MEH535 Örüntü Tanıma
|
|
- Selim Baştürk
- 7 yıl önce
- İzleme sayısı:
Transkript
1 MEH535 Örüntü Tanıma 1. Örüntü Tanımaya Giriş Doç.Dr. M. Kemal GÜLLÜ Elektronik ve Haberleşme Mühendisliği Bölümü web: E-posta:
2 Değerlendirme 2
3 İçerik 1. Giriş (Introduction) (Classification and Regression Basics, Review of Probability and Random Variables, Linear Algebra) 2. Karar Teorisi (Decision Theory) (Likelihood Ratio Test, Error Probability, Bayes Risk, Bayes, Maximum a Posteriori and Maximum Likelihood Criterions, Minimum Error Rule, Discriminant Functions) 3. Denetimli Öğrenme (Supervised Learning) (VC Dimension, Noise, Multiple Class Learning, Regression, Model Selection and Generalization, Dimensions) 4. Parametrik Yöntemler (Parametric Methods) (Maximum Likelihood Estimation, Estimator's Bias and Variance, Bayes Estimator, Parametric Classification and Regression, Tuning Model Complexity, Model Selection Procedures) 5. Çok Değişkenli Yöntemler (Multivariate Methods) (Multivariate Data, Parameter Estimation, Multivariate Normal Distribution, Multivariate Classification, Multivariate Regression) 6. Boyut Azaltımı (Dimensionality Reduction) (Subset Selection, Principal Component Analysis, Linear Discriminant Analysis) 7. Kümeleme (Clustering) (Mixture Densities, k-means Clustering, Expectation Maximization Algorithm, Hierarchical Clustering) 8. Parametrik Olmayan Yöntemler (Non-Parametric Methods) (Non-Parametric Density Estimation: Histogram Estimator, Kernel Estimator, KNN Algorithm, Non-Parametric Regression) 9. Doğrusal Ayrımsama (Linear Discrimination) (Linear Model and Geometry of Linear Discriminant, Support Vector Machines, Kernel Functions) 10. Karar Ağaçları (Decision Trees) (Univariate Trees, Pruning, Rule Extraction from Trees, Multivariate Trees) 3
4 Kaynaklar Ethem Alpaydın, "Introduction to Machine Learning, Second Edition", The MIT Press, ISBN: , Richard O. Duda, Peter E. Hart, David G. Stork, "Pattern Classification, 2nd Edition", Wiley Interscience, ISBN: , S. Theodoridis, K. Koutroumbas, Pattern Recognition, 4th Edition, Academic Press, ISBN: , Keinosuke Fukanaga, Introduction to Statistical Pattern Recognition, 2nd edition, Academic Press, ISBN: , Ders notları: 4
5 Makine Öğrenme Nedir? Örnek veri ya da geçmiş deneyimlerden bir başarım ölçütünü en iyileme Verilerden bilgisayarların veya her türlü yapay zeka makinelerin öğrenmesi için gerekli algoritmaları, yöntemleri, geliştirme süreçlerini inceleyen bilim Denetimli öğrenme (supervised learning) Sınıflandırma (classification) Bağlanım (regression) u Denetimsiz öğrenme (unsupervised learning) Destekli öğrenme (reinforcement learning) - 5
6 Örüntü Tanıma Nedir? Fiziksel nesne ya da olayı, önceden belirlenmiş kategorilere atama (Duda & Hart). Yüksek boyutlu uzayda yoğunluk fonksiyonlarını kestirme ve uzayı kategori ya da sınıf bölgelerine bölme (Fukunaga). Karmaşık işaretlere verilen belli örnekler ve bunlara ait doğru kararları kullanarak, gelecek yeni örnek dizileri için otomatik karar verme (Ripley). Ölçümlerin sınıflandırılması ya da tanımlanması ile ilgilenen bilim (Schalkoff). mfetiketi x gözlemlerine ω ismi verme süreci (Schürmann). Örüntü Tanıma, Bu nedir? sorusuna yanıt verme ile ilgilenir (Mors). x D wi 6
7 İlgili Alanlar ve Uygulamalar Uyarlamalı işaret işleme Makine Öğrenme Yapay sinir ağları Robotik ve görü Bilişsel bilimler Matematiksel istatistik Doğrusal olmayan optimizasyon Araştırmacı veri analizi Bulanık ve genetik sistemler Algılama ve kestirim teorisi Biçimsel diller Yapısal modelleme İmge işleme/bölütleme Bilgisayar görü Konuşma tanıma : Otomatik hedef tespiti Optik karakter tanıma - Sismik analiz İnsan ve makine tanılama Biyometrik tanıma Endüstriyel denetleme Finansal tahmin Tıbbi tanı Biyomedikal işaret analizi Uzaktan algılama 7
8 Elyazısı okuma İlgili Alanlar ve Uygulamalar 8
9 Parmak izi tanıma İlgili Alanlar ve Uygulamalar 9
10 Otonom araçlar İlgili Alanlar ve Uygulamalar 10
11 İlgili Alanlar ve Uygulamalar Bitki örtüsü sınıflandırma: 11
12 Bina tespiti: İlgili Alanlar ve Uygulamalar 12
13 İlgili Alanlar ve Uygulamalar Bina tespiti ve değişim algılama: 13
14 Plaka tanıma: İlgili Alanlar ve Uygulamalar 14
15 İris tanıma: İlgili Alanlar ve Uygulamalar 15
16 Örüntü Tanıma Süreci # Ina yjwtmkamerapjndynmieeke0iai@ln.s 4 P P tgramygma 16
17 Örüntü Tanıma Süreci Detaylı Gösterim at cx Emus ' F tfitimadamasi.to 17
18 nonexn x± w ) Wo FI "# # : Ny wy nz wo ws ( diiwnlilytrme ) hqularizatien Nt w, XN 5±
19 Öznitelik (Feature): Herhangi bir ayırt edici durum, nitelik ya da karakteristik özellik. Sembolik (örn; renk) Nümerik (örn; uzunluk) Öznitelik - tanımlar: Öznitelik ve Örüntü Yet d * * e u Özniteliklerin birleşiminden oluşan d-boyutlu sütun vektörü: öznitelik vektörü (feature vector) 18
20 Öznitelik ve Örüntü Öznitelik vektörü tarafından tanımlanan d-boyutlu uzay: öznitelik uzayı (feature space) Öznitelik uzayında nokta şeklinde nesne gösterimi: saçılım çizimi (scatter plot) 19
21 Öznitelik ve Örüntü Örüntü (Pattern): Bireye ait karakteristik özellikler ya da özniteliklerin birleşimi x ve ω değişkenlerinden oluşan çift x: gözlemler ya da özniteliklerin oluşturduğu öznitelik vektörü ω: gözlemlerin arkasındaki kavram (etiket) örüntü: {x,ω} o. 20
22 Öznitelik Vektörü Nasıl Olmalı? Örneği farklı sınıflardan ayıracak yeteneğe sahip olmalı Aynı sınıftaki Eta örnekler benzer özniteliklere sahip olmalı 21
23 Öznitelik Vektörü Nasıl Olmalı? Farklı saçılım çizimleri:. 22
24 Sınıflandırma Sınıflandırıcının amacı, öznitelik uzayını sınıf etiketli karar bölgelerine ayırmak ' " ' * #E 4e ; Karar bölgeleri arasındaki sınırlar: karar sınırı (decision boundary) x öznitelik vektörü hangi karar bölgesine ait ise, örnek o sınıfa atanır - 23
25 x öznitelik vektörü Sınıflandırma ayırtaç fonksiyonlarının tümünde en büyük değeri üreten ω i sınıfına atanır: - test a{ amasl qyrtaaforhiynbg, aaaeiegitzgtgektsri 24
26 Sınıflandırma Örneği-1. is
27 Sınıflandırma Örneği-2 Kredilendirme: okay Gelir ve birikime göre müşteriye risk atama Ayırtaç: IF income > θ1 AND savings > θ2 - THEN low-risk ELSE high-risk 26
28 Sınıflandırma Örneği-3 Balık paketleme fabrikasında kameralı somon/deniz levreği sınıflandırma sistemi: " Süreç Akış Yönü 27
29 Sınıflandırma Örneği-3 Algılayıcı: Sınıflandırma alanına giren balığın görüntüsünü alan kamera sistemi Ön İşleme: Parlaklık seviyesini ayarlama, gürültü giderimi, ön plan çıkartımı Öznitelik Çıkarımı: Balık uzunluğu Sınıflandırma: Her iki balık türünden örnekler topla K Sınıflar için uzunlun dağılımlarını hesapla Sınıflandırma hatasını en küçükleyecek karar sınırını belirle 28
30 Sınıflandırma Örneği-3 Sınıflandırma hatası %40 ın altına düşmüyor. Ne yapmalıyız? Öznitelik çıkarma işlemine geri dönmeliyiz! Balık pulunun parlaklığını öznitelik olarak alırsak: 29
31 Sınıflandırma Örneği-3 Çoklu Öznitelik Durumu: İki öznitelik birleştirildiğinde başarım ~ % 95 30
32 Sınıflandırma Örneği-3 Sınıflandırma Başarımı Maliyet? Örnekte hatalı sınıflandırma oranını en küçükleyecek karar sınırının bulunması amaçlanmıştı. Ancak bu her problem için geçerli değildir. Örneğin; Satış fiyatı ve lezzet farklılığından dolayı somonu levrek olarak sınıflandırmak müşteride memnuniyet oluşturabilirken; Levreği somun olarak sınıflandırmak müşteri memnuniyetsizliği oluşturabilmektedir 31
33 Çoklu Öznitelik Daha fazla öznitelik eklemek daima sonuçları iyileştirir mi? Güvenilmeyen öznitelikler! Mevcut öznitelikler ile ilinti! Ölçüm maliyeti! Ölçümdeki gürültü! Çok yüksek boyutta çalışmak! 32
34 Genelleştirme Eğitim ile oluşturulan karar mekanizmasının fabrikadaki bantta yüksek başarımda çalışabilmesi gerekir. Yapay Sinir Ağı (YSA) kullanılarak eğitim başarımı ~ %99.9 lara çekildiğinde oluşan karar sınırı: ± Fabrikada bantta YSA ile elde edilen sınıflandırıcı kullanıldığında hatalı sınıflandırma oranı ~ %35 oranına çıkmaktadır! Neden? 33
35 Genelleştirme Farklı bir karar sınırı iyi sonuç verebilir mi? Karmaşık modeller karmaşık sınırlar oluşturabilir Genelleme! Hesapsal yük! Bellek gereksinimi! * % % 34
36 Bağlanım Örneği 2. el araba fiyatı x: araç km Y: fiyat y = wx+w k 7 ' *E 0 y = g (x θ ) g ( ) model, θ: doğru parametreleri 35
37 Bağlanım Örneği in 36
38 Farklı polinom dereceleri: Genelleştirme 0, 37
39 Genelleştirme Neden genelleştirme? Verinin ortalaması 2. dereceden uydurulan polinom Örnek noktaları 38
40 Tasarım Süreci 39
41 Örüntü Tanıma Yaklaşımları İstatistiksel Özniteliklerin istatistiksel modellenmesi temelinde yapılan örüntü sınıflandırma Yapısal Yapısal benzerlik ölçütleri temelli sınıflandırma Bu yaklaşım betimleme için de kullanılır Sinirsel Sinir ağının giriş örüntüsüne verdiği yanıt temelli sınıflandırma 40
42 Örüntü Tanıma Yaklaşımları İstatistiksel Yaklaşımlar Sınıf koşullu olasılık yoğunluk fonksiyonları temelinde tanımlanır Yapısal Yaklaşımlar Yapı, biçimsel gramer ya da ilişkisel betimlemeler (çizgeler) ile gösterilir Tipik olarak, karmaşık örüntülerin hiyerarşik olarak basit alt örüntülerden betimlenmesi şeklindedir Sinirsel Yaklaşımlar Ağın yanıtı, sinaptik ağırlıkların kuvveti ve bağlanırlığı ile tanımlanır Önsel bilgiye pek gerek duymaz Yeterli katman ve sinir ile YSA karmaşık karar bölgeleri oluşturabilir 41
43 İstatistiksel Yaklaşım - Örnek Boyut Azaltımı Yoğunluk Kestirimi 42
44 Yapısal Yaklaşım - Örnek Cümle: isim cümleciği -> fiil cümleciği 43
45 Sinirsel Yaklaşım - Örnek 44
MEH535 Örüntü Tanıma. Karar Teorisi
MEH535 Örüntü Tanıma 2. Karar Teorisi Doç.Dr. M. Kemal GÜLLÜ Elektronik ve Haberleşme Mühendisliği Bölümü web: http://akademikpersonel.kocaeli.edu.tr/kemalg/ E-posta: kemalg@kocaeli.edu.tr Karar Teorisi
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
DetaylıMEH535 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
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
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
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
DetaylıMekatronik Mühendisliği Uygulamalarında Yapay Zekâ. Makine Öğrenmesi. Erhan AKDOĞAN, Ph.D.
Mekatronik Mühendisliği Uygulamalarında Yapay Zekâ Makine Öğrenmesi Erhan AKDOĞAN, Ph.D. Bu ders notunun hazırlanmasında Dr. U.Orhan ve Banu Diri nin ders notlarından yararlanılmıştır. Makine öğrenmesi
DetaylıAkış YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
Akış Makine Öğrenmesi nedir? Günlük Hayatımızdaki Uygulamaları Verilerin Sayısallaştırılması Özellik Belirleme Özellik Seçim Metotları Bilgi Kazancı (Informaiton Gain-IG) Sinyalin Gürültüye Oranı: (S2N
DetaylıDOKUZ EYLÜL ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ DEKANLIĞI DERS/MODÜL/BLOK TANITIM FORMU. Dersin Kodu: CME 4410
Dersi Veren Birim: Bilgisayar Mühendisliği Dersin Türkçe Adı: ÖRÜNTÜ TANIMAYA GİRİŞ Dersin Orjinal Adı: INTRODUCTION TO PATTERN RECOGNITION Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora) Lisans
DetaylıDOKUZ EYLÜL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRLÜĞÜ DERS/MODÜL/BLOK TANITIM FORMU. Dersin Orjinal Adı: Pattern Recognition
Dersi Veren Birim: Fen Bilimleri Enstitüsü Dersin Türkçe Adı: Örüntü Tanıma Dersin Orjinal Adı: Pattern Recognition Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora) Lisansüstü Dersin Kodu: CSE
DetaylıMEH535 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
DetaylıÖrüntü Tanıma (COMPE 467) Ders Detayları
Örüntü Tanıma (COMPE 467) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Örüntü Tanıma COMPE 467 Bahar 3 0 0 3 5 Ön Koşul Ders(ler)i Dersin Dili Dersin Türü
DetaylıHafta 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
DetaylıÖrüntü Tanıma (EE 448) Ders Detayları
Örüntü Tanıma (EE 448) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Örüntü Tanıma EE 448 Bahar 3 0 0 3 5 Ön Koşul Ders(ler)i Dersin Dili Dersin Türü Dersin
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
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
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
Detaylı2.1 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
DetaylıDestekçi Vektör Makineleri. Destekçi Vektör Makineleri(Support Vector Machines)
Destekçi Vektör Makineleri Destekçi Vektör Makineleri(Support Vector Machines) Değişkenler arasındaki örüntülerin bilinmediği veri setlerindeki sınıflama problemleri için önerilmiş bir makine öğrenmesi
DetaylıBüyük Veri ve Endüstri Mühendisliği
Büyük Veri ve Endüstri Mühendisliği Mustafa Gökçe Baydoğan Endüstri Mühendisliği Bölümü Boğaziçi Üniversitesi İstanbul Yöneylem Araştırması/Endüstri Mühendisliği Doktora Öğrencileri Kolokyumu 21-22 Nisan
DetaylıCBS ve Coğrafi Hesaplama
Yıldız Teknik Üniversitesi CBS ve Coğrafi Hesaplama 2. Bölüm Yrd. Doç. Dr. Alper ŞEN Harita Mühendisliği Bölümü Kartografya Anabilim Dalı web: http://www.yarbis.yildiz.edu.tr/alpersen/ E mail: alpersen@yildiz.edu.tr
DetaylıQUANTILE REGRESYON * Quantile Regression
QUANTILE REGRESYON * Quantile Regression Fikriye KURTOĞLU İstatistik Anabilim Dalı Olcay ARSLAN İstatistik Anabilim Dalı ÖZET Bu çalışmada, Lineer Regresyon analizinde kullanılan en küçük kareler yöntemine
Detaylı2015/2016 Bahar Yarıyılı Bitirme Çalışması Konuları. (Doç.Dr. M. Kemal GÜLLÜ)
2015/2016 Bahar Yarıyılı Bitirme Çalışması Konuları (Doç.Dr. M. Kemal GÜLLÜ) 1. Ses temelli malzeme tanıma Malzemelerin çarpma etkisi ile çıkarttıkları seslerin mikrofon ile bir PC ye alınması ve işaretten
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)
DetaylıMEH535 Örüntü Tanıma
MEH535 Örünü Tanıma 4. Paramerik Sınıflandırma Doç.Dr. M. Kemal GÜLLÜ Elekronik ve Haberleşme Mühendisliği Bölümü web: hp://akademikpersonel.kocaeli.edu.r/kemalg/ E-posa: kemalg@kocaeli.edu.r Paramerik
DetaylıDOKUZ EYLÜL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRLÜĞÜ DERS/MODÜL/BLOK TANITIM FORMU. Dersin Kodu: CSE 6003
Dersi Veren Birim: Fen Bilimleri Enstitüsü Dersin Türkçe Adı: Makina Öğrenmesi ve Akıl Yürütme Dersin Orjinal Adı: Machine Learning and Reasoning Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora)
DetaylıMekatronik Mühendisliği Uygulamalarında Yapay Zekâ. Ders 1- Yapay Zekâya Giriş. Erhan AKDOĞAN, Ph.D.
Mekatronik Mühendisliği Uygulamalarında Yapay Zekâ Ders 1- Yapay Zekâya Giriş Erhan AKDOĞAN, Ph.D. Yapay Zekâ nedir?! İnsanın düşünme ve karar verme yeteneğini bilgisayarlar aracılığı ile taklit etmeye
DetaylıDijital Görüntü İşleme Teknikleri
Teknikleri Ders Notları, 2013 Doç. Dr. Fevzi Karslı Harita Mühendisliği Bölümü Mühendislik Fakültesi KTÜ 08 Ekim 2013 Salı 1 Ders Planı ve İçeriği 1. Hafta Giriş, dersin kapsamı, temel kavramlar, kaynaklar.
Detaylı2.1 Bir Sınıfı Örneklerinden Öğrenme... 15 2.2 Vapnik-Chervonenkis (VC) Boyutu... 20 2.3 Olası Yaklaşık Doğru Öğrenme... 21
İçindekiler Önsöz İkinci Basım için Önsöz Türkçe Çeviri için Önsöz Gösterim xiii xv xvii xix 1 Giriş 1 1.1 Yapay Öğrenme Nedir?......................... 1 1.2 Yapay Öğrenme Uygulamalarına Örnekler...............
DetaylıHafta 01 - Giriş. BGM Siber Güvenlik için Makine Öğrenme Yöntemleri. Yüksek Lisans Programı. Dr. Ferhat Özgür Çatak
BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr İstanbul Şehir Üniversitesi 2018 - Bahar İçindekiler
DetaylıKOCAELİ ÜNİVERSİTESİ ELEKTRONİK VE HABERLEŞME MÜHENDİSLİĞİ BÖLÜMÜ 2018/2019 GYY BİTİRME ÇALIŞMASI ÖNERİ FORMU. (Doç.Dr. M.
KOCAELİ ÜNİVERSİTESİ ELEKTRONİK VE HABERLEŞME MÜHENDİSLİĞİ BÖLÜMÜ 2018/2019 GYY BİTİRME ÇALIŞMASI ÖNERİ FORMU (Doç.Dr. M. Kemal GÜLLÜ) Derinlik kamerası ile alınan modellerin birleştirilmesi Derinlik kamerası,
Detaylı2015/2016 Bahar Yarıyılı Bitirme Çalışması Konuları. (Doç.Dr. M. Kemal GÜLLÜ)
2015/2016 Bahar Yarıyılı Bitirme Çalışması Konuları (Doç.Dr. M. Kemal GÜLLÜ) 1. Ses temelli malzeme tanıma Malzemelerin çarpma etkisi ile çıkarttıkları seslerin mikrofon ile bir PC ye alınması ve işaretten
DetaylıMEH535 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
DetaylıKümeleme Algoritmaları. Tahir Emre KALAYCI
Tahir Emre KALAYCI 2010 Gündem En önemli gözetimsiz öğrenme (unsupervised learning) problemi olarak değerlendirilmektedir Bu türdeki diğer problemler gibi etiketsiz veri kolleksiyonları için bir yapı bulmakla
DetaylıSponsorlar için detaylı bilgi, ekte sunulan Sponsor Başvuru Dosyası nda yer almaktadır.
TOK 2014 OTOMATİK KONTROL ULUSAL TOPLANTISI KOCAELİ ÜNİVERSİTESİ İZMİT Sayın Yetkili, Otomatik Kontrol Türk Milli Komitesi nin kararıyla Otomatik Kontrol Ulusal Toplantısı ve Sergisi 2014 (TOK 2014), Kocaeli
DetaylıVeri Madenciliği. Yrd. Doç. Dr. Mustafa Gökçe Baydoğan. blog.mustafabaydogan.
Veri Madenciliği Yrd. Doç. Dr. Mustafa Gökçe Baydoğan mustafa.baydogan@boun.edu.tr www.mustafabaydogan.com blog.mustafabaydogan.com İçerik p Veri Madenciliği nedir? n Bir örnek p Boğaziçi Üniversitesi
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),
DetaylıKaraciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması
Karaciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması 1 Emre DANDIL Bilecik Ş. Edebali Üniversitesi emre.dandil@bilecik.edu.tr +90228 214 1613 Sunum İçeriği Özet Giriş
DetaylıELEKTRİK ELEKTRONİK MÜHENDSİLİĞİ BÖLÜMÜ EĞİTİM ÖĞRETİM YILI YENİ MÜFREDATI
ELEKTRİK ELEKTRONİK MÜHENDSİLİĞİ BÖLÜMÜ 2017-2018 EĞİTİM ÖĞRETİM YILI YENİ MÜFREDATI 1. YARIYIL Adı Z/S T U L K AKTS 1 0500101 Fizik I Z 4 2 0 5 6 2 0500102 Kimya I Z 3 2 0 4 6 3 0500103 Matematik I Z
DetaylıAkış YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
Akış Makine Öğrenmesi nedir? Günlük Hayatımızdaki Uygulamaları Verilerin Sayısallaştırılması Özellik Belirleme Özellik Seçim Metotları Bilgi Kazancı (Informaiton Gain-IG) Sinyalin Gürültüye Oranı: (S2N
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
DetaylıYAPAY SİNİR AĞLARI. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ
YAPAY SİNİR AĞLARI Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ İÇERİK Sinir Hücreleri Yapay Sinir Ağları Yapısı Elemanları Çalışması Modelleri Yapılarına Göre Öğrenme Algoritmalarına Göre Avantaj ve
DetaylıHafta 05 - Karar Ağaçları/Kümeleme
BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr İstanbul Şehir Üniversitesi 2018 - Bahar İçindekiler
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
DetaylıBüyük boyutun laneti (Curse of Dimensionality)
Büyük boyutun laneti (Curse of Dimensionality) p Veri boyutu arttıkça örnekler (noktalar) uzay içinde çok fazla dağınık hale gelir. p Noktaların yoğunluğu ya da aralarındaki uzaklık bir çok problem için
Detaylı2. BASİT DOĞRUSAL REGRESYON 12
1. GİRİŞ 1 1.1 Regresyon ve Model Kurma / 1 1.2 Veri Toplama / 5 1.3 Regresyonun Kullanım Alanları / 9 1.4 Bilgisayarın Rolü / 10 2. BASİT DOĞRUSAL REGRESYON 12 2.1 Basit Doğrusal Regresyon Modeli / 12
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
DetaylıGörüntü Sınıflandırma
Görüntü Sınıflandırma Chapter 12 https://www.google.com.tr/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&uact=8&ved=0 CBwQFjAA&url=http%3A%2F%2Ffaculty.une.edu%2Fcas%2Fszeeman%2Frs%2Flect%2FCh%2 52012%2520Image%2520Classification.ppt&ei=0IA7Vd36GYX4Uu2UhNgP&usg=AFQjCNE2wG
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
DetaylıEĞĠTĠM-ÖĞRETĠM PLANI
T.C. ERCĠYES ÜNĠVERSĠTESĠ Mühendislik Fakültesi Endüstri Mühendisliği Bölümü 2015-2016 EĞĠTĠM-ÖĞRETĠM PLANI I. YARIYIL II. YARIYIL Ders Kodu Ders Adı T P K ECTS Ön şart* Ders Kodu Ders Adı T P K ECTS Ön
DetaylıKIRIKKALE ÜNİVERSİTESİ FEN-EDEBIYAT FAKÜLTESİ İSTATİSTİK BÖLÜMÜ LİSANS PROGRAMI
KIRIKKALE ÜNİVERSİTESİ FEN-EDEBIYAT FAKÜLTESİ İSTATİSTİK BÖLÜMÜ LİSANS PROGRAMI Kırıkkale Üniversitesi Fen-Edebiyat Fakültesi İstatistik Bölümü Lisans Programı, Kırıkkale Üniversitesi Önlisans ve Lisans
DetaylıİTÜ LİSANSÜSTÜ DERS KATALOG FORMU (GRADUATE COURSE CATALOGUE FORM)
Dersin Adı Makine Öğrenmesi İTÜ LİSANSÜSTÜ DERS KATALOG FORMU (GRADUATE COURSE CATALOGUE FORM) Course Name Machıne Learnıng Kodu (Code) BLG527E Lisansüstü Program (Graduate Program) Dersin Türü (Course
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
DetaylıYapı Kredi Bankası Ar-Ge Çalışmaları Araştırma, Vizyon ve Uygulama. Eğitmen: Onur AĞIN
Yapı Kredi Bankası Ar-Ge Çalışmaları Araştırma, Vizyon ve Uygulama Eğitmen: Onur AĞIN 2016 Biz Kimiz? Kuruluş 9Eylül 2013 14 Kişilik bir Takım 11 Ar-Ge Mühendisi 2 Ar-Ge Koordinatörü 1 Müdür Yenilik Prototip
DetaylıUYGULAMA 1 SPSS E GİRİŞ. SPSS; File, Edit, View, Data, Transform, Analyze, Graphs, Utilities, Window, Help adlı 10 adet program menüsü içermektedir.
1 UYGULAMA 1 SPSS E GİRİŞ SPSS; File, Edit, View, Data, Transform, Analyze, Graphs, Utilities, Window, Help adlı 10 adet program menüsü içermektedir. Bu menülerin işlevleri ve alt menüleri ile komutları
DetaylıADNAN MENDERES ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MATEMATİK ANABİLİM DALI MATEMATİK PROGRAMI DERS LİSTESİ
Ders List ADNAN MENDERES ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MATEMATİK ANABİLİM DALI MATEMATİK PROGRAMI DERS LİSTESİ 17.11.2016 Yüksek Lisans Dersleri Kod Ders Adı Ders Adı (EN) T U L K AKTS MTK501 Reel
DetaylıGözetimli & Gözetimsiz Öğrenme
Bölüm 5. Sınıflandırma 1 http://ceng.gazi.edu.tr/~ozdemir Gözetimli & Gözetimsiz Öğrenme Predictive Data Mining vs. Descriptive Data Mining Gözetimli (Supervised) öğrenme= sınıflandırma (clasification)
DetaylıZeki 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:
DetaylıEĞĠTĠM-ÖĞRETĠM PLANI
T.C. ERCĠYES ÜNĠVERSĠTESĠ Mühendislik Fakültesi Endüstri Mühendisliği Bölümü 2016-2017 EĞĠTĠM-ÖĞRETĠM PLANI I. YARIYIL II. YARIYIL ENM 101 Matematik I 4 0 6 6 ENM 102 Matematik II 4 0 6 6 ENM 103 Fizik
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.
DetaylıVERİ 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
DetaylıBÜYÜK VERI UYGULAMALARı DERS 4. Doç. Dr. Yuriy Mishchenko
BÜYÜK VERI UYGULAMALARı DERS 4 Doç. Dr. Yuriy Mishchenko PLAN Lineer modeller Öznitelik seçilmesi Model oluşturulması BÜYÜK VERI VE MAKINE ÖĞRENME 3 BÜYÜK VERI VE MAKINE ÖĞRENME Büyük veri uygulamaları,
DetaylıConcept Learning. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ. Yapay Zeka - Kavram Öğrenme
Concept Learning Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ 1 İÇERİK Öğrenme Metotları Kavram Öğrenme Nedir? Terminoloji Find-S Algoritması Candidate-Elimination Algoritması List-Then Elimination Algoritması
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
DetaylıBilgisayarla Görüye Giriş
Bilgisayarla Görüye Giriş Ders 10 Nesne / Yüz Tespiti ve Tanıma Alp Ertürk alp.erturk@kocaeli.edu.tr Nesne Tespiti Belirli bir nesnenin sahne içindeki konumunun tespitidir Tespit edilecek nesne önceden
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
Detaylı1. YIL 1. DÖNEM DERS KODU DERS ADI T+U+L KREDİ AKTS. Atatürk İlkeleri ve İnkılap Tarihi I
SEYDİŞEHİR AHMET CENGİZ MÜHENDİSLİK FAKÜLTESİ 2018-2019 EĞİTİM ÖĞRETİM YILI BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ DERS MÜFREDATI VE AKTS (ECTS) KREDİLERİ NORMAL ÖĞRETİM 1. YIL 1. DÖNEM 0370060001 Algoritma ve
DetaylıREGRESYON ANALİZİ VE UYGULAMA. Yrd. Doç. Dr. Hidayet Takcı
REGRESYON ANALİZİ VE UYGULAMA Yrd. Doç. Dr. Hidayet Takcı htakci@cumhuriyet.edu.tr Sunum içeriği Bu sunumda; Lojistik regresyon konu anlatımı Basit doğrusal regresyon problem çözümleme Excel yardımıyla
Detaylıİş Zekası. Hafta 6 Kestirimci Modelleme Teknikleri. Yrd. Doç. Dr. H. İbrahim CEBECİ
İş Zekası Hafta 6 Kestirimci Modelleme Teknikleri Business Intelligence and Analytics: Systems for Decision Support 10e isimli eserden adapte edilmiştir Bölüm Amaçları Yapay Sinir Ağları (YSA) kavramını
DetaylıYAPAY ZEKA VE DERİN ÖĞRENMENİN GÜNÜMÜZDEKİ UYGULAMA ALANLARI
YAPAY ZEKA VE DERİN ÖĞRENMENİN GÜNÜMÜZDEKİ UYGULAMA ALANLARI DR. ÖĞR. ÜYESİ GÖKHAN ALTAN BİLGİSAYAR MÜH. BÖL. İSKENDERUN TEKNİK ÜNİVERSİTESİ KONUŞMA İÇERİĞİ Bilgisayar Bilimi Makine Öğrenmesi nedir? Makine
DetaylıMÜHENDİSLİK VE TEKNOLOJİ FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ 2016/2017 ÖĞRETİM YILI 1. YARIYIL FİNAL SINAVI PROGRAMI 1. SINIF
BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ 1. SINIF 2 Ocak Pazartesi 3 Ocak Salı 4 Ocak Çarşamba 5 Ocak Perşembe 6 Ocak Cuma Bilgisayar Mühendisliğine Giriş Fransızca I Sınıf: 118-222 Kimya I Sınıf: 118-231-314 BİLGİSAYAR
DetaylıEkonometri I VARSAYIMLARI
Ekonometri I ÇOK DEĞİŞKENLİ REGRESYON MODELİNİN VARSAYIMLARI Hüseyin Taştan Temmuz 23, 2006 İçindekiler 1 Varsayım MLR.1: Parametrelerde Doğrusallık 1 2 Varsayım MLR.2: Rassal Örnekleme 1 3 Varsayım MLR.3:
DetaylıEĞĠTĠM-ÖĞRETĠM PLANI
T.C. ERCĠYES ÜNĠVERSĠTESĠ Mühendislik Fakültesi Endüstri Mühendisliği Bölümü 2014-2015 EĞĠTĠM-ÖĞRETĠM PLANI I. YARIYIL II. YARIYIL ENM 101 Matematik I 4 0 4 6 ENM 102 Matematik II 4 0 4 6 ENM 103 Fizik
DetaylıKümeler 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
Detaylı1. SINIF GÜZ YARIYILI Y. YIL ÖN KOŞUL DERSİN KODU DERSİN ADI Z/S T U L TOPLAM KREDİ AKTS
1. SINIF GÜZ YARII I.YARI ADI Z/S T U L KREDİ AKTS UNV13101 TÜRK DİLİ-I Z 2 0 0 2 2 2 UNV13103 ATATÜRK İLKELERİ VE INKILAP TARİHİ-I Z 2 0 0 2 2 2 UNV13105 İNGİLİZCE-I Z 4 0 0 4 4 4 UNV13107 TEMEL BİLGİ
DetaylıBSM-767 MAKİNE ÖĞRENMESİ. Doğrusal Ayırıcılar (Linear Discriminants)
BSM-767 MAKİNE ÖĞRENMESİ Doğrusal Ayırıcılar (Linear Discriminants) Yrd. Doç. Dr. Ümit ATİLA umitatila@karabuk.edu.tr http://web.karabuk.edu.tr/umitatilla/ Perceptron Perceptron, bir giriş kümesinin ağırlıklandırılmış
DetaylıMuhammet Fatih AKBAŞ, Enis KARAARSLAN, Cengiz GÜNGÖR
Yazılım Tanımlı Ağların Güvenliğinde Yapay Zeka Tabanlı Çözümler: Ön İnceleme Muhammet Fatih AKBAŞ, Enis KARAARSLAN, Cengiz GÜNGÖR İzmir Katip Çelebi Üniversitesi, Muğla Sıtkı Koçman Üniversitesi, Ege
Detaylıİlk Yapay Sinir Ağları. Dr. Hidayet Takçı
İlk Yapay Sinir Ağları Dr. Hidayet htakci@gmail.com http://htakci.sucati.org Tek katmanlı algılayıcılar (TKA) Perceptrons (Rosenblat) ADALINE/MADALINE (Widrow and Hoff) 2 Perseptron eptronlar Basit bir
Detaylı3 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI
ÖNSÖZ İÇİNDEKİLER III Bölüm 1 İSTATİSTİK ve SAYISAL BİLGİ 11 1.1 İstatistik ve Önemi 12 1.2 İstatistikte Temel Kavramlar 14 1.3 İstatistiğin Amacı 15 1.4 Veri Türleri 15 1.5 Veri Ölçüm Düzeyleri 16 1.6
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
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
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
DetaylıBilgisayar Mühendisliği. Bilgisayar Mühendisliğine Giriş 1
Bilgisayar Mühendisliği Bilgisayar Mühendisliğine Giriş 1 Mühendislik Nedir? Mühendislik, bilim ve matematiğin yararlı cihaz ve sistemlerin üretimine uygulanmasıdır. Örn: Elektrik mühendisleri, elektronik
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
DetaylıMakine Öğrenmesi İle Duygu Analizinde Veri Seti Performansı
Makine Öğrenmesi İle Duygu Analizinde Veri Seti Performansı Hatice NİZAM İstanbul Üniversitesi Bilgisayar Mühendisliği Bölümü haticenizam@outlook.com Saliha Sıla AKIN ERS Turizm Yazılım Şirketi, Bilgisayar
DetaylıBÖLÜM-1.BİLİM NEDİR? Tanımı...1 Bilimselliğin Ölçütleri...2 Bilimin İşlevleri...3
KİTABIN İÇİNDEKİLER BÖLÜM-1.BİLİM NEDİR? Tanımı...1 Bilimselliğin Ölçütleri...2 Bilimin İşlevleri...3 BÖLÜM-2.BİLİMSEL ARAŞTIRMA Belgesel Araştırmalar...7 Görgül Araştırmalar Tarama Tipi Araştırma...8
DetaylıSIRA İSTATİSTİKLERİ VE UYGULAMA ALANLARINDAN BİR ÖRNEĞİN DEĞERLENDİRMESİ
Sıra İstatistikleri ve Uygulama Alanlarından Bir Örneğin Değerlendirmesi 89 SIRA İSTATİSTİKLERİ VE UYGULAMA ALANLARINDAN BİR ÖRNEĞİN DEĞERLENDİRMESİ Esin Cumhur PİRİNÇCİLER Araş. Gör. Dr., Çanakkale Onsekiz
DetaylıMatris 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
DetaylıAppendix C: İstatistiksel Çıkarsama
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix C: İstatistiksel Çıkarsama
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
DetaylıKre di. Ders Kodu BIL-107. Açıklama Eşdeğer Akademik Araştırma ve EHB-119 Sunum I. MAT-151 Matematik I MAT-152 Matematik II
1. Yarıyıl Adı Kre di AK TS EHB-105 Algoritma ve Programlama 2+2 5 BIL-107 Bilgisayar Mühendisliği in Adı Algoritma ve Programlama 3+1 7 Akademik Araştırma ve EHB-119 Sunum I 1+1 2 FIZ-145 Fizik I 3+0
DetaylıYTÜ İktisat Bölümü EKONOMETRİ I Ders Notları
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix C: İstatistiksel Çıkarsama Doç.
DetaylıVeri Madenciliği. Bölüm 5. Sınıflandırma 1. Doç. Dr. Suat Özdemir.
Bölüm 5. Sınıflandırma 1 http://ceng.gazi.edu.tr/~ozdemir Gözetimli & Gözetimsiz Öğrenme Predictive Data Mining vs. Descriptive Data Mining Gözetimli (Supervised) öğrenme= sınıflandırma (clasification)
Detaylı1. SINIF GÜZ YARIYILI Y. YIL ÖN KOŞUL DERSİN KODU DERSİN ADI Z/S T U L TOPLAM KREDİ AKTS
III.YARI II.YARI I.YARI 1. SINIF GÜZ YARII ADI Z/S T U L KREDİ AKTS UNV13101 TÜRK DİLİ-I Z 2 0 0 2 2 2 UNV13103 ATATÜRK İLKELERİ VE INKILAP TARİHİ-I Z 2 0 0 2 2 2 UNV13105 İNGİLİZCE-I Z 4 0 0 4 4 4 MUF16101
DetaylıTURGUT ÖZAL ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ. DERS TANITIM ve UYGULAMA BİLGİLERİ. Ders. Yarıyılı
TURGUT ÖZAL ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ DERS TANITIM ve UYGULAMA BİLGİLERİ Dersin Adı Kodu Yarıyılı Ders (Saat/Hafta) Uygulama 3 Kredisi ECTS (Saat/Hafta) Veri Yapıları ve
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
DetaylıMEKATRONİK MÜHENDİSLİĞİ YÜKSEK LİSANS PROGRAMI
MEKATRONİK MÜHENDİSLİĞİ YÜKSEK LİSANS PROGRAMI Mekatronik Mühendisliği Yüksek Lisans programının eğitim dili İngilizce olup, tezli ve tezsiz iki programdan oluşmaktadır. Tezli programda öğrencilerin; -
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,
DetaylıEndüstri Mühendisliği - 1. yarıyıl. Academic and Social Orientation. 441000000001101 Fizik I Physics I 3 0 1 4 4 6 TR
- - - - - Bölüm Seçin - - - - - Gönder Endüstri Mühendisliği - 1. yarıyıl 141000000001101 Akademik ve Sosyal Oryantasyon Academic and Social Orientation 1 0 0 1 0 1 TR 441000000001101 Fizik I Physics I
Detaylı(20/07/2017 tarih, 82 sayılı Senato toplantısının 18 nolu karar ekidir.)
(20/07/2017 tarih, 82 sayılı Senato toplantısının 18 nolu karar ekidir.) KIRKLARELİ ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ ÖRGÜN ÖĞRETİM DERS PLANI (2017-2018 eğitim-öğretim
Detaylı