Çok-öbekli Veri için Aradeğerlemeci Ayrışım

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "Çok-öbekli Veri için Aradeğerlemeci Ayrışım"

Transkript

1 Interpolative Decomposition for Data with Multiple Clusters Çok-öbekli Veri için Aradeğerlemeci Ayrışım İsmail Arı, A. Taylan Cemgil, Lale Akarun. Boğaziçi Üniversitesi, Bilgisayar Mühendisliği 25 Nisan 2013, SİU, Girne

2 Problem 02

3 Katkı Düşük-mertebeli yaklaşımda başarılı olan Önem Örnekleme (Importance Sampling) tabanlı Aradeğerlemeci Ayrışım yöntemi veriyi betimlemede de başarılıdır. Üstteki savın deneyle sınanması K-ortancaya dayalı yeni bir AA yöntemi Birçok farklı sınıflandırma probleminde uygulama 03

4 Aradeğerlemeci Ayrışım (AA) Aradeğerlemeci Ayrışım (Interpolative Decomposition) X R M N K N matrisini tane sütununun doğrusal bileşimi biçiminde ifade etmeyi hedefler. X CZ = X(:, J )Z 04 J seçilen K elemanlı indis kümesi C seçilen sütunların oluşturduğu altmatris Z bunlara karşılık gelen aradeğerleme katsayılarını içeren matris (1)

5 CUR Ayrışımı AA, genellikle CUR ayrışımı'nda karşımıza çıkar X CU R 05 C seçilen sütunların oluşturduğu altmatris, C U bağlantı matrisi, U R seçilen satırların oluşturduğu altmatris, R = X(J = C XR = X( Jr, Jc ) = X(:, Jc ) r, :)

6 Neden Aradeğerlemeci Ayrışım? Gereksiz ve alakasız sütunları eleyerek hatayı azaltır Hafızaya (RAM) sığamayacak kadar büyük veri ile çalışmayı mümkün kılar Temel bir araçtır Veri sıkıştırma Öznitelik çıkarımı Veri analizi ve yorumlanması 06

7 AA ve Tekil Değer Ayrışımı (TDA) Yorumlanabilirlik açısından daha iyidir AA gerçek veriyi kullanır TDA doğrusal bileşimleri kullanır Seyrekliği korur Veri seyrek ise AA da seyrektir TDA seyrekliği korumayabilir 07

8 İki temel soru 1. Hangi sütunlar seçilmelidir? 2. Aradeğerleme katsayıları nasıl hesaplanmalıdır? 08

9 Aradeğerleme katsayılarının hesabı Z aradeğerleme katsayıları altta verilen optimizasyon ile elde edilir: Z = arg min D[X X(:, J ) Z ] Z R D[ ] 09 K N probleme uygun olarak seçilmiş bir masraf fonksiyonudur. (2)

10 Hangi sütunları seçmeliyiz? Problem karmaşıklığı: NP-Zor [Natarajan 1993] İçbükey eniyileme tabanlı yöntemler, QR-tabanlı yöntemler,... Önem örneklemeye (ÖÖ) dayalı rassal AA yöntemleri Kullanılan sütun seçme kriteri: Öklid normu [Drineas v.d. 2007, Frieze v.d. 2004] Vektör seyreklik değeri [Lee ve Choi 2008] Sağ tekil vektör normu [Mahoney ve Drineas 2009, Lee ve Choi 2008, Halko v. d. 2011] 10

11 Önem Örnekleme'ye dayalı AA 1. X 'in kısmî Tekil Değer Ayrışımı'nı hesapla Ar Σr Br X (3) 2. Her n = 1 N için, o sütunun seçilme olasılığı π 'i hesapla: n 1 πn = Yani, 3. J n. vektörün A {π n } r Σr N n=1 (Br ) 2 ni, n = 1,, N i=1 'nin sütunlarının oluşturduğu indirgenmiş uzaydaki koordinatlarının normu çokterimlisinden rasgele seçilmiş K indis 4. C X(:, J ), Z C 11 r r X (4)

12 Çok-öbekli durum Büyük yuvarlaklar öbek merkezlerini göstermektedir. Halkalar ise ÖÖ'de eşit olasılığa sahip konumları ifade eder. Dış halkaların üstündeki noktaların seçilme olasılığı içerdekilerden yüksektir. Görüldüğü üzere yaygın yöntem çok öbekli durumu kapsamaz. Şekil 1: İki adet öbekten oluşan 2 boyutlu noktalar. 12

13 K -ortanca ile Aradeğerlemeci Ayrışım 1. D N N uzaklık matrisi; D = X(:, i) X(:, j) ij 2. J 2 Rasgele K adet sütunu ilk ortancalar olarak belirle 3. Her i = 1 maksdöngüsayısı için 1. Her n = 1 N için Öbek merkezini ata: c n arg min DnJk k k {1, K } 2. Her k = 1 K için N Ortancayı yeniden hesapla: J k arg min n cn =k 4. C X(:, J ), Z kn 13 n Dnj j. nokta k. ortancaya en yakınsa 1, değilse 0.

14 Neden K -ortanca? Gürültü ve aykırı değerlere karşı gürbüz [Park ve Jun 2009] Belirli bir uzaklık fonksiyonun bağımlı değil, hatta uzaklıkların simetrik olması da gerekmez Hızlı ve sade Zaman ve yer karmaşıklığı: O(N 14 2 )

15 AA'dan CUR Ayrışımına X CU R (5) Sütunları seçmek için X üstüne AA uygula: C = X(:, Jc ) Satırları seçmek için X üstüne AA uygula: R = X(Jr, :) Bağlantı matrisini hesapla 15 U = X(Jr, Jc )

16 Deneyler & Sonuçlar

17 Kullanılan Verikümeleri 10 MNIST Elle Yazılmış Rakamlar 2 Fonem 11 Doku 11 Beyaz Şarap Kalitesi 2 MAGIC Gamma Teleskobu Açık mavi kutular verikümesindeki sınıf sayısını gösterir. 17

18 Karşılaştırma Yöntemi 1. Temel Bileşenler Analizi ile boyut sayısını azalt 2. İncelenen yöntem ile her sınıftan K adet örnek seç 3. En Yakın Komşu (EYK) ile sınıflama yap 4. Kesinlik (accuracy) değerini hesapla 18

19 MNIST Verikümesi Elle yazılmış 10 farklı rakam boyutlarında eğitim örneği test örneği 19

20 Karşılaştırma Sonuçları! K-ortanca en iyi sonucu vermektedir! Yaygın olarak kullanılan ÖÖ tabanlı yöntem beklentinin aksine tamamen rasgele seçime göre daha iyi sonuç vermemektedir. Şekil 2: Tüm veri kullanıldığında elde edilen kesinlik, kırmızı çizgi ile üst sınır olarak verilmiştir. 20

21 Karıştırma (Confusion) Matrisleri %0 %100 (a) 10-ortanca (b) 100-ortanca (c) 1000-ortanca (d) Tümü Şekil 3: Önerdiğimiz yöntem ile 10, 100, 1000 sütun seçildiğinde veya tümü kullanıldığında elde edilen hata matrisleri 21

22 Önerdiğimiz Yöntemin Seçtiği Örnekler 22

23 Yaygın Rassal Yöntemin Seçtiği Örnekler 23

24 Fonem Verikümesi 5 gerçel girdi 3818 nasal ses örneği 1586 oral ses örneği 5-kat çapraz geçerleme 24

25 Doku Verikümesi 40 gerçel girdi 11 farklı sınıf: sıkıştırılmış dana derisi, el yapımı kağıt, pamuk kanvas,... 4 yönelimde girdi: 0 Toplam 5500 örnek 5-kat çapraz geçerleme 25, 45, 90, 135

26 Beyaz Şarap Kalitesi Verikümesi 11 gerçel girdi 11 farklı sınıf: 0'dan 10'a şarap kalitesi Portekiz Vinho Verde türevlerine ait toplam 4898 örnek 5-kat çapraz geçerleme 26

27 MAGIC Gamma Teleskobu Verikümesi 10 gerçel girdi 2 farklı sınıf Toplam örnek 5-kat çapraz geçerleme 27

28 Karşılaştırma Sonuçları! Farklı verikümelerinde de K-ortanca yaygın olarak kullanılan ÖÖ tabanlı yöntemden daha iyi sonuç vermektedir. Şekil 4: K-Ortanca ve Önem Örnekleme'de her sınıf için örneklerin %20 'si kullanılmıştır. 28

29 Vargılar & Gelecek Çalışmalar Düşük-mertebe hedefinin veriyi betimlemede de başarılı olacağı varsayımı çoköbekli veri için geçerli değildir Yapay öğrenme araştırmaları çerçevesinde AA'ya yeni bir bakış açısı üretilmiştir Öbekleme ve AA yakından ilişkilidir Günümüzde -büyük veri kullanımı ile- AA gibi sade ve başarılı yöntemler önem kazanmaktadır 29

30 Teşekkürler...

Matris Cebiriyle Çoklu Regresyon Modeli

Matris Cebiriyle Çoklu Regresyon Modeli Matris Cebiriyle Çoklu Regresyon Modeli Hüseyin Taştan Mart 00 Klasik Regresyon Modeli k açıklayıcı değişkenden oluşan regresyon modelini her gözlem i için aşağıdaki gibi yazabiliriz: y i β + β x i + β

Detaylı

ii) S 2LW 2WH 2LW 2WH S 2WH 2LW S 3( x 1) 5( x 2) 5 3x 3 5x x Maliye Bölümü EKON 103 Matematik I / Mart 2018 Proje 2 CEVAPLAR C.1) C.

ii) S 2LW 2WH 2LW 2WH S 2WH 2LW S 3( x 1) 5( x 2) 5 3x 3 5x x Maliye Bölümü EKON 103 Matematik I / Mart 2018 Proje 2 CEVAPLAR C.1) C. C.1) x1 x 1 4 4( x1) x 6 4x 4 x 6 x 46 x Maliye Bölümü EKON 10 Matematik I / Mart 018 Proje CEVAPLAR C.) i) S LW WH LW WH S LW WH S W W W S L H W ii) S LW WH WH LW S WH LW S W W W S H L W C.) ( x1) 5(

Detaylı

1 Vektör Uzayları 2. Lineer Cebir. David Pierce. Matematik Bölümü, MSGSÜ mat.msgsu.edu.tr/~dpierce/

1 Vektör Uzayları 2. Lineer Cebir. David Pierce. Matematik Bölümü, MSGSÜ mat.msgsu.edu.tr/~dpierce/ Vektör Uzayları Lineer Cebir David Pierce 5 Mayıs 2017 Matematik Bölümü, MSGSÜ dpierce@msgsu.edu.tr mat.msgsu.edu.tr/~dpierce/ Bu notlarda, alıştırma olarak her teorem, sonuç, ve örnek kanıtlanabilir;

Detaylı

Lineer Cebir. Doç. Dr. Niyazi ŞAHİN TOBB. İçerik: 1.1. Lineer Denklemlerin Tanımı 1.2. Lineer Denklem Sistemleri 1.3. Matrisler

Lineer Cebir. Doç. Dr. Niyazi ŞAHİN TOBB. İçerik: 1.1. Lineer Denklemlerin Tanımı 1.2. Lineer Denklem Sistemleri 1.3. Matrisler Lineer Cebir Doç. Dr. Niyazi ŞAHİN TOBB İçerik: 1.1. Lineer Denklemlerin Tanımı 1.2. Lineer Denklem Sistemleri 1.3. Matrisler Bölüm 1 - Lineer Eşitlikler 1.1. Lineer Eşitliklerin Tanımı x 1, x 2,..., x

Detaylı

Çekişmeli Üretici Ağlar Kullanarak Dış Mekan Görüntülerinin Geçici Niteliklerini Düzenleme

Çekişmeli Üretici Ağlar Kullanarak Dış Mekan Görüntülerinin Geçici Niteliklerini Düzenleme Çekişmeli Üretici Ağlar Kullanarak Dış Mekan Görüntülerinin Geçici Niteliklerini Düzenleme Adjusting Transient Attributes of Outdoor Images using Generative Adversarial Networks Levent Karacan, Aykut Erdem,

Detaylı

KUADRATİK FORM. Tanım: Kuadratik Form. Bir q(x 1,x 2,,x n ) fonksiyonu

KUADRATİK FORM. Tanım: Kuadratik Form. Bir q(x 1,x 2,,x n ) fonksiyonu KUADRATİK FORMLAR KUADRATİK FORM Tanım: Kuadratik Form Bir q(x,x,,x n ) fonksiyonu q x : n şeklinde tanımlı ve x i x j bileşenlerinin doğrusal kombinasyonu olan bir fonksiyon ise bir kuadratik formdur.

Detaylı

VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN

VERİ 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

Detaylı

KAHKAHA TANIMA İÇİN RASSAL ORMANLAR

KAHKAHA TANIMA İÇİN RASSAL ORMANLAR KAHKAHA TANIMA İÇİN RASSAL ORMANLAR Heysem Kaya, A. Mehdi Erçetin, A. Ali Salah, S. Fikret Gürgen Bilgisayar Mühendisliği Bölümü Boğaziçi Üniversitesi / Istanbul Akademik Bilişim'14, Mersin, 05.02.2014

Detaylı

ÖRNEKLER-VEKTÖR UZAYLARI 1. Çözüm: w=k 1 u+k 2 v olmalıdır.

ÖRNEKLER-VEKTÖR UZAYLARI 1. Çözüm: w=k 1 u+k 2 v olmalıdır. ÖRNEKLER-VEKTÖR UZAYLARI. vektör uzayında yer alan w=(9 7) vektörünün, u=( -), v=(6 ) vektörlerinin doğrusal bir kombinasyonu olduğunu ve z=( - 8) vektörünün ise bu vektörlerin doğrusal bir kombinasyonu

Detaylı

x 2i + A)( 1 yj 2 + B) u (v + B), y 1

x 2i + A)( 1 yj 2 + B) u (v + B), y 1 Ders 11: Örnekler 11.1 Kulplarla inşalar Bu bölümde kulpları birbirine yapıştırıp tanıdık manifoldlar elde edeceğiz. Artık bu son ders. Özellikle dersin ikinci bölümünde son meyveleri toplamak adına koşarak

Detaylı

4. BÖLÜM DOĞRUSAL DENKLEM SİSTEMLERİ

4. BÖLÜM DOĞRUSAL DENKLEM SİSTEMLERİ 4. BÖLÜM DOĞRUSAL DENKLEM SİSTEMLERİ Doğrusal Denklem Sistemi x 1,x 2,,x n ler bilinmeyenler olmak üzere, doğrusal denklemlerin oluşturduğu; a x a x a x b 11 1 12 2 1n n 1 a x a x a x b 21 1 22 2 2n n

Detaylı

Uzaktan Algılama Teknolojileri

Uzaktan 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

Detaylı

MEH535 Örüntü Tanıma. 6. Boyut Azaltımı (Dimensionality Reduction)

MEH535 Örüntü Tanıma. 6. Boyut Azaltımı (Dimensionality Reduction) MEH535 Örüntü anıma 6. Boyut Azaltımı (Dimensionality Reduction) Doç.Dr. M. Kemal GÜLLÜ Elektronik ve Haberleşme Mühendisliği Bölümü web: http://akademikpersonel.kocaeli.edu.tr/kemalg/ E-posta: kemalg@kocaeli.edu.tr

Detaylı

Cebir 1. MIT Açık Ders Malzemeleri

Cebir 1. MIT Açık Ders Malzemeleri MIT Açık Ders Malzemeleri http://ocw.mit.edu 18.701 Cebir 1 2007 Güz Bu malzemeden alıntı yapmak veya Kullanım Şartları hakkında bilgi almak için http://ocw.mit.edu/terms ve http://tuba.acikders.org.tr

Detaylı

x 1,x 2,,x n ler bilinmeyenler olmak üzere, doğrusal denklemlerin oluşturduğu;

x 1,x 2,,x n ler bilinmeyenler olmak üzere, doğrusal denklemlerin oluşturduğu; 4. BÖLÜM DOĞRUSAL DENKLEM SİSTEMLERİ Doğrusal Denklem Sistemi x,x,,x n ler bilinmeyenler olmak üzere, doğrusal denklemlerin oluşturduğu; a x + a x + L + a x = b n n a x + a x + L + a x = b n n a x + a

Detaylı

Makine Öğrenmesi 2. hafta

Makine 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

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

2012 LYS MATEMATİK SORU VE ÇÖZÜMLERİ Niyazi Kurtoğlu

2012 LYS MATEMATİK SORU VE ÇÖZÜMLERİ Niyazi Kurtoğlu .SORU 8 sayı tabanında verilen (5) 8 sayısının sayı tabanında yazılışı nedir?.soru 6 3 3 3 3 4 6 8? 3.SORU 3 ise 5? 5 4.SORU 4 5 olduğuna göre, ( )? 5.SORU (y z) z(y ) y z yz bulunuz. ifadesinin en sade

Detaylı

Özdeğer ve Özvektörler

Özdeğer ve Özvektörler Özdeğer ve Özvektörler Yazar Öğr.Grv.Dr.Nevin ORHUN ÜNİTE 9 Amaçlar Bu üniteyi çalıştıktan sonra; bir lineer dönüşümün ve bir matrisin özdeğer ve özvektör kavramlarını anlayacak, bir dönüşüm matrisinin

Detaylı

Zeki Optimizasyon Teknikleri

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

Detaylı

Web Madenciliği (Web Mining)

Web Madenciliği (Web Mining) Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Sınıflandırıcıların Değerlendirilmesi Skorlar Karışıklık matrisi Accuracy Precision Recall

Detaylı

LİNEER CEBİR ve MÜHENDİSLİK UYGULAMALARI (MEH111) Dersi Final Sınavı 1.Ö

LİNEER CEBİR ve MÜHENDİSLİK UYGULAMALARI (MEH111) Dersi Final Sınavı 1.Ö LİNEER CEBİR ve MÜHENDİSLİK UYGULAMALARI (MEH) Dersi Final Sınavı.Ö. 02.0.207 Ad Soyad : (25p) 2(25p) 3(25p) 4(25p) Toplam Numara : İmza : Kitap ve notlar kapalıdır. Yalnızca kalem, silgi, sınav kağıdı

Detaylı

VERİ MADENCİLİĞİ (Veri Ön İşleme-2) Yrd.Doç.Dr. Kadriye ERGÜN

VERİ MADENCİLİĞİ (Veri Ön İşleme-2) Yrd.Doç.Dr. Kadriye ERGÜN VERİ MADENCİLİĞİ (Veri Ön İşleme-2) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma Kümeleme

Detaylı

Bahar Yarıyılı D_IFERANS_IYEL DENKLEMLER II ARA SINAV 6 Nisan 2011 Süre: 90 dakika CEVAP ANAHTARI. y = c n x n+r. (n + r) c n x n+r 1 +

Bahar Yarıyılı D_IFERANS_IYEL DENKLEMLER II ARA SINAV 6 Nisan 2011 Süre: 90 dakika CEVAP ANAHTARI. y = c n x n+r. (n + r) c n x n+r 1 + DÜZCE ÜN_IVERS_ITES_I FEN-EDEB_IYAT FAKÜLTES_I MATEMAT_IK BÖLÜMÜ 010-011 Bahar Yarıyılı D_IFERANS_IYEL DENKLEMLER II ARA SINAV 6 Nisan 011 Süre: 90 dakika CEVAP ANAHTARI 1. 0p x d y + dy + xy = 0 diferansiyel

Detaylı

İç-Çarpım Uzayları ÜNİTE. Amaçlar. İçindekiler. Yazar Öğr. Grv. Dr. Nevin ORHUN

İç-Çarpım Uzayları ÜNİTE. Amaçlar. İçindekiler. Yazar Öğr. Grv. Dr. Nevin ORHUN İç-Çarpım Uzayları Yazar Öğr. Grv. Dr. Nevin ORHUN ÜNİTE Amaçlar Bu üniteyi çalıştıktan sonra; R n, P n (R), M nxn vektör uzaylarında iç çarpım kavramını tanıyacak ve özelliklerini görmüş olacaksınız.

Detaylı

A GRUBU Noktaları adlandırılmış K 6 tam çizgesinin tam olarak 3 noktalı kaç tane alt çizgesi vardır? A) 9 B) 20 C) 24 D) 60 E) 160

A GRUBU Noktaları adlandırılmış K 6 tam çizgesinin tam olarak 3 noktalı kaç tane alt çizgesi vardır? A) 9 B) 20 C) 24 D) 60 E) 160 A GRUBU.. Numarası :............................................. Adı Soyadı :............................................. SINAV YÖNERGESİ İşaretlemelerinizde kurşun kalem kullanınız. Soru ve cevap kağıtlarına

Detaylı

Matris Analizi (MATH333) Ders Detayları

Matris Analizi (MATH333) Ders Detayları Matris Analizi (MATH333) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Matris Analizi MATH333 Her İkisi 3 0 0 3 6 Ön Koşul Ders(ler)i Math 231 Linear Algebra

Detaylı

DOĞRUSAL OLMAYAN PROGRAMLAMA -I-

DOĞRUSAL OLMAYAN PROGRAMLAMA -I- DOĞRUSAL OLMAYAN PROGRAMLAMA -I- Dışbükeylik / İçbükeylik Hazırlayan Doç. Dr. Nil ARAS Anadolu Üniversitesi, Endüstri Mühendisliği Bölümü İST38 Yöneylem Araştırması Dersi 0-0 Öğretim Yılı Doğrusal olmayan

Detaylı

Bilgisayarla Görüye Giriş

Bilgisayarla Görüye Giriş Bilgisayarla Görüye Giriş Ders 6 Kenar, Köşe, Yuvarlak Tespiti Alp Ertürk alp.erturk@kocaeli.edu.tr KENAR TESPİTİ Kenar Tespiti Amaç: Görüntüdeki ani değişimleri / kesintileri algılamak Şekil bilgisi elde

Detaylı

BİLGİSAYAR PROGRAMLAMA DERSİ

BİLGİSAYAR PROGRAMLAMA DERSİ BİLGİSAYAR PROGRAMLAMA DERSİ Yrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü DERS NOTU 5 KONU: Matlab de Diziler ve Matrisler İÇ İÇE FOR DÖNGÜSÜ

Detaylı

18.701 Cebir 1. MIT Açık Ders Malzemeleri http://ocw.mit.edu

18.701 Cebir 1. MIT Açık Ders Malzemeleri http://ocw.mit.edu MIT Açık Ders Malzemeleri http://ocw.mit.edu 18.701 Cebir 1 2007 Güz Bu malzemeden alıntı yapmak veya Kullanım Şartları hakkında bilgi almak için http://ocw.mit.edu/terms ve http://tuba.acikders.org.tr

Detaylı

7. BÖLÜM İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI .= 1 1 + + Genel: Vektörler bölümünde vektörel iç çarpım;

7. BÖLÜM İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI .= 1 1 + + Genel: Vektörler bölümünde vektörel iç çarpım; İÇ ÇARPIM UZAYLARI 7. BÖLÜM İÇ ÇARPIM UZAYLARI Genel: Vektörler bölümünde vektörel iç çarpım;.= 1 1 + + Açıklanmış ve bu konu uzunluk ve uzaklık kavramlarını açıklamak için kullanılmıştır. Bu bölümde öklit

Detaylı

Lineer Dönüşümler ÜNİTE. Amaçlar. İçindekiler. Yazar Öğr. Grv.Dr. Nevin ORHUN

Lineer Dönüşümler ÜNİTE. Amaçlar. İçindekiler. Yazar Öğr. Grv.Dr. Nevin ORHUN Lineer Dönüşümler Yazar Öğr. Grv.Dr. Nevin ORHUN ÜNİTE 7 Amaçlar Bu üniteyi çalıştıktan sonra; Vektör uzayları arasında tanımlanan belli fonksiyonları tanıyacak, özelliklerini öğrenecek, Bir dönüşümün,

Detaylı

Üç Boyutlu Serpilme (Saçılım) Grafikleri

Üç Boyutlu Serpilme (Saçılım) Grafikleri Üç Boyutlu Serpilme (Saçılım) Grafikleri 3D Scatterplot of boy vs kol vs bacak 90 boy 0 70 0 90 70 00 0 bacak 0 0 90 kol 3D Scatterplot of kol vs omuz vs kalca 90 kol 0 70 00 kalca 0 0 0 0 00 omuz Merkez

Detaylı

KAMU PERSONEL SEÇME SINAVI ÖĞRETMENLİK ALAN BİLGİSİ TESTİ ORTAÖĞRETİM MATEMATİK ÖĞRETMENLİĞİ TG 4 ÖABT ORTAÖĞRETİM MATEMATİK Bu testlerin her hakkı saklıdır. Hangi amaçla olursa olsun, testlerin tamamının

Detaylı

1989 ÖYS. olduğuna göre a-b kaçtır? A) 2 B) 2 C) 2 2 D) 2 2 E) 4

1989 ÖYS. olduğuna göre a-b kaçtır? A) 2 B) 2 C) 2 2 D) 2 2 E) 4 989 ÖYS. a a a b 8 olduğuna göre a-b kaçtır? C). a ile b nin aritmetik ortalaması 5 tir. a ile geometrik ortalaması 0, b ile geometrik ortalaması 0 olan sayı nedir? 0 C) 8 ise a+b+d toplamı ne-. a+b+c=d

Detaylı

Geliştirilmiş Fisher Ayraç Kriteri Kullanarak Hiperspektral Görüntülerde Sınıflandırma

Geliştirilmiş 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),

Detaylı

BKİ farkı Standart Sapması (kg/m 2 ) A B BKİ farkı Ortalaması (kg/m 2 )

BKİ farkı Standart Sapması (kg/m 2 ) A B BKİ farkı Ortalaması (kg/m 2 ) 4. SUNUM 1 Gözlem ya da deneme sonucu elde edilmiş sonuçların, rastlantıya bağlı olup olmadığının incelenmesinde kullanılan istatistiksel yöntemlere HİPOTEZ TESTLERİ denir. Sonuçların rastlantıya bağlı

Detaylı

sonlu altörtüsü varsa bu topolojik uzaya tıkız diyoruz.

sonlu altörtüsü varsa bu topolojik uzaya tıkız diyoruz. Ders 1: Önbilgiler Bu derste türev fonksiyonunun geometrik anlamını tartışıp, yalnız R n nin bir açık altkümesinde değil, daha genel uzaylarda tanımlı bir fonksiyonun türevi ve özel noktalarının nasıl

Detaylı

VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN

VERİ 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

Detaylı

Teori ve Örneklerle. Doç. Dr. Bülent ORUÇ

Teori ve Örneklerle. Doç. Dr. Bülent ORUÇ Teori ve Örneklerle JEOFİZİKTE MODELLEME Doç. Dr. Bülent ORUÇ Kocaeli-2012 İÇİNDEKİLER BÖLÜM 1 Sayısal Çözümlemeye Genel Bakış 1 1.2. Matris Gösterimi. 2 1.2. Matris Transpozu. 3 1.3. Matris Toplama ve

Detaylı

Nazım K. Ekinci Matematiksel İktisat Notları ax 1 + bx 2 = α cx 1 + dx 2 =

Nazım K. Ekinci Matematiksel İktisat Notları ax 1 + bx 2 = α cx 1 + dx 2 = Naım K. Ekinci Matematiksel İktisat Notları 0.6. DOĞRUSL DENKLEM SİSTEMLERİ ax + bx = α cx + dx = gibi bir doğrusal denklem sistemini, x ve y bilinmeyenler olmak üere, çömeyi hepimi biliyoru. ma probleme

Detaylı

Popülasyon Ortalamasının Tahmin Edilmesi

Popülasyon Ortalamasının Tahmin Edilmesi Güven Aralıkları Popülasyon Ortalamasının Tahmin Edilmesi Tanımlar: Nokta Tahmini Popülasyon parametresi hakkında tek bir rakamdan oluşan tahmindir. Popülasyon ortalaması ile ilgili en iyi nokta tahmini

Detaylı

MEH535 Örüntü Tanıma. Örneklerden Sınıf Öğrenme

MEH535 Örüntü Tanıma. Örneklerden Sınıf Öğrenme MEH535 Örünü Tanıma 3. Deneimli Öğrenme Doç.Dr. M. Kemal GÜLLÜ Elekronik ve Haberleşme Mühendisliği Bölümü web: hp://akademikpersonel.kocaeli.edu.r/kemalg/ E-posa: kemalg@kocaeli.edu.r Örneklerden Sınıf

Detaylı

İÇİNDEKİLER ÖNSÖZ Bölüm 1 KÜMELER Bölüm 2 SAYILAR

İÇİNDEKİLER ÖNSÖZ Bölüm 1 KÜMELER Bölüm 2 SAYILAR İÇİNDEKİLER ÖNSÖZ III Bölüm 1 KÜMELER 11 1.1. Küme 12 1.2. Kümelerin Gösterimi 13 1.3. Boş Küme 13 1.4. Denk Küme 13 1.5. Eşit Kümeler 13 1.6. Alt Küme 13 1.7. Alt Küme Sayısı 14 1.8. Öz Alt Küme 16 1.9.

Detaylı

ULAŞTIRMA MODELİ VE ÇEŞİTLİ ULAŞTIRMA MODELLERİ

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

Detaylı

T.C. Ölçme, Seçme ve Yerleştirme Merkezi

T.C. Ölçme, Seçme ve Yerleştirme Merkezi T.C. Ölçme, Seçme ve Yerleştirme Merkezi LİSANS YERLEŞTİRME SINAVI-1 MATEMATİK TESTİ 11 HAZİRAN 2017 PAZAR Bu testlerin her hakkı saklıdır. Hangi amaçla olursa olsun, testlerin tamamının veya bir kısmının

Detaylı

18.034 İleri Diferansiyel Denklemler

18.034 İleri Diferansiyel Denklemler MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferansiyel Denklemler 2009 Bahar Bu bilgilere atıfta bulunmak veya kullanım koşulları hakkında bilgi için http://ocw.mit.edu/terms web sitesini ziyaret

Detaylı

T.C. Ölçme, Seçme ve Yerleştirme Merkezi

T.C. Ölçme, Seçme ve Yerleştirme Merkezi T.C. Ölçme, Seçme ve Yerleştirme Merkezi LİSANS YERLEŞTİRME SINAVI-1 MATEMATİK TESTİ 11 HAZİRAN 2017 PAZAR Bu testlerin her hakkı saklıdır. Hangi amaçla olursa olsun, testlerin tamamının veya bir kısmının

Detaylı

6. Ders. Mahir Bilen Can. Mayıs 16, 2016

6. Ders. Mahir Bilen Can. Mayıs 16, 2016 6. Ders Mahir Bilen Can Mayıs 16, 2016 Bu derste lineer cebirdeki bazı fikirleri gözden geçirip Lie teorisine uygulamalarını inceleyeceğiz. Bütün Lie cebirlerinin cebirsel olarak kapalı ve karakteristiği

Detaylı

DİKKAT! SORU KİTAPÇIĞINIZIN TÜRÜNÜ A OLARAK CEVAP KÂĞIDINIZA İŞARETLEMEYİ UNUTMAYINIZ. MATEMATİK SINAVI MATEMATİK TESTİ

DİKKAT! SORU KİTAPÇIĞINIZIN TÜRÜNÜ A OLARAK CEVAP KÂĞIDINIZA İŞARETLEMEYİ UNUTMAYINIZ. MATEMATİK SINAVI MATEMATİK TESTİ DİKKAT! SORU KİTAPÇIĞINIZIN TÜRÜNÜ A OLARAK CEVAP KÂĞIDINIZA İŞARETLEMEYİ UNUTMAYINIZ. MATEMATİK SINAVI MATEMATİK TESTİ. Bu testte 50 soru vardır.. Cevaplarınızı, cevap kâğıdının Matematik Testi için arılan

Detaylı

Naive Bayes Yöntemi ile Spam Mail Teşhisi Kübra KURNAZ

Naive Bayes Yöntemi ile Spam Mail Teşhisi Kübra KURNAZ Naive Bayes Yöntemi ile Spam Mail Teşhisi 2 17574006-Kübra KURNAZ Yıldız Teknik Üniversitesi, Elektrik-Elektronik Fakültesi, Bilgisayar Mühendisliği Bölümü, Tezsiz Yüksek Lisans Bilgi Teknolojileri Özet

Detaylı

kişi biri 4 kişilik, üçü ikişer kişilik 4 takıma kaç farklı şekilde ayrılabilir? (3150)

kişi biri 4 kişilik, üçü ikişer kişilik 4 takıma kaç farklı şekilde ayrılabilir? (3150) PERMÜTASYON KOMBİNASYON. A = {,,,,5} kümesinin alt kümelerinin kaç tanesinde 5 elemanı bulunur? (). 7 elemanlı bir kümenin en az 5 elemanlı kaç tane alt kümesi vardır? (9). A { a, b, c, d, e, f, g, h}

Detaylı

ÖZDEĞERLER- ÖZVEKTÖRLER

ÖZDEĞERLER- ÖZVEKTÖRLER ÖZDEĞERLER- ÖZVEKTÖRLER GİRİŞ Özdeğerler, bir matrisin orijinal yapısını görmek için kullanılan alternatif bir yoldur. Özdeğer kavramını açıklamak için öncelikle özvektör kavramı ele alınsın. Bazı vektörler

Detaylı

MATEMATİK MATEMATİK-GEOMETRİ SINAVI LİSANS YERLEŞTİRME SINAVI-1 TESTİ SORU KİTAPÇIĞI 08

MATEMATİK MATEMATİK-GEOMETRİ SINAVI LİSANS YERLEŞTİRME SINAVI-1 TESTİ SORU KİTAPÇIĞI 08 LİSNS YRLŞTİRM SINVI- MTMTİK-GMTRİ SINVI MTMTİK TSTİ SRU KİTPÇIĞI 08 U SRU KİTPÇIĞI LYS- MTMTİK TSTİ SRULRINI İÇRMKTİR. . u testte 0 soru vardýr. MTMTİK TSTİ. evaplarýnýzý, cevap kâðýdýnın Matematik Testi

Detaylı

2.3. MATRİSLER Matris Tanımlama

2.3. MATRİSLER Matris Tanımlama 2.3. MATRİSLER 2.3.1. Matris Tanımlama Matrisler girilirken köşeli parantez kullanılarak ( [ ] ) ve aşağıdaki yollardan biri kullanılarak girilir: 1. Elemanları bir tam liste olarak girmek Buna göre matris

Detaylı

MATEMATİK ÖĞRETMENLİK ALAN BİLGİSİ - DENEME SINAVI DENEME. Diğer sayfaya geçiniz.

MATEMATİK ÖĞRETMENLİK ALAN BİLGİSİ - DENEME SINAVI DENEME. Diğer sayfaya geçiniz. MATEMATİK. DENEME ÖĞRETMENLİK ALAN BİLGİSİ - DENEME SINAVI. f : X tanımlı y = f() fonksiyonu için lim f ( ) = L ise aşağıdaki önermelerden kaç tanesi kesinlikle doğrudur? 0 I. X dir. 0 II. f() fonksiyonu

Detaylı

GEO182 Lineer Cebir. Matrisler. Matrisler. Dersi Veren: Dr. İlke Deniz Derse Devam: %70. Vize Sayısı: 1

GEO182 Lineer Cebir. Matrisler. Matrisler. Dersi Veren: Dr. İlke Deniz Derse Devam: %70. Vize Sayısı: 1 GEO182 Lineer Cebir Dersi Veren: Dr. İlke Deniz 2018 GEO182 Lineer Cebir Derse Devam: %70 Vize Sayısı: 1 Başarı Notu: Yıl içi Başarı Notu %40 + Final Sınavı Notu %60 GEO182 Lineer Cebir GEO182 Lineer Cebir

Detaylı

Kaynak: A. İŞLİER, TESİS PLANLAMASI, 1997

Kaynak: A. İŞLİER, TESİS PLANLAMASI, 1997 Mühendislik Fakültesi Endüstri Mühendisliği Bölümü Doç. Dr. Nil ARAS ENM411 Tesis Planlaması 2016-2017 Güz Dönemi Kaynak: A. İŞLİER, TESİS PLANLAMASI, 1997 2 Tesis Yer Seçimi Problemi (TYSP) TEK AMAÇLI

Detaylı

ÖSYM M TEMEL MATEMATİK TESTİ YGS / MAT. Diğer sayfaya geçiniz. 1. Bu testte 40 soru vardır.

ÖSYM M TEMEL MATEMATİK TESTİ YGS / MAT. Diğer sayfaya geçiniz. 1. Bu testte 40 soru vardır. TEMEL MATEMATİK TESTİ 2011 - YGS / MAT M9991.01001 1. Bu testte 40 soru vardır. 1. 2. 2. Cevaplarınızı, cevap kâğıdının Temel Matematik Testi için ayrılan kısmına işaretleyiniz. işleminin sonucu kaçtır?

Detaylı

DENEY 1 SABİT HIZLA DÜZGÜN DOĞRUSAL HAREKET

DENEY 1 SABİT HIZLA DÜZGÜN DOĞRUSAL HAREKET DENEY 1 SABİT HIZLA DÜZGÜN DOĞRUSAL HAREKET AMAÇ: Bir nesnenin sabit hızda, net gücün etkisi altında olmadan düzgün bir hat üzerinde hareket etmesini doğrulamak ve bu hızı hesaplanmaktır. GENEL BİLGİLER:

Detaylı

Robot İzleme (Robot Tracing)

Robot İzleme (Robot Tracing) SORU : 1 DEĞERİ : 100 PUAN HAZIRLAYAN : Öğr.Gör. Ömer ÇAKIR Robot İzleme (Robot Tracing) Önüne çıkan engelleri aşağıda anlatılan algoritmaya göre aşıp çıkış noktasına ulaşan bir robotun başlangıç noktasından

Detaylı

Lineer Denklem Sistemleri Kısa Bilgiler ve Alıştırmalar

Lineer Denklem Sistemleri Kısa Bilgiler ve Alıştırmalar Lineer Denklem Sistemleri Kısa Bilgiler ve Alıştırmalar Bir Matrisin Rankı A m n matrisinin determinantı sıfırdan farklı olan alt kare matrislerinin boyutlarının en büyüğüne A matrisinin rankı denir. rank(a)

Detaylı

Olasılık, bir deneme sonrasında ilgilenilen olayın tüm olaylar içinde ortaya çıkma ya da gözlenme oranı olarak tanımlanabilir.

Olasılık, bir deneme sonrasında ilgilenilen olayın tüm olaylar içinde ortaya çıkma ya da gözlenme oranı olarak tanımlanabilir. 5.SUNUM Olasılık, bir deneme sonrasında ilgilenilen olayın tüm olaylar içinde ortaya çıkma ya da gözlenme oranı olarak tanımlanabilir. Günlük hayatta sıklıkla kullanılmakta olan olasılık bir olayın ortaya

Detaylı

1998 ÖYS. orantılı olacaktır. Bu iki kardeşten büyük olanın bugünkü yaşı kaçtır? 1. Üç basamaklı bir x doğal sayısının 7

1998 ÖYS. orantılı olacaktır. Bu iki kardeşten büyük olanın bugünkü yaşı kaçtır? 1. Üç basamaklı bir x doğal sayısının 7 998 ÖYS. Üç basamaklı bir doğal sayısının 7 katı, iki basamaklı bir y doğal sayısına eşittir. Buna göre, y doğal sayısı en az kaç olabilir? orantılı olacaktır. Bu iki kardeşten büyük olanın bugünkü yaşı

Detaylı

13. Olasılık Dağılımlar

13. Olasılık Dağılımlar 13. Olasılık Dağılımlar Mühendislik alanında karşılaşılan fiziksel yada fiziksel olmayan rasgele değişken büyüklüklerin olasılık dağılımları için model alınabilecek çok sayıda sürekli ve kesikli fonksiyon

Detaylı

MEH535 Örüntü Tanıma

MEH535 Örüntü Tanıma MEH535 Örüntü Tanıma 3. Denetimli Öğrenme Doç.Dr. M. Kemal GÜLLÜ Elektronik ve Haberleşme Mühendisliği Bölümü web: http://akademikpersonel.kocaeli.edu.tr/kemalg/ E-posta: kemalg@kocaeli.edu.tr Örneklerden

Detaylı

3. BÖLÜM MATRİSLER 1

3. BÖLÜM MATRİSLER 1 3. BÖLÜM MATRİSLER 1 2 11 21 1 m1 a a a v 12 22 2 m2 a a a v 1 2 n n n mn a a a v gibi n tane vektörün oluşturduğu, şeklindeki sıralanışına matris denir. 1 2 n A v v v Matris A a a a a a a a a a 11 12

Detaylı

Örnek Bir zar atıldığında zarın üstünde bulunan noktaların sayısı gözlensin. Çift sayı gelmesi olasılığı nedir? n(s) = 3 6 = 1 2

Örnek Bir zar atıldığında zarın üstünde bulunan noktaların sayısı gözlensin. Çift sayı gelmesi olasılığı nedir? n(s) = 3 6 = 1 2 Bir Olayın Olasılığı P(A) = n(a) n(s) = A nın eleman sayısı S nin eleman sayısı Örnek Bir zar atıldığında zarın üstünde bulunan noktaların sayısı gözlensin. Çift sayı gelmesi olasılığı nedir? Çözüm: S

Detaylı

Robot Teklonolojilerine Giriş. Keşif Algoritmaları. Mehmet Fatih Amasyalı YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Robot Teklonolojilerine Giriş. Keşif Algoritmaları. Mehmet Fatih Amasyalı YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ Robot Teklonolojilerine Giriş Keşif Algoritmaları Mehmet Fatih Amasyalı Robot Gezinimi Bilinen bir ortamda hareket Lokalizasyon (neredeyim) Navigasyon (şuraya nasıl giderim) Bilinmeyen bir ortamda hareket

Detaylı

Özörgütlemeli Öğrenme (SOM) A. Cumhur KINACI

Özörgütlemeli Öğrenme (SOM) A. Cumhur KINACI Özörgütlemeli Öğrenme (SOM) A. Cumhur KINACI Öğrenme Türleri Eğiticili Öğrenme Eğiticisiz Öğrenme: Ağın verilerin sınıflandırmasını dışarıdan yardım almadan kendi başına yapmasıdır. Bunun olabilmesi için

Detaylı

Lineer Bağımlılık ve Lineer Bağımsızlık

Lineer Bağımlılık ve Lineer Bağımsızlık Lineer Bağımlılık ve Lineer Bağımsızlık Yazar Öğr.Grv.Dr.Nevin ORHUN ÜNİTE 5 Amaçlar Bu üniteyi çalıştıktan sonra; Vektör uzayı ve alt uzay yapısını daha iyi tanıyacak, Bir vektör uzayındaki vektörlerin

Detaylı

Hafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti

Hafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti Hafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr

Detaylı

Karar değişkenlere ilişkin fonksiyonların ve bu fonksiyonlara ilişkin sınırlamaların tanımlanması

Karar değişkenlere ilişkin fonksiyonların ve bu fonksiyonlara ilişkin sınırlamaların tanımlanması İNŞAAT PROJELERİNİN PROGRAMLAMA, TASARIM VE YAPIM SÜRECİNDE OPTİMİZASYON Doğrusal Optimizasyon Optimizasyon Kuramı (Eniyileme Süreci) Doğrusal Olmayan Optimizasyon Optimizasyon en iyi çözümü bulma sürecidir.

Detaylı

AST416 Astronomide Sayısal Çözümleme - II. 6. Monte Carlo

AST416 Astronomide Sayısal Çözümleme - II. 6. Monte Carlo AST416 Astronomide Sayısal Çözümleme - II 6. Monte Carlo Bu derste neler öğreneceksiniz? Monte Carlo Yöntemleri Markov Zinciri (Markov Chain) Rastgele Yürüyüş (Random Walk) Markov Chain Monte Carlo, MCMC

Detaylı

Nokta uzayda bir konumu belirtir. Noktanın 0 boyutlu olduğu kabul edilir. Herhangi bir büyüklüğü yoktur.

Nokta uzayda bir konumu belirtir. Noktanın 0 boyutlu olduğu kabul edilir. Herhangi bir büyüklüğü yoktur. Üç Boyutlu Geometri Nokta (Point,Vertex) Nokta uzayda bir konumu belirtir. Noktanın 0 boyutlu olduğu kabul edilir. Herhangi bir büyüklüğü yoktur. Kartezyen Koordinat Sistemi Uzayda bir noktayı tanımlamak

Detaylı

Fen ve Anadolu Liselerine Öğretmen Seçme Sınav Denemesi

Fen ve Anadolu Liselerine Öğretmen Seçme Sınav Denemesi EN LİSELERİ, SOSYL İLİMLER LİSELERİ,SPOR LİSELERİ,NDOLU LİSELERİ ÖĞRETMENLERİNİN SEÇME SINVIN HZIRLIK DENEME SINVI. 2 HZIRLYN : İ:K(2008) idensu@gmail.com kuscuogluibrahim@gmail.com http://idensu.googlepages.com

Detaylı

Elemanter fonksiyonlarla yaklaşım ve hata

Elemanter fonksiyonlarla yaklaşım ve hata Elemanter fonksiyonlarla yaklaşım ve hata Prof. Dr. Erhan Coşkun Karadeniz Teknik Üniversitesi, Fen Fakültesi Matematik Bölümü Kasım, 2018 e 5 Kasım, 2018 1 / 48 Elemanter fonksiyonlarla yaklaşım ve hata

Detaylı

Bilgisayar Programlama MATLAB

Bilgisayar Programlama MATLAB What is a computer??? Bilgisayar Programlama MATLAB Diziler Vektörler Matrisler Prof. Dr. İrfan KAYMAZ What Diz kavramı is a computer??? Bir değişken içerisinde birden çok veri numaralandırılarak tek bir

Detaylı

2 SABİT HIZLI DOĞRUSAL HAREKET

2 SABİT HIZLI DOĞRUSAL HAREKET 2 SABİT HIZLI DOĞRUSAL HAREKET Bu deneyin amacı, hava masası deney düzeneği kullanarak, hiç bir net kuvvetin etkisi altında olmaksızın hareket eden bir cismin düz bir çizgi üzerinde ve sabit hızla hareket

Detaylı

Parametrik Olmayan İstatistik. Prof. Dr. Cenk ÖZLER

Parametrik Olmayan İstatistik. Prof. Dr. Cenk ÖZLER Parametrik Olmayan İstatistik Prof. Dr. Cenk ÖZLER bulunur. Bağımsızlık Testleri Sütun Kategorisi Satır Kategorisi I II III Satır Toplamı A B Sütun Toplamı Genel Toplam Bu kategorilere dayanarak A nın

Detaylı

Jeodezide Yaklaşım Yöntemleri: Enterpolasyon ve Kollokasyon

Jeodezide Yaklaşım Yöntemleri: Enterpolasyon ve Kollokasyon Jeodezide Yöntemleri: ve Lisansüstü Ders Notları Yrd. Doç. Dr. Aydın ÜSTÜN Selçuk Üniversitesi Fen Bilimleri Enstitüsü e-posta: austun@selcuk.edu.tr Konya, 2007 A. Üstün yöntemleri 1 / 28 Bir soruyu ya

Detaylı

2012 YGS MATEMATİK Soruları

2012 YGS MATEMATİK Soruları 01 YGS MATEMATİK Soruları 1. 10, 1, 0, 0, işleminin sonucu kaçtır? A) B), C) 6 D) 6, E) 7. + ABC 4 x 864 Yukarıda verilenlere göre, çarpma işleminin sonucu kaçtır? A) 8974 B) 907 C) 9164 D) 94 E) 98. 6

Detaylı

İleri Diferansiyel Denklemler

İleri Diferansiyel Denklemler MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferansiyel Denklemler 2009 Bahar Bu bilgilere atıfta bulunmak veya kullanım koşulları hakkında bilgi için http://ocw.mit.edu/terms web sitesini ziyaret

Detaylı

Kümeler arası. Küme içi. uzaklıklar. maksimize edilir. minimize edilir

Kümeler arası. Küme içi. uzaklıklar. maksimize edilir. minimize edilir Kümeleme Analizi: Temel Kavramlar ve Algoritmalar Kümeleme Analizi Nedir? Her biri bir dizi öznitelik ile, veri noktalarının bir kümesi ve noktalar arasındaki benzerliği ölçen bir benzerlik ölçümü verilmiş

Detaylı

Rasgele Vektörler Çok Değişkenli Olasılık Dağılımları

Rasgele Vektörler Çok Değişkenli Olasılık Dağılımları 4.Ders Rasgele Vektörler Çok Değişkenli Olasılık Dağılımları Tanım:,U, P bir olasılık uzayı ve X, X,,X n : R n X, X,,X n X, X,,X n olmak üzere, her a, a,,a n R n için : X i a i, i,, 3,,n U özelliği sağlanıyor

Detaylı

Ders: MAT261 Konu: Matrisler, Denklem Sistemleri matrisi bulunuz. olmak üzere X = AX + B olacak şekilde bir X 1.

Ders: MAT261 Konu: Matrisler, Denklem Sistemleri matrisi bulunuz. olmak üzere X = AX + B olacak şekilde bir X 1. Ders: MAT6 Konu: Matrisler, Denklem Sistemleri. A = matrisi bulunuz.. A = a b c d e f ve B = ÇALIŞMA SORULARI- olmak üzere X = AX + B olacak şekilde bir X matrisi satır basamak hale getirildiğinde en fazla

Detaylı

LYS Y OĞRU MTMTİK TSTİ LYS-. u testte Matematik ile ilgili soru vardır.. evaplarınızı, cevap kâğıdının Matematik Testi için ayrılan kısmına işaretleyiniz.. u testteki süreniz 7 dakikadır.. a ve b asal

Detaylı

Veri Bilim - Yapay Öğrenme Yaz Okulu, 2017 Matematiksel Temeller ve Vaka Çalışmaları

Veri Bilim - Yapay Öğrenme Yaz Okulu, 2017 Matematiksel Temeller ve Vaka Çalışmaları Veri Bilim - Yapay Öğrenme Yaz Okulu, 2017 Matematiksel Temeller ve Vaka Çalışmaları Boğaziçi Üniversitesi, TETAM, Kandilli, İstanbul Konu ve Kapsam Bu yaz okulunda veri bilim ve yapay öğrenme alanında

Detaylı

K En Yakın Komşu Methodu (KNearest Neighborhood)

K 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

Detaylı

1. Metrik Uzaylar ve Topolojisi

1. Metrik Uzaylar ve Topolojisi 1. Metrik Uzaylar ve Topolojisi Euclidean R uzayının tabanının B = {(a, b) : a, b R} olduğunu biliyoruz. Demek ki bu uzayda belirleyiçi unsur açık aralıklar. Her açık aralık (a, b) için, olmak üzere, d

Detaylı

BİNOM AÇILIMI. Binom Açılımı. çözüm. kavrama sorusu. çözüm. kavrama sorusu. ö æ ö æ ö,,

BİNOM AÇILIMI. Binom Açılımı. çözüm. kavrama sorusu. çözüm. kavrama sorusu. ö æ ö æ ö,, BİNOM AÇILIMI Binom Açılımı n doğal sayı olmak üzere, (x+y) n ifadesinin açılımını pascal üçgeni yardımıyla öğrenmiştik. Pascal üçgenindeki katsayılar; (x+y) n ifadesi 1. Sütun: (x+y) n açılımındaki katsayılar

Detaylı

Kompozit Malzemeler ve Mekaniği. Yrd.Doç.Dr. Akın Ataş

Kompozit Malzemeler ve Mekaniği. Yrd.Doç.Dr. Akın Ataş Kompozit Malzemeler ve Mekaniği Yrd.Doç.Dr. Akın Ataş Bölüm 4 Laminatların Makromekanik Analizi Kaynak: Kompozit Malzeme Mekaniği, Autar K. Kaw, Çevirenler: B. Okutan Baba, R. Karakuzu. 4 Laminatların

Detaylı

Ders 2: Manifold, kritik noktaları ve indisleri

Ders 2: Manifold, kritik noktaları ve indisleri Ders 2: Manifold, kritik noktaları ve indisleri Geçen ders kullandığımız terimleri düzgün bir biçimde tanımlayarak başlıyoruz. Bu ders için [Mil1] ve [Mats] izlenebilir. 2.1 Türevli manifold Tanım 2. İki

Detaylı

2011 YGS MATEMATİK Soruları

2011 YGS MATEMATİK Soruları 0 YGS MTEMTİK Soruları. + + ) 8 ) 0 ) 6 ) E). a = 6 b = ( a)b olduğuna göre, ifadesinin değeri kaçtır? ) ) 6 ) 9 ) 8 E). (.0 ) ) 0, ) 0, ) 0, ) E) 6. x = y = 8 z = 6 olduğuna göre, aşağıdaki sıralamalardan

Detaylı

Ö Ö Ö ö İ Ö ö Ü ö ö Ö ö İ İ ö öö Ö Ö Ş Ö ö ö Ö Ö» Ö Ö Ö Ş Ö Ö Ö Ö Ö Ö Ö ö Ö ö Ö ö ö ö ö ö ö ö Ğ ö ö ö Ö ö Ö ö» ö Ö Ö ö ö İ ö ö ö Ş ö Ö ö ö ö» Ö Ö ö ö ö ö ö Ö ö ö ö ö ö Ö Ş ö ö ö İ Ö Ş ö Ö ö ö ö ö ö ö İ

Detaylı

DENEY 1 - SABİT HIZLA DÜZGÜN DOĞRUSAL HAREKET

DENEY 1 - SABİT HIZLA DÜZGÜN DOĞRUSAL HAREKET AMAÇ: DENEY 1 - SABİT HIZLA DÜZGÜN DOĞRUSAL HAREKET Bir nesnenin sabit hızda, net kuvvetin etkisi altında olmadan, düzgün bir hat üzerinde hareket etmesini doğrulamak ve bu hızı hesaplamaktır. GENEL BİLGİLER:

Detaylı