Spam filtrelemek için kaydırmalı ikili örüntüler tabanlı yeni bir yaklaşım
|
|
- Esen Isler
- 7 yıl önce
- İzleme sayısı:
Transkript
1 Spam filtrelemek için kaydırmalı ikili örüntüler tabanlı yeni bir yaklaşım Yılmaz KAYA 1, Cüneyt ÖZDEMİR 2 1 Bilgisayar Mühendisliği Bölümü, Siirt Üniversitesi, Siirt 2 Bilgisayar Teknolojileri Bölümü, Siirt Üniversitesi, Siirt Özet Günümüzde internet teknolojilerinin yaygınlaşması ile birlikte önemli haberleşme araçlarından biri olan elektronik haberleşme bazı sorunları da beraberinde getirmiştir. Elektronik haberleşmenin en önemli sorunlarından biri spam olarak isimlendirilen istenmeyen mesajların internette yayılmasıdır. Bu çalışmada, karakterlerin UTF-8 değerlerini birbirleri ile karşılaştırmalar sonucu elde edilen ikili örüntüler kullanarak yeni bir spam filtreleme yaklaşımı, kaydırmalı bir boyutlu yerel ikili örüntüler (K-1B-YİÖ) önerilmiştir. Önerilen K- 1B-YİÖ yöntemi, sinyal üzerindeki her değerin etrafındaki komşuları ile karşılaştırmalar sonucu elde edilen düşük seviye bilgilere dayanan istatistiksel bir yaklaşımdır. Yöntemimizi test etmek için bir benchmark (spamassian) ve tarafımızca oluşturulan bir veri kümesi kullanılmıştır. Elde edilen sonuçlara göre önerilen yöntemin metin tabanlı e-postalardan öznitelik çıkarımı için başarılı bir yöntem olduğu görülmüştür. Anahtar Kelimeler: spam tanıma, kaydırmalı ikili örüntüler, öznitelik çıkarımı Abstract Today electronic communication, which became one of the crucial communication tools owing to wide spreading internet technologies, has carried some troubles with itself. One of the most important problems of electronic communication is circulation of unsolicited bulk messages on the internet, which is referred to as Spam. In this study, an effective approach based on the probability of the usage of the characters that has the similar orders with respect to their UTF-8 value by employing shifted one-dimensional local binary pattern (shifted-1d-lbp) was used to extract quantitative features from s for spam detection. Shifted-1D- LBP, which can be defined as an ordered set of binary comparisons the center value and its neighboring values, is a content-based approach to spam detection with low-level information. To validate the performance of the proposed method, a benchmark corpora and a dataset created by us are used. The analysis and promising experimental results indicated that the proposed method was very competitive feature extraction method in spam filtering. Key Words: spam detection, shifted binary patterns, feature extraction adresi: yilmazkaya1977@gmail.com (Yılmaz Kaya).
2 1. Giriş İnternetin en çok kullanılan hizmetlerinden biri elektronik haberleşmedir (Whittaker et al., 2005). Ancak internetin gelişmesi ve yaygınlaşması ile birlikte, elektronik haberleşme bir takım sorunları da beraberinde getirmiştir. Elektronik haberleşmenin en önemli sorunlarından biri spam olarak isimlendirilen istenilmeyen mesajların internette yayılmasıdır. Günlük hayatımızın bir parçası olan spam, e-posta trafiğinin önemli bir bölümünü oluşturmakla birlikte kullanıcılar ve internet trafiği için önemli bir sorun haline gelmiştir (Carpinter and Hunt, 2006; Guzella and Caminhas, 2009). Bunun yanında kullanıcıların bir e-postanın spam olup olmadığına karar vermeleri de önemli bir zaman kaybına neden olmaktadır. Spamlar genellikle para kazanma, yetişkin ürünler, kilo verme, arkadaş bulma, iş vs. ürün tanıtma şeklinde kendini göstermektedir (Su et al., 2010). Spam mesajların gün geçtikçe önemli bir problem olduğu görülmüştür. Bu yüzden spam tanıma veya filtreleme için yeni metotların geliştirilmesi önemli bir alan olmaktadır. Spam filtrelemek için farklı yaklaşımlar söz konusudur. Bazı metotlar gelen e-postanın adresini kara listelerden tarar iken, bazı metotlar gelen e-postaların içeriğini belli anahtar kelimelere göre taramaktadır. Diğer önemli yaklaşımlar istatistiksel yaklaşımlardır. Bu yaklaşımlar bir mesaj içindeki karakter veya kelime frekanslarına dayanmaktadır. Son yıllarda makine öğrenmesi yöntemler de spam filtrelemek için başarılı bir şekilde kullanılmıştır (Lin, 2009; Idris et al., 2014; Su et al., 2010; Guzella et al., 2009). E-postalardan öznitelik, bilgi çıkarımı spam filtrelemenin en önemli aşamalarından biridir. Çünkü sınıflandırma başarısı çıkarılan özniteliklere bağlıdır. Bu çalışmada spam filtrelemek için literatürde olmayan yeni bir öznitelik çıkarım yöntemi önerilmiştir. Önerilen yöntem, kaydırmalı bir boyutlu yerel ikili örüntüler (K-1B-YİÖ), karakterlerin bir araya gelme olasılıklarına dayanmaktadır. K-1B-YİÖ yöntemi e- postalardan etkili öznitelikler elde etmemizi sağlayan bir istatistiksel metottur. Bu metodun en önemli avantajı hesaplama basitliği ve gerçek zamanlı metin işleme uygulamalarında kullanılabilir olmasıdır. Önerilen yöntem karakterlerin Unikod değerlerini kullanmaktadır. Karakterlerin Unikod değerleri komşuları ile karşılaştırılarak; büyük olması durumunda 1 diğer durumlarda 0 değeri üretilerek bir ikili dizge elde edilmektedir. Bu ikili dizgelerin onlu karşılığı karşılaştırılan karakterin yeni değeri olarak alınmaktadır. Bu şekilde tüm karakterlerden elde edilen yeni değerler K-1B-YİÖ sinyalini oluşturmaktadır. Bu sinyale ait histogram öznitelik vektörü olarak kullanılmaktadır. Önerilen 1B-YİÖ yöntemi P, L ve R gibi üç(3) parametreye bağlıdır. Bu parametreler dokümanda mikro-makro örüntülerin taranması için kullanılmaktadır. Önerilen yöntemi test etmek için bir benchmark ve tarafımızca oluşturulan bir veri kümesi kullanılmıştır. Sınıflama aşamasında farklı makine öğrenmesi yöntemler kullanılmıştır. 10 kat çapraz geçerlilik yöntemine göre başarılı sonuçlar elde edilmiştir. 2. Veri kümeleri Bu çalışmada iki veri kümesi kullanılmıştır. Birincisi bir benchmark veri kümesidir. Spamassasian (Spamassasian, 2014): Bu veri kümesi 4150 spam olmayan ve 1897 spam mesajdan oluşmaktadır. İkinci veri kümesi tarafımızca oluşturulmuştur. 296 spam ve 420 spam olmayan mesajdan oluşmaktadır. 4. Metot 4.1. Geliştirilen Kaydırmalı 1B-Yerel İkili Örüntüler Yöntemi K- 1B-YİÖ yöntemi, metin tabanlı e-postalardan yeni öznitelik çıkarımı için görüntü işlemede yaygın bir şekilde kullanılan YİÖ metodundan geliştirilmiştir. K-1B-YİÖ yöntemi işleyiş olarak görüntü işlemede
3 kullanılan YİÖ yöntemi ile benzerlik göstermektedir. Ancak K-1B-YİÖ yöntemi zaman serisi şeklinde dizilmiş tek boyutlu sinyallere uygulanabilir. Sinyal üzerindeki her değer için değerler ile komşuları arasında yapılan karşılaştırmalar sonucu ikili kodlar üretilir. Elde edilen bu kodların onluk karşılıkları sinyali ifade eden yeni bir sinyal olarak ele alınmaktadır (Kaya et al., 2014). Bu çalışmada geleneksel 1B-YİÖ yöntemi ile komşu değerlerin kaydırılması ile mikro-makro örüntülerin elde edilmesi sağlanmıştır. Kaydırmalı İÖ öznitelik çıkarımı için kullanılmıştır. Burada P (P L +P R ) merkez noktanın sağından ve solundan alınacak toplam komşu sayısını belirtir. P L parametresi sol taraftan ve P R sağ taraftan alınan komşu sayılarını belirtir. K-1B-YİÖ, sinyal üzerinde verilen örnek bir nokta için kendi komşuları ile yapılan karşılaştırmalar sonucu elde edilen ikili dizi seti olarak hesaplanır. Sinyal üzerindeki her sinyal için öncesinde ve sonrasında (sağından ve solundan) P (P L +P R kadar komşu alınır. Örneğin P=8 olması durumunda her nokta için (P c ) öncesinde 3 komşu P L = (P 0, P 1, P 2 ) ve sonrasında 5 komşu P R = (P3, P 4, P 5, P 6, P 7 ) alınır. Şekil 1 sinyal üzerindeki örnek bir noktayı göstermekte. Şekil 1: Sinyal üzerindeki örnek bir nokta. Şekil 1 de gösterildiği gibi tüm komşular P={P 0, P 1, P 2, P 3, P 4, P 5, P 6, P 7 } merkez değer ile (P c ) karşılaştırılıp denklem 1 e göre ikili değerler elde edilir. Karşılaştırmalarda eğer P i değeri P c den büyük ve eşit ise 1, diğer durumlarda 0 alınır. Bu karşılaştırmalar sonucunda K-1B-YİÖ kodu oluşur. Bu ikili diziler Şekil 1 deki örnek için şekil 2 de gösterilmiştir. t P Pc i K 1B YIO( x) Sign( t)2 1, t 0 Sign 0, t 0 P i 0 i 1 (1) Şekil 2: Pc nin Pi ile karşılaştırılması Her noktanın K-1B-YİÖ kodları eşitlik 1 ile hesaplanır. Her ikili kodların onlu karşılıkları P c noktasının etrafındaki yerel bilgileri ifade eder. Yukarıdaki aşamalar tüm sinyal üzerindeki değerler için gerçekleştirilir. Bu aşamalardan sonra YİÖ sinyali elde edilmiş olacaktır. YİÖ sinyali üzerindeki tüm değerler 0 ile 255 arasındaki değişim göstermektedir. Her değerin frekansı bir örüntüyü ifade eder. P=8 olması durumunda 2^8= 256 örüntü elde edilir.
4 4.2. Önerilen Metot Bu çalışmada spam filtrelemek için önceki çalışmalardan tümüyle farklı bir yaklaşım önerilmiştir. Önerilen yöntem karakter seviyesinde istatistiksel bir yaklaşımdır. Önerilen yaklaşıma ait bir örnek ve blok diyagram şekil 3 te verilmiştir. Şekil 3: Önerilen yönteme ait blok diyagram. Blok 1: Bu blokta metin içinde geçen boşluklar, noktalama işaretleri, yeni satır gibi özel karakterler atılır. Temizleme işleminden sonra metin Unicode lara dönüştürülür. Unicode lerden oluşan yeni dizi bir boyutlu sinyal olarak ele alınır. Mesajın aşağıdaki ifade olması durumunda bir örnek aşağıda gösterilmiştir. A novel approach for spam detection based on binary patterns Öncelikle metin içendeki istenilmeyen karakterler atılır. Bu karakterler atıldıktan sonra geriye kalan mesaj Anovelapproachforspam detectionbasedonbinarypatterns Geriye kalan mesajın UTF-8 kodlarına dönüştürülmesi sonucunda elde edilen sinyal aşağıda belirtilmiştir Block 2: Elde edilen UTF-8 kodlar sinyali K-1B-YİÖ metodu ile YİÖ düzlemine taşınır. Bu düzleme taşınan değerler 0 ile 255 arasında değerlerden oluşur. Her değerin frekansı bir farklı örüntü tanımlar. P, parametrelerin farklı değerlerine örnekler Şekil 4 te gösterilmiştir.
5 Şekil 4: ve farklı P L, P R değerleri için elde edilen örüntüler. Şekil 4 ten görüldüğü gibi K-1B-YİÖ parametrelerinin farklı değerlerine göre aynı sinyal parçası ile farklı örüntüler elde edilebilir. Block 3: Bu blokta K-1B-YİÖ sinyaline ait histogram elde edilir. K-1B-YİÖ sinyalinde her değerin frekansı belirlenir. Her değerin frekansı bir örüntü veya öznitelik olarak değerlendirilir. P=8 olması durumunda 256 örüntü bulunmaktadır. Block 4: Elde edilen öznitelikleri kullanarak sınıflama aşamasıdır. Naive Bayes, Functional trees (FT), BayesNet ve Random Forest metotları sınıflandırıcı olarak kullanıldı.10 katlı çapraz geçerlilik testine göre sınıflandırma işlemi gerçekleştirilmiştir. 5. Deneysel Sonuçlar Bu çalışmada spam tanıma için karakterlerin UTF-8 değerlerini kullanarak yeni bir yaklaşım önerilmiştir. Bu yöntem ile e-postalardan yeni öznitelikler elde edilmiştir. Önerilen ö i 2 parametreye bağlıdır. Çalışmada iki farklı veri kümesi kullanıldı. Birinci veri kümesi bir bencmark veri kümesi olan Spamassassian, ikincisi ise tarafımızca oluşturulmuş bir veri kümesidir. Bu parametrelerin farklı değerleri ile elde edilen örüntüler için sınıflandırma başarı oranları tablo 1 de verilmiştir. Her iki veri kümesi için sınıflandırma işlemleri farklı sınıflandırıcılar ile gerçekleştirilmiştir. Sınıflandırma işlemi için açık kaynak kodlu bir yazılım olan WEKA (Witten and Frank, 2005) kullanılmıştır. Tablo 1: Farklı P L ve P R değerleri için başarı oranları Spamassassian corpus Veri kümesi II P FT NB BayesNT RF SVM multinomial LiBlinear RF NB P L =0,P R = P L =1,P R = P L =2,P R = P L =3,P R = P L =4,P R = P L =5,P R = P L =6,P R = P L =7,P R = P L =8,P R = Tablo 1 den başarı oranlarından görüldüğü gibi PL ve PR parametreleri ile farklı örüntülerin elde edildiği anlaşılmaktadır. PL ve PR değerlerine denemeler sonucunda karar verilmelidir. Birinci veri kümesi Spamassassian için %92.34 başarı oranı olarak K-1B-YİÖ PL=6,PR=2 öznitelikleri için elde edilmiştir. Tarafımızca oluşturulmuş veri kümesi için K-1B-YİÖ PL=7,PR=1 öznitelikleri ile %86.15 sınıflandırma başarısı elde edilmiştir.
6 6. Sonuç Günümüzde sürekli gelişen internet teknolojileriyle birlikte elektronik posta kullanımı, haberleşmenin en önemli araçlarından biri haline gelmiştir. Çok kısa bir sürede milyonlarca kişinin kullanmaya başladığı ve her geçen gün daha da yaygınlaşan elektronik posta ile haberleşmenin zamanla ticaret, spam ve virüs saldırıları gibi eylemlerin odağı haline gelmiştir. Gündelik yaşantımızın bir parçası haline gelen elektronik posta trafiğinin büyük bir kısmını oluşturan spam elektronik postaları hem kullanıcılar için hem de internet trafiği için önemli bir sorun haline gelmiştir. Bu çalışmada spam tanıma için K-1B-YİÖ tabanlı yeni bir öznitelik çıkarım yöntemi önerilmiştir. Bu metot e-postaların UTF-8 olarak ifade edilmiş her değerin komşuları ile yapılan ikili karşılaştırmaları kullanan istatistiksel bir yaklaşımdır. Önerilen metodu test etmek için iki veri kümesi kullanılmıştır. Biri bencmark(spamassasian) biri de tarafımızca oluşturulmuş veri kümeleridir. Elde edilen sınıflandırma başarı oranları %92.34 ve %86.15 olarak gözlenmiştir. Elde edilen sonuçlara göre önerilen yöntem metinlerden öznitelik çıkarımı için önemli avantajlar sağladığı görülmüştür. Buna ek olarak bu yöntemin diğer doğal dil işleme alanlarına uygulanabileceği düşünülmektedir. Referanslar Androutsopoulos, I, Koutsias, J, Chandrinos, KV, Paliouras, G, Spyropoulos, CD, An evaluation of naive bayesian anti-spam filtering.arxiv preprint cs/ , Awad, WA, ELseuofi, SM, Machine Learning methods for Classification. International Journal of Computer Applications, (2011),16(1). Berger, H, Köhle, M, Merkl, D, On the Impact of Document Representation on Classifier Per-formance in e- Mail Categorization. In ISTA (pp ), Biggio, B, Fumera, G, Pillai, I, Roli, F. A survey and experimental evaluation of image spam filtering techniques. Pattern Recognition Letters,32(10), 2011, Blanzieri, E, Bryl, A, A survey of anti-spam techniques. Technical Report DIT , University of Trento, 2006 Bratko, A, Filipič, B, Cormack, GV, Lynam, TR, Zupan, B, Spam filtering using statistical data compression models. The Journal of Machine Learning Research, 7,2006, Carpinter, J, Hunt, R. Tightening the net: A review of current and next generation spam filtering tools. Computers & security, 25(8),2006, Cormack, GV, Smucker, M D, Clarke, C L, Efficient and effective spam filtering and re-ranking for large web datasets. Information retrieval, 14(5), 2011, Cormack, G.,Lynam,T.,2007.TRECPublicSpamCorpus. _gvcormac/treccorpus07/ (cited ). Costa, GV, Errecalde, ML, Taranilla, MT, Learning to detect spam messages. In XI Congreso Argentino de Ciencias de la Computación, Crawford, E, Kay, J, McCreath, E, Automatic induction of rules for classification. In Proceedings of the sixth Australasian document computing symposium (pp ). Coffs Harbour, Australia, 2001 DeBarr, D, Wechsler, H, Spam detection using random boost.pattern Recognition Letters, 33(10), 2012, Drucker, H, Wu, S, Vapnik, V. N, Support vector machines for spam categorization. Neural Networks, IEEE Transactions on, 10(5), 1999, El-Alfy, ESM, Abdel-Aal, RE, Using GMDH-based networks for improved spam detection and feature analysis. Applied Soft Computing,11(1), 2011, Graham, P, Better bayesian filtering. In Proceedings of the 2003 Spam Conference (Vol. 11, pp ), 2003
7 Guzella, TS, Caminhas, WM, A review of machine learning approaches to spam filtering. Expert Systems with Applications, 36(7), 2009, Idris, I, Selamat, A, Improved spam detection model with negative selection algorithm and particle swarm optimization. Applied Soft Computing, 2014, 22, Idris, I, Selamat, A, Omatu, S, Hybrid spam detection model with negative selection algorithm and differential evolution. Engineering Applications of Artificial Intelligence, 2014, 28, Kanaris, I, Kanaris, K, Stamatatos, E, Spam detection using character n-grams. In Advances in Artificial Intelligence (pp ). Springer Berlin Heidelberg, 2006 Kaya, Y, Yeşilova, A. Tekin, R, İstenmeyen Elektronik Postaların(Spam) Filtrelenmesinde Kaba Küme Yaklaşımının Kullanılması. Electric-Electronic and Computer Symposium, Fırat University, , 2011 Kaya, Y, Uyar, M, Tekin, R, Yıldırım, S, 1D-local binary pattern based feature extraction for classification of epileptic EEG signals. Applied Mathematics and Computation, 243, 2014, Kołcz, A, Alspector, J, SVM based Filtering of EMmail Spam with Content specific Misclassification Costs, 2001 Lai, CC, An empirical study of three machine learning methods for spam filtering. Knowledge-Based Systems, 20(3), 2007, Laorden, C, Ugarte-Pedrero, X, Santos, I, Sanz, B, Nieves, J, Bringas, PG, On the study of anomaly-based spam filtering using spam as representation of normality. In Consumer Communications and Networking Conference (CCNC), 2012 IEEE (pp ). IEEE, 2012 Li, Y, Wen, PP, Clustering technique-based least square support vector machine for EEG signal classification. Computer methods and programs in biomedicine, 104(3), 2011, Lin, JL, Detection of cloaked web spam by using tag-based methods.expert Systems with Applications, 36(4), 2009, Marsono, MN, El-Kharashi, MW, Gebali, F, Targeting spam control on middleboxes: Spam detection based on layer-3 content classification. Computer Networks, 53(6), 2009, Nakov, PI, Dobrikov, PM, Non-parametric SPAM filtering based on knn and LSA. In Proceedings of the 33th National Spring Conference of the Bulgarian Mathematicians Union (pp. 1-4), 2004 Sabri, AT, Mohammads, AH., Al-Shargabi, B, Hamdeh, MA, Developing new continuous learning approach for spam detection using artificial neural network (CLA_ANN). Eur J Sci Res, 42(3), 2010, Sakkis, G, Androutsopoulos, I, Paliouras, G, Karkaletsis, V, Spyropoulos, CD, Stamatopoulos, P, A memorybased approach to anti-spam filtering for mailing lists. Information Retrieval, 6(1), 2003, Schneider, KM, A comparison of event models for Naive Bayes anti-spam filtering. In Proceedings of the tenth conference on European chapter of the Association for Computational Linguistics-Volume 1 (pp ). Association for Computational Linguistics, 2003 SpamAssassin. Available from Su, MC, Lo, HH, Hsu, FH, A neural tree and its application to spam detection. Expert Systems with Applications, 37(12), 2010, Tretyakov, K, Naïve Bayes Spam Filtering Using Word Position Based Attributes, Machine Learning Technique in Spam Filtering, Data Mining Problem oriented Seminar, MTAT , pp , 2004 Upasana CS, A survey on text classification techniques for filtering. Second International Conference on Machine Learning and Computing, 2010 Wang, Q, Guan, Y, Wang, X, SVM-Based Spam Filter with Active and Online Learning. In TREC, 2006 Wang, XL, Learning to classify a survey. In 2005 International Conference on Machine Learning and Cybernetics, 9, pp , 2005 Witten, IH, Frank, E, Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann, 2005 Whittaker, S, Bellotti, V, Moody, P, Introduction to this special issue on revisiting and reinventing e- mail. Human-Computer Interaction, 20(1), 2005, 1-9.
8 Wu, CH, Behavior-based spam detection using a hybrid method of rule-based techniques and neural networks. Expert Systems with Applications,36(3), 2009, Wu, CH, Tsai, CH, Robust classification for spam filtering by back-propagation neural networks using behaviorbased features. Applied Intelligence, 31(2), 2009, Ying, KC, Lin, SW, Lee, ZJ, Lin, YT, An ensemble approach applied to classify spam s. Expert Systems with Applications, 37(3), 2010, Youn, S, McLeod, D. Efficient spam filtering using adaptive ontology. In Information Technology, ITNG'07. Fourth International Conference on (pp ). IEEE, 2007 Yue, X, Abraham, A, Chi, ZX, Hao, YY, Mo, H, Artificial immune system inspired behavior-based anti-spam filter. Soft Computing, 11(8), 2007,
Doküman dili tanıma için ikili örüntüler tabanlı yeni bir yaklaşım
Doküman dili tanıma için ikili örüntüler tabanlı yeni bir yaklaşım Yılmaz KAYA 1, Ömer Faruk ERTUĞRUL 2, Ramazan TEKİN 3 1 Siirt Üniversitesi, Bilgisayar Mühendisliği Bölümü 2 Batman Üniversitesi, Elektrik-Elektronik
DetaylıKelebek Görüntülerin Sınıflandırılmasında Yeni Yerel İkili Örüntüler
Kelebek Görüntülerin Sınıflandırılmasında Yeni Yerel İkili Örüntüler Yılmaz KAYA 1, Lokman KAYCİ 2 1 Bilgisayar Mühendisliği Bölümü, Siirt Üniversitesi, 56100 Siirt 2 Biyoloji Bölümü, Siirt Üniversitesi,
DetaylıReklam İçerikli Epostaların Metin Madenciliği Yöntemleri ile Otomatik Tespiti
BİLİŞİM TEKNOLOJİLERİ DERGİSİ, CİLT: 6, SAYI: 1, OCAK 2013 1 Reklam İçerikli Epostaların Metin Madenciliği Yöntemleri ile Otomatik Tespiti Kübra ÇALIŞ, Oya GAZDAĞI, Oktay YILDIZ Bilgisayar Mühendisliği,
DetaylıTürkçe Dokümanlar Ġçin Yazar Tanıma
Türkçe Dokümanlar Ġçin Yazar Tanıma Özcan KOLYĠĞĠT, Rıfat AġLIYAN, Korhan GÜNEL Adnan Menderes Üniversitesi, Matematik Bölümü Bölümü, Aydın okolyigit@gmail.com, rasliyan@adu.edu.tr, kgunel@adu.edu.tr Özet:
DetaylıÇok Katmanlı Algılayıcı, K-NN ve C4.5 Metotlarıyla İstenmeyen E-postaların Tespiti
Çok Katmanlı Algılayıcı, K-NN ve C4.5 Metotlarıyla İstenmeyen E-postaların Tespiti Kadir Tekeli, Rıfat Aşlıyan Adnan Menderes Üniversitesi, Matematik Bölümü, Aydın kadir.tekeli@gmail.com, rasliyan@adu.edu.tr
DetaylıAYTUĞ ONAN CELAL BAYAR ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ SERDAR KORUKOĞLU EGE ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
Metin Sınıflandırmada Öznitelik Seçim Yöntemlerinin Değerlendirilmesi AYTUĞ ONAN CELAL BAYAR ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ SERDAR KORUKOĞLU EGE ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
DetaylıÖZGEÇMİŞ. 1. Adı Soyadı : Olcay Taner Yıldız. 2. Doğum Tarihi : 15.05.1976. 3. Unvanı : Doç. Dr. 4. Öğrenim Durumu :
ÖZGEÇMİŞ 1. Adı Soyadı : Olcay Taner Yıldız 2. Doğum Tarihi : 15.05.1976 3. Unvanı : Doç. Dr. 4. Öğrenim Durumu : Derece Alan Üniversite Yıl Lisans Bilgisayar Mühendisliği Boğaziçi Üniversitesi 1997 Y.
DetaylıGörev Unvanı Alan Üniversite Yıl Prof. Dr. Elek.-Eln Müh. Çukurova Üniversitesi Eylül 2014
ÖZGEÇMİŞ 1. Adı Soyadı : MUSTAFA GÖK 2. Doğum Tarihi: : 1972 3. Unvanı : Prof. Dr. 4. Öğrenim Durumu Derece Alan Üniversite Yıl Lisans Elektronik Mühendisliği İstanbul Üniversitesi 1995 Yüksek Lisans Electrical
DetaylıA. SCI ve SCIE Kapsamındaki Yayınlar
A. SCI ve SCIE Kapsamındaki Yayınlar A.1. Erilli N.A., Yolcu U., Egrioglu E., Aladag C.H., Öner Y., 2011 Determining the most proper number of cluster in fuzzy clustering by using artificial neural networks.
DetaylıELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ DOKTORA YETERLİK SINAVI YÖNETMELİĞİ
ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ DOKTORA YETERLİK SINAVI YÖNETMELİĞİ Doktora Yeterlik Sınavı, başvurunun yapıldığı ve Doktora Yeterlik Komitesi nin başvuruyu onayladığı dönemdeki, dönem sonu sınavlarının
DetaylıMÜHENDİSLİK FAKÜLTESİ / ENSTİTÜSÜ / YÜKSEKOKULU BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ /ABD LİSANS PROGRAMI - 2 ( yılı öncesinde birinci
MÜHENDİSLİK FAKÜLTESİ / ENSTİTÜSÜ / YÜKSEKOKULU BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ /ABD LİSANS PROGRAMI - 2 (2016-17 yılı öncesinde birinci sınıfa başlayan öğrenciler için) BİRİNCİ YIL 1. Dönem CMPE113
DetaylıYard. Doç. Dr. İrfan DELİ. Matematik
Unvanı Yard. Doç. Dr. Adı Soyadı İrfan DELİ Doğum Yeri ve Tarihi: Çivril/Denizli -- 06.04.1986 Bölüm: E-Posta Matematik irfandeli20@gmail.com, irfandeli@kilis.edu.tr AKADEMİK GELİŞİM ÜNİVERSİTE YIL Lisans
DetaylıMetin Madenciliğinde Yazar Tanıma (Author Recognition in Text Mining)
YBS Ansiklopedi www.ybsansiklopedi.com Cilt 5, Sayı 1, Mayıs 2018 Metin Madenciliğinde Yazar Tanıma (Author Recognition in Text Mining) Deniz İrem ÜNAL 1, Şadi Evren ŞEKER 2 1. Yıldız Teknik Üniversitesi,Matematik
DetaylıZamansal Veri Madenciliği ve Anomali Tespiti için Bir Uygulama
Zamansal Veri Madenciliği ve Anomali Tespiti için Bir Uygulama Mehmet Yavuz ONAT Yrd.Doç.Dr.Engin YILDIZTEPE Dokuz Eylül Üniversitesi, İstatistik Bölümü Akademik Bilişim 2015, Anadolu Üniversitesi, Eskişehir
DetaylıT.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ EĞİTİM ÖĞRETİM YILI DERS KATALOĞU
T.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ - EĞİTİM ÖĞRETİM YILI DERS KATALOĞU Ders Kodu Bim Kodu Ders Adı Türkçe Ders Adı İngilizce Dersin Dönemi T Snf Açıl.Dönem P
DetaylıANKARA ÜNİVERSİTESİ A ÖĞRENCİ İŞLERİ DAİRE BAŞKANLIĞI
PROGRAM ADI : BİLGİSAYAR MÜHENDİSLİĞİ (İNGİLİZCE) 1.SINIF /1.YARIYIL* 1 COM101 COMPUTER PROGRAMMING I - - 4 2 6 5 9 2 COM113 INTRODUCTION TO COMPUTER SCIENCE - - 3 0 3 3 5 3 PHY0101 PHYSICS I - - 3 0 3
DetaylıGÜR EMRE GÜRAKSIN AFYON KOCATEPE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ / BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ / AFYONKARAHİSAR
GÜR EMRE GÜRAKSIN AFYON KOCATEPE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ / BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ / AFYONKARAHİSAR KİŞİSEL BİLGİLER İş: (272) 228 14 23 E-mail: emreguraksin@aku.edu.tr Uyruğu Doğum Yeri
DetaylıÖZGEÇMİŞ VE ESERLER LİSTESİ
ÖZGEÇMİŞ VE ESERLER LİSTESİ Adı Soyadı E-posta İletişim Adresileri : Özge CAĞCAĞ YOLCU : ozge.cagcag_yolcu@kcl.ac.uk ozgecagcag@yahoo.com : Giresun Üniversitesi, Mühendislik Fakültesi, Endüstri Mühendisliği
DetaylıOtomatik 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
DetaylıDoç.Dr. M. Mengüç Öner Işık Üniversitesi Elektrik-Elektronik Mühendisliği Bölümü oner@isikun.edu.tr
Doç.Dr. M. Mengüç Öner Işık Üniversitesi Elektrik-Elektronik Bölümü oner@isikun.edu.tr 1. Adı Soyadı : Mustafa Mengüç ÖNER 2. Doğum Tarihi : 01.02.1977 3. Unvanı : Doçent Dr. 4. Öğrenim Durumu : ÖĞRENİM
DetaylıÖZGEÇMİŞ. Dr. Aytuğ ONAN
ÖZGEÇMİŞ İletişim Bilgileri Dr. Aytuğ ONAN Çalıştığı Kurum: Doktor Öğretim Üyesi, Manisa Celal Bayar Üniversitesi, Hasan Ferdi Turgutlu Teknoloji Fakültesi, Yazılım Mühendisliği Bölümü, Turgutlu-MANİSA.
DetaylıGüz Dönemi Zorunlu Dersleri
T.C. AKSARAY ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ELEKTRİK-ELEKTRONİK ve BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI TEZLİ YÜKSEK LİSANS PROGRAMI Güz Dönemi Zorunlu Dersleri EEBM 501 İleri Mühendislik Matematiği
Detaylı91-03-01-517 YAPAY ZEKA (Artificial Intelligence)
91-03-01-517 YAPAY ZEKA (Artificial Intelligence) Dersi Veren Öğretim Üyesi Y. Doç. Dr. Aybars UĞUR Ders Web Sayfası : http://yzgrafik.ege.edu.tr/~ugur 27.09.2009 Y. Doç. Dr. Aybars UĞUR (517 Yapay Zeka)
DetaylıFIRAT ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ/YAZILIM MÜHENDİSLİĞİ (DR)
FATİH ERTAM DOKTOR ÖĞRETİM ÜYESİ E-Posta Adresi fatih.ertam@firat.edu.tr Telefon (İş) Telefon (Cep) Faks Adres 4242370000-7640 5356514539 Fırat Üniversitesi Teknoloji Fakültesi B Blok Adli Bilişim Mühendisliği
DetaylıEş-Talim Yöntemi ile Metin Sınıflandırma İçin Bir Uygulama
Eş-Talim Yöntemi ile Metin Sınıflandırma İçin Bir Uygulama Katira Soleymanzadeh1, Ufuk Hürriyetoğlu1, Bahar Karaoğlan1, Senem Kumova Metin2, Tarık Kışla3 1 Ege Üniversitesi, Uluslararası Bilgisayar Enstitüsü,
DetaylıBulanık Mantık Tabanlı Uçak Modeli Tespiti
Bulanık Mantık Tabanlı Uçak Modeli Tespiti Hüseyin Fidan, Vildan Çınarlı, Muhammed Uysal, Kadriye Filiz Balbal, Ali Özdemir 1, Ayşegül Alaybeyoğlu 2 1 Celal Bayar Üniversitesi, Matematik Bölümü, Manisa
DetaylıÖZGEÇMİŞ. 1. Adı Soyadı : Kamile ŞANLI KULA İletişim Bilgileri : Ahi Evran Üniversitesi, Fen Edebiyat Fakültesi, Adres Matematik Bölümü, KIRŞEHİR
Resim ÖZGEÇMİŞ 1. Adı Soyadı : Kamile ŞANLI KULA İletişim Bilgileri : Ahi Evran Üniversitesi, Fen Edebiyat Fakültesi, Adres Matematik Bölümü, KIRŞEHİR Telefon : 386 280 45 50 Mail : kskula@ahievran.edu.tr
DetaylıDekan Yardımcısı Karamanoğlu Mehmetbey Üniversitesi, Mühendislik Fakültesi, Karaman, Türkiye Ocak Devam Ediyor
DR. AHMET KAYABAŞI Adres : Karamanoğlu Mehmetbey, Mühendislik Fakültesi, Elektrik- Elektronik Mühendisliği Bölümü, Yunus Emre Yerleşkesi, 70100, Karaman Telefon : +90 338 226 20 00/5154 Faks : +90 338
DetaylıÖ Z G E Ç M İ Ş. 1. Adı Soyadı: Mustafa GÖÇKEN. 2. Doğum Tarihi: 12 Haziran 1976. 3. Unvanı: Yrd. Doç. Dr. 4. Öğrenim Durumu: Ph.D.
Ö Z G E Ç M İ Ş 1. Adı Soyadı: Mustafa GÖÇKEN 2. Doğum Tarihi: 12 Haziran 1976 3. Unvanı: Yrd. Doç. Dr. 4. Öğrenim Durumu: Ph.D. Derece Alan Üniversite Yıl Lisans Endüstri Mühendisliği Çukurova Üniversitesi
DetaylıCOURSES OFFERED FOR ERASMUS INCOMING STUDENTS
COURSES OFFERED FOR ERASMUS INCOMING STUDENTS Department : Computer Engineering 152111001 CALCULUS I 3 2 4 5 152111005 PHYSICS I 3 0 3 3 152111006 PHYSICS I LAB 0 2 1 2 152111007 CHEMISTRY 3 0 3 3 152111008
DetaylıOtomatik Doküman Sınıflandırma
Akademik Bilişim 12 - XIV Akademik Bilişim Konferansı Bildirileri Otomatik Doküman Sınıflandırma Adnan Menderes Üniversitesi, Fen Edebiyat Fakültesi Matematik Bölümü, Aydın rumeysa2903@gmailcom, rasliyan@aduedutr,
DetaylıK-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi
K-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi Erdal TAŞCI* Aytuğ ONAN** *Ege Üniversitesi Bilgisayar Mühendisliği Bölümü **Celal Bayar Üniversitesi
DetaylıGeriye 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
DetaylıMetin Sınıflandırma. Akış
Metin Sınıflandırma Mehmet Fatih AMASYALI BLM 5212 Doğal Dil İşlemeye Giriş Ders Notları Akış Görev Eğiticili Eğiticisiz Öğrenme Metin Özellikleri Metin Kümeleme Özellik Belirleme Çok Boyutlu Verilerle
DetaylıDoküman dili tanıma için yeni bir öznitelik çıkarım yaklaşımı: İkili desenler
Journal of the Faculty of Engineering and Architecture of Gazi University 31:4 (216) 185-194 Doküman dili tanıma için yeni bir öznitelik çıkarım yaklaşımı: İkili desenler Yılmaz Kaya 1*, Ömer Faruk Ertuğrul
DetaylıBOĞAZİÇİ ÜNİVERSİTESİ MEKATRONİK UYGULAMA VE ARAŞTIRMA MERKEZİ FAALİYET RAPORU
BOĞAZİÇİ ÜNİVERSİTESİ MEKATRONİK UYGULAMA VE ARAŞTIRMA MERKEZİ FAALİYET RAPORU MERKEZDE YÜRÜTÜLEN PROJELER Proje Adı Yürütücüsü Desteklendiği Fon Başlangıç Tarihi Durumu EUMECHA-PRO European Mechatronics
DetaylıInstance Based Learning k-nn. YZM 3226 Makine Öğrenmesi
Instance Based Learning k-nn YZM 3226 Makine Öğrenmesi Outline Eager vs. Lazy Learning Instance Based Learning K-Nearest Neighbor Algorithm Nearest Neighbor Approach Basic k-nearest Neighbor Classification
DetaylıVERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr
VERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma
DetaylıKablosuz Sensör Ağlar ve Eniyileme. Tahir Emre KALAYCI. 21 Mart 2008
Kablosuz Sensör Ağlar ve Eniyileme Tahir Emre KALAYCI 21 Mart 2008 Gündem Genel Bilgi Alınan Dersler Üretilen Yayınlar Yapılması Planlanan Doktora Çalışması Kablosuz Sensör Ağlar Yapay Zeka Teknikleri
DetaylıBCA605 Bilgisayar Oyunlarında Yapay Zeka
BCA605 Bilgisayar Oyunlarında Yapay Zeka Ders 1 : Genel Tanıtım Zümra Kavafoğlu Hakkımda Araştırma Alanları Bilgisayar Grafiği ve Animasyonu Fizik-tabanlı Animasyon Karakter Animasyonu Bilgisayar Animasyonu
DetaylıMetin Sınıflandırmada Benzerlik Hesaplama Tekniklerinin Değerlendirilmesi. Evaluation of Similarity Measurement Techniques for Text Classification
Metin Sınıflandırmada Benzerlik Hesaplama Tekniklerinin Değerlendirilmesi Mehmet Fatih KARACA1, Mustafa GÜNEL1, Akif Alkan TAŞTAN1 1Gaziosmanpaşa Üniversitesi, Erbaa Meslek Yüksekokulu, Tokat mehmetfatih.karaca@gop.edu.tr,
Detaylı91-03-01-529 SAYISAL GÖRÜNTÜ İŞLEME (Digital Image Processing)
91-03-01-529 SAYISAL GÖRÜNTÜ İŞLEME (Digital Image Processing) Dersi Veren Öğretim Üyesi Doç. Dr. Aybars UĞUR Ders Web Sayfası : http://yzgrafik.ege.edu.tr/~ugur 1 Amaçlar Öğrencileri Matlab gibi teknik
DetaylıElena Battini SÖNMEZ Önder ÖZBEK N. Özge ÖZBEK. 2 Şubat 2007
AVUÇ İZİ VE PARMAK İZİNE DAYALI BİR BİYOMETRİK TANIMA SİSTEMİ Elena Battini SÖNMEZ Önder ÖZBEK N. Özge ÖZBEK İstanbul Bilgi Üniversitesi Bilgisayar Bilimleri 2 Şubat 2007 Biyometrik Biyometrik, kişileri
Detaylıİçerik Tabanlı İstenmeyen SMS Filtreleme için Mobil Uygulama Geliştirilmesi ve Sınıflandırma Algoritmalarının Karşılaştırılması
İçerik Tabanlı İstenmeyen SMS Filtreleme için Mobil Uygulama Geliştirilmesi ve Sınıflandırma Algoritmalarının Karşılaştırılması Onur KARASOY Muğla Sıtkı Koçman Üniversitesi Bilgi İşlem Dairesi Başkanlığı
DetaylıA. ÇALIġMA ALANLARI B. EĞĠTĠM. Eylül 2001 Haziran Elektrik-Elektronik Mühendisliği, Doktora Mersin Üniversitesi, Mersin, Türkiye
DR. AHMET KAYABAġI Adres : Karamanoğlu Mehmetbey, Mühendislik Fakültesi, Elektrik- Elektronik Mühendisliği Bölümü, Yunus Emre Yerleşkesi, 70100, Karaman Telefon : +90 338 226 20 00/5154 Faks : +90 338
DetaylıYüz Örüntülerinden Cinsiyet Tespitinde Hibrit Özniteliklerle Performans Geliştirme
Yüz Örüntülerinden Cinsiyet Tespitinde Hibrit Özniteliklerle Performans Geliştirme Uğur TURHAL 1 Ahmet AKBAŞ 2 1 Uğur TURHAL, 1 Yalova Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü
DetaylıÖZGEÇMİŞ. Unvan Bölüm Üniversite Yıl Yrd. Doç. Dr. Yazılım Mühendisliği Bahçeşehir Üniversitesi 2007
1. Adı Soyadı: Mehmet Alper TUNGA 2. Doğum Tarihi: 11/06/1975 3. Unvanı: Yrd. Doç. Dr. 4. Öğrenim Durumu: ÖZGEÇMİŞ Derece Bölüm/Program Üniversite Yıl Lisans Matematik Mühendisliği İstanbul Teknik Üniversitesi
Detaylıİstenmeyen Elektronik Posta (Spam) Tespitinde Karar Ağacı Algoritmalarının Performans Kıyaslaması
2014 / 5(2) İstenmeyen Elektronik Posta (Spam) Tespitinde Karar Ağacı Algoritmalarının Performans Kıyaslaması The performance benchmark of decision tree algorithms for spam e-mail detection Eyüp AKÇETİN
DetaylıCOĞRAFİ BİLGİ SİSTEMLERİ YARDIMIYLA TRAFİK KAZALARININ TESPİTİNDE YENİ BİR VERİ ÖLÇEKLEME YÖNTEMİ: KOMŞU TABANLI ÖZELLİK ÖLÇEKLEME (KTÖÖ)
COĞRAFİ BİLGİ SİSTEMLERİ YARDIMIYLA TRAFİK KAZALARININ TESPİTİNDE YENİ BİR VERİ ÖLÇEKLEME YÖNTEMİ: KOMŞU TABANLI ÖZELLİK ÖLÇEKLEME (KTÖÖ) Kemal Polat 1 1 Elektrik-Elektronik Mühendisliği Bölümü Abant İzzet
DetaylıDR. ÖĞR. ÜYESİ ALİ ZAFER DALAR ÖZGEÇMİŞ VE ESER LİSTESİ
1. Adı Soyadı: Ali Zafer DALAR 2. Doğum Tarihi: 23.07.1986 3. Unvanı: Dr. Öğr. Üyesi 4. Öğrenim Durumu: DR. ÖĞR. ÜYESİ ALİ ZAFER DALAR ÖZGEÇMİŞ VE ESER LİSTESİ Derece Alan Üniversite Yıl Lisans İstatistik
Detaylı2017 MÜFREDATI MÜHENDİSLİK FAKÜLTESİ / ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ EĞİTİM PLANI
2017 MÜFREDATI MÜHENDİSLİK FAKÜLTESİ / ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ EĞİTİM PLANI SINIF: 1 DÖNEM: GÜZ 200111 TEMEL BİLGİ TEKNOLOJİSİ KULLANIMI USE OF FUNDAMENTAL INFORMATION TECHNOLOGY 2017 2 0 2 2
DetaylıÇift Tonlu Çoklu Frekans Kodlama Sisteminin Optimize Edilmesi
ISSN: 2148-0273 Cilt 3, Sayı 1, 2015 Vol. 3, Issue 1, 2015 Çift Tonlu Çoklu Frekans Kodlama Sisteminin Optimize Edilmesi Halil Kaygısız 1, Abdülkadir Çakır 2 Özet Çift Tonlu Çoklu Frekans (Dual Tone Multi
DetaylıDerece Alan Üniversite Yıl. Lisans İSTATİSTİK HACETTEPE ÜNİVERSİTESİ 1993
1. Adı Soyadı: MURAT ALPER BAŞARAN 2. Doğum Tarihi: 23.01.1970 3. Unvanı: Doç. Dr 4. Öğrenim Durumu: Derece Alan Üniversite Yıl Lisans İSTATİSTİK HACETTEPE ÜNİVERSİTESİ 1993 Y. Lisans MATEMATİK NEW MEXICO
DetaylıTürkçe Dokümanlar İçin N-gram Tabanlı Yeni Bir Sınıflandırma(Ng-ind): Yazar, Tür ve Cinsiyet
Türkçe Dokümanlar İçin N-gram Tabanlı Yeni Bir Sınıflandırma(Ng-ind): Yazar, Tür ve Cinsiyet Sibel Doğan 1, Banu Diri 2 1,2 Yıldız Teknik Üniversitesi, Bilgisayar Mühendisliği, 34349 İstanbul-Türkiye 1
DetaylıMetin Sınıflandırmada Öznitelik Seçim Yöntemlerinin Değerlendirilmesi
Metin Sınıflandırmada Öznitelik Seçim Yöntemlerinin Değerlendirilmesi Aytuğ Onan 1, Serdar Korukoğlu 2 1 Celal Bayar Üniversitesi, Bilgisayar Mühendisliği Bölümü, Manisa 2 Ege Üniversitesi, Bilgisayar
DetaylıDerece Adı, İlçe, İl Bitirme Yılı Lise : Şanlıurfa Anadolu Lisesi Üniversite : Selçuk Üniversitesi Bilgisayar Mühendisliği 2003
ÖZGEÇMİŞ 1. Adı Soyadı: İbrahim Berkan AYDİLEK 2. Doğum Tarihi: 1981 Şanlıurfa 3. Unvanı: Yrd. Doç. Dr. 4. Öğrenim Durumu: Derece Adı, İlçe, İl Bitirme Yılı Lise : Şanlıurfa Anadolu Lisesi 1999 Üniversite
DetaylıÖZGEÇMİŞ. 2. Doğum Yeri ve Tarihi : Washington DC - 22 Temmuz 1978. Derece Alan Üniversite Yılı Bilgisayar-Kontrol Marmara Üniversitesi
ÖZGEÇMİŞ 1. Adı Soyadı : Serhat ÖZEKES 2. Doğum Yeri ve Tarihi : Washington DC - 22 Temmuz 1978 3. Unvanı : Doç. Dr. 4. Öğrenim Durumu : Derece Alan Üniversite Yılı ve Kontrol Marmara Üniversitesi 2000
Detaylıİleri 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
DetaylıMAKİNE ÖĞRENMESİ YARDIMIYLA OPTİK KARAKTER TANIMA SİSTEMİ OPTICAL CHARACTER RECOGNITION SYSTEM VIA MACHINE LEARNING
MAKİNE ÖĞRENMESİ YARDIMIYLA OPTİK KARAKTER TANIMA SİSTEMİ OPTICAL CHARACTER RECOGNITION SYSTEM VIA MACHINE LEARNING Burcu BEKTAŞ Öğr.Gör., burcu.bektas@istanbul.edu.tr, İstanbul Üniversitesi, Teknik Bilimler
DetaylıGAZİOSMANPAŞA ÜNİVERSİTESİ FEN-EDEBİYAT FAKÜLTESİ/MATEMATİK BÖLÜMÜ/MATEMATİK PR.
İRFAN DELİ YARDIMCI DOÇENT E-Posta Adresi irfandeli@kilis.edu.tr Telefon (İş) Telefon (Cep) Faks Adres 3488142662-1731 3488142663 Kilis 7 aralık üniv. Eğitim fak. kilis/merkez Öğrenim Bilgisi Doktora 2010
DetaylıBİR FAZ BEŞ SEVİYELİ İNVERTER TASARIMI VE UYGULAMASI
BİR FAZ BEŞ SEVİYELİ İNVERTER TASARIMI VE UYGULAMASI Sabri ÇAMUR 1 Birol ARİFOĞLU 2 Ersoy BEŞER 3 Esra KANDEMİR BEŞER 4 Elektrik Mühendisliği Bölümü Mühendislik Fakültesi Kocaeli Üniversitesi, 41100, İzmit,
DetaylıMÜFREDAT DERS LİSTESİ
MÜFREDAT DERS LİSTESİ MÜHENDİSLİK FAK. / BİLGİSAYAR MÜHENDİSL / 2010 BİLGİSAYAR MÜHENDİSLİĞİ Müfredatı 0504101 Matematik I Calculus I 1 GÜZ 4 5 Z 0504102 Genel Fizik I General Physics I 1 GÜZ 4 4 Z 0504103
DetaylıFarklı Özellik Vektörleri ile Türkçe Dokümanların Yazarlarının Belirlenmesi
Farklı Özellik Vektörleri ile Türkçe Dokümanların Yazarlarının Belirlenmesi M. Fatih Amasyalı 1, Banu Diri 1, Filiz Türkoğlu 2 Yıldız Teknik Üniversitesi, Bilgisayar Mühendisliği 34349 İstanbul-Türkiye
DetaylıMühendislik Fakültesi Elektrik-Elektronik Mühendisliği (İngilizce)
Mühendislik Fakültesi Elektrik-Elektronik Mühendisliği (İngilizce) - 2015 Genel Toplam Ortalama Yarıyıl Ders = [52 / 8 = 6,5] + 3 = 10 T = 126 U = 36 Toplam Saat = 162 Kredi = 260 ECTS = 260 1. YARIYIL
DetaylıÖZGEÇMİŞ. Doç Doçent Doktor Bilgisayar Mühendisliği GAÜ 2010- Yrd. Doç Doç. Doktor Bilgisayar Mühendisliği GAÜ 1999-2010
ÖZGEÇMİŞ 1. Adı Soyadı: Ali Haydar 2. Doğum Tarihi: 14 Mayıs 1969 3. Unvanı: Doçent Doktor 4. Öğrenim Durumu: Derece Alan Üniversite Yıl Lisans Elektrik-Elektronik Müh. Orta Doğu Teknik Üniversitesi 1991
DetaylıDoktora Sayısal Yöntemler İstanbul Üniversitesi 2015 Yüksek Ortaöğretim Matematik Öğretmenliği Selçuk Üniversitesi 2005
ÖZGEÇMİŞ 1. Adı Soyadı : Muhammet Atalay 2. Doğum Tarihi : 11.08.1980 3. Unvanı : Doktor Öğretim Üyesi 4. Eğitim Bilgileri : Derece Alan Üniversite Yıl Doktora Sayısal Yöntemler İstanbul Üniversitesi 2015
DetaylıTürkçe Twitter Mesajlarında Gizli Dirichlet Tahsisine Dayalı Duygu Analizi
Türkçe Twitter Mesajlarında Gizli Dirichlet Tahsisine Dayalı Duygu Analizi Aytuğ Onan 1 1 Celal Bayar Üniversitesi, Yazılım Mühendisliği Bölümü, Manisa aytug.onan@cbu.edu.tr Özet: Duygu analizi, görüş
DetaylıYüz Tanımaya Dayalı Uygulamalar. (Özet)
4 Yüz Tanımaya Dayalı Uygulamalar (Özet) Günümüzde, teknolojinin gelişmesi ile yüz tanımaya dayalı bir çok yöntem artık uygulama alanı bulabilmekte ve gittikçe de önem kazanmaktadır. Bir çok farklı uygulama
DetaylıOTO KODLAYICI TABANLI DERİN ÖĞRENME MAKİNALARI İLE SPAM TESPİTİ. Cumhuriyet Üniversitesi Yönetim Bilişim Sistemleri Bölümü
OTO KODLAYICI TABANLI DERİN ÖĞRENME MAKİNALARI İLE SPAM TESPİTİ Oğuz KAYNAR 1, Yasin GÖRMEZ 1, Yunus Emre IŞIK 1 1 Cumhuriyet Üniversitesi Yönetim Bilişim Sistemleri Bölümü Öz Hızlı,kolay erişilebilir
DetaylıÖZGEÇMİŞ 2003 MÜHENDİSLİĞİ İSTANBUL ÜNİVERSİTESİ ÜNİVERSİTESİ
ÖZGEÇMİŞ 1. Adı Soyadı: İPEK EKER 2. Doğum Tarihi: 31.01.1980 3. Ünvanı: ÖĞRETİM GÖREVLİSİ 4. Öğrenim Durumu: Derece Alan Üniversite Yıl Lisans ENDÜSTRİ İSTANBUL KÜLTÜR 2003 MÜHENDİSLİĞİ ÜNİVERSİTESİ Y.Lisans
DetaylıKredi Onayı İçin Bir Sınıflandırma Algoritması Önerisi A Classification Algorithm Advice for Credit Approval
Kredi Onayı İçin Bir Sınıflandırma Algoritması Önerisi A Classification Algorithm Advice for Credit Approval İsmail Haberal Bilgisayar Mühendisliği Bölümü Başkent Üniversitesi ihaberal@baskent.edu.tr Umut
DetaylıŞifrebilimde Yapay Sinir Ağları
Ege Üniversitesi Bilgisayar Mühendisliği Bölümü Şifrebilimde Yapay Sinir Ağları BİM345 Yapay Sinir Ağları İlker Kalaycı Mayıs,2008 Gündem Şifrebilim Şifrebilim nedir Şifreleme Şifre Çözme Klasik Şifreleme
DetaylıANKARA ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ
ANKARA ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ SANAL ARTIRILMIŞ VE AKILLI TEKNOLOJİLER (SAAT) LABORATUVARI SAAT Laboratuvarı Koordinatör: Yrd. Doç. Dr. Gazi Erkan BOSTANCI SAAT
DetaylıDR. GÜLESİN SENA DAŞ
DR. GÜLESİN SENA DAŞ Dept. of Industrial Engineering Faculty of Engineering, Kırıkkale University, Yahşihan/ KIRIKKALE Email: senadas@kku.edu.tr EDUCATION Bs., 2001, Gazi University, Department of Industrial
DetaylıSahne Geçişlerinin Geometrik Tabanlı olarak Saptanması
Sahne Geçişlerinin Geometrik Tabanlı olarak Saptanması 1 Giriş Binnur Kurt, H. Tahsin Demiral, Muhittin Gökmen İstanbul Teknik Üniversitesi, Bilgisayar Mühendisliği Bölümü, Maslak, 80626 İstanbul {kurt,demiral,gokmen}@cs.itu.edu.tr
DetaylıÇİFT EŞİK DEĞERLİ GÖRÜNTÜ NETLEŞTİRME YÖNTEMİ
ÇİFT EŞİK DEĞERLİ GÖRÜNTÜ NETLEŞTİRME YÖNTEMİ Ali S Awad *, Erhan A İnce* *Doğu Akdeniz Üniversitesi Elektrik ve Elektronik Mühendisliği Mağosa, KKTC İnce@eeneteeemuedutr, Asawad@emuedutr Özetçe Beyaz
DetaylıMEZUN DURUMUNDAKİ ÖĞRENCİLERİN DİKKATİNE!!!!!!!!!!!!!!!
MEZUN DURUMUNDAKİ ÖĞRENCİLERİN DİKKATİNE!!!!!!!!!!!!!!! 2015-2016 AKADEMİK YILI BAHAR DÖNEMİNDE KAYITLANACAĞINIZ GRADUATION PROJECT (BİTİRME PROJESİ) İÇİN EN GEÇ 11 OCAK 2015 TARİHİNE KADAR DANIŞMANINIZI
DetaylıYrd. Doç. Dr.Yiğit Aksoy
Yrd. Doç. Dr.Yiğit Aksoy ÖĞRENİM DURUMU Derece Üniversite Bölüm / Program Lisans Celal Bayar Üniversitesi Makine Mühendisliği 00 Y. Lisans Celal Bayar Üniversitesi Makine Mühendisliği 00 Doktora Celal
DetaylıBİLECİK ŞEYH EDEBALİ ÜNİVERSİTESİ AKADEMİK ÖZGEÇMİŞ FORMU
BİLECİK ŞEYH EDEBALİ ÜNİVERSİTESİ AKADEMİK ÖZGEÇMİŞ FORMU KİŞİSEL BİLGİLER Adı Soyadı Tolga YÜKSEL Ünvanı Birimi Doğum Tarihi Yrd. Doç. Dr. Mühendislik Fakültesi/ Elektrik Elektronik Mühendisliği 23.10.1980
DetaylıSAYISAL GÖRÜNTÜİŞLEME (Digital Image Processing)
91-03-01-529 SAYISAL GÖRÜNTÜİŞLEME (Digital Image Processing) Dersi Veren Öğretim Üyesi Y. Doç. Dr. Aybars UĞUR Ders Web Sayfası : http://yzgrafik.ege.edu.tr/~ugur 29.09.2009 Y. Doç. Dr. Aybars UĞUR (529
Detaylı1. YARIYIL / SEMESTER 1 2. YARIYIL / SEMESTER 2
T.C. NECMETTİN ERBAKAN ÜNİVERSİTESİ MÜHENDİSLİK VE MİMARLIK FAKÜLTESİ, ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ, 2017-2018 AKADEMİK YILI ÖĞRETİM PLANI T.C. NECMETTIN ERBAKAN UNIVERSITY ENGINEERING AND ARCHITECTURE
DetaylıUzaktan Algılama Teknolojileri
Uzaktan Algılama Teknolojileri Ders 11 Hiperspektral Görüntülerde Kümeleme ve Sınıflandırma Alp Ertürk alp.erturk@kocaeli.edu.tr Sınıflandırma Sınıflandırma işleminin amacı, her piksel vektörüne bir ve
DetaylıVeysel Aslanta, M Do ru
Veysel Aslanta, MDoru, Genetik Algoritma (GA) kullanarak (Singular Value Decomposition - SVD) resim Ç (scaling factors - SFs) kullanarak alues - SVs) metotta, maksimum optimize maksimum saydam da S Anahtar
DetaylıYrd. Doç. Dr. Kerem OK Işık Üniversitesi Fen-Edebiyat Fakültesi Enformasyon Teknolojileri Bölümü kerem.ok@isikun.edu.tr
Yrd. Doç. Dr. Kerem OK Işık Üniversitesi Fen-Edebiyat Fakültesi Enformasyon Teknolojileri Bölümü kerem.ok@isikun.edu.tr 1. Adı Soyadı : Kerem OK 2. Doğum Tarihi : 02.11.1984 3. Unvanı : Yardımcı Doçent
DetaylıEğiticili (supervised) öğrenme: Sınıflandırma (classification) Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğu bilinir
Eğiticili (supervised) öğrenme: Sınıflandırma (classification) Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğu bilinir Eğiticisiz (unsupervised) öğrenme: Kümeleme (clustering) Hangi nesnenin hangi
Detaylı2 ANADAL ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ, İKİNCİ DAL BİLGİSAYAR MÜHENDİSLİĞİ YANDAL PROGRAMI
Ek 2 ANADAL ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ, İKİNCİ DAL BİLGİSAYAR MÜHENDİSLİĞİ YANDAL PROGRAMI Önerilen Program 1. Dönem SSD 4400 Teknik Olmayan Seçmeli Ders 2 0 2 2 MTH 1301 Mathematics I 4 0 4 6 PHY
DetaylıLOCAL BINARY PATTERN YÖNTEMİ İLE YÜZ İFADELERİNİN TANINMASI
LOCAL BINARY PATTERN YÖNTEMİ İLE YÜZ İFADELERİNİN TANINMASI ŞEKİL TANIMA,2014 YRD. DOÇ. DR. M. ELİF K ARSLIGİL -------------------------------------------------- HAZIRLAYAN: M. AYYÜCE K I ZRAK 13505007
DetaylıProceedings/Bildiriler Kitabı. kriptografik anahtarlar, onay me -posta takibi, I. G. 20-21 September /Eylül 2013 Ankara / TURKEY 6.
- -posta -posta e- e- - Outlook ulamaya da entegre edilerek kurumsal e- -posta lanm. Her iki uygulamada Anahtar Kelimeler E- Secure Email Application Using an Original Encryption Algorithm Abstract In
DetaylıÖZGEÇMİŞ VE ESERLER LİSTESİ
ÖZGEÇMİŞ VE ESERLER LİSTESİ ÖZGEÇMİŞ Adı Soyadı: Çetin KURNAZ Doğum Tarihi: 1 Ekim 1978 Öğrenim Durumu: Derece Alan Üniversite Yıl Lisans Elektrik-Elektronik Mühendisliği Ondokuz Mayıs Üniversitesi 1999
DetaylıTürkçe nin Bağlılık Ayrıştırması. Gülşen Cebiroğlu Eryiğit
Türkçe nin Bağlılık Ayrıştırması Gülşen Cebiroğlu Eryiğit Bağlılık Ayrıştırması Doğal Dil İşleme ve Bölümleri Türkçe'nin Bağlılık Ayrıştırması @ 2007 Gülşen Cebiroğlu Eryiğit 2/45 Bağlılık Ayrıştırması
DetaylıYrd. Doç. Dr. Mustafa NİL
Yrd. Doç. Dr. Mustafa NİL ÖĞRENİM DURUMU Derece Üniversite Bölüm / Program Fırat Üniversitesi Elektrik-Elektronik Mühendisliği Y. Kocaeli Üniversitesi Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DetaylıÖZGEÇMİŞ. 1. Adı Soyadı : Eren BAŞ
ÖZGEÇMİŞ 1. Adı Soyadı : Eren BAŞ Adres Telefon E-posta : Giresun Üniversitesi, Fen Edebiyat Fakültesi, İstatistik Bölümü, GİRESUN : 0 454 310 14 00/1597 : eren.bas@giresun.edu.tr 2. Doğum Tarihi : 06.01.1986
DetaylıT U KR ECTS BK DK 151223559 B ADVANCED CALCULUS B 4 0 4,0 7,0 ABDURRAHMAN KARAMANCIOĞLU 151223559 ADVANCED CALCULUS 4 0 4,0 7,0 10 ABDURRAHMAN
T U KR ECTS BK DK 151223559 B ADVANCED CALCULUS B 4 0 4,0 7,0 ABDURRAHMAN KARAMANCIOĞLU 151223559 ADVANCED CALCULUS 4 0 4,0 7,0 10 ABDURRAHMAN KARAMANCIOĞLU 151221201 ATATÜRK İLKE.VE İNK.TARİHİ I 2 0 2,0
DetaylıÖZGEÇMİŞ. Derece Alan Üniversite Yıl
1. Adı Soyadı : Atınç YILMAZ 2. Doğum Tarihi : 01/05/1983 3. Unvanı : Dr.Öğr.Üyesi 4. Öğrenim Durumu: ÖZGEÇMİŞ Derece Alan Üniversite Yıl Lisans Bilgisayar Mühendisliği Haliç Üniversitesi 2005 (Burslu)
DetaylıÖZGEÇMİŞ 1.GENEL. Yrd.Doç.Dr. YILMAZ KAYA Siirt Üniversitesi, Bilgisayar Müh. Bölümü 2.EĞİTİM 3. AKADEMİK VE MESLEKİ DENEYİM 4.ALDIĞI SERTİFİKALAR
ÖZGEÇMİŞ 1.GENEL DÜZENLEME TARİHİ 20.02.2017 ÜNVANI ADI SOYADI YAZIŞMA ADRESİ TELEFON E-POSTA Yrd.Doç.Dr. YILMAZ KAYA Siirt Üniversitesi, Bilgisayar Müh. Bölümü İŞ: (0484) 212-1111 / 3010 yilmazkaya@siirt.edu.tr
DetaylıCoğrafi Veri Üretimi Bakış Açısı İle TÜBİTAK UZAY daki Uzaktan Algılama Araştırmaları
Coğrafi Veri Üretimi Bakış Açısı İle TÜBİTAK UZAY daki Uzaktan Algılama Araştırmaları Sunan: Dr. Ufuk SAKARYA TÜBİTAK UZAY Katkıda Bulunanlar: Mustafa Teke, Can Demirkesen, Ramazan Küpçü, Hüsne Seda Deveci,
DetaylıGeliştirilmiş Fisher Ayraç Kriteri Kullanarak Hiperspektral Görüntülerde Sınıflandırma
Geliştirilmiş Fisher Ayraç Kriteri Kullanarak Hiperspektral Görüntülerde Sınıflandırma Mustafa TEKE, Dr. Ufuk SAKARYA TÜBİTAK UZAY IEEE 21. Sinyal İşleme, İletişim ve Uygulamaları Kurultayı (SİU 2013),
Detaylı1 ANADAL ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ, İKİNCİ DAL BİLGİSAYAR MÜHENDİSLİĞİ ÇAP PROGRAMI
Ek 1 ANADAL ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ, İKİNCİ DAL BİLGİSAYAR MÜHENDİSLİĞİ ÇAP PROGRAMI Önerilen Program 1. Dönem SSD 4400 Teknik Olmayan Seçmeli Ders 2 0 2 2 MTH 1301 Mathematics I 4 0 4 6 PHY 1301
DetaylıEğitim seti (training set) sınıflandırma modelinin elde edileceği kayıtları içerir
sınıflandırma: temel kavramlar, karar ağaçları ve model değerlendirme Sınıflandırma : Tanım Eğitim seti (training set) sınıflandırma modelinin elde edileceği kayıtları içerir Eğitim setindeki her kayıt
Detaylı