile ilgili işlemlere Kaynak Yönetimi menüsü altındaki Taşınır Mal alt menüsünden ulaşıyoruz. Bu menünün seçenekleri

Detaylı

İşletme Fakültesi Bil. Kullanımı Ders notları 2

İşletme Fakültesi Bil. Kullanımı Ders notları 2 İşletme Fakültesi Bil. Kullanımı Ders notları 2 Öğr.Gör.Ali ATALAY EXCEL PAKET PROGRAMI Günümüzde hesap tablosu, veri analizi, kod yazımı, grafik çizimi, veri tabanı oluşturma gibi bir çok özelliği olan

Detaylı

Mustafa DAKMAz Uyumsoft Mersis Eğitim ve Uygulama Danışmanı

Mustafa DAKMAz Uyumsoft Mersis Eğitim ve Uygulama Danışmanı Mustafa DAKMAz Uyumsoft Mersis Eğitim ve Uygulama Danışmanı MERSİS sayesinde şirket kuruluş işlemleri artık, online olarak süratli bir şekilde gerçekleşebilecektir. Sisteme giriş, http://mersis.gumrukticaret.gov.tr/

Detaylı

ENROUTEPLUS TA YAPILMASI GEREKENLER

ENROUTEPLUS TA YAPILMASI GEREKENLER 11 Mayıs 2010 İlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL İlgili Modül/ler : Transfer EnRoutePlus TAN METİN DOSYALARININ AKTARIMI (FATURA, NAKİT, ÇEK, SENET) Univera firmasının EnRoutePlus programından

Detaylı

Mühendislikte Veri Tabanları Dersi Uygulamaları (MS-Access)

Mühendislikte Veri Tabanları Dersi Uygulamaları (MS-Access) Mühendislikte Veri Tabanları Dersi Uygulamaları (MS-Access) İstanbul Teknik Üniversitesi, İnşaat Fakültesi, Geomatik Mühendisliği Bölümü Prof. Dr. Nebiye MUSAOĞLU Doç. Dr. Elif SERTEL Y. Doç. Dr. Şinasi

Detaylı

Makine Öğrenmesi İle Duygu Analizinde Veri Seti Performansı

Makine Öğrenmesi İle Duygu Analizinde Veri Seti Performansı Makine Öğrenmesi İle Duygu Analizinde Veri Seti Performansı Hatice NİZAM İstanbul Üniversitesi Bilgisayar Mühendisliği Bölümü haticenizam@outlook.com Saliha Sıla AKIN ERS Turizm Yazılım Şirketi, Bilgisayar

Detaylı

VISION LINK PROGRAMINDA ŞANTİYE SINIRI VE BÖLGE UYARILARI NASIL KURULUR?

VISION LINK PROGRAMINDA ŞANTİYE SINIRI VE BÖLGE UYARILARI NASIL KURULUR? VISION LINK PROGRAMINDA ŞANTİYE SINIRI VE BÖLGE UYARILARI NASIL KURULUR? Vision Link Programında Şantiye Sınırı Uyarısı ve Bölge Uyarısı Oluşturma Adımları Vision Link te makinalarınızın çalıştığı yerde

Detaylı

Excel Uygulaması Kullanım Kılavuzu

Excel Uygulaması Kullanım Kılavuzu Excel Uygulaması Kullanım Kılavuzu 1- Biotekno Hakkında... 2 2- Kullanıcı Bilgileri... 3 3- Uygulamanın İndirilmesi... 3 4- Ayarlar... 5 5- SMS Gönderimi... 5 6- Raporlar... 10 7- SMS Kişiselleştirme...

Detaylı

Yedek Almak ve Yedekten Geri Dönmek

Yedek Almak ve Yedekten Geri Dönmek McAfee EPO 4.0 Yedek Yedek Almak ve Yedekten Geri Dönmek Yedek Almak ve Yedekten Geri Dönmek Amaç Mcafee EPO 4.0 kurulum yedeğinin felaket kurtarma senaryonusa uygun şekilde alınması ve yeni bir makinada

Detaylı

Ġşlem tablosu kavramını tanımlamak ve işlem tablolarının işlevlerini öğrenmek. Ġşlem tablolarının temel kavramlarını tanımlamak.

Ġşlem tablosu kavramını tanımlamak ve işlem tablolarının işlevlerini öğrenmek. Ġşlem tablolarının temel kavramlarını tanımlamak. Amaçlarımız 2 Ġşlem tablosu kavramını tanımlamak ve işlem tablolarının işlevlerini öğrenmek. Ġşlem tablolarının temel kavramlarını tanımlamak. Microsoft Excel 2010 da bilgi girişi yapabilmek. Excel de

Detaylı

MAKİNA BAKIMLARINIZI NASIL TAKİP EDERSİNİZ?

MAKİNA BAKIMLARINIZI NASIL TAKİP EDERSİNİZ? MAKİNA BAKIMLARINIZI NASIL TAKİP EDERSİNİZ? 1- www.myvisionlink.com Adresi size tanımlı olan Kullanıcı Adı ve Şifre ile ziyaret edilir. 2- Ana sayfadaki Filo sekmesinden istenilen makinanın satırına çift

Detaylı

BÖLÜM 8 B- SUNU PROGRAMI 1. MICROSOFT POWERPOINT NEDİR? 2. POWERPOINT PROGRAMININ BAŞLATILMASI

BÖLÜM 8 B- SUNU PROGRAMI 1. MICROSOFT POWERPOINT NEDİR? 2. POWERPOINT PROGRAMININ BAŞLATILMASI BÖLÜM 8 B- SUNU PROGRAMI 1. MICROSOFT POWERPOINT NEDİR? Microsoft Office Paketi ile birlikte kullanıcıya sunulan Powerpoint Programı, etkileşimli sunular (Presentation) hazırlamaya yarayan metin tabanlı

Detaylı

POWER POINT SUNU PROGRAMI

POWER POINT SUNU PROGRAMI POWER POINT SUNU PROGRAMI Power Point bir Sunu (Slayt) programıdır. MS-Office uygulamasıdır ve Office CD sinden yüklenir. Programı çalıştırabilmek için; Başlat/Programlar/Microsoft Office/Microsoft Office

Detaylı

1. MİCROSOFT EXCEL 2010 A GİRİŞ

1. MİCROSOFT EXCEL 2010 A GİRİŞ 1. MİCROSOFT EXCEL 2010 A GİRİŞ 1.1. Microsoft Excel Penceresi ve Temel Kavramlar Excel, Microsoft firması tarafından yazılmış elektronik hesaplama, tablolama ve grafik programıdır. Excel de çalışılan

Detaylı

2.1 Gri Düzey Eş Oluşum Matrisi ( GLCM) Gri düzey eş oluşum matrisi Haralick tarafından öne sürülmüştür [1]. Đstatistiksel doku analizi yöntemidir.

2.1 Gri Düzey Eş Oluşum Matrisi ( GLCM) Gri düzey eş oluşum matrisi Haralick tarafından öne sürülmüştür [1]. Đstatistiksel doku analizi yöntemidir. ÇELĐK YÜZEYLERĐN SINIFLANDIRILMASI * Cem ÜNSALAN ** Aytül ERÇĐL * Ayşın ERTÜZÜN *Boğaziçi Üniversitesi, Elektrik-Elektronik Mühendisliği Bölümü unsalan@boun.edu.tr **Boğaziçi Üniversitesi, Endüstri Mühendisliği

Detaylı

Fatura Dosyalarını Yükleme ile ilgili Detaylar. 14 Temmuz 2014

Fatura Dosyalarını Yükleme ile ilgili Detaylar. 14 Temmuz 2014 14 Temmuz 2014 İlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL İlgili Modül/ler : E-Fatura Gelen e-fatura Dosyalarının Transferi Firmalara tedarikçilerinden veya hizmet aldıkları firmalardan gelen e-faturalar,

Detaylı

Excel de Pivot Tablolar Tasarım ve Kullanımı

Excel de Pivot Tablolar Tasarım ve Kullanımı FARUK ÇUBUKÇU EXCEL AKADEMİ Excel de Pivot Tablolar Tasarım ve Kullanımı Pivot tablolar; satışlar, siparişler gibi verileri gruplamayı, alt toplamlarını almayı ve filtreleme işlemleri yapmayı sağlayan

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

SPSS E GİRİŞ SPSS TE TEMEL İŞLEMLER. Abdullah Can

SPSS E GİRİŞ SPSS TE TEMEL İŞLEMLER. Abdullah Can SPSS E GİRİŞ SPSS TE TEMEL İŞLEMLER SPSS in üzerinde işlem yapılabilecek iki ana ekran görünümü vardır. DATA VIEW (VERİ görünümü) VARIABLE VIEW (DEĞİŞKEN görünümü) 1 DATA VIEW (VERİ görünümü) İstatistiksel

Detaylı

EXCEL 2007 ELEKTRONİK ÇİZELGE

EXCEL 2007 ELEKTRONİK ÇİZELGE EXCEL 2007 ELEKTRONİK ÇİZELGE Excel, Microsoft Office paketinde yer alan ve iş hayatında en sık kullanılan programlardandır. Bir hesap tablosu programıdır. Excel, her türlü veriyi (özellikle sayısal verileri)

Detaylı

Kullanım Kılavuzu. G.M.K Bulvarı 87/17 Maltepe ANKARA Tel:0312 2210006 Fax:0312 2210007. www.tetramuh.com.tr 1

Kullanım Kılavuzu. G.M.K Bulvarı 87/17 Maltepe ANKARA Tel:0312 2210006 Fax:0312 2210007. www.tetramuh.com.tr 1 Kullanım Kılavuzu G.M.K Bulvarı 87/17 Maltepe ANKARA Tel:0312 2210006 Fax:0312 2210007 www.tetramuh.com.tr 1 MobetraPlus saha satış uygulamasına giriş nasıl yapılır? Cihaz açıldıktan sonra ana ekranda

Detaylı

Sihirbaz Kullanarak Sorgu Oluştur : Sihirbaz sorguyu hazırlayan kişiye sorular sorar ve yanıtlarına göre sorgu oluşturur.

Sihirbaz Kullanarak Sorgu Oluştur : Sihirbaz sorguyu hazırlayan kişiye sorular sorar ve yanıtlarına göre sorgu oluşturur. BÖLÜM17 3. SORGULAR Access Veritabanında sorgu; tablolara yazılan bilgilerin hepsinin veya istenilen (belirlenen) şarta uyanlarının bulunmasıdır. Örneğin Tıp Fakültesinde okuyan öğrenciler gibi. Sorguları

Detaylı

NAZAR BONCUĞU SAĞLIK SİGORTASI

NAZAR BONCUĞU SAĞLIK SİGORTASI NAZAR BONCUĞU SAĞLIK SİGORTASI KULLANIM KILAVUZU (VERSİYON 2.) 1 İÇİNDEKİLER 1. UYGULAMAYA GİRİŞ a) Acente Girişi 2. SİGORTALILAR & SİGORTA ETTİREN EKRANI a) Sağlık Beyanı b) Sigortalı Bilgileri Giriş

Detaylı

MAK4061 BİLGİSAYAR DESTEKLİ TASARIM

MAK4061 BİLGİSAYAR DESTEKLİ TASARIM MAK4061 BİLGİSAYAR DESTEKLİ TASARIM (Shell Mesh, Bearing Load,, Elastic Support, Tasarım Senaryosunda Link Value Kullanımı, Remote Load, Restraint/Reference Geometry) Shell Mesh ve Analiz: Kalınlığı az

Detaylı

Bu işleçlerin dışında, aşağıda belirtilen karşılaştırma işleçlerinden de yararlanılır.

Bu işleçlerin dışında, aşağıda belirtilen karşılaştırma işleçlerinden de yararlanılır. 18 SQL SORGU DİLİ SQL (Structured Query Language) yapısal sorgu dili, veritabanı yönetim sistemlerinin standart programlama dili olarak bilinmektedir. SQL dilinin Access içinde sorgu pencerelerinde veya

Detaylı

OMNET++ 4.2.2. Ağ Benzetim Yazılımı (Network Simulation Framework) BİL 372 Bilgisayar Ağları. GYTE - Bilgisayar Mühendisliği Bölümü

OMNET++ 4.2.2. Ağ Benzetim Yazılımı (Network Simulation Framework) BİL 372 Bilgisayar Ağları. GYTE - Bilgisayar Mühendisliği Bölümü Bilgisayar Mühendisliği Bölümü OMNET++ 4.2.2 Ağ Benzetim Yazılımı (Network Simulation Framework) BİL 372 Bilgisayar Ağları OMNET++ OMNET++ (Objective Modular Network Testbed in C++), nesneye yönelik (objectoriented)

Detaylı

DESTEK DOKÜMANI. Web hizmetleri hesap ayarları bölümüne, mylogo.com.tr de tanımlanmış olan hesap kodu ve, ve portal adresi bilgileri kaydedilir.

DESTEK DOKÜMANI. Web hizmetleri hesap ayarları bölümüne, mylogo.com.tr de tanımlanmış olan hesap kodu ve, ve portal adresi bilgileri kaydedilir. MYLOGO DAN AKTARIMLAR ĐK 3.02.02, BK 1.02.00 ve Bordro 1.01.00 sürümleri ile birlikte, ĐK kanun parametrelerindeki veriler ve döviz kurları mylogo.com.tr ye üye olan kullanıcılar (üye olmak için https://www.mylogo.com.tr/index.asp

Detaylı

TAPU VE KADASTRO BİLGİ SİSTEMİ

TAPU VE KADASTRO BİLGİ SİSTEMİ TAPU VE KADASTRO BİLGİ SİSTEMİ MEKÂNSAL GAYRİMENKUL SİSTEMİ (MEGSİS) BAŞVURU, E-ÖDEME VE FEN KAYIT İŞLEMLERİ DOKÜMANI Sürüm: 0.1 Revizyon Bilgileri Revizyon No: Revizyon Tarihi Revizyonu Yapan Revizyon

Detaylı

SYTP ÜYELİK İŞLEMLERİ

SYTP ÜYELİK İŞLEMLERİ 1-)Kullanıcı,tarayıcının adres çubuğuna, bağlı bulunduğu ilin sytp linkini yazdığı zaman karşısına ilk olarak sağ taraftaki gibi bir ekran gelir. 2-)Sisteme üye olacak olan eczane kullanıcısı sağ taraftaki

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

TUİK Netsis Erp Paketi Entegrasyonu ve Yıllık İş İstatistikleri Sanayi ve Hizmet Araştırması (YSHİ) Anketi

TUİK Netsis Erp Paketi Entegrasyonu ve Yıllık İş İstatistikleri Sanayi ve Hizmet Araştırması (YSHİ) Anketi TUİK Netsis Erp Paketi Entegrasyonu ve Yıllık İş İstatistikleri Sanayi ve Hizmet Araştırması (YSHİ) Anketi Uygulamanın Amacı Uygulama amacı, Netsis Erp paketi ile bağlantı kurarak Türkiye İstatistik kurumu

Detaylı

HEDEF ARA ve ÇÖZÜCÜ HEDEF ARA

HEDEF ARA ve ÇÖZÜCÜ HEDEF ARA HEDEF ARA ve ÇÖZÜCÜ HEDEF ARA Hedef ara komutu bir fonksiyonun tersinin bulunmasında kullanılır. Hedef ara işlemi, y=f(x) gibi bir fonksiyonda y değeri verildiğinde x değerinin bulunmasıdır. Bu işlem,

Detaylı

ÖZEL EGE İLKÖĞRETİM OKULU

ÖZEL EGE İLKÖĞRETİM OKULU ÖZEL EGE İLKÖĞRETİM OKULU 4.SINIF MATEMATİK DERSİ PROJESİ PROJE KONUSU : GRAFİKLER, KULLANIM ALANLARI VE GRAFİK UYGULAMALARI HAZIRLAYANLAR : Egem ERASLAN F.Sarper TEK Göktürk ERBAYSAL Mert KAHVECİ ÖNSÖZ

Detaylı

MUĞLA SITKI KOÇMAN ÜNİVERSİTESİ MUWİS. Web İçerik Sistemi. Bilgi İşlem Daire Başkanlığı-WEB GRUBU

MUĞLA SITKI KOÇMAN ÜNİVERSİTESİ MUWİS. Web İçerik Sistemi. Bilgi İşlem Daire Başkanlığı-WEB GRUBU MUĞLA SITKI KOÇMAN ÜNİVERSİTESİ MUWİS Web İçerik Sistemi -WEB GRUBU 2013 B i l g i İ ş l e m D a i r e B a ş k a n l ı ğ ı MUĞLA SITKI KOÇMAN ÜNİVERSİTESİ BİLGİ İŞLEM DAİRE BAŞKANLIĞI BİRİM BÖLÜM DAİRE

Detaylı

Çınar bilgisayar çelik kapı üretim otomasyonu kullanım kılavuzu ( Sürüm-2015-02/260)

Çınar bilgisayar çelik kapı üretim otomasyonu kullanım kılavuzu ( Sürüm-2015-02/260) Çınar bilgisayar çelik kapı üretim otomasyonu kullanım kılavuzu ( Sürüm-2015-02/260) Programın çalışması için kurulumun mutlaka ana dizinde cinar klasörünün içinde olması gerekmektedir. (C:\CINAR\xxx veya

Detaylı

SQL Uyarı Programı Kurulum ve Kullanımı

SQL Uyarı Programı Kurulum ve Kullanımı SQL Uyarı Programı Kurulum ve Kullanımı Kurulum 1. SQL Uyarı.zip dosyası açılır. 2. SQL Uyarı.exe programı çalıştırılır. 3. Üstteki ekran açılır ok. Butonuna basılır. 4. Ayarlar ekranı seçilir. 4.1 Server

Detaylı

Fiyat Farkı Faturası

Fiyat Farkı Faturası Fiyat Farkı Faturası Ürün Grubu [X] Redcode Enterprise [X] Redcode Standart [X] Entegre.NET Kategori [X] Yeni Fonksiyon Versiyon Önkoşulu Uygulama 5.0.10 (Onaylı sürüm) Fiyat Farkı Faturası, kaydedilmiş

Detaylı

MERSİS sayesinde şirket kuruluş işlemleri artık, online olarak süratli bir şekilde gerçekleşebilecektir.

MERSİS sayesinde şirket kuruluş işlemleri artık, online olarak süratli bir şekilde gerçekleşebilecektir. MERSİS sayesinde şirket kuruluş işlemleri artık, online olarak süratli bir şekilde gerçekleşebilecektir. Sisteme giriş, http://mersis.gumrukticaret.gov.tr/ adresinden gerçekleştirilir. İşlem yapabilmek

Detaylı

KBS VEKALET AYLIĞI İŞLEMLERİ UYGULAMA KILAVUZU

KBS VEKALET AYLIĞI İŞLEMLERİ UYGULAMA KILAVUZU KBS VEKALET AYLIĞI İŞLEMLERİ UYGULAMA KILAVUZU Personel Yazılım ve Uygulama Dairesi EKİM -2014 I - VEKALET AYLIĞI FĠHRĠST 1. Bölüm : Vekalet Ġşlemleri Bilgi Girişi 1.1. Vekalet Bilgi Giriş Formu 1.2. Personel

Detaylı

COĞRAFİ BİLGİ SİSTEMİ

COĞRAFİ BİLGİ SİSTEMİ T.C. SAĞLIK BAKANLIĞI TÜRKİYE HALK SAĞLIĞI KURUMU COĞRAFİ BİLGİ SİSTEMİ KULLANIM KLAVUZU ARALIK - 2013 SİSTEME GİRİŞ Sisteme, Tc numaranız ve size verilen şifre ile; http://cbs.thsk.saglik.gov.tr adresinden

Detaylı

Ata Foreks Trader. Kullanım Kılavuzu

Ata Foreks Trader. Kullanım Kılavuzu Ata Foreks Trader Kullanım Kılavuzu 1 İçindekiler 1. Program Kurulumu 2. Hesabınızın Tanımlanması 3. Meta Trader 4 Ekran Kullanım Özellikleri 4. Emir Gönderilmesi 2 1. Programın Bilgisayarımıza Kurulumu

Detaylı

Veri Tabanı-I 5.Hafta

Veri Tabanı-I 5.Hafta Veri Tabanı-I 5.Hafta DataBase Oluşturma 1 DATABASE Kolon,özellik,alanColumn,attributes,fields) Sunucu Tablo numarası adı soyadı 0913109001 Ali Can 0913109002 Nuri Koç Database 0913109003 Fatma Kara Satır,Kayıt

Detaylı

İdari Birimler Yönetim Paneli Kullanma Kılavuzu Bilgi İşlem Daire Başkanlığı Web Tasarım Ve Yazılım Birimi

İdari Birimler Yönetim Paneli Kullanma Kılavuzu Bilgi İşlem Daire Başkanlığı Web Tasarım Ve Yazılım Birimi İdari Birimler Yönetim Paneli Kullanma Kılavuzu Bilgi İşlem Daire Başkanlığı Web Tasarım Ve Yazılım Birimi Duyurular Nasıl Girilir? Duyuru girmek için ilk olarak İKÇ yönetim panelinden; 1-Kullanıcı adınızı

Detaylı

PCB ENVANTER PROGRAMI İL MÜDÜRLÜKLERİ İÇİN KULLANIM KILAVUZU

PCB ENVANTER PROGRAMI İL MÜDÜRLÜKLERİ İÇİN KULLANIM KILAVUZU PCB ENVANTER PROGRAMI İL MÜDÜRLÜKLERİ İÇİN KULLANIM KILAVUZU PCB ENVANTER PROGRAMI Đl Müdürlükleri için Kullanım Kılavuzu 1. Çevre Bilgi Sistemi kullanıcı kodu ve parolası kullanılarak sisteme giriş yapılır.

Detaylı

SQL 2005 SQL STUDIO MANAGER ACP YAZILIMI KURULUM KILAVUZU

SQL 2005 SQL STUDIO MANAGER ACP YAZILIMI KURULUM KILAVUZU SQL 2005 SQL STUDIO MANAGER ACP YAZILIMI KURULUM KILAVUZU Sayfa 1 / 18 KURULUMA BAŞLANMADAN ÖNCE YAPILMASI GEREKENLER : Sistem Özelliklerinden işletim sisteminin 32-bit mi yoksa 64-bit mi olduğu kontrol

Detaylı

MİCROSOFT EXCEL PROGRAMI DERS NOTLARI

MİCROSOFT EXCEL PROGRAMI DERS NOTLARI MİCROSOFT EXCEL PROGRAMI DERS NOTLARI ( 6. sınıflar için hazırlanmıştır. ) Fevzi Başal Bilişim Teknolojileri Öğretmeni İçindekiler 1. KAVRAMLAR... 1 2. DOSYA İŞLEMLERİ... 2 3. EXCEL DE KULLANILAN FARE

Detaylı