Web Madenciliği (Web Mining)
|
|
- Bilge Gökçek
- 7 yıl önce
- İzleme sayısı:
Transkript
1 Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Birliktelik Kuralları Birliktelik Kurallarının Temelleri Support ve Confidence Apriori Algoritması Frequent itemset oluşturulması Birliktelik Kuralı Oluşturulması Birliktelik Kural Madenciliği için Veri Formatları Çoklu Minimum Destek Sınıf Birliktelik Kural Madenciliği Çoklu Minimum Destek ile Madencilik 2 1
2 Birliktelik Kuralları Birliktelik kuralları büyük verilerdeki analizler için önemli bir yere sahiptir. Birliktelik kural madenciliği veri madenciliğinin temel çalışma alanlarından birisidir. Birliktelik kuralları, üzerinde en çok çalışma yapılan ve yaygın uygulanan modeldir. Birliktelik kuralları modelinin amacı, veri parçalarının birlikte gerçekleşme (co-occurence) ilişkilerinin tümünü ortaya çıkarmaktır. Agrawal ve arkadaşları* tarafından 1993 yılında önerilmesinden sonra bir çok alanda başarılı bir şekilde uygulanmıştır. * R. Agrawal, T. Imielinski, and A. N. Swami. Mining Association Rules between Sets of Items in Large Databases. In Proc. of the ACM SIGMOD Intl. Conf. on Management of Data (SIGMOD 93), pp , Birliktelik Kuralları Birliktelik kural madenciliğindeki klasik uygulama alanı market sepeti veri analizidir. Market sepeti analizinde, müşterilerin aldıkları ürünler arasındaki ilişkiler ortaya çıkartılır. Peynir Ekmek [support = 10%, confidence = 75%] Yukarıdaki kuralda, tüm müşterilerin %10 u peynir ve ekmeği birlikte almıştır (support). Yukarıdaki kuralda, peynir alan müşterilerin %75 i ekmeği de almıştır (confidence). 4 2
3 Birliktelik Kuralları Birliktelik kural madenciliği ürünlerin sırasını dikkate almaz. Sıralı örüntü madenciliği ise ürünlerin sırasıyla ilgilenir. Sıralı örüntü madenciliğinde müşterilerin %5 i önce ekmek sonra peynir daha sonra zeytin almaktadır şeklinde kural elde edilir. Bu tür kurallar Web kullanım madenciliğinde clickstream analizinde veya dilsel örüntülerin bulunması amacıyla kullanılır. 5 Konular Birliktelik Kuralları Birliktelik Kurallarının Temelleri Support ve Confidence Apriori Algoritması Frequent itemset oluşturulması Birliktelik Kuralı Oluşturulması Birliktelik Kural Madenciliği için Veri Formatları Çoklu Minimum Destek Sınıf Birliktelik Kural Madenciliği Çoklu Minimum Destek ile Madencilik 6 3
4 Birliktelik Kurallarının Temelleri Birliktelik kural madenciliği aşağıdaki gibi ifade edilir: Burada, I parçalar (items) kümesi, T işlemler (transactions) kümesidir. Her bir işlem bir grup parçadan oluşan kümedir ve şeklinde ifade edilir. Birliktelik kuralı ise aşağıdaki gibi gösterilir: Burada X ve Y parça kümesi (itemset) olarak ifade edilir. 7 Örnek Birliktelik Kurallarının Temelleri Bir müşteri I kümesindeki ürünlere sahip bir marketten üç tane ürün alıyor. Bu işlem aşağıdaki gibidir. Bir birliktelik kuralı aşağıdaki gibi olabilir. Burada, şeklinde ifade edilir. 8 4
5 Konular Birliktelik Kuralları Birliktelik Kurallarının Temelleri Support ve Confidence Apriori Algoritması Frequent itemset oluşturulması Birliktelik Kuralı Oluşturulması Birliktelik Kural Madenciliği için Veri Formatları Çoklu Minimum Destek Sınıf Birliktelik Kural Madenciliği Çoklu Minimum Destek ile Madencilik 9 Support ve Confidence Support t i T transaction ı, X itemset ini kapsar (eğer X itemset i t i transaction ının alt kümesi ise (X t i )). X itemset inin destek sayısı (support count), T içerisinde X i kapsayan transaction sayısıdır ve X.count şeklinde gösterilir. X Y kuralının support değeri, T tüm transaction lar kümesinde X Y itemset ini içeren transaction ların oranıdır. Bir kuralın support değeri, olma olasılığını gösterir ve Pr(X Y) şeklinde ifade edilir. X Y kuralının support değeri aşağıdaki eşitlikle hesaplanır. Burada, n toplam transaction sayısını gösterir. 10 5
6 Support ve Confidence Confidence X Y kuralının confidence değeri, T tüm transaction lar kümesinde X ile Y itemset lerini birlikte içeren transaction ların, X i bulunduran transactionlar içerisindeki oranıdır. Bir kuralın confidence değeri, şartlı olasılık ile ifade edilir ve Pr(Y X) şeklinde gösterilir. X Y kuralının confidence değeri aşağıdaki eşitlikle hesaplanır. Burada, n toplam transaction sayısını gösterir. Confidence bir kuralın öngörülebilirliğini (predictability) belirler. 11 Support ve Confidence Birliktelik kural madenciliği, verilen bir T transaction lar kümesinde, önceden belirlenmiş support ve confidence değerlerine eşit veya büyük olan birliktelik kurallarının elde edilmesini amaçlar. Kullanıcı tarafından belirlenmiş olan support ve confidence değerlerine minimum support (minsup) ve minimum confidence (minconf) denilmektedir. 12 6
7 Support ve Confidence Örnek Aşağıda 7 transaction a sahip olan T kümesi verilmiştir. I kümesi markette satılan tüm parçaları içermektedir. minsup = 30% ve minconf = 80% için kurallar bulalım. Transaction lar için aşağıdaki kurallar support = 42,86% (>30%) ve confidence = 100% (>80%) değerine sahiptir ve geçerlidir. 13 Konular Birliktelik Kuralları Birliktelik Kurallarının Temelleri Support ve Confidence Apriori Algoritması Frequent itemset oluşturulması Birliktelik Kuralı Oluşturulması Birliktelik Kural Madenciliği için Veri Formatları Çoklu Minimum Destek Sınıf Birliktelik Kural Madenciliği Çoklu Minimum Destek ile Madencilik 14 7
8 Apriori Algoritması Apriori algoritması iki aşamadan oluşmaktadır: Tüm frequent itemset lerin oluşturulması. Frequent itemset, minsup değerine sahip item lar kümesidir. Frequent itemset lerden güvenilir birliktelik kurallarının oluşturulması. Güvenilir birliktelik kuralı, minconf değerine sahip kuraldır. Bir itemset içindeki eleman sayısı k ise bu itemset k-itemset olarak adlandırılır. Aşağıdaki itemset minsup değerini sağlıyorsa, frequent 3- itemset tir. 15 Apriori Algoritması minsup = 30% ve minconf = 80% değerlerini alalım. Yukarıdaki frequent 3-itemset için minsup ve minconf değerlerini sağlayan aşağıdaki birliktelik kuralları yazılabilir. 16 8
9 Konular Birliktelik Kuralları Birliktelik Kurallarının Temelleri Support ve Confidence Apriori Algoritması Frequent itemset oluşturulması Birliktelik Kuralı Oluşturulması Birliktelik Kural Madenciliği için Veri Formatları Çoklu Minimum Destek Sınıf Birliktelik Kural Madenciliği Çoklu Minimum Destek ile Madencilik 17 Frequent itemset oluşturulması Downward closure property Eğer bir itemset minsup değerine sahipse, bu itemset in boş küme hariç tüm altkümeleri de minsup değerine sahiptir. Apriori property Bir transaction, X deki item lara sahipse, X in boş küme hariç tüm alt kümelerine de sahip olmak zorundadır. Pruning Apriori algoritması minsup değerine sahip olmayan birliktelik kural adaylarını temizler. 18 9
10 Frequent itemset oluşturulması I itemset içerisindeki elemanların tümüyle sıralı (lexicographic order) olduğunu varsayar. Bir k-itemset aşağıdaki gibi gösterilir ve w[1], w[2], w[k] birer item dır. Apriori algoritması tüm frequent itemset lerin verileri üzerinden birden fazla geçerek işlem yapar. Apriori algoritması level-wise search yapar ve her geçişte her bir item için support değerlerini ve frequent olup olmadıklarını belirler. Önce her bir item için frequent 1-itemset i oluşturur ve her iterasyonda 2-itemset, 3-itemset şeklinde artarak devam eder. 19 Konular Birliktelik Kuralları Birliktelik Kurallarının Temelleri Support ve Confidence Apriori Algoritması Frequent itemset oluşturulması Birliktelik Kuralı Oluşturulması Birliktelik Kural Madenciliği için Veri Formatları Çoklu Minimum Destek Sınıf Birliktelik Kural Madenciliği Çoklu Minimum Destek ile Madencilik 20 10
11 Algoritma Her item için support değeri hesaplanır. Candidate 1-itemset oluşturulur. 1-itemset Candidate k-itemset oluşturulur. Candidate k-itemset elemanlarının T içerisindeki sayısı (support) bulunur. Frequent k-itemset oluşturulur. 21 Algoritma Son elemanları farklı Joining aşaması Pruning aşaması 22 11
12 Örnek Algoritma Aşağıda 3. seviyede oluşturulan frequent 3-itemset verilmiştir. Join aşamasında {1, 2, 3, 4} ve {1, 3, 4, 5} oluşturulur. {1, 2, 3, 4} birinci ve ikinci itemset leri ile oluşturulur. {1, 3, 4, 5} ise {1, 3, 4} ile {1, 3, 5} itemset leri ile oluşturulur. Pruning aşamasından sonra sadece {1, 2, 3, 4} kalır. {1, 4, 5} kümesi ve {3, 4, 5} kümesi, frequent 3-itemset içerisinde olmadığından {1, 3, 4, 5} silinir. 23 Örnek Algoritma minsup=
13 Örnek Algoritma Aşağıda 7 transaction a sahip bir T kümesi verilmiştir. minsup = 30% (en az 3/7) olarak alarak tüm frequent itemset lerini bulalım. 25 Algoritma Örnek devam Her item sonunda support değerleri verilmiştir. Support değerinin en az 3 olması gereklidir (3/7 > 30%). {Beef, Cheese, Chicken} oluşturulur. Ancak, {Cheese, Chicken} F 2 içinde olmadığından, {Beef, Cheese, Chicken} silinir ve C 3 içerisinde yer almaz
14 Algoritma Algoritmanın değerlendirilmesi Exponential bir algoritmadır. I kümesindeki eleman sayısı m ise O(2 m ) karmaşıklığına sahiptir. Market sepeti örneğinde olduğu gibi, market çok sayıda ürünü satar ancak müşteri bir kısmını alır (sparseness). Algoritma transaction kümesindeki veri seyrekliğine göre daha etkin çalışır. tüm veriyi hafızaya yüklemeden çalışır ve verileri teker teker tarayıp işlem yapar (satır 5-10 arasında). Ölçeklenebilirliği yüksektir ve çok büyük boyutlardaki veriler üzerinde çalışabilir. Level-wise search yaptığından istenilen seviyede sonlandırılabilir. Birliktelik kurallarında çok sayıda (binlerce) kural oluşturulabilir ve faydalı olanların bulunması çok zordur (Interestingness problem). 27 Konular Birliktelik Kuralları Birliktelik Kurallarının Temelleri Support ve Confidence Apriori Algoritması Frequent itemset oluşturulması Birliktelik Kuralı Oluşturulması Birliktelik Kural Madenciliği için Veri Formatları Çoklu Minimum Destek Sınıf Birliktelik Kural Madenciliği Çoklu Minimum Destek ile Madencilik 28 14
15 Birliktelik Kuralı Oluşturulması Bazı uygulamalarda frequent itemset leri kullanarak tüm birliktelik kurallarının oluşturulması gereklidir. Bir f frequent itemset için kural oluştururken f kümesinin tüm altkümeleri kullanılır. Confidence değerine bağlı olarak bir frequent item için kural aşağıdaki gibi elde edilebilir: Burada f.count ile (f- ).count tüm transaction kümesi T deki sayılarını gösterir. f frequent item için support değeri ise f.count / n ile gösterilir. 29 Birliktelik Kuralı Oluşturulması Eğer f frequent itemset ise, Apriori algoritması boş küme hariç tüm altkümelerinin de frequent itemset olmasını gerektirir. Bu yüzden kural oluştururken yeniden itemset taramasına gerek yoktur. Eğer (f- ) kuralı geçerliyse, (f- sub ) sub kuralları da geçerlidir. Eğer {A, B, C, D} itemset için (A, B C, D) kuralı varsa, (confidence dikkate alınmadan), (A, B, C D) ve (A, B, D C) kuralları da geçerlidir. Eğer {A, B, C, D} itemset için (A, B, C D) kuralı varsa, (confidence dikkate alındığında), (A, B C, D) ve (A, C B, D) kuralları da geçerlidir
16 Konular Birliktelik Kuralları Birliktelik Kurallarının Temelleri Support ve Confidence Apriori Algoritması Frequent itemset oluşturulması Birliktelik Kuralı Oluşturulması Birliktelik Kural Madenciliği için Veri Formatları Çoklu Minimum Destek Sınıf Birliktelik Kural Madenciliği Çoklu Minimum Destek ile Madencilik 31 Algoritma Öncelikle 1 elemana sahip ardıl kısımlardan oluşan kurallar elde edilir. Son elemanlardan oluşan küme 1 elemanlı ardıl kısımlara sahip kurallar oluşturulur. minsup = %30 ve minconf = %
17 Algoritma {Chicken, Clothes, Milk}.count/Clothes.count 33 Örnek Algoritma Aşağıdaki T kümesi için minsup = %30 ve minconf = %80 olsun. Aşağıdaki frequent itemset ler elde edilir
18 Algoritma Örnek devam F 3 için kurallar aşağıdaki gibi elde edilebilir. minconf = %80 gerektiğinden dolayı genrules() algoritmasının 2.satırında 1. ve 3. frequent itemset ler alınır. Böylelikle H 1 = {{Chicken}, {Milk}} olarak elde edilir. F 3 ve H 1 için ap-genrules() algoritması çağrılır. Bu algoritmanın 2.satırındaki candidate-gen() fonksiyonuyla H 2 = {{Chicken, Milk}} elde edilir. 35 Algoritma Örnek devam ap-genrules() algoritmasının 2.satırında H 2 = {{Chicken, Milk}} elde edildikten sonra aşağıdaki 4.kural oluşturulur: F 3 = {Chicken, Clothes, Milk} frequent itemset i kullanılarak aşağıdaki 4 kural elde edilmiş olur. Bunlardan bir tanesi minconf değerini sağlamadığından silinir
19 Konular Birliktelik Kuralları Birliktelik Kurallarının Temelleri Support ve Confidence Apriori Algoritması Frequent itemset oluşturulması Birliktelik Kuralı Oluşturulması Birliktelik Kural Madenciliği için Veri Formatları Çoklu Minimum Destek Sınıf Birliktelik Kural Madenciliği Çoklu Minimum Destek ile Madencilik 37 Birliktelik Kural Madenciliği için Veri Formatları Birliktelik kural madenciliği ilişkisel veritabanlarında da uygulanabilir. VTYS içerisindeki tablonun bir transaction veri kümesine dönüştürülmesi gereklidir. Bunun için özellik-değer (attribute-value) ikilisinin elde edilmesi yeterlidir. Aşağıdaki tablodan transaction kümesi elde edilmiştir
20 Birliktelik Kural Madenciliği için Veri Formatları Eğer VTYS içerisindeki tablo kategorik veri yerine sayısal veri içeriyorsa değer aralığı belirli parçaya bölünerek dönüştürme işlemi yapılabilir. Örneğin arasındaki sayısal değerlere sahip bir alan için 1-20, 21-40, 41-60, 61-80, aralıkları alınarak kategorik değer ataması yapılabilir. a = 1-20 b = c = d = e = Konular Birliktelik Kuralları Birliktelik Kurallarının Temelleri Support ve Confidence Apriori Algoritması Frequent itemset oluşturulması Birliktelik Kuralı Oluşturulması Birliktelik Kural Madenciliği için Veri Formatları Çoklu Minimum Destek Sınıf Birliktelik Kural Madenciliği Çoklu Minimum Destek ile Madencilik 40 20
21 Çoklu Minimum Destek Birliktelik kural madenciliğinde tek minsup değeri kullanılması bazı uygulamalarda uygun olmayabilir. Tüm veriler aynı öneme, sıklığa veya yapıya sahip olmayabilir. Bazı veriler sık olmasa da daha büyük öneme sahip olabilir. Bu durumda bazı sorunlar ortaya çıkar: minsup değeri yüksek olursa bazı önemli kurallar sık olmadığı için elde edilemez. minsup değeri düşük olursa çok sayıda kural elde edilir ve birliktelik kural madenciliği oldukça zorlaşır. E-ticaret sitelerinde bazı ürünler pahalıdır ve az sıklıkta satılır. Ancak bu ürünlere yönelik kurallarda önemlidir. 41 Örnek Çoklu Minimum Destek Bir süpermarkette az sayıda satılan FoodProcessor ve CookingPan ürünleri için kural bulmak istiyoruz. Az sıklıkta olduğundan minsup değerinin çok küçük olması gerekiyor. minsup = %0,006 için aşağıdaki gibi bir frequent itemset bulunabilir: Düşük minsup değerinden dolayı aşağıdaki anlamsız frequent itemset lerde elde edilebilir: Her iki frequent itemset gereksizdir. Çünkü hemen hemen her alışverişte bu item lar yer alırlar
22 Çoklu Minimum Destek Bu sorun veriyi bloklar halinde parçalayarak her parça için ayrı ayrı madencilik yapılarak çözülebilir. Ancak, ayrı bloklardaki aynı itemler için kurallar elde edilemez. Bu sorun için en iyi çözüm her item için farklı minimum support değeri (minimum item support (MIS)) belirlenmesidir. Bu sayede farklı sıklıkta ve farklı öneme sahip item lar için ayrı support değerleri kullanılarak anlamlı kurallar elde edilebilir. MIS (i), i.item için minimum support değeri olsun. Bir R kuralı için minimum support değeri aşağıdaki ifade edilir: 43 Örnek Çoklu Minimum Destek Bir itemset {Bread, Shoes, Clothes} için kullanıcı tanımlı MIS değerleri aşağıdaki gibi olsun: Aşağıdaki kural minimum support değerini karşılamaz. Çünkü, min(mis(bread), MIS(Clothes)) = %0,2 dir (Support değerinin 0,2 den büyük olması gerekir.). Aşağıdaki kural minimum support değerini karşılar. Çünkü, min(mis(shoes), MIS(Clothes)) = %0,1 dir
23 Örnek Çoklu Minimum Destek {1, 2, 3, 4} itemset için MIS değerleri aşağıdaki olsun: Eğer 2.seviyede {1, 2} itemset için support %9 bulunursa, MIS(1) ve MIS(2) değerlerini sağlamaz. Bu durumda, Apriori algoritması {1, 2} itemset i atar. Böylelikle, {1, 2, 3} ve {1, 2, 4} itemset leri de üst seviyede oluşturulamaz. Bu itemset ler MIS(3) = %5 ve MIS(4) = %6 değerlerini sağlamaktadır. Ancak, {1, 2} itemset i silinmezse downward closure özelliği kaybolur. 45 Çoklu Minimum Destek Bir itemset içerisinde çok sık ve çok az item ların yer almasını önlemek için farklı yöntemler kullanılmaktadır. Örneğin, maksimum ve minimum support değerlerinin uzaklığını (farkını) belirlemek için sabit fark kısıtı konulabilir. Aşağıdaki ifadede sup(i), i.item için support değerini göstermektedir. Bu kısıt ile birlikte çok sayıda frequent itemset oluşturulması da engellenmiş olur
24 Konular Birliktelik Kuralları Birliktelik Kurallarının Temelleri Support ve Confidence Apriori Algoritması Frequent itemset oluşturulması Birliktelik Kuralı Oluşturulması Birliktelik Kural Madenciliği için Veri Formatları Çoklu Minimum Destek Sınıf Birliktelik Kural Madenciliği Çoklu Minimum Destek ile Madencilik 47 Sınıf Birliktelik Kural Madenciliği Bazı uygulamalarda kurallar için kullanıcı hedef değer belirleyebilir. Örneğin bir grup doküman için hangi konuya yönelik olduğunu içeren bilgiye ulaşılmak istenebilir. T kümesi n tane transaction dan oluşursa, her transaction bir y sınıfı ile eşleştirilebilir. I tüm item lar kümesi ve Y ise tüm sınıflar kümesi ise I Y = dir. Bir sınıf birliktelik kuralı (class association rule - CAR) aşağıdaki tanımlanır: X y, burada X I, ve y Y dir. Support ve confidence değerleri normal birliktelik kurallarındaki gibi hesaplanır
25 Sınıf Birliktelik Kural Madenciliği CAR larda hedef eleman bir tanedir ve bir sınıfı gösterir. Normal birliktelik kurallarında birden fazla eleman olabilmektedir. CAR madenciliğindeki amaç, kullanıcı tanımlı minsup ve minconf değerlerine sahip tüm kuralların bulunmasıdır. 49 Örnek Sınıf Birliktelik Kural Madenciliği Aşağıda 8 doküman ile 2 sınıf arasındaki eşleştirme görülmektedir. minsup = %20 ve minconf = %60 için iki kural aşağıdaki yazılabilir
26 Konular Birliktelik Kuralları Birliktelik Kurallarının Temelleri Support ve Confidence Apriori Algoritması Frequent itemset oluşturulması Birliktelik Kuralı Oluşturulması Birliktelik Kural Madenciliği için Veri Formatları Çoklu Minimum Destek Sınıf Birliktelik Kural Madenciliği Çoklu Minimum Destek ile Madencilik 51 Algoritma CAR doğrudan tek adımla elde edilebilmektedir. Temel işlem minsup değerini sağlayan ruleitem larını bulmaktadır. Bir ruleitem (condset, y) şeklinde tanımlanır. Burada condset I, ve y Y dir. condset için support değeri (condsupcount), T içerisinde condset i bulunduran transaction sayısıdır. ruleitem için support değeri (rulesupcount), T içerisinde condset i ve y sınıfını birlikte bulunduran transaction sayısıdır. Her ruleitem aşağıdaki gibi bir kuralı gösterir: condset y 52 26
27 Algoritma condset y şeklindeki bir kural için support ve confidence değeri (condset y).support = (rulesupcount / n) (condset y).confidence = (rulesupcount / condsupcount) şeklinde ifade edilir. minsup değerini sağlayan ruleitem lar frequent ruleitem dır. 53 Algoritma ({Student, School}, Education) ruleitem için: condsupcount ({Student, School}) = 2 rulesupcount ({Student, School}, Education) = 2 ({Student, School}, Education).support = 2/7 (%28,6) ({Student, School}, Education).confidence = 2/2 (%100) 54 27
28 Algoritma condset = 1 Aday frequent 1-ruleitem condset = 1 olan CAR kümesi Yeni aday küme C k oluşturuldu. Aynı sınıfa ait olan condset ler kullanılır. condset sayıldı ruleitem sayıldı Frequent item yapıldı. CAR k kümesine eklendi. Tüm CAR kümesi elde edildi. 55 Örnek Algoritma Aşağıdaki veri için minsup = %15 (>=2/7)ve minconf = %70 alınıyor. İlk sayı condsupcount ikinci sayı rulesupcount değerini gösterir
29 Algoritma Örnek devam İlk sayı condsupcount ikinci sayı rulesupcount değerini gösterir. 57 Algoritma Örnek devam İlk sayı condsupcount ikinci sayı rulesupcount değerini gösterir
30 Ödev Birliktelik kurallarının kullanım alanları hakkında detaylı bir araştırma ödevi hazırlayınız
Web Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Sıralı Örüntülerin Temelleri GSP Tabanlı Sıralı Örüntü Madenciliği Algoritma Sıralı Örüntülerden
DetaylıBüyük Veri Analitiği (Big Data Analytics)
Büyük Veri Analitiği (Big Data Analytics) M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Bu dersin sunumları, Mining of Massive Datasets, Jure Leskovec, Anand Rajaraman, Jeffrey David
Detaylıinde Sepet Analizi Uygulamaları Market Basket Analysis for Data Mining
Veri Madenciliğ inde Sepet Analizi Uygulamaları Market Basket Analysis for Data Mining Mehmet Aydın Ula ş, Ethem Alpaydın (Boğaziçi Üniversitesi Bilgisayar Mühendisliği) Nasuhi Sönmez, Ataman Kalkan (GİMA
Detaylıİlişkilendirme kurallarının kullanım alanları
Bölüm 4. Birliktelik Kuralları http://ceng.gazi.edu.tr/~ozdemir İlişkilendirme/Birliktelik Kuralları - Association Rules Birliktelik kuralları olarak da bilinir İlişkilendirme kuralı madenciliği Veri kümesi
DetaylıAPRIORI ALGORİTMASI İLE ÖĞRENCİ BAŞARISI ANALİZİ
APRIORI ALGORİTMASI İLE ÖĞRENCİ BAŞARISI ANALİZİ Murat KARABATAK 1, Melih Cevdet İNCE 2 1 Fırat Üniversitesi Teknik Eğitim Fakültesi Elektronik Bilgisayar Eğitimi Bölümü 2 Fırat Üniversitesi Mühendislik
DetaylıVERİ MADENCİLİĞİ. İlişkilendirme Kuralları Bulma. İlişkilendirme Kuralları. Yaygın Öğeler. İlişkilendirme Kuralları Madenciliği
İlişkilendirme Kuralları Madenciliği VERİ MADENCİLİĞİ İlişkilendirme Kuralları Yrd. Doç. Dr. Şule Gündüz Öğüdücü İlişkilendirme kuralı madenciliği Veri kümesi içindeki yaygın örüntülerin, nesneleri oluşturan
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 (Birliktelik Kuralları) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Birliktelik Kuralları) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Birliktelik Kurallarının Tanımı Destek ve Güven Ölçütleri Apriori Algoritması Birliktelik Kuralları (Association
DetaylıDr. Hidayet Takçı. Veri Madenciliği Eğitimi GYTE Dr. Hidayet Takçı 10/05/2008 #
Birliktelik Kuralları: Temel Kavramlar ve Algoritmalar Dr. Hidayet Takçı Birliktelik Kuralı Madenciliği Bir işlem kaydında bir elemanın meydana gelme olasılığını, diğer elemanların meydana gelme olasılıklarından
DetaylıVERİ MADENCİLİĞİ. İlişkilendirme Kuralları Bulma. Yaygın Nitelikler. İlişkilendirme Kuralları. nitelikler kümesi (Itemset) Destek s (Support)
İlişkilendirme Kuralları Madenciliği VERİ MADENCİLİĞİ İlişkilendirme Kuralları Yrd. Doç. Dr. Şule Gündüz Öğüdücü İlişkilendirme kuralı madenciliği Veri kümesi içindeki yaygın örüntülerin, nesneleri oluşturan
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
DetaylıVeri madenciliği yöntemleri
Sınıflandırma ve Kümeleme Kavramları Giriş Verinin içerdiği ortak özelliklere göre ayrıştırılması işlemi sınıflandırma olarak adlandırılır, veri madenciliği tekniklerinden en çok bilinenidir; veri tabanlarındaki
DetaylıBüyük Veri Analitiği (Big Data Analytics)
Büyük Veri Analitiği (Big Data Analytics) M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Bu dersin sunumları, Mining of Massive Datasets, Jure Leskovec, Anand Rajaraman, Jeffrey David
DetaylıApriori Algoritması. Konu İçeriği. Giriş. Tarihçesi. Apriori Nedir? Örnekler. Algoritma. Açıklama. Weka İle Kullanımı. Kaynakça.
Apriori Algoritması Konu İçeriği Giriş Tarihçesi Apriori Nedir? Örnekler Algoritma Açıklama Weka İle Kullanımı Kaynakça Giriş Veri madenciliğinde kullanılan ve veri kümeleri veya veriler arasındaki ilişkiyi
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
DetaylıWeb 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
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,
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
DetaylıSOCIAL MENTALITY AND RESEARCHER THINKERS JOURNAL
SOCIAL MENTALITY AND RESEARCHER THINKERS JOURNAL Open Access Refereed E-Journal & Refereed & Indexed ISSN: 2630-631X Social Sciences Indexed www.smartofjournal.com / editorsmartjournal@gmail.com December
DetaylıYönetim Bilişim Sistemleri Alanında Metin Madenciliği ile Bilgi Haritalama
Yönetim Bilişim Sistemleri Alanında Metin Madenciliği ile Bilgi Haritalama Öğr. Gör. Dr. Ufuk ÇELİK Bandırma Onyedi Eylül Üniversitesi ucelik001@gmail.com Yrd. Doç. Dr. Deniz HERAND Türk Alman Üniversitesi
DetaylıBirliktelik Kuralları Analizi. Yard. Doç. Dr. Derya BİRANT Prof. Dr. Alp KUT
İş Zekası Çözümleri için i Çok Boyutlu Birliktelik Kuralları Analizi Yard. Doç. Dr. Derya BİRANT Prof. Dr. Alp KUT İçerik 1 Veri Madenciliği 2 Birliktelik Kuralları Analizi 3 Uygulama 4 Algoritma 5 Sonuçlar
DetaylıVeri Madenciliği. Bölüm 4. Birliktelik Kuralları. Doç. Dr. Suat Özdemir.
Bölüm 4. Birliktelik Kuralları http://ceng.gazi.edu.tr/~ozdemir Örüntü / Pattern Örüntü: Bir veri setinde sıklıkla birlikte ortaya çıkan bir dizi öğe, alt dizin veya alt yapılar Örüntüler, veri setlerinin
DetaylıApriori Algoritması ile Teknik Seçmeli Ders Seçim Analizi
Apriori Algoritması ile Teknik Seçmeli Ders Seçim Analizi Emre Güngör 1,2, Nesibe Yalçın 1,2, Nilüfer Yurtay 3 1 Bilecik Şeyh Edebali Üniversitesi, Bilgisayar Mühendisliği Bölümü, 11210, Merkez, Bilecik
DetaylıApriori Algoritmasının Farklı Veri Kümelerine Uygulanması
Apriori Algoritmasının Farklı Veri Kümelerine Uygulanması M. Emin Eker 1, Recai Oktaş 2, Gökhan Kayhan 3 1 Ondokuz Mayıs Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Samsun
DetaylıPazar Sepeti Analizi için Örneklem Oluşturulması ve Birliktelik Kurallarının
Pazar Sepeti Analizi için Örneklem Oluşturulması ve Birliktelik Kurallarının Çıkartılması Sider Hazal Kırtay 1, Nevzat Ekmekçi 1, Tuğba Halıcı 2, Utku Ketenci 2, Mehmet S. Aktaş 1 ve Oya Kalıpsız 1 1 Bilgisayar
DetaylıSigortacılık Sektöründe Müşteri İlişkileri Yönetimi İçin Birliktelik Kuralı Kullanılması
DOI: 10.7240/mufbed.56489 Sigortacılık Sektöründe Müşteri İlişkileri Yönetimi İçin Birliktelik Kuralı Kullanılması Buket DOĞAN 1, Bahar Erol 2, Ali Buldu 3 1,3 Marmara Üniversitesi, Teknoloji Fakültesi,
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
DetaylıAPRİORİ ALGORİTMASI İLE TEKNİK SEÇMELİ DERS SEÇİM ANALİZİ SELECTION BEHAVIOR ANALYSIS OF TECHNICAL ELECTIVE COURSES USING APRIORI ALGORITHM
APRİORİ ALGORİTMASI İLE TEKNİK SEÇMELİ DERS SEÇİM ANALİZİ Nesibe Yalçın 1 Emre Güngör 1 Nilüfer Yurtay ÖZET Bu çalışmada, Veri Madenciliği' nde Birliktelik Kuralı çıkarım algoritmalarından biri olan Apriori
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
DetaylıKONU 4: DOĞRUSAL PROGRAMLAMA MODELİ İÇİN ÇÖZÜM YÖNTEMLERİ I
KONU 4: DOĞRUSAL PROGRAMLAMA MODELİ İÇİN ÇÖZÜM YÖNTEMLERİ I 4.1. Dışbükeylik ve Uç Nokta Bir d.p.p. de model kısıtlarını aynı anda sağlayan X X X karar değişkenleri... n vektörüne çözüm denir. Eğer bu
DetaylıYazılım GeliĢtirme Dersleri Öğrenci Projelerinin Birliktelik Kuralı Ġle Değerlendirilmesi
Yazılım GeliĢtirme Dersleri Öğrenci Projelerinin Birliktelik Kuralı Ġle Değerlendirilmesi Pınar Cihan 1, Oya Kalıpsız 1, M. Özgür Cingiz 1 ve Mahir Doksöz 1 1 Bilgisayar Mühendisliği Bölümü, Yıldız Teknik
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
DetaylıVERI TABANLARıNDA BILGI KEŞFI
1 VERİ MADENCİLİĞİ VERI TABANLARıNDA BILGI KEŞFI Veri Tabanlarında Bilgi Keşfi, veriden faydalı bilginin keşfedilmesi sürecinin tamamına atıfta bulunmakta ve veri madenciliği bu sürecin bir adımına karşılık
DetaylıGraflar bilgi parçaları arasındaki ilişkileri gösterirler.
Graflar (Graphs) Graf gösterimi Uygulama alanları Graf terminolojisi Depth first dolaşma Breadth first dolaşma Topolojik sıralama Yrd.Doç.Dr. M. Ali Akcayol Graflar Graflar bilgi parçaları arasındaki ilişkileri
DetaylıMOBİLYA PERAKENDE SATIŞ SEKTÖRÜNDE VERİ MADENCİLİĞİ UYGULAMASI
Akademik Sosyal Araştırmalar Dergisi, Yıl: 4, Sayı: 22, Mart2016, s. 385-394 Yüksel YURTAY 1 Oğuz YAVUZYILMAZ 2 Nihal Zuhal BACINOĞLU 3 MOBİLYA PERAKENDE SATIŞ SEKTÖRÜNDE VERİ MADENCİLİĞİ UYGULAMASI Özet
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
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
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
Detaylı9.Konu Lineer bağımsızlık, taban, boyut Germe. 9.1.Tanım: V vektör uzayının her bir elemanı
9.Konu Lineer bağımsızlık, taban, boyut 9.1. Germe 9.1.Tanım: V vektör uzayının her bir elemanı vektörlerin lineer birleşimi olarak ifade ediliyorsa vektörleri V yi geriyor ya da V yi gerer denir. Üstelik,
DetaylıBİRLİKTELİK KURALI YÖNTEMİ İÇİN BİR VERİ MADENCİLİĞİ YAZILIMI TASARIMI VE UYGULAMASI
İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi Yıl: 6 Sayı:12 Güz 2007/2 s. 21-37 BİRLİKTELİK KURALI YÖNTEMİ İÇİN BİR VERİ MADENCİLİĞİ YAZILIMI TASARIMI VE UYGULAMASI Feridun Cemal ÖZÇAKIR, A. Yılmaz
DetaylıApriori Algoritması ve Türkiye'deki Örnek Uygulamaları
Apriori Algoritması ve Türkiye'deki Örnek Uygulamaları M. Emin Eker 1, Recai Oktaş 2 1 Ondokuz Mayıs Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Samsun 2 Ondokuz Mayıs
DetaylıELN1002 BİLGİSAYAR PROGRAMLAMA 2
ELN1002 BİLGİSAYAR PROGRAMLAMA 2 SIRALAMA ALGORİTMALARI Sunu Planı Büyük O Notasyonu Kabarcık Sıralama (Bubble Sort) Hızlı Sıralama (Quick Sort) Seçimli Sıralama (Selection Sort) Eklemeli Sıralama (Insertion
DetaylıSıralı Örüntü Madenciliği ile e-bankacılıkta Kullanıcı Davranışlarının Modellenmesi
Akademik Bilişim 4 - XVI. Akademik Bilişim Konferansı Bildirileri 5-7 Şubat 204 Mersin Üniversitesi Sıralı Örüntü Madenciliği ile e-bankacılıkta Kullanıcı Davranışlarının Modellenmesi Eren Berk Aytaç,
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
DetaylıBÖLÜNMÜŞ FARKLAR (DİVİDED DİFFERENCES)
BÖLÜNMÜŞ FARKLAR (DİVİDED DİFFERENCES) Lagrange ve Neville yöntemlerinin bazı olumsuz yanları vardır: İşlem sayısı çok fazladır (bazı başka yöntemlere kıyasla) Data setinde bir nokta ilavesi veya çıkartılması
DetaylıBüyük Veri Analitiği (Big Data Analytics)
Büyük Veri Analitiği (Big Data Analytics) M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Bu dersin sunumları, Mining of Massive Datasets, Jure Leskovec, Anand Rajaraman, Jeffrey David
Detaylı8.Konu Vektör uzayları, Alt Uzaylar
8.Konu Vektör uzayları, Alt Uzaylar 8.1. Düzlemde vektörler Düzlemdeki her noktası ile reel sayılardan oluşan ikilisini eşleştirebiliriz. Buna P noktanın koordinatları denir. y-ekseni P x y O dan P ye
DetaylıBüyük Veri Analitiği (Big Data Analytics)
Büyük Veri Analitiği (Big Data Analytics) M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Bu dersin sunumları, Mining of Massive Datasets, Jure Leskovec, Anand Rajaraman, Jeffrey David
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
DetaylıEŞİTLİK KISITLI TÜREVLİ YÖNTEMLER
EŞİTLİK KISITLI TÜREVLİ YÖNTEMLER LAGRANGE YÖNTEMİ Bu metodu incelemek için Amaç fonksiyonu Min.z= f(x) Kısıtı g(x)=0 olan problemde değişkenler ve kısıtlar genel olarak şeklinde gösterilir. fonksiyonlarının
Detaylıİleri 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
DetaylıVEKTÖR UZAYLARI 1.GİRİŞ
1.GİRİŞ Bu bölüm lineer cebirin temelindeki cebirsel yapıya, sonlu boyutlu vektör uzayına giriş yapmaktadır. Bir vektör uzayının tanımı, elemanları skalar olarak adlandırılan herhangi bir cisim içerir.
DetaylıYrd. Doç. Dr. Semra Erpolat
Anadolu Üniversitesi Sosyal Bilimler Dergisi Anadolu University Journal of Social Sciences Otomobil Yetkili Servislerinde Birliktelik Kurallarının Belirlenmesinde Apriori ve FP-Growth Algoritmalarının
DetaylıBİL-142 Bilgisayar Programlama II
BİL-142 Bilgisayar Programlama II (C/C++) Hazırlayan: M.Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Giriş Sınıflar, Nesneler, Fonksiyon ve Veri Üyeleri Sınıf ve Fonksiyon Üyeleri
DetaylıTemel Kavramlar. (r) Sıfırdan farklı kompleks sayılar kümesi: C. (i) Rasyonel sayılar kümesi: Q = { a b
Bölüm 1 Temel Kavramlar Bu bölümde bağıntı ve fonksiyon gibi bazı temel kavramlar üzerinde durulacak, tamsayıların bazı özellikleri ele alınacaktır. Bu çalışma boyunca kullanılacak bazı kümelerin gösterimleri
DetaylıFonksiyon Optimizasyonunda Genetik Algoritmalar
01-12-06 Ümit Akıncı Fonksiyon Optimizasyonunda Genetik Algoritmalar 1 Fonksiyon Optimizasyonu Fonksiyon optimizasyonu fizikte karşımıza sık çıkan bir problemdir. Örneğin incelenen sistemin kararlı durumu
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
Detaylıİş Zekası Çözümleri için Çok Boyutlu Birliktelik Kuralları Analizi
İş Zekası Çözümleri için Çok Boyutlu Birliktelik Kuralları Analizi Derya Birant 1, Alp Kut 1, Medi Ventura 2, Hakan Altınok 2, Benal Altınok 2, Elvan Altınok 2, Murat Ihlamur 2 1 Dokuz Eylül Üniversitesi,
DetaylıBÖLÜM III: Şebeke Modelleri. Şebeke Kavramları. Şebeke Kavramları. Şebeke Kavramları. Yönlü Şebeke (Directed Network) Dal / ok
8.0.0 Şebeke Kavramları BÖLÜM III: Şebeke Modelleri Şebeke (Network) Sonlu sayıdaki düğümler kümesiyle, bunlarla bağlantılı oklar (veya dallar) kümesinin oluşturduğu yapı şeklinde tanımlanabilir ve (N,A)
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Tabu Arama (Tabu Search) Doç.Dr. M. Ali Akcayol Tabu Arama 1986 yılında Glover tarafından geliştirilmiştir. Lokal minimum u elimine edebilir ve global minimum u bulur. Değerlendirme
DetaylıVERİ MADENCİLİĞİNE BAKIŞ
VERİ MADENCİLİĞİNE BAKIŞ İçerik Veri Madenciliği Neden Veri Madenciliği? Veri ve Veri Madenciliğinin Önemi Günümüzde Kullanılan Veri Madenciliğinin Çeşitli İsimleri Veri Madenciliği Nedir? Neden Veri Madenciliği?
DetaylıKonular. VERİ MADENCİLİĞİ Giriş. Problem Tanımı. Veri Madenciliği: Tarihçe. Veri Madenciliği Nedir? Bilgi Keşfi
VERİ MADENCİLİĞİ Giriş Yrd. Doç. Dr. Şule Gündüz Öğüdücü 1 2 Problem Tanımı Veri Madenciliği: Tarihçe teknolojinin gelişimiyle bilgisayar ortamında ve veritabanlarında tutulan veri miktarının da artması
DetaylıBüyük Veri Analitiği (Big Data Analytics)
Büyük Veri Analitiği (Big Data Analytics) M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Bu dersin sunumları, Mining of Massive Datasets, Jure Leskovec, Anand Rajaraman, Jeffrey David
DetaylıBulanık Birliktelik Kurallarının Genetik Algoritmalarla Keşfi
Politeknik Dergisi Journal of Polytechnic Cilt: 7 Sayı: 4 s. 69-76, 004 Vol: 7 No: 4 pp. 69-76, 004 Bulanık Birliktelik Kurallarının Genetik Algoritmalarla Keşfi Bilal ALATAŞ *, Ahmet ARSLAN ** * Bilgisayar
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Genetik Algoritma (Genetic Algorithm) Doç.Dr. M. Ali Akcayol Genetik Algoritma 1970 li yıllarda John Holland tarafından geliştirilmiştir. 1989 yılında David E. Goldberg Genetik
Detaylıbitık MOBİL TİCARET UYGULAMASI ABDULLAH ÇİÇEKCİ
bitık MOBİL TİCARET UYGULAMASI ABDULLAH ÇİÇEKCİ - 150110046 İÇERİK Uygulama ve uygulamaya ilişkin temel kavramların tanıtımı Uygulamanın yapısı Ön yüz Veritabanı Web Servisler K-Means Algoritması ile kategori
DetaylıBÖLÜM- 5: BİRDEN FAZLA TABLODAN VERİ GETİRMEK
BÖLÜM- 5: BİRDEN FAZLA TABLODAN VERİ GETİRMEK Sorgularda birden fazla tablo kullanımı Tabloların birleştirilmesi Birleştirme türleri Eşiti olan birleştirme (Join) Eşiti olmayan birleştirme Left Outer Join
DetaylıTANIMLAYICI İSTATİSTİKLER
TANIMLAYICI İSTATİSTİKLER Tanımlayıcı İstatistikler ve Grafikle Gösterim Grafik ve bir ölçüde tablolar değişkenlerin görsel bir özetini verirler. İdeal olarak burada değişkenlerin merkezi (ortalama) değerlerinin
DetaylıAlgoritma Geliştirme ve Veri Yapıları 3 Veri Yapıları. Mustafa Kemal Üniversitesi
Algoritma Geliştirme ve Veri Yapıları 3 Veri Yapıları Veri yapısı, bilginin anlamlı sırada bellekte veya disk, çubuk bellek gibi saklama birimlerinde tutulması veya saklanması şeklini gösterir. Bilgisayar
Detaylı1 BAĞINTILAR VE FONKSİYONLAR
1 BAĞINTILAR VE FONKSİYONLAR Bu bölümde ilk olarak Matematikte çok önemli bir yere sahip olan Bağıntı kavramnı verip daha sonra ise Fonksiyon tanımı verip genel özelliklerini inceleyeceğiz. Tanım 1 A B
DetaylıOlasılık, 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
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
DetaylıKüme temel olarak belli nesnelerin ya da elamanların bir araya gelmesi ile oluşur
Kümeler Kümeler ve küme işlemleri olasılığın temellerini oluşturmak için çok önemlidir Küme temel olarak belli nesnelerin ya da elamanların bir araya gelmesi ile oluşur Sonlu sayıda, sonsuz sayıda, kesikli
DetaylıVERİ YAPILARI LİSTELER. Yrd. Doç. Dr. Murat GÖK Bilgisayar Mühendisliği Bölümü YALOVA ÜNİVERSİTESİ
VERİ YAPILARI LİSTELER Yrd. Doç. Dr. Murat GÖK Bilgisayar Mühendisliği Bölümü YALOVA ÜNİVERSİTESİ Bağlı Listeler Aynı kümeye ait veri parçalarının birbirlerine bellek üzerinde, sanal olarak bağlanmasıyla
DetaylıBM-311 Bilgisayar Mimarisi
1 BM-311 Bilgisayar Mimarisi Hazırlayan: M.Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Giriş Mikro işlemler Fetch cycle Indirect cycle Interrupt cycle Execute cycle Instruction
Detaylı10. DİREKT ÇARPIMLAR
10. DİREKT ÇARPIMLAR Teorem 10.1. H 1,H 2,, H n bir G grubunun alt gruplarının bir ailesi ve H = H 1 H 2 H n olsun. Aşağıdaki ifadeler denktir. a ) dönüşümü altında dır. b) ve olmak üzere her yi tek türlü
DetaylıAlgoritmalar. Sıralama Problemi ve Analizi. Bahar 2017 Doç. Dr. Suat Özdemir 1
Algoritmalar Sıralama Problemi ve Analizi Bahar 2017 Doç. Dr. Suat Özdemir 1 Sıralama Problemi ve Analizi Bu bölümde öncelikle bir diğer böl-ve-yönet yöntemine dayalı algoritma olan Quick Sort algoritması
DetaylıVeritabanı Tasarımı. Yapay, Birleşik ve İkincil UID ler
Veritabanı Tasarımı Amaç UID (eşsiz tanımlayıcı), ilişkisel veritabanı için çok önemlidir. Bir varlığın elemanlarından birini diğerlerinden ayırt yarayan bir veya birkaç değerin birleşimidir. Doğru niteliği
DetaylıYazılım Mühendisliği 1
Yazılım Mühendisliği 1 HEDEFLER Yazılım, program ve algoritma kavramları anlar. Yazılım ve donanım maliyetlerinin zamansal değişimlerini ve nedenleri hakkında yorum yapar. Yazılım mühendisliği ile Bilgisayar
DetaylıFONKSİYONLAR. Örnek: (2x-2,y-3)=(10,-3) olduğuna göre x ve y sayılarını bulunuz.
1 FONKSİYONLAR Sıralı İkili: A ve B boş olmayan iki küme olmak üzere, aa ve bb iken (a, b) ifadesine bir sıralı ikili denir. Burada a ya, sıralı ikilinin birinci bileşeni, b ye de ikinci bileşeni denir.
DetaylıBİL-142 Bilgisayar Programlama II
BİL-142 Bilgisayar Programlama II (C/C++) Hazırlayan: M.Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Giriş Kontrol Yapıları if Seçme Deyimi if... else Seçme Deyimi while Tekrar
Detaylı18.034 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
DetaylıBölüm 1. Giriş. Öğretim üyesi: Doç. Dr. Suat Özdemir E-posta: suatozdemir@gazi.edu.tr. Websayfası: http://ceng.gazi.edu.tr/~ozdemir/teaching/dm
Bölüm 1. Giriş http://ceng.gazi.edu.tr/~ozdemir Ders bilgileri Öğretim üyesi: E-posta: suatozdemir@gazi.edu.tr Websayfası: http://ceng.gazi.edu.tr/~ozdemir/teaching/dm Bütün duyuru, ödev, vb. için ders
Detaylı10.Konu Tam sayıların inşası
10.Konu Tam sayıların inşası 1. Tam sayılar kümesi 2. Tam sayılar kümesinde toplama ve çarpma 3. Pozitif ve negatif tam sayılar 4. Tam sayılar kümesinde çıkarma 5. Tam sayılar kümesinde sıralama 6. Bir
DetaylıEM302 Yöneylem Araştırması 2 Doğrusal Olmayan Programlamaya Giriş. Dr. Özgür Kabak
EM302 Yöneylem Araştırması 2 Doğrusal Olmayan Programlamaya Giriş Dr. Özgür Kabak Doğrusal Olmayan Programlama Eğer bir Matematiksel Programlama modelinin amaç fonksiyonu ve/veya kısıtları doğrusal değil
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Giriş Bilgi Erişiminde Temel Yaklaşımlar Bilgi Erişim Modelleri Boolean model Vector space
DetaylıBİLGİSAYAR PROGRAMLAMA Araş. Gör. Ahmet ARDAHANLI. Kafkas Üniversitesi Mühendislik Fakültesi
BİLGİSAYAR PROGRAMLAMA Araş. Gör. Ahmet ARDAHANLI Kafkas Üniversitesi Mühendislik Fakültesi Bu hafta? İki değişken değerinin yer değiştirilmesi (swapping) selection sort sıralama algoritması bubble sort
DetaylıÖnemli noktalar. Paradigma Nesnelere Giriş Mesajlar / Ara bağlantılar Bilgi Gizleme (Information Hiding ) Sınıflar(Classes) Kalıtım/Inheritance
Önemli noktalar Paradigma Nesnelere Giriş Mesajlar / Ara bağlantılar Bilgi Gizleme (Information Hiding ) Sınıflar(Classes) Kalıtım/Inheritance public class Test { // çalışır İnsan insan = new Çiçekçi();
DetaylıKısıtsız Optimizasyon OPTİMİZASYON Kısıtsız Optimizasyon
OPTİMİZASYON Bu bölümde çok değişkenli kısıtsız optimizasyon problemlerinin çözüm yöntemleri incelenecektir. Bu bölümde anlatılacak yöntemler, kısıtlı optimizasyon problemlerini de çözebilmektedir. Bunun
DetaylıDOĞU AKDENİZ ÜNİVERSİTESİ MATEMATİK BÖLÜMÜ 23. LİSELERARASI MATEMATİK YARIŞMASI
DOĞU AKDENİZ ÜNİVERSİTESİ MATEMATİK BÖLÜMÜ 23. LİSELERARASI MATEMATİK YARIŞMASI BİREYSEL YARIŞMA SORULARI CEVAPLARI CEVAP KAĞIDI ÜZERİNE YAZINIZ. SORU KİTAPÇIĞINI KARALAMA MAKSATLI KULLANABİLİRSİNİZ 1
DetaylıISSN : 1308-7274 mkarabatak@firat.edu.tr 2010 www.newwsa.com Elazig-Turkey
ISSN:1306-3111 e-journal of New World Sciences Academy 2012, Volume: 7, Number: 1, Article Number: 1C0482 NWSA-EDUCATION SCIENCES Meryem Koç Received: July 2011 Murat Karabatak Accepted: January 2012 Firat
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.
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:
Detaylı2. Klasik Kümeler-Bulanık Kümeler
2. Klasik Kümeler-Bulanık Kümeler Klasik Küme Teorisi Klasik kümelerde bir nesnenin bir kümeye üye olması ve üye olmaması söz konusudur. Bu yaklaşıma göre istediğimiz özelliğe sahip olan bir birey, eleman
Detaylı2 İlişkisel Veritabanı Tasarımı ve Normalizasyon. Veritabanı 1
2 İlişkisel Veritabanı Tasarımı ve Normalizasyon Veritabanı 1 Veritabanı Tasarımı Tasarım yapılırken izlenecek adımlar; Oluşturulacak sistemin nelerden oluşması gerektiği ve hangi işlemlerin hangi aşamalarda
DetaylıVERİ MADENCİLİĞİ Metin Madenciliği
VERİ MADENCİLİĞİ Metin Madenciliği Yrd. Doç. Dr. Şule Gündüz Öğüdücü 1 2 Metin için Veri Madenciliği Metin Madenciliğinde Sorunlar Metin madenciliği: Veri madenciliği teknikleri ile yazılı belgeler arasındaki
DetaylıTemel Matematik. 1. saat. Hadi başlayalımmm...
saatte Temel Matematik 1. saat Hadi başlayalımmm... DOĞAL SAYILARLA İŞLEMLER Üslü sayılar b ve n birer doğal sayı olmak üzere aaa..... a 14444244443 = an = b ntane üslü niceliğinde a ya taban, a nın kaç
DetaylıBüyük Veri Analitiği (Big Data Analytics)
Büyük Veri Analitiği (Big Data Analytics) M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Bu dersin sunumları, Mining of Massive Datasets, Jure Leskovec, Anand Rajaraman, Jeffrey David
DetaylıTEMEL İSTATİSTİKİ KAVRAMLAR YRD. DOÇ. DR. İBRAHİM ÇÜTCÜ
TEMEL İSTATİSTİKİ KAVRAMLAR YRD. DOÇ. DR. İBRAHİM ÇÜTCÜ 1 İstatistik İstatistik, belirsizliğin veya eksik bilginin söz konusu olduğu durumlarda çıkarımlar yapmak ve karar vermek için sayısal verilerin
Detaylı