bitık MOBİL TİCARET UYGULAMASI ABDULLAH ÇİÇEKCİ
|
|
- Çağatay Sarıca
- 7 yıl önce
- İzleme sayısı:
Transkript
1 bitık MOBİL TİCARET UYGULAMASI ABDULLAH ÇİÇEKCİ
2 İÇERİK Uygulama ve uygulamaya ilişkin temel kavramların tanıtımı Uygulamanın yapısı Ön yüz Veritabanı Web Servisler K-Means Algoritması ile kategori önerisi ve sonuçları J48 Algoritması ile kategori önerisi ve sonuçları Sonuç Uygulama Demosu
3 E-TİCARET VE MOBİL TİCARET Ticaretin elektronik ortamda yapılan versiyonu Mobil ticaret, e-ticaretin alt dalı Mobil cihazlar büyük bir hızla yayılmakta, mobil ticaretin ağırlığı artmakta Sürekli gelişen ilgi çekici bir alan
4 ÖNERİ SİSTEMLERİ Kullanıcıların ilgilenebilecekleri ürün veya her hangi bir nesneyi(film, müzik..) bulan ve öneren sistemlerdir. Genelde, çeşitli makina öğrenmesi algoritmaları kullanılır. amazon, ebay, gittigidiyor vs. Kullanıcı tabanlı, ürün tabanlı ve hibrit sistemler
5 bitık bitık ios tabanlı bir mobil ticaret uygulamasıdır. Kullanıcılara her gün, tek bir ürün önerisi yaparak, kolayca satın alma imkanı sunar. Kullanıcıların; yaş, cinsiyet, meslek, evlilik durumu ve yaşadığı şehir bilgilerini kullanarak, kullanıcılara 7 farklı kategoriden birini, kümeleme veya sınıflandırma algoritmalarını kullanarak kullanıcı tabanlı bir öneri sistemi ile önerir. Uygulama 3 ana başlık altında incelenecektir ; ön yüz, veri tabanı ve servisler.
6 1-ÖN YÜZ ios için Iphone 6 standartlarına göre hazırlanmıştır. Olabildiğince sade bir tasarım hazırlanmıştır.
7 1-ÖN YÜZ
8 1-ÖN YÜZ
9 2 - VERİTABANI customer, product, ordert en temel tablolar. product tablosundaki rating sütunu ürünlerin önceliğini belirlemek için kullanılmıştır. categoryrecom tablosu, öneri servislerinden gelen, kullanıcıya uygun kategorileri tutar. Bu kategorilerin kullanıcıya kaç kere gösterildiği count sütununda saklanır. productrecom tablosu kullanıcılara önerilen ürünleri tutar. Bu ürünlerin kullanıcıya kaç kere gösterildiği count sütununda saklanır.
10 3 - WEB SERVİSLER Uygulamadaki web servisler iki alt başlık altında incelenecektir : Veritabanı Servisleri Öneri Servisleri
11 3.A. VERİTABANI SERVİSLERİ Veritabanı işlemlerini düzenleyen servislerdir. Klasik CRUD işlemleri bu servisler aracılığıyla halledilir. Veritabanına erişim sadece bu servislerde mevcut. Category, Customer, Order, Payment ve Product tabloları için ayrı ayrı servisler mevcut.
12 3.B. ÖNERİ SERVİSLERİ 2 tane öneri sistemi mevcut; J48 algoritmasını kullanan ve K-Means Algoritmasını kullanan. Makina öğrenmesi algoritmaları(k-means ve J48) için WEKA kütüphanesi kullanılmıştır. HTTP routing için RestEasy kullanılmıştır. Öneri sistemi için veri kümesi yapay olarak oluşturulmuştur. 999 tane yapay veri kullanılmıştır.
13 VERİ KÜMESİ DAĞILIMI Kullanıcı yaş dağılımı Kullanıcı şehir dağılımı
14 VERİ KÜMESİ DAĞILIMI Kullanıcı cinsiyet dağılımı Kullanıcı evlilik durumu dağılımı Kullanıcı meslek dağılımı
15 K-MEANS ALGORİTMASI Denetimsiz(Unsupervised) kümeleme algoritmasıdır. Küme sayısı(k) belirlenir. Uygulamada küme sayısını belirlemek için baş parmak kuralı(rule of thumb) kullanılmıştır. Baş parmak yöntemi :
16 K-MEANS ALGORİTMASI İLE KATEGORİ ÖNERİSİ Yapay veri kümesi kullanılarak, kümeler oluşturulur. Öneri yapılacak kullanıcının profil bilgileri (yaş, cinsiyet, şehir, evlilik durumu ve meslek bilgisi) K-Means servisine gönderilir. Gelen bilgilerle bir Weka Instance objesi oluşturulur. Bu örnek, Weka nın SimpleKMeans sınıfının clusterinstance() metotu ile kümelenir. Örnek hangi kümeye girdiyse, kümenin merkezindeki örnek seçilir ve bu merkez örneğin beğenileri seçilir. JSON formatında 7 kategori için, true ve false değerine sahip olacak şekilde cevap oluşturulur.
17 K-MEANS SONUÇLARI Kümeleme algoritması, denetimsiz(unsupervised) olduğu için, başarısı küme sayısı(k) nın optimum değerinin bulunmasıyla ilişkilidir. k = 22, başparmak yöntemine göre optimum küme sayısıdır. k = 22 den sonra toplam karesel hatanın azalma hızı düşmektedir.
18 J48 ALGORİTMASI Denetimli(Supervised), sınıflandırma algoritmasıdır. Shannon entropisi kullanılarak ikili (binary) karar ağacı oluşturur. Shannon entropisi, hangi düğümün daha fazla bilgi taşıdığını hesaplamak için kullanılır.
19 J48 ALGORİTMASI İLE KATEGORİ ÖNERİSİ Uygulamada her kategori için, yapay olarak oluşturulan verilerle ayrı ayrı karar ağaçları oluşturulur. ( 7 farklı kategori için 7 farklı karar ağacı) Eğer karar ağaçları daha önce oluşturulduysa, model dosyaları açılır. Öneri yapılacak kullanıcının profil bilgileri (yaş, cinsiyet, şehir, evlilik durumu ve meslek bilgisi) J48 servisine gönderilir. Gelen bilgilerle bir Weka Instance objesi oluşturulur. Bu örnek, her kategorinin ağacında işleme sokulur. Örnek, her kategori için true ve false yaprağından birine ulaşır. JSON formatında 7 kategori için, true ve false değerine sahip olacak şekilde cevap oluşturulur.
20 J48 SONUÇLARI Çapraz değerlendirme(cross Validation) metotu kullanılmıştır.
21 SONUÇ ios tabanlı bir mobil ticaret uygulaması hazırlanmıştır. Çok platformlu olması için web servisler hazırlanmıştır. WEKA Makine öğrenmesi kütüphanesi kullanılarak öneri sistemi hazırlanmıştır. Makul sonuçlar elde edilmiştir.
22 SON Beni dinlediğiniz için teşekkür ederim.
AKILLI TATIL PLANLAMA SISTEMI
AKILLI TATIL PLANLAMA SISTEMI Istanbul Teknik Üniversitesi Bilgisayar ve Bilişim Fakültesi Bitirme Ödevi Ali Mert Taşkın taskinal@itu.edu.tr Doç. Dr. Feza Buzluca buzluca@itu.edu.tr Ocak 2017 İçerik Giriş
DetaylıWeb 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
DetaylıVERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Sınıflandırma yöntemleri Karar ağaçları ile sınıflandırma Entropi Kavramı ID3 Algoritması C4.5
DetaylıVERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma
DetaylıWeb 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
Detaylı127 - Twoing Algoritması ile Sınıflandırma Kalp Hastalığı Uygulaması MEHMET AKİF ERSOY ÜNİVERSİTESİ İLHAN UYSAL MEHMET BİLEN SAMİ ULUKUŞ
127 - Twoing Algoritması ile Sınıflandırma Kalp Hastalığı Uygulaması MEHMET AKİF ERSOY ÜNİVERSİTESİ İLHAN UYSAL MEHMET BİLEN SAMİ ULUKUŞ Veri Madenciliği : Bir sistemin veri madenciliği sistemi olabilmesi
DetaylıMakine Öğrenmesi 2. hafta
Makine Öğrenmesi 2. hafta Uzaklığa dayalı gruplandırma K-means kümeleme K-NN sınıflayıcı 1 Uzaklığa dayalı gruplandırma Makine öğrenmesinde amaç birbirine en çok benzeyen veri noktalarını aynı grup içerisinde
DetaylıVeri Tabanı, Veri Ambarı, Veri Madenciliği. Veri Madenciliği Uygulama Alanları
1 Veri Tabanı, Veri Ambarı, Veri Madenciliği Bilgi Keşfi Aşamaları Apriori Algoritması Veri Madenciliği Yöntemleri Problemler Veri Madenciliği Uygulama Alanları 2 Bir bilgisayarda sistematik şekilde saklanmış,
DetaylıVeri Madenciliği Yaklaşımı ile Mesleki Yönlendirme Sistemi
Veri Madenciliği Yaklaşımı ile Mesleki Yönlendirme Sistemi YRD. DOÇ. DR. HÜSEYİN GÜRÜLER MUĞLA SITKI KOÇMAN ÜNİVERSİTESİ, TEKNOLOJİ FAKÜLTESİ, BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ Meslek Seçimi Meslek Seçimi
DetaylıVeri 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
DetaylıAndroid e Giriş. Öğr.Gör. Utku SOBUTAY
Android e Giriş Öğr.Gör. Utku SOBUTAY Android İşletim Sistemi Hakkında 2 Google tarafından geliştirilmiştir. Dünyada en çok kullanılan mobil işletim sistemidir. 2018 itibariyle Dünyada Android; %78.65,
DetaylıYZM 3217 YAPAY ZEKA DERS#10: KÜMELEME
YZM 317 YAPAY ZEKA DERS#10: KÜMELEME Sınıflandırma (Classification) Eğiticili (supervised) sınıflandırma: Sınıflandırma: Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğunu bilinir Eğiticisiz (unsupervised)
DetaylıBüyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data)
Büyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data) M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Bu dersin sunumları, The Elements of Statistical Learning: Data
DetaylıVeritabanı. SQL (Structured Query Language)
Veritabanı SQL (Structured Query Language) SQL (Structured Query Language) SQL, ilişkisel veritabanlarındaki bilgileri sorgulamak için kullanılan dildir. SQL, bütün kullanıcıların ve uygulamaların veritabanına
DetaylıVERİ MADENCİLİĞİ önemsiz olmayan, gizli, önceden bilinmeyen, potansiyel olarak kullanışlı
Veri Madenciliği, örüntü tanıma, istatistik ve matematiksel yöntemlerin kullanımıyla devasa miktardaki güncel ya da geçmiş veri içerisinden ilgi çekici ( önemsiz olmayan, gizli, önceden bilinmeyen, potansiyel
DetaylıWeb Sayfasında Google Analitik Kullanımı ve Kullanıcı Davranışlarının Belirlenmesi: İstanbul Ticaret Üniversitesi Kütüphane Web Sayfası.
Web Sayfasında Google Analitik Kullanımı ve Kullanıcı Davranışlarının Belirlenmesi: İstanbul Ticaret Üniversitesi Kütüphane Web Sayfası Erdem Eralp Amaç Kullanıcı Beklentileri Hizmet Analizleri Farkındalık
Detaylı1 Temel Kavramlar. Veritabanı 1
1 Temel Kavramlar Veritabanı 1 Veri Saklama Gerekliliği Bilgisayarların ilk bulunduğu yıllardan itibaren veri saklama tüm kurum ve kuruluşlarda kullanılmaktadır. Veri saklamada kullanılan yöntemler; Geleneksel
DetaylıWeb adresi : http://www.gislab.co MEKANSAL VERİLER İLE ÜRETİLECEK TÜM ÇÖZÜMLER İÇİN... BİLİŞİM TEKNOLOJİLERİ LTD. ŞTİ.
MEKANSAL VERİLER İLE ÜRETİLECEK TÜM ÇÖZÜMLER İÇİN... BİLİŞİM TEKNOLOJİLERİ LTD. ŞTİ. Misyonumuz coğrafi bilgilerin elde edilmesinden yönetimine kadar olan tüm süreçlerde son teknolojiyi kullanarak geliştirme
DetaylıElbistan Meslek Yüksek Okulu GÜZ Yarıyılı. Öğr. Gör. Murat KEÇECĠOĞLU
Elbistan Meslek Yüksek Okulu 2015 2016 GÜZ Yarıyılı Öğr. Gör. Murat KEÇECĠOĞLU GÖRÜNÜM Görünüm (view), Sorguları basitleştirmek, Erişim izinlerini düzenlemek, Farklı sunuculardaki benzer verileri karşılaştırmak
DetaylıProje Adı : MATLAB Real-Time Windows Target toolbox kullanımı ve ilişkili bir uygulama geliştirilmesi
Proje Yöneticisi: Doç.Dr. Cihan KARAKUZU Proje Adı : MATLAB Real-Time Windows Target toolbox kullanımı ve ilişkili bir uygulama geliştirilmesi MATLAB Real-Time Windows Target toolbox kullanımının basit
DetaylıVeritabanı Uygulamaları Tasarımı
Veritabanı Uygulamaları Tasarımı Veri Tabanı Veritabanı yada ingilizce database kavramı, verilerin belirli bir düzene göre depolandığı sistemlere verilen genel bir isimdir. Günümüzde özel veya kamu kuruluşların
DetaylıTODAİE edevlet MERKEZİ UYGULAMALI E-İMZA SEMİNERİ 16-17 KASIM 2011. E-imza Teknolojisi. TODAİE Sunumu
TODAİE edevlet MERKEZİ UYGULAMALI E-İMZA SEMİNERİ 16-17 KASIM 2011 E-imza Teknolojisi TODAİE Sunumu Ferda Topcan Başuzman Araştırmacı ferdat@uekae.tubitak.gov.tr (312) 4688486-19 İçerik Açık Anahtarlı
DetaylıVERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Kümeleme İşlemleri Kümeleme Tanımı Kümeleme Uygulamaları Kümeleme Yöntemleri Kümeleme (Clustering) Kümeleme birbirine
DetaylıUZAKTAN EĞİTİM MERKEZİ
ÜNİTE 2 VERİ TABANI İÇİNDEKİLER Veri Tabanı Veri Tabanı İle İlgili Temel Kavramlar Tablo Alan Sorgu Veri Tabanı Yapısı BAYBURT ÜNİVERSİTESİ UZAKTAN EĞİTİM MERKEZİ BİLGİSAYAR II HEDEFLER Veri tabanı kavramını
DetaylıICATT ÇEVİRİ UYGULAMASI SİSTEM MİMARİSİ VE VERİTABANI TASARIMI
ICATT ÇEVİRİ UYGULAMASI SİSTEM MİMARİSİ VE VERİTABANI TASARIMI İÇİNDEKİLER 1. GİRİŞ 1.1. KAPSAM 1.2. SİSTEM ÖZETİ 1.3. DOKÜMAN ÖZETİ 2. ÇALIŞMA KONSEPTİ 2.1. Yeni Kullanıcı Oluşturmak 2.2. Şirket Bilgilerini
DetaylıGenel Graf Üzerinde Mutlak 1-merkez
Genel Graf Üzerinde Mutlak 1-merkez Çözüm yöntemine geçmeden önce bazı tanımlara ihtiyaç vardır. Dikkate alınan G grafındaki düğümleri 1 den n e kadar numaralandırın. Uzunluğu a(i, j)>0 olarak verilen
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
DetaylıVeri Tabanı Tasarım ve Yönetimi
SAKARYA ÜNİVERSİTESİ Veri Tabanı Tasarım ve Yönetimi Hafta 5 Prof. Dr. Ümit KOCABIÇAK Bu ders içeriğinin basım, yayım ve satış hakları Sakarya Üniversitesi ne aittir. "Uzaktan Öğretim" tekniğine uygun
DetaylıToprak Veri Tabanı ve ÇEMobil-BGS nin Tanıtılması. Ahmet KÜÇÜKDÖNGÜL Mühendis (Orman Mühendisi)
Toprak Veri Tabanı ve ÇEMobil-BGS nin Tanıtılması Ahmet KÜÇÜKDÖNGÜL Mühendis (Orman Mühendisi) SUNUM PLANI Toprak Toprak Veritabanı Ulusal Toprak Veritabanı Çalışmaları:ÇEM-Toprak Veritabanı ÇEMobil :
DetaylıİLİŞKİSEL VERİTABANLARI
İLİŞKİSEL VERİTABANLARI Veritabanı Nedir? Veritabanı (database) en basit şekliyle verilerin belirli bir düzene göre tutulduğu, depolandığı bir sistemdir. İlişkisel Veritabanı Nedir? İlişkisel veritabanlarındaki
DetaylıVeri Yapıları. Öğr.Gör.Günay TEMÜR Düzce Üniversitesi Teknolojis Fakültesi
Veri Yapıları Öğr.Gör.Günay TEMÜR Düzce Üniversitesi Teknolojis Fakültesi Hash Tabloları ve Fonksiyonları Giriş Hash Tabloları Hash Fonksiyonu Çakışma (Collision) Ayrık Zincirleme Çözümü Linear Probing
DetaylıPARALEL 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
DetaylıVeri ve Metin Madenciliği
Veri ve Metin Madenciliği Zehra Taşkın Veri Madenciliği Bir kutu toplu iğne İçine 3 boncuk düşürdünüz Nasıl alacağız? Fikirler? Veri Madenciliği Data Information Knowledge Veri madenciliği; Büyük yoğunluklu
DetaylıVeri ve Metin Madenciliği. Zehra
Veri ve Metin Madenciliği Zehra Taşkın @zehrataskin Büyük Veri https://www.youtube.com/watch?v=tzxmjbl-i4y Veri Madenciliği Bir kutu toplu iğne İçine 3 boncuk düşürdünüz Nasıl alacağız? Veri Madenciliği
DetaylıMicrosoft 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
DetaylıBüyük Veri de Türkiye den Uygulama Örnekleri Dr. Güven Fidan
Büyük Veri de Türkiye den Uygulama Örnekleri Dr. Güven Fidan ARGEDOR Bilişim Teknolojileri ARGEDOR ARGEDOR, şirketlere ve son kullanıcılara yenilikçi bilgiyi işleme çözümleriyle dünya çapında mevcut olan
DetaylıMakine Öğrenmesi 3. hafta
Makine Öğrenmesi 3. hafta Entropi Karar Ağaçları (Desicion Trees) ID3 C4.5 Sınıflandırma ve Regresyon Ağaçları (CART) Karar Ağacı Nedir? Temel fikir, giriş verisinin bir kümeleme algoritması yardımıyla
DetaylıWeb 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
DetaylıVERİ MADENCİLİĞİ VE SOSYAL AĞ ANALİZİ ARAŞTIRMA LABORATUVARI
BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ VERİ MADENCİLİĞİ VE SOSYAL AĞ ANALİZİ ARAŞTIRMA LABORATUVARI 10 Aralık 2011, Cumartesi Fen ve Mühendislik Alanlarındaki Çeşitli Araştırma Projelerinden Örneklemeler İçerik
DetaylıWeb Uygulama Güvenliği Kontrol Listesi 2010
Web Uygulama Güvenliği Kontrol Listesi 2010 1 www.webguvenligi.org Web uygulama güvenliği kontrol listesi 2010, OWASP-Türkiye ve Web Güvenliği Topluluğu tarafından güvenli web uygulamalarında aktif olması
DetaylıSemantik Ağ ve Üst Veri Sistemleri İçin Yeni Nesil Veri Tabanı Yönetim Modeli: NoSQL. R. Orçun Madran Atılım Üniversitesi. www.madran.
Semantik Ağ ve Üst Veri Sistemleri İçin Yeni Nesil Veri Tabanı Yönetim Modeli: NoSQL R. Orçun Madran Atılım Üniversitesi www.madran.net İçerik NoSQL Ne Değildir? Neden NoSQL? Ne Zaman NoSQL? NoSQL'in Tarihçesi.
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
DetaylıTekrar. Veritabanı 2
Tekrar Veritabanı 2 Veritabanı Nedir? Veritabanı ortaya çıkış hikayesi Saklanan ve işlenen veri miktarındaki artış Veri tabanı olmayan sistemin verilerinin kalıcı olmaması. Veritabanı; tanım olarak herhangi
DetaylıBMB204. Veri Yapıları Ders 9. B+ Ağacı, Hash, Heap. Erdinç Uzun NKÜ Çorlu Mühendislik Fakültesi Bilgisayar Mühendisliği Bölümü
BMB204. Veri Yapıları Ders 9. B+ Ağacı, Hash, Heap Erdinç Uzun NKÜ Çorlu Mühendislik Fakültesi Bilgisayar Mühendisliği Bölümü Dersin Planı B+ Tree Temel bir veritabanı çalışma kodu Hash (Karma) Heap Ağaçlar
DetaylıMOKA ÖDEME SERVİSİ BAYİ İŞLEMLERİ ENTEGRASYON DOKÜMANI
MOKA ÖDEME SERVİSİ BAYİ İŞLEMLERİ ENTEGRASYON DOKÜMANI V 2.1 MAYIS 2018 Abdullah APAYDIN - Elif YETİMOĞLU Sayfa 1 Test Domain: https://service.testmoka.com Prod Domain: https://service.moka.com Servislerin
DetaylıYZM ALGORİTMA ANALİZİ VE TASARIM DERS#9: AÇGÖZLÜ ALGORİTMALAR
YZM 3207- ALGORİTMA ANALİZİ VE TASARIM DERS#9: AÇGÖZLÜ ALGORİTMALAR Aç Gözlü (Hırslı) Algoritmalar (Greedy ) Bozuk para verme problemi Bir kasiyer 48 kuruş para üstünü nasıl verir? 25 kuruş, 10 kuruş,
DetaylıVERİ TABANI YÖNETİM SİSTEMLERİ Melih BÖLÜKBAŞI
VERİ TABANI YÖNETİM SİSTEMLERİ Melih BÖLÜKBAŞI Dersin Hedefleri Veri Tabanı Kullanıcıları Veri Modelleri Veri Tabanı Tasarımı İlişkisel VT Kavramsal Tasarımı (Entity- Relationship, ER) Modeli VT KULLANICILARI
DetaylıMarketing plan for your startup
Let The Machines Do The Work Marketing plan for your startup @artiwise 06.03.2017 1 İçindekiler 1 Hakkımızda... (Sayfa 3-4) 2 ArtiwiseMetinAnalitiği Platformu... (Sayfa 5-7) 3 Değer Önerimiz... (Sayfa
DetaylıWoom Woom dünyasına hoşgeldiniz. www.woom.web.tr
Woom Woom dünyasına hoşgeldiniz. www.woom.web.tr Woom Woom nedir? Wide Object Oriented Manager Woom, belirlenmiş çalışma alanlarında, bilgisayar işlemleri yapan bir yazılım platformudur. Woom Woom çalışma
DetaylıBeykent Üniversitesi Mühendislik ve Mimarlık Fakültesi Yazılım Mühendisliği. Movie Prediction
Beykent Üniversitesi Mühendislik ve Mimarlık Fakültesi Yazılım Mühendisliği STD Dökümantasyonu Versiyon 1.0 Movie Prediction 120301009 - Sefa Said Deniz 120301019 - Orhan Özgün Ergen 120301027 - Ahmet
DetaylıÇok fazla bilgiden gizli kalmış örüntüleri ortaya çıkarma sürecine Veri Madenciliği denir.
Veri Madenciliği Çok fazla bilgiden gizli kalmış örüntüleri ortaya çıkarma sürecine Veri Madenciliği denir. istatistik + makine öğrenmesi + yapay zeka = veri madenciliği Veri madenciliği süreçleri CRISP-DM
DetaylıZ Kuşağı ve Referans Hizmetlerindeki Değişim: İstanbul Ticaret Üniversitesi Kütüphanesi Canlı Referans Örneği (Online Chat) Arzu KARA
Z Kuşağı ve Referans Hizmetlerindeki Değişim: İstanbul Ticaret Üniversitesi Kütüphanesi Canlı Referans Örneği (Online Chat) Arzu KARA Yeni Kuşak: Z Kuşağı ve Alfalar Z kuşağını en çok etkileyen tek olgu
DetaylıDijital Eğitim Portalı Kullanıcı el kitabı. digikampus.com. digikampus.com tüm hakları saklıdır.
Dijital Eğitim Portalı Kullanıcı el kitabı digikampus.com 2017 1 1. TANIMLAMALAR 1.1. Sınıf Grupları 1.2. Şube 1.3. Dönem 1.4. Derslik 1.5. Satış Türü 1.6. Sınıf 1.7. Ders Saati 1.8. Ders 1.9. Ünite Konu
DetaylıQ-Biz İş Zekası Versiyon Yenilikleri Ekim 2014
Q-Biz İş Zekası Versiyon Yenilikleri Ekim 2014 İçindekiler Q-Biz İş Zekası Versiyon Yenilikleri... 1 1. Q-Biz - Çoklu Şirket-Dönem Seçimi... 3 2. Q-Biz Viewer Arşivle Butonu... 4 3. Q-Biz Rapor Yetkileri...
DetaylıBİDB Enformatik Servisleri. Nisan 2005
BİDB Enformatik Servisleri Nisan 2005 İçerik Enformatik servisleri Elektronik listeler Duyuru sistemi Forum servisi Web kullanıcıları servisi Elektronik duyuru yöntemleri İş olanakları sistemi 2/14 Enformatik
DetaylıAlgoritma 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
DetaylıEBE-368 Veri Tabanı Yönetim Sistemleri Veri Tabanı Tasarımı
EBE-368 Veri Tabanı Yönetim Sistemleri Veri Tabanı Tasarımı Dr. Dilek Küçük Veri Tabanı Tasarımı Kavramsal Veritabanı Tasarımı Gereksinim analizi adımında edinilen bilgilerle, verinin kısıtlamalarıyla
DetaylıMesleki Terminoloji II Veri Madenciliği
Mesleki Terminoloji II Veri Madenciliği Burak Düşün - 14011055 Akif Berkay Gürcan - 14011023 Veri Madenciliği Nedir? Veri madenciliği, büyük miktarda verinin anlamlı örüntüler bulmak amacıyla otomatik
DetaylıVERİ TABANI YÖNETİM SİSTEMLERİ
VERİ TABANI YÖNETİM SİSTEMLERİ Veri Tabanı Nedir? Sistematik erişim imkânı olan, yönetilebilir, güncellenebilir, taşınabilir, birbirleri arasında tanımlı ilişkiler bulunabilen bilgiler kümesidir. Bir kuruluşa
DetaylıÇekişme Temelli Ortam Erişimi Algoritmaları Dilim Atama İhtimalleri Karşılaştırması
Çekişme Temelli Ortam Erişimi Algoritmaları Dilim Atama İhtimalleri Karşılaştırması Hasan Ferit Enişer İlker Demirkol Boğaziçi Üniversitesi / Türkiye Univ. Politecnica de Catalunya / İspanya 1. MOTİVASYON
DetaylıWidows un çalışmasında birinci sırada önem taşıyan dosyalardan biriside Registry olarak bilinen kayıt veri tabanıdır.
Registry: Windows un bütün ayarlarının tutulduğu bir veri tabanıdır. Widows un çalışmasında birinci sırada önem taşıyan dosyalardan biriside Registry olarak bilinen kayıt veri tabanıdır. Win.3x sistemlerinde
DetaylıÜst Düzey Programlama
Üst Düzey Programlama Servlet 1 Çerez (Cookie) Cookie'ler servletlerden kullanıcının bilgisayarında istekte bulunduğu web tarayıcısına ( anahtar=kelime ) şeklinde bilgi göndermemiz için kullanılan yapılardır.
DetaylıBilgisayar Mühendisliği Yüksek Lisans Programı
Bilgisayar Mühendisliği Yüksek Lisans Programı Yeni Lisansüstü Eğitim Öğretim Yönetmeliğine Uygun Olarak Düzenlenen ve 2016-2017 Güz Döneminde Öğretime Başlayan Öğrencilerimiz İçin Uygulanacak Olan Bilgisayar
DetaylıBİLGİSAYAR MÜHENDİSLİĞİ DOKTORA DERS PROGRAMI (Lisanstan gelenler için)
BİLGİSAYAR MÜHENDİSLİĞİ DOKTORA DERS PROGRAMI (Lisanstan gelenler için) HAZIRLIK PROGRAMI COME 27 İleri Nesneye Yönelik Programlama 5 COME 21 Veri Yapıları ve Algoritmalar COME 22 COME 1 COME 1 COME 411
DetaylıOnline Protokol Üretim Projesi
Online Protokol Üretim Projesi Yazılım Geliştirici Kılavuzu Sürüm 1.5 Kasım 2012 Proje Pilot Başlangıç Zamanı 19.11.2012 Pilot Proje Uygulama Yeri Ankara İli Sağlık Hizmet Sağlayıcıları Proje Yöneticisi
Detaylıİş Zekası için Dört-Katmanlı Veri Modellemesi Gerçekleştirimi. Harun Gökçe EG Yazılım, TOBB ETÜ
İş Zekası için Dört-Katmanlı Veri Modellemesi Gerçekleştirimi Harun Gökçe EG Yazılım, TOBB ETÜ İçerik İş Zekası Kavramı Tarihçesi İş Zekası Tanım, Kavramlar ve Gereklilik Dört-Katmanlı Veri Modellemesi
DetaylıGiriş... 2 EBA Ders EBA İçerik...18 EBA Yardım EBA Dosya EBA Uygulamalar EBA Paylaşım EBA E-Kurs...
Giriş....... 2 EBA Ders... 4 EBA İçerik...18 EBA Yardım... 18 EBA Dosya... 19 EBA Uygulamalar... 20 EBA Paylaşım... 20 EBA E-Kurs... 21 EBA (Eğitim Bilişim Ağı) günden güne büyümekte olan bir portal olup;
DetaylıBilgisayar Mühendisliği Yüksek Lisans Programı
Bilgisayar Mühendisliği Yüksek Lisans Programı Yeni Lisansüstü Eğitim Öğretim Yönetmeliğine Uygun Olarak Düzenlenen ve 2016-2017 Güz Döneminde Öğretime Başlayan Öğrencilerimiz İçin Uygulanacak Olan Bilgisayar
Detaylıİçindekiler Tablosu Talep Destek Yönetim Sistemi Programı...3
İçindekiler Tablosu Talep Destek Yönetim Sistemi Programı...3 1. Özellikler.3 2. Kullanım..3 2.1. Ana Sayfa..5 2.2. Talep Modülü.7 2.3. Takibim Modülü 9 2.4. Takipte Modülü..11 2.5. Silinen Talepler Modülü...11
DetaylıVeritabanı. Ders 2 VERİTABANI
Veritabanı Veritabanı Nedir? Birbiri ile ilişkili verilerin bir arada uzun süreli bulundurulmasıdır. Veritabanı bazen Veritabanı Yönetim sistemi veya Veritabanı Sistemi yerine de kullanılır. Gerçek dünyanın
DetaylıUzaktan Algılama Uygulamaları
Aksaray Üniversitesi Uzaktan Algılama Uygulamaları Doç.Dr. Semih EKERCİN Harita Mühendisliği Bölümü sekercin@aksaray.edu.tr 2010-2011 Bahar Yarıyılı Uzaktan Algılama Uygulamaları GÖRÜNTÜ İŞLEME TEKNİKLERİ
DetaylıTachoMobile Web Uygulaması v1.00.
TachoMobile Yönetim Sistemi Proje Destek Dokümanı / Web Uygulaması v1.00.01 İÇİNDEKİLER Web Uygulaması 1. TANIMLAMALAR 1.1 Araçlar 1.2 Sürücüler 2. TAKOGRAF VERİLERİ 2.1 Veri İndirme 2.2 Gelen Kutusu 2.3
DetaylıDOSYA ORGANİZASYONU. Çarpışma çözümleme yöntemleri ÖZLEM AYDIN TRAKYA ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
DOSYA ORGANİZASYONU ÖZLEM AYDIN TRAKYA ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ Çarpışma çözümleme yöntemleri Sunum planı Bağlantıları kullanarak çarpışmaların çözümlenmesi. Coalesced Hashing (Birleştirilmiş
DetaylıInternet Ö D Ü L L E R E R İ Ş İ M L E R A R A Ş T I R M A L A R
Internet Ö D Ü L L E R E R İ Ş İ M L E R A R A Ş T I R M A L A R Bir Türk radyosunun dünya çapında başarısı Number1 Facebook da Dünya 10.su Number1 FM 438.687 kişi Number1 TV 276.425 kişi Number1 Medya
DetaylıVERİ YAPILARI VE PROGRAMLAMA
VERİ YAPILARI VE PROGRAMLAMA (BIP116) Yazar: Doç.Dr.İ.Hakkı.Cedimoğlu SAKARYA ÜNİVERSİTESİ Adapazarı Meslek Yüksekokulu Bu ders içeriğinin basım, yayım ve satış hakları Sakarya Üniversitesi ne aittir.
DetaylıYÖNEYLEM ARAŞTIRMASI - III
YÖNEYLEM ARAŞTIRMASI - III Prof. Dr. Cemalettin KUBAT Yrd. Doç. Dr. Özer UYGUN İçerik Altın Oran (Golden Section Search) Arama Metodu Tek değişkenli bir f(x) fonksiyonunu ele alalım. [Bazı x ler için f
DetaylıTarih Saat Modül Adı Öğretim Üyesi. 01/05/2018 Salı 3 Bilgisayar Bilimlerine Giriş Doç. Dr. Hacer Karacan
BİLGİ TEKNOLOJİLERİ YÖNETİMİ EĞİTİM MODÜLLERİ Tarih Saat Modül Adı Öğretim Üyesi 01/05/2018 Salı Bilgisayar Bilimlerine Giriş Doç. Dr. Hacer Karacan Bu dersin amacı, bilgisayar bilimlerinin temel kavramlarını
DetaylıBÜYÜK VERI UYGULAMALARı DERS 7. Doç. Dr. Yuriy Mishchenko
1 BÜYÜK VERI UYGULAMALARı DERS 7 Doç. Dr. Yuriy Mishchenko PLAN Azure ML hizmeti kullanılmasına bir pratik giriş 2 3 MS AZURE ML 4 MS AZURE ML Azure Microsoft tarafından sağlanan bulut hesaplama hizmetleri
DetaylıBIP116-H14-1 BTP104-H014-1
VERİ YAPILARI VE PROGRAMLAMA (BIP116) Yazar: Doç.Dr.İ.Hakkı.Cedimoğlu SAKARYA ÜNİVERSİTESİ Adapazarı Meslek Yüksekokulu Bu ders içeriğinin basım, yayım ve satış hakları Sakarya Üniversitesi ne aittir.
DetaylıK En Yakın Komşu Methodu (KNearest Neighborhood)
K En Yakın Komşu Methodu (KNearest Neighborhood) K-NN algoritması, Thomas. M. Cover ve Peter. E. Hart tarafından önerilen, örnek veri noktasının bulunduğu sınıfın ve en yakın komşunun, k değerine göre
DetaylıVeritabanı Yönetim Sistemleri (Veritabanı Kavramı) Veritabanı Sistemleri
Veritabanı Yönetim Sistemleri (Veritabanı Kavramı) Veritabanı Sistemleri Konular Büyük Resim Ders Tanıtımı Niçin Veritabanı? Veri ve Bilgi Kavramları Klasik Dosya Yapıları Klasik Dosya Sistemlerinin Zayıflıkarı
DetaylıSözlük Kullanarak Türkçe için Kavram Madenciliği Metotları Geliştirme
1 Cem Rıfkı Aydın, 1 Ali Erkan, 1 Tunga Güngör, 2 Hidayet Takçı 1 Boğaziçi Üniversitesi, 2 Cumhuriyet Üniversitesi Sözlük Kullanarak Türkçe için Kavram Madenciliği Metotları Geliştirme AB 14 7 Şubat 2014
Detaylı... ROBOTİK VE KODLAMA EĞİTİMİ ÇERÇEVESİNDE ÖĞRETİM YILI BİLİŞİM TEKNOLOJİLERİ DERSİ ÜNİTELENDİRİLMİŞ YILLIK DERS PLANI
... ROBOTİK VE KODLAMA EĞİTİMİ ÇERÇEVESİNDE 2018 2019 ÖĞRETİM YILI BİLİŞİM TEKNOLOJİLERİ DERSİ ÜNİTELENDİRİLMİŞ YILLIK DERS PLANI Hazırlayan : Özel Öğretim Kurumları Birliği (ÖZKURBİR) Dersin Adı : Bilişim
DetaylıPOWER BI. Power BI Bileşenleri: Power BI'daki İş Akışı
POWER BI Power BI, birbirinden bağımsız veri kaynaklarınızı tutarlı, görsel olarak sürükleyici ve etkileşimli öngörülere dönüştürmenizi sağlamak için birlikte çalışan yazılım hizmetlerinden, uygulamalardan
DetaylıDSİ kapsamında oluşturulan dağınık durumdaki verilerinin düzenlenmesi, yeniden tasarlanarak tek bir coğrafi veri tabanı ortamında toplanması,
Projenin Amacı DSİ Genel Müdürlüğünde, Bölge Vaziyet Planı çalışmaları kapsamında üretilen ve mevcut DSİ faaliyetlerini içeren CBS veri setleri ile CBS Veritabanının incelenerek yine mevcut CBS donanım,
DetaylıKURUMSAL BİLGİ TEKNOLOJİLERİNDE PROFESYONEL ÇÖZÜMLER. i-gate E-DEFTER UYGULAMASI Bilgi Teknolojileri
KURUMSAL BİLGİ TEKNOLOJİLERİNDE PROFESYONEL ÇÖZÜMLER i-gate E-DEFTER UYGULAMASI Hakkımızda Operasyonel Faydaları i-gate E-Defter Uygulaması 20 Yıllık Başarılı Geçmiş 80 Çalışan İstanbul, İzmit, Ankara,
DetaylıBölüm 5. Ağaç. Olcay Taner Yıldız. O. T. Yıldız, C && Java ile Veri Yapılarına Giriş, Boğaziçi Üniversitesi Yayınevi, / 73
Bölüm 5. Ağaç Olcay Taner Yıldız 2014 O. T. Yıldız, C && Java ile Veri Yapılarına, Boğaziçi Üniversitesi Yayınevi, 2013 1 / 73 O. T. Yıldız, C && Java ile Veri Yapılarına, Boğaziçi Üniversitesi Yayınevi,
DetaylıVeritabanı Yönetim Sistemleri
Veritabanı Yönetim Sistemleri (Veritabanı Tasarımı) İlişkisel Cebir Konular Biçimsel Sorgulama Dilleri İlişkisel Cebir İlişkisel Cebir İşlemleri Seçme (select) işlemi Projeksiyon (project) işlemi Birleşim
Detaylı1 Temel Kavramlar. Veritabanı 1
1 Temel Kavramlar Veritabanı 1 Veri Saklama Gerekliliği Bilgisayarların ilk bulunduğu yıllardan itibaren veri saklama tüm kurum ve kuruluşlarda kullanılmaktadır. Veri saklamada kullanılan yöntemler; Geleneksel
DetaylıÖrnek Excel Formatını Nereden Bulabilirim?
Excel ile Ürün Aktarımı Ürünlerinizi, Ticimax sistemine uygun hazırlamış olduğunuz excel dosyanız ile sisteme kolayca yükleyebilir, mevcut ürünleriniz için ise toplu güncellemeler yapabilirsiniz. Örnek
DetaylıTOBB2B. Kullanım Kılavuzu. TOBB2B Kullanım Kılavuzu. Türkiye Odalar ve Borsalar Birliği
TOBB2B Kullanım Kılavuzu www.tobb2b.org.tr Türkiye Odalar ve Borsalar Birliği 2017 TOBB2B - TÜRKİYE ODALAR VE BORSALAR BİRLİĞİ. TÜM HAKKI SAKLIDIR. TOBB2B ile Uluslararası İşbirliği Tekliflerine Ücretsiz
Detaylı[E-Katalog Tanıtım Sayfası] Ayser Bilgisayar. Cumhuriyet Meydanı No:41 Kat:2 0286 217 60 34
[E-Katalog Tanıtım Sayfası] Ayser Bilgisayar Cumhuriyet Meydanı No:41 Kat:2 0286 217 60 34 Neden Ayser Bilgisayar? Bundan 10 yıl önce insanlar bir ürün almak için mağaza mağaza dolaşırlar ve farklı fiyatları
DetaylıVERİ TABANI SİSTEMLERİ
VERİ TABANI SİSTEMLERİ 1- Günümüzde bilgi sistemleri Teknoloji ve bilgi. 2- Bilgi sistemlerinin Geliştirilmesi İşlevsel Gereksinimleri 1.AŞAMA Gereksinim Belirleme ve Analiz Veri Gereksinimleri Gereksinimler
DetaylıAktarımı Çalıştırmak/Geri Almak 146 Alan Seçenekleri 148 Veri Tabanı Şeması 150 Veri Tabanı ile İlgili Bazı Rake Görevleri 162 Modeller 164
xi Ruby on Rails Nedir? 2 Rails Neden Farklıdır? 2 Başlamadan Önce Bilinmesi Gerekenler 4 İnternet Nasıl Çalışır? 4 İstemci-Web Sunucu İlişkisi 5 HTTP Protokolü 6 URL-Kaynak Konumlandırma Adresleri 7 HTTP
DetaylıVERİ TABANI UYGULAMALARI
VERİ TABANI UYGULAMALARI VERİ TABANI NEDİR? Bir konuyla ilgili çok sayıda verinin tutulmasına, depolanmasına ve belli bir mantık içerisinde gruplara ayrılmasına veri tabanı denir. Veri tabanı programları;
DetaylıGAZİOSMANPAŞA ÜNİVERSİTESİ MÜHENDİSLİK VE DOĞA BİLİMLERİ FAKÜLTESİ WEB TEMELLİ ÖĞRENME VE İÇERİK YÖNETİM SİSTEMİ
GAZİOSMANPAŞA ÜNİVERSİTESİ MÜHENDİSLİK VE DOĞA BİLİMLERİ FAKÜLTESİ WEB TEMELLİ ÖĞRENME VE İÇERİK YÖNETİM SİSTEMİ GAZİOSMANPAŞA ÜNİVERSİTESİ MÜHENDİSLİK VE DOĞA BİLİMLERİ FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ
DetaylıİÇERİK PROGRAMLAMAYA GİRİŞ ALGORİTMA AKIŞ DİYAGRAMLARI PROGRAMLAMA DİLLERİ JAVA DİLİNİN YAPISI JAVA DA KULLANILAN VERİ TİPLERİ JAVA DA PROGRAM YAZMA
İÇERİK PROGRAMLAMAYA GİRİŞ ALGORİTMA AKIŞ DİYAGRAMLARI PROGRAMLAMA DİLLERİ JAVA DİLİNİN YAPISI JAVA DA KULLANILAN VERİ TİPLERİ JAVA DA PROGRAM YAZMA UYGULAMA Örnek: Yandaki algoritmada; klavyeden 3 sayı
Detaylı