T.C. MUSTAFA KEMAL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "T.C. MUSTAFA KEMAL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI"

Transkript

1 T.C. MUSTAFA KEMAL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI ORACLE DATA MINER ile GÖĞÜS KANSERİ VERİLERİ ÜZERİNE BİR VERİ MADENCİLİĞİ UYGULAMASI BÜLENT SİYAH LİSANS TEZİ İskenderun/HATAY MAYIS-2012

2 MUSTAFA KEMAL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ORACLE DATA MINER ile GÖĞÜS KANSERİ VERİLERİ ÜZERİNE BİR VERİ MADENCİLİĞİ UYGULAMASI BÜLENT SİYAH LİSANS TEZİ BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI Yaşar DAŞDEMİR danışmanlığında hazırlanan bu tez / / tarihinde aşağıdaki jüri üyeleri tarafından oybirliği/oyçokluğu ile kabul edilmiştir. İmza. İmza İmza Başkan Üye Üye Bu tez Enstitümüz Bilgisayar Mühendisliği Anabilim Dalında hazırlanmıştır. Kod No: Bu çalışma.. tarafından desteklenmiştir... Enstitü Müdürü İmza ve Mühür Proje No: Not: Bu tezde kullanılan özgün ve başka kaynaktan yapılan bildirişlerin, çizelge, şekil ve fotoğrafların kaynak gösterilmeden kullanımı, 5846 sayılı Fikir ve Sanat Eserleri Kanunundaki hükümlere tabidir.

3 İÇİNDEKİLER İÇİNDEKİLER... I ÖZET... III KISALTMA DİZİNİ... IV ŞEKİLLER DİZİNİ... V 1. GİRİŞ Gögüs Kanseri ve Alınan Verileri VERİ MADENCİLİĞİ Tanım Temel Adımlar Problemlerin Çözüm Yöntemleri Karakterize Etme (Characterization) Ayrımlaştırma (Discrimination) Sınıflandırma (Classification) Tahmin etme (Prediction) Birliktelik kuralları (Association rules) Kümeleme (Clustering) Aykırı değer analizi (Outlier analysis) Zaman serileri (Time series) Veri görüntüleme (Visualization) Yapay sinir ağları (Artificial neural networks) Genetik algoritmalar (Genetic algorithms) Karar ağaçları (Decision trees) Kural çıkarma (Rules induction) ORACLE VERİTABANI YÖNETİM SİSTEMİ Giriş Ekranı Veritabanı Ana Yönetim Ekranı Sunucu Ekranı ORACLE DATA MINER I

4 4.1. Erişim ODM Ana Ekranı Veri Aktarımı İstatistik İşlemleri Veri Temizleme ve Hazırlama İşlemleri Veri Madenciliği Etkinlikleri Model Oluşturma Modelin Uygulanması SONUÇ KAYNAKLAR TEŞEKKÜR ÖZGEÇMİŞ II

5 ÖZET Bu çalışmada gögüs kanseri verileri üzerine bir veri madenciliği uygulaması yapılmıştır. Bu uygulama ile gögüs kanseri verilerinden iyi huylu kanser verilerini yüksek doğrulukla tahmin edilmesi amaçlanmıştır. İyi huylu kanser verilerinin tahmin edilmesinin nedeni eldeki verilerle bir kanser verilerine test işlemi uygulamadan ilk anda teşhis edilmesini sağlamaktır. Bu amaçla gögüs kanseri verileri Wisconsin Diagnostic Breast Cancer (WDBC) datasetinden alınmış, ayıklanarak tablolara ayrılmıştır. Kanser verilerinin yapısından dolayı veri madenciliği probleminin sınıflandırma modeline uygun olduğu belirlenmiştir. Bu problemi çözmek için de sınıflandırma modellerinin algoritmalarından biri olan Naive Bayes seçilmiştir. Veri madenciliği uygulamasını gerçekleştirmek için ilk olarak sunucu üzerine Oracle veritabanının 11g sürümü, istemci üzerine ise Oracle Data Miner paket programı yüklenmiştir. Daha sonra oluşturulan tablolar veritabanına aktarılmış ve gerekli modeller oluşturulmuştur. Bu modeller yardımıyla da istenilen doğrulukta tahminler elde edilmiş ve yorumlanmıştır. Anahtar Kelimeler: Oracle Data Miner, Veri Madenciliği, ODM ile Veri Madenciliği, Oracle Veritabanı III

6 KISALTMA DİZİNİ ABN CART CHAID KDD NB ODM SVM SQL VTYS WDBC : Adaptive Bayes Network : Classification and Regression Trees : Chi Square Automatic Interaction Detection : Knowledge Discovery in Databases : Naive Bayes : Oracle Data Miner : Karar Destek Vektörleri : Yapısal Sorgulama Dili (Structured Query Language) : Veritabanı Yönetim Sistemi : Wisconsin Diagnostic Breast Cancer IV

7 ŞEKİLLER DİZİNİ Şekil 2.1. Veri madenciliği disiplinler arasıdır... 4 Şekil 2.2. Veri indirgeme yöntemleri... 8 Şekil 2.3. Veri madenciliği algoritmaları Şekil 3.1. Oracle VTYS nin giriş ekranı Şekil 3.2. Oracle VTYS nin ana yönetim ekranı Şekil 3.3. Oracle VTYS nin sunucu ekranı Şekil 3.4. Oracle da tüm kullanıcıların listelendiği ekran Şekil 3.5. Oracle da seçilen kullanıcıya ait bilgi ekranı Şekil 3.6. Oracle da seçilen kullanıcıya hakların verilmesi Şekil 4.1. ODM erişim ekranları Şekil 4.2. ODM ana ekranı Şekil 4.3. ODM kullanıcıların gösterimi Şekil 4.4. ODM de tabloların gösterimi Şekil 4.5. Tabloya veri aktarımı Şekil 4.6. Tabloya veri aktarımı 1. aşama, aktarılacak verilerin seçimi Şekil 4.7. Tabloya veri aktarımı 2. aşama, verideki sütunlar Şekil 4.8. Tabloya veri aktarımı 3. aşama, verideki sütunların seçilmesi Şekil 4.9. Tabloya veri aktarımı 4. aşama, sütunların ilişkilendirilmesi Şekil Tabloya veri aktarımı 5. aşama, işlemin sonu Şekil ODM'ye aktarılan tablonun görünümü Şekil ODM'de bir tablonun istatistiksel verileri Şekil ODM'deki bir tablonun bir sütunu için histogram örneği Şekil Verinin model ve test tablolarına ayrılması işleminin 1. aşaması Şekil Verinin model ve test tablolarına ayrılması işleminin 2. aşaması Şekil Verinin model ve test tablolarına ayrılması işleminin 3. aşaması Şekil Transformation 1.aşama Şekil Transformation 2.aşama Şekil Transformation 3.aşama Şekil SONUC için histogram (Eşitlenmeden önceki durum) Şekil Transformation 4.aşama Şekil Transformation 5.aşama Şekil ODM'de model oluşturma yöntemi, fonksiyon tipi seçimi Şekil Algoritma seçimi Şekil Model oluşturma, 1. aşama Şekil Model oluşturma, 2. aşama Şekil Gelişmiş ayarlar, Sample sekmesi Şekil Gelişmiş ayarlar, Discretize sekmesi Şekil Gelişmiş ayarlar, Split sekmesi Şekil Gelişmiş ayarlar, Build sekmesi Şekil Gelişmiş ayarlar, Test Metrics sekmesi Şekil Model oluşturma sürecinin son hali Şekil Testin sonucu, Predictive Confidance sekmesi Şekil Testin sonucu, Accuracy sekmesi Şekil Testin sonucu, Accuracy de Cost'un görüntülenmesi Şekil Testin sonucu, ROC sekmesi V

8 Şekil Testin sonucu, Lift sekmesi, Cumulative Lift Chart Şekil Testin sonucu, Lift sekmesi, Cumulative Positive Cases Chart Şekil Testin sonucu, Test Settings sekmesi Şekil Testin sonucu, Task sekmesi Şekil ODM'de modelin uygulanması Şekil Uygulama 1. aşama, uygulama yapılacak modelin seçimi Şekil Uygulama 2. aşama, uygulama yapılacak tablonun seçimi Şekil Uygulama 3. aşama, sonuç tablosunda gösterilecek sütunların seçimi.. 44 Şekil Uygulama 4. aşama, tahmini yapacak olan aktivitenin seçimi Şekil Uygulama 5. aşama, tahmin yönteminin seçimi Şekil Uygulama 6. aşama, aktivitenin isminin belirlenmesi Şekil Uygulama sürecinin son hali Şekil Uygulama sonuç tablosu Şekil 5.1. Uygulama sonucu Şekil 5.2. Modelin doğruluk tablosu VI

9 1. GİRİŞ Son yıllar içerisinde elektronik ortamda saklanan veri miktarında büyük bir artış meydana gelmiştir. Yeryüzündeki bilgi miktarı ve buna bağlı olarak yeni veritabanı sayısı da hızla artmaktadır. Süpermarket alışverişi, banka kartları kullanımı, telefon aramaları gibi günlük hayatta kullanılan birçok faaliyetin yanında birçok farklı bilim disiplininden elde edilen veriler, hava tahmini simülasyonu, sanayi faaliyet testleri büyük veritabanlarında kayıt altına alınmaktadır. Bilginin iş dünyasında çok değerli olduğu ve iş dünyasının kalbini oluşturduğu, karar alıcıların bu bilgi ışığında şirket stratejileri geliştirdiği bilinmektedir. Bu çalışma kapsamında gögüs kanseri verileri değerlendirmede kolay sağlaması amaçlanmıştır Gögüs Kanseri ve Alınan Verileri Göğüs kanseri göğüs hücrelerinde başlayan kanser türüdür. Göğüs kanserine sebep olan tümor iyi veya kötü huylu olabilir. İyi huylu (benign) tümörler kanser değildir. Komşu bölgelere yayılmazlar. Sınırları belirgindir. Komşu dokuları eritmezler. Tamamen çıkartıldığı zaman genellikle tekrarlamazlar. Kötü huylu (malign) tümörler ise kanser olarak adlandırılır. Komşu organ ve dokulara yayılırlar, kemik doku ile karşılaştıklarında onu dahi eritirler (rezorbsiyon). Sınırları belirsizdir. Lenf ve kan yoluyla uzak organlara da yayılırlar. Çalışmada gögüs kanseri verileri Wisconsin Diagnostic Breast Cancer (WDBC) dataseti ile değerlendirilmiştir. Dataset (http://archive.ics.uci.edu/ml/machinelearning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data) adresinden alınmıştır. Verilerdeki öznitelik sayısı 11 dur. Bu öznitelikler; veriyi tanımlayan id, hücrenin küme kalınlığı, boyutu, şekli, kenar yapışma durumu, tek epitel hücre boyutu, çekirdek, yumşak kromatin, normal çekirdekçik, mitoz durumu ve verilerin ait olduğu sınıftır. Bu sınıf iyi veya kötü huylu anlamına gelen değerler ile ifade edilir. Çalışmada iyi huylu veriler için 2, kötü huylu veriler için 4 değeri verilmiştir. 1

10 Verilerdeki gögüs kanseri verisi 699 tanedir. Bu verilerden 241 tanesi sonuç olarak kötü huylu, 458 tanesi de iyi huylu olan kanser türüdür. 2

11 2. VERİ MADENCİLİĞİ Günümüzde kullanılan veri tabanı yönetim sistemleri eldeki verilerden sınırlı çıkarımlar yaparken geleneksel çevrimiçi işlem sistemleri (on-line transaction processing systems) de bilgiye hızlı, güvenli erişimi sağlamaktadır. Fakat ikisi de eldeki verilerden analizler yapıp anlamlı bilgiler elde etme imkanını sağlamakta yetersiz kalmışlardır. Verilerin yığınla artması ve anlamlı çıkarımlar elde etme ihtiyacı arttıkça uzmanlar Knowledge Discovery in Databases (KDD) adı altında çalışmalarına hız kazandırmışlardır. Bu çalışmalar sonucunda da veri madenciliği (Data Mining) kavramı doğmuştur. Veri madenciliğinin temel amacı, çok büyük veri tabanlarındaki ya da veri ambarlarındaki veriler arasında bulunan ilişkiler, örüntüler, değişiklikler, sapma ve eğilimler, belirli yapılar gibi bilgilerin matematiksel teoriler ve bilgisayar algoritmaları kombinasyonları ile ortaya çıkartılması ve bunların yorumlanarak değerli bilgilerin elde edilmesidir Tanım İlişkisel veri tabanı sistemleriyle ulaşılan veriler tek başına bir anlam ifade etmezken veri madenciliği teknolojisi bu verilerden anlamlı bilgi üretilmede öncü rol oynamaktadır. Aşağıda bazı veri madenciliği tanımlarına yer verilmektedir. 1. "Veri madenciliği; veritabanında bilgi keşfi (KDD), eldeki verilerden önceden bilinmeyen fakat potansiyel olarak yararlı olabilecek bilgileri çıkarmaktır. Bu kümeleme, veri özetlemesi, öğrenme sınıflama kuralları, değişikliklerin analizi ve sapmaların tespiti gibi birçok farklı teknik bakış açısını içine alır." [1]. 2. "Veri madenciliği, otomatik veya yarı otomatik çözüm araçları (tools) ile büyük ölçeklerdeki verinin anlamlı yapılar ve kurallar keşfetmek üzere araştırılması (exploration) ve analiz edilmesidir." [2]. 3. "Veri madenciliği çok büyük tabanları içindeki veriler arasındaki bağlantılar ve örüntüleri araştırarak, gizli kalmış yararlı olabilecek verilerden değerli bilginin çıkarılması sürecidir." [3]. 3

12 4. "Veri Madenciliği, büyük veri ambarlarından daha önceden bilinmeyen, doğru ve eyleme geçirilebilir bilgiyi ayrıştırma ve çok önemli kararların alınması aşamasında ayrıştırılan bu bilgiyi kullanma sürecidir." [4]. Veri madenciliğinin, disiplinler arası bir teknoloji olarak dört ana başlıktan oluştuğu kabul edilmektedir. Bunlar sınıflama, kategori etme, tahmin etme ve görüntülemedir. Bu dört temel dışında istatistik, makine bilgisi, veritabanları ve yüksek performanslı işlem gibi temelleri de içerir. Şekil 2.1. Veri madenciliği disiplinler arasıdır [5] Algoritma: Verideki ilişki ya da örgüleri belirlemekte kullanılan programatik tekniklerdir. Model: Algoritma tarafından belirlenen ilişkilerin tanımıdır. Bu tanım genelde kurallar kümesi, karar ağacı, denklemler ya da ilişkiler ağı şeklinde ifade edilir. Vaka: Tekil bir nesneyle ilişkilendirilen özellikler ve ilişkiler koleksiyonudur. Gözlem olarak da adlandırılır. Vaka kümesi, aynı özellikleri paylaşan vakalar grubudur. Bu bir tablo gibi düşünülebilir, tablonun her satırında bir vaka yer alır. Tek tablo yerine birbiriyle ilişkili iki ayrı tablo kullanılması da sözkonusu olabilir. Bu durumda ana tablodaki her satır için yavru tabloda birden fazla satır bağlantılı olarak eklenebilir. Gözlem kümesi olarak da adlandırılır. 4

13 Bağımlı değişken (ya da tahmin edilen özellik): Algoritmanın tahmin etmek ya da gruplamak için model inşa edeceği değişken. Bağımsız değişken (ya da tahmin eden özellik): Modeli inşa ederken kullanılan ve tarif edici bilgilere sahip olan değişkenlere denir. Bağımsız değişkenlerin içlerindeki çeşitli kombinasyonlar ele alınarak algoritma tarafından gruplamalar ve tahminler oluşturulur. Kesikli ya da sürekli değişkenler: Kesikli ya da sürekli değerlere sahip olan sayısal kolonlar. Mesela maaşlarla ilgili gerçek değerleri içeren bir kolon süreklidir. Ama maaş aralıkları belirler ve gerçek değerleri bu aralıklara karşılık gelen 0, 1, 2 gibi bir sayı dizisiyle ifade ederseniz, kesikli bir kolon elde etmiş olursunuz. Daha yeni araçlarda, kesikli kolonlar için sayısal değerler yerine tarif edici karakter ifadelerine de izin verilmektedir. Kolon tipinin kesikli ya da sürekli olması, kullanılan veri madenciliği algoritmaları için önemli olabilmektedir. Bağıntı: Çocuk bezi alan müşterilerin %30 u bira da satın alır. Sepet analizinde (basket analysis) müşterilerin beraber satın aldığı malların analizi yapılır. Buradaki amaç mallar arasındaki pozitif veya negatif korelâsyonları bulmaktır. Korelasyon, olasılık kuramı ve istatistikte iki bağımsız değişken arasındaki doğrusal ilişkinin yönünü ve gücünü belirtir. Genel istatistiksel kullanımda korelasyon, bağımsızlık durumundan ne kadar uzaklaşıldığını gösterir.korelasyon, olasılık kuramı ve istatistikte iki bağımsız değişken arasındaki doğrusal ilişkinin yönünü ve gücünü belirtir. Genel istatistiksel kullanımda korelasyon, bağımsızlık durumundan ne kadar uzaklaşıldığını gösterir. Çocuk bezi alan müşterilerin mama da satın alacağını veya bira satın alanların cips de alacağını tahmin edebiliriz ama ancak otomatik bir analiz bütün olasılıkları göz önüne alır ve kolay düşünülemeyecek, örneğin çocuk bezi ve bira arasındaki bağıntıları da bulur. Sınıflandırma: Genç kadınlar küçük araba satın alır; yaşlı, zengin erkekler büyük, lüks araba satın alır. Amaç bir malın özellikleri ile müşteri özelliklerini eşlemektir. Böylece bir müşteri için ideal ürün veya bir ürün için ideal müşteri profili 5

14 çıkarılabilir. Örneğin bir otomobil satıcısı şirket geçmiş müşteri hareketlerinin analizi ile yukarıdaki gibi iki kural bulursa genç kadınların okuduğu bir dergiye reklâm verirken küçük modelinin reklâmını verir. Regresyon: Ev sahibi olan, evli, aynı iş yerinde beş yıldan fazladır çalışan, geçmiş kredilerinde geç ödemesi bir ayı geçmemiş bir erkeğin kredi skoru 825 dir. Başvuru skorlamada (application scoring) bir finans kurumuna kredi için başvuran kişi ile ilgili finansal güvenilirliğini notlayan örneğin 0 ile 1000 arasında bir skor hesaplanır. Bu skor kişinin özellikleri ve geçmiş kredi hareketlerine dayanılarak hesaplanır. Zaman İçinde Sıralı Örüntüler: İlk üç taksitinden iki veya daha fazlasını geç ödemiş olan müşteriler %60 olasılıkla kanuni takibe gidiyor. Davranış skoru (behavioral score), başvuru skorundan farklı olarak kredi almış ve taksitleri ödeyen bir kişinin sonraki taksitlerini ödeme/geciktirme davranışını notlamayı amaçlar. Benzer Zaman Sıraları: X şirketinin hisse fiyatları ile Y şirketinin hisse fiyatları benzer hareket ediyor. Amaç zaman içindeki iki hareket serisi arasında bağıntı kurmaktır. Bunlar örneğin iki malın zaman içindeki satış miktarları olabilir. Örneğin dondurma satışları ile kola satışları arasında pozitif, dondurma satışları ile salep satışları arasında negatif bir bağıntı beklenebilir. Fark Saptanması: Normalden farklı davranış gösteren müşterilerim var mı? Amaç önceki uygulamaların aksine kural bulmak değil, kurala uymayan istisnai hareketleri bulmaktır. Bu da örneğin olası sahtekârlıkların saptanmasını (fraud detection) sağlar. Örneğin Visa kredi kartı için yapılan CRIS sisteminde bir yapay sinir ağı kredi kartı hareketlerini takip ederek müşterinin normal davranışına uymayan hareketler için müşterinin bankası ile temasa geçerek müşteri onayı istenmesini sağlar. Doküman Madenciliği: Arşivimde (veya internet üzerinde) bu dokümana benzer hangi dokümanlar var? Amaç dokümanlar arasında ayrıca elle bir tasnif gerekmeden benzerlik hesaplayabilmektir (text mining). Bu genelde otomatik olarak çıkarılan anahtar sözcüklerin tekrar sayısı sayesinde yapılır. 6

15 Madencilik Yapısı (Mining Structure): Microsoft tarafından kullanılan bir tanımdır. Analysis Services daki bir vaka kümesini temsil eder. Aslında alttaki veri yapısı üzerinde yer alan bir metadata katmanıdır. Verilerin temel özellikleri yanısıra veri madenciliği açısından çeşitli özelliklerini de barındırır. Bu yapı üzerine modeller kurulur. Madencilik modeli: Belirli bir algoritmanın belirli bir madencilik çatısı üzerine uygulanmış halidir. Aynı çatı üzerine farklı algoritmalar ya da farklı parametrelerle birden fazla model oluşturabilirsiniz Temel Adımlar Veri madenciliği uygulamalarında sırasıyla takip edilmesi gereken temel aşamalar aşağıda sistematik biçimde verilmiştir. Uygulama alanının ortaya konulması Bu ilk adımda veri madenciliğinin hangi alan ve hangi amaç için yapılacağı tespit edilir. Hedef veri grubu seçimi Belirlenen amaç doğrultusunda bazı kriterler belirlenir. Bu kriterler çerçevesinde aynı veya farklı veritabanlarından veriler toplanarak hedef (target) veri grubu elde edilir. Model seçimi Veri madenciliği probleminin seçimi datalar üzerinden belirlenir. (Sınıflandırma, Kümeleme, Birliktelik Kuralları, Şablonların ve İlişkilerin Yorumlanması v.b.) Ön işleme Bu aşamada seçilen veriler ayıklanarak silinir, eksik veri alanları üzerine stratejiler geliştirilir. Veriler tekrardan düzenlenip tutarlı bir hale getirilir. Bu aşamada yapılan işlem data temizleme ve data birleştirme olarak bilinen uyumlandırma işlemidir. Veri birleştirme (bütünleştirme), farklı veri tabanlarından ya da kaynaklarından elde 7

16 edilen verilerin birlikte değerlendirmeye alınabilmesi için farklı türdeki verilerin tek türe dönüştürülebilmesi demektir. Veri indirgeme Çözümleme işlemi veri madenciliği uygulamalarında uzun sürebilmektedir. İşlem yapılırken eksik ya da uygun olmayan verilerin oluşturduğu tutarsız verilerle karşılaşılabilir. Bu gibi durumlarda verinin söz konusu sorunlardan arındırılması gerekmektedir. Çözümlemeden elde edilecek sonuçta bir değişiklik olmuyorsa veri sayısı ya da değişkenlerin sayısında azaltmaya gidilir. Veri indirgeme çeşitli biçimlerde yapılabilir. Bu yöntemler aşağıda gösterilmiştir [7]. Şekil 2.2. Veri indirgeme yöntemleri Veriyi indirirken bu verileri çok boyutlu veri küpleri biçimine dönüştürmek söz konusu olabilir. Böylece çözümler sadece belirlenen boyutlara göre yapılır. Veriler arasında seçme işlemi yapılarak da veri tabanından veriler silinip boyut azaltılması yapılır. Veri dönüştürme Verileri direkt veri madenciliği çözümlerine katmak çoğu zaman uygun olmayabilir. Değişkenlerin ortalama ve varyansları birbirlerinden çok farklıysa büyük ortalama ve varyansa sahip değişkenlerin diğer değişkenler üzerindeki etkisi daha fazla olur. Bu nedenle bir dönüşüm yöntemi uygulanarak değişkenlerin normalleştirilmesi ya da standartlaşması uygun yoldur. 8

17 Algoritmanın belirlenmesi Bu aşamada indirgenmiş veriye ve kullanılacak modele hangi algoritmanın uygulanacağına karar verilir. Mümkünse bu algoritmanın seçimine uygun veri madenciliği yazılımı seçilir değilse oluşturulan algoritmaya uygun programlar yazılır. Yorumlama ve doğrulama Uygulama sonucunda elde edilen veriler üzerine yorumlama yapılır, bu yorumların test verileri üzerinden doğrulanması hedeflenir. Doğruluğu onaylanan bu yorumlar gizli bilgiye ulaşıldığını göstermektedir. Elde edilen bu bilgiler çoğu kez grafiklerle desteklenir Problemlerin Çözüm Yöntemleri Veri madenciliği uygulaması gerektiren problemlerde, farklı veri madenciliği algoritmaları ile çözüme ulaşılmaktadır. Veri madenciliği görevleri iki başlık altında toplanmaktadır. o Eldeki verinin genel özelliklerinin belirlenmesidir. o Kestirimci/Tahmin edici veri madenciliği görevleri, ulaşılabilir veri üzerinde tahminler aracılığıyla çıkarımlar elde etmek olarak tanımlanmıştır. Veri madenciliği algoritmaları aşağıda açıklanmaktadır Karakterize Etme (Characterization) Veri karakterizasyonu hedef sınıfındaki verilerin seçilmesi, bu verilerin genel özelliklerine göre karakteristik kuralların oluşturulması olayıdır. Örnek: Perakende sektöründe faaliyet gösteren, uluslararası ABC şirketinin binlerce kurumsal müşterisi olsun. ABC şirketinin pazarlama biriminde, büyük kurumsal müşterilere yönelik kampanyalar için her yıl düzenli olarak bu şirketten 10 milyon TL ve üstü alım yapan kurumsal müşteriler hedeflenmektedir. Veritabanından hedef grup belirlenerek genelleme yapılır ve genel kurallar oluşturulur. 9

18 Ayrımlaştırma (Discrimination) Belirlenen hedef sınıfa karşıt olan sınıf elemanlarının özellikleri arasında karşılaştırma yapılmasını sağlayan algoritmadır. Karakterize etme metodundan farkı mukayese yöntemini kullanmasıdır. Örnek: ABC kurumsal müşterilerinden her yıl 10 milyon TL ve üstü alışveriş yapan fakat geri ödeme konusunda riskli olan müşteri grubunun belirlenmesi Sınıflandırma (Classification) Sınıflandırma, veri tabanlarındaki gizli örüntüleri ortaya çıkarabilmek için veri madenciliği uygulamalarında sıkça kullanılan bir yöntemdir. Verilerin sınıflandırılması için belirli bir süreç izlenir. Öncelikle var olan veritabanının bir kısmı eğitim amaçlı kullanılarak sınıflandırma kurallarının oluşturulması sağlanır. Bu kurallar kullanılarak veriler sınıflandırılır. Bu veriler sınıflandırıldıktan sonra eklenecek veriler bu sınıflardan karakteristik olarak uygun olan kısma atanır. Sınıflandırma problemleri için "Oracle Data Miner" (ODM)' ın uyumlu olduğu çözüm yöntemleri Naive Bayes (NB), Karar Destek Vektörleri (SVM), Karar Ağaçları ve Adaptive Bayes Network(ABN)' dir. Örnek: XYZ şirketi müşterilerinin alım durumlarını göz önünde bulundurarak, alım gücüne göre "Yüksek", "Orta", "Düşük" şeklinde sınıflandırır. Müşterilerinin risk durumlarını sınıflandırmak için de "Risksiz", "Riskli", "Çok Riskli" şeklinde etiketlerle sınıflandırılabilir Tahmin etme (Prediction) Kayıt altında tutulan geçmiş verilerin analizi sonucu elde edilen bilgiler gelecekte karşılaşılacak aynı tarz bir durum için tahmin niteliği taşıyacaktır. Örneğin ABC şirketi geçen yılın satışlarını bölge bazlı sınıflandırmış ve bu sene için bir trend analizi yaparak her bölgede oluşacak talebi tahmin etmiştir. Bu tür problemler için ODM'nin kullandığı regresyon analizi yöntemi SVM'dir. 10

19 Birliktelik kuralları (Association rules) Birliktelik kuralları gerek birbirini izleyen gerekse de eş zamanlı durumlarda araştırma yaparak, bu durumlar arasındaki ilişkilerin tanımlanmasında kullanılır. Bu modelin yaygın olarak Market Sepet Analizi uygulamalarında kullanıldığı bilinmektedir. Örneğin bir süpermarkette X ürününden alan müşterilerin büyük bir kısmı Y ürününden de almıştır. Birliktelik kuralı ile bu durum ortaya çıkarılarak, süpermarketin X ve Y ürününü aynı veya yakın raflara koyması sağlanır. ODM bu problem sınıfı için de Birliktelik Kuralları modelini kullanmaktadır Kümeleme (Clustering) Yapı olarak sınıflandırmaya benzeyen kümeleme metodunda birbirine benzeyen veri grupları aynı tarafta toplanarak kümelenmesi sağlanır. Sınıflandırma metodunda sınıfların kuralları, sınırları ve çerçevesi belli ve datalar bu kriterlere göre sınıflara atanırken kümeleme metodunda sınıflar arası bir yapı mevcut olup, benzer özellikte olan verilerle yeni gruplar oluşturmak asıl hedeftir. Verilerin kendi aralarındaki benzerliklerinin göz önüne alınarak gruplandırılması yöntemin pek çok alanda uygulanabilmesini sağlamıştır. Örneğin, pazarlama araştırmalarında, desen tanımlama, resim işleme ve uzaysal harita verilerinin analizinde kullanılmaktadır. Tüm bu uygulama alanlarında kullanılması, ODM'nin desteklediği "K-means" ve "O- Cluster" kümeleme yöntemleri ile mümkün kılınmıştır Aykırı değer analizi (Outlier analysis) İstisnalar veya sürpriz olarak tespit edilen aykırı veriler, bir sınıf veya kümelemeye tabii tutulamayan veri tipleridir. Aykırı değerler bazı uygulamalarda atılması gereken değerler olarak düşünülürken bazı durumlarda ise çok önemli bilgiler olarak değerlendirilebilmektedir. Örneğin markette müşterilerin hep aynı ürünü iade etmesi bu metodun araştırma konusu içine girer. ODM; temizleme, eksik değer, aykırı değer analizi gibi birçok yöntemi veri hazırlama aşaması içine almakta ve desteklemektedir. 11

20 Zaman serileri (Time series) Yapılan veri madenciliği uygulamalarında kullanılan veriler çoğunlukla statik değildir ve zamana bağlı olarak değişmektedir. Bu metot ile bir veya daha fazla niteliğin belirli bir zaman aralığında, eğilimindeki değişim ve sapma durumlarını inceler. Belirlenen zaman aralığında ölçülebilir ve tahmin edilen/beklenen değerleri karşılaştırmalı olarak inceler ve sapmaları tespit eder. Örneğin ABC şirketinin Ocak-Haziran 2009 dönemi için önceki yılın satış miktarları göz önünde tutularak bir hedef ortaya konulmuştur ve 2009 değerleri karşılaştırmalı olarak incelenerek sapma miktarı belirlenir. ODM her ne kadar çeşitli histogramlarla kullanıcıya görsel destek sağlasa da tam anlamıyla bu tür problemleri desteklememektedir Veri görüntüleme (Visualization) Bu metot, çok boyutlu özelliğe sahip verilerin içerisindeki karmaşık bağlantıların/bağıntıların görsel olarak yorumlanabilme imkanını sağlar. Verilerin birbirleriyle olan ilişkilerini grafik araçları görsel ya da grafiksel olarak sunar. ODM zaman serilerinde olduğu gibi histogramlarla bu metodu desteklemektedir Yapay sinir ağları (Artificial neural networks) Yapay sinir ağları insan beyninden esinlenilerek geliştirilmiş, ağırlıklı bağlantılar aracılığıyla birbirine bağlanan işlem elemanlarından oluşan paralel ve dağıtılmış bilgi işleme yapılarıdır. Yapay sinir ağları öğrenme yoluyla yeni bilgiler türetebilme ve keşfedebilme gibi yetenekleri hiçbir yardım almadan otomatik olarak gerçekleştirebilmek için geliştirilmişlerdir. Yapay sinir ağlarının temel işlevleri arasında veri birleştirme, karakterize etme, sınıflandırma, kümeleme ve tahmin etme gibi veri madenciliğinde de kullanılan metotlar mevcuttur. Yüz ve plaka tanıma sistemleri gibi teknolojiler yapay sinir ağları kullanılarak geliştirilen teknolojilerdendir. 12

21 Genetik algoritmalar (Genetic algorithms) Genetik algoritmalar doğada gözlemlenen evrimsel sürece benzeyen, genetik kombinasyon, mutasyon ve doğal seçim ilkelerine dayanan bir arama ve optimizasyon yöntemidir. Genetik algoritmalar parametre ve sistem tanılama, kontrol sistemleri, robot uygulamaları, görüntü ve ses tanıma, mühendislik tasarımları, yapay zeka uygulamaları, fonksiyonel ve kombinasyonel eniyileme problemleri, ağ tasarım problemleri, yol bulma problemleri, sosyal ve ekonomik planlama problemleri için diğer eniyileme yöntemlerine kıyasla daha başarılı sonuçlar vermektedir Karar ağaçları (Decision trees) Ağaç yapıları esas itibariyle kural çıkarma algoritmaları olup, veri kümelerinin sınıflanması için if-then tipinde kullanıcının rahatlıkla anlayabileceği kurallar inşa edilmesinde kullanılırlar. Karar ağaçlarında veri kümesini sınıflamak için Classification and Regression Trees (CART) ve Chi Square Automatic Interaction Detection (CHAID) şeklinde iki yöntem kullanılmaktadır Kural çıkarma (Rules induction) İstatistiksel öneme sahip yararlı if-else kurallarının ortaya çıkarılması problemlerini inceler. Şekil 2.3. Veri madenciliği algoritmaları[8] 13

22 3. ORACLE VERİTABANI YÖNETİM SİSTEMİ Veritabanı yönetim konsolu kullanıcılar ve veritabanı yöneticilerinin veritabanına erişimlerini ve verilen haklar çerçevesinde istedikleri özellikleri kontrol etmelerini sağlayan bir arayüzdür. Aşağıda Oracle veritabanı yönetim konsolu ile ilgili bazı ekran görüntüleri ve açıklamaları verilmektedir Giriş Ekranı Aşağıda verilen ekrana ulaşmak için Oracle ile ilgili servisler otomatik başlat olarak ayarlanmamışlarsa öncelikle bu servisler başlatılmalı, sonrasında da internet tarayıcısına https://<localhost>:1158/em yazılarak çalıştırılmalıdır. Oracle Database 11g programı yüklendikten sonra "SYS" kullanıcısının kilidi (varsayılan) açılmıştır ve bu kullanıcı "Süper Yönetici" olduğundan bütün işlemleri yapmaya yetkilidir. "SYS" kullanıcısı ile sisteme SYSDBA olarak girilir. Şekil 3.1. Oracle VTYS nin giriş ekranı 3.2. Veritabanı Ana Yönetim Ekranı Sisteme SYS kullanıcısı olarak girildikten sonra aşağıdaki ekran karşımıza çıkar. Bu ekran aracılığıyla veritabanındaki bütün özellikler; Performans, Ulaşılabilirlik, Sunucu, Şema, Veri Hareketleri, Yazılım ve Destek gibi bileşenler kontrol edilebilir. 14

23 3.3. Sunucu Ekranı Şekil 3.2. Oracle VTYS nin ana yönetim ekranı Veritabanı ile ilgili tüm bilgilere erişip, değişiklikler yapabileceğimiz ekrandır. Şekil 3.3. Oracle VTYS nin sunucu ekranı Buradan Security Users yolundan hareket ederek veritabanında tanımlı tüm kullanıcılar aşağıdaki gibi görülebilir. Veri madenciliği uygulaması için yükleme 15

24 sırasında ODMBULENT isimli yeni bir kullanıcı oluşturulmuş, kilidi kaldırılmış ve gerekli haklar verilmiştir. Şekil 3.4. Oracle da tüm kullanıcıların listelendiği ekran ODMBULENT kullanıcısı seçilirse kullanıcı özelliklerini belirten bir sayfa açılır. Şekil 3.5. Oracle da seçilen kullanıcıya ait bilgi ekranı Burada kullanıcıya ait genel özellikler, roller, kullanıcı sistem hakları, nesneler üzerindeki hakları, kontenjan bilgisi, Proxy kullanıcısı, tüketici grup hakları gibi kısımlar bulunur. ODM için oluşturulan kullanıcı bu haklardan bazıları(temel işlemler için) verilmelidir. 16

25 Gerekli hakları verebilmek için kullanıcı listesinden, data miner için oluşturulan kullanıcı (ODMBULENT) seçilir. Edit System Privileges seçenekleri seçilir. EditList seçeneği ile tüm haklar listenelir. Move All seçeneği ile kullanıcı geniş yetki tanınır. Böylece kullanıcı ODM için hazır durumdadır. Şekil 3.6. Oracle da seçilen kullanıcıya hakların verilmesi 17

26 4. ORACLE DATA MINER Oracle Data Mining, Oracle veritabanı üzerinde çalışan ve kullanıcıların incelemeye uygun tahmini bilgiler üretmesine olanak tanıyan yardımcı bir özelliktir. Kullanıcılar, Oracle 10g Veritabanında gömülü data mining (veri arama) işlevini kullanarak verilerinde gizlenmiş düzen ve bilgileri bulabilirler [9]. Oracle Data Miner (ODM) ise kullanıcılara, değerli gizli bilgileri, şablonları ve yeni kavrayışları bulabilmeleri için yardımcı olan bir grafiksel kullanıcı ara yüzüdür. Bu ara yüz, kullanıcılara, büyük çaplı veriler üzerinde değişik amaçlara yönelik modeller oluşturma, bu modelleri test etme ve değişik veriler üzerinde uygulama yapma imkanı tanır. "Oracle Data Mining" işlemi, Oracle10g ve Oracle 11g sürümleri tarafından desteklenmektedir. Bu nedenle sunucu üzerine Oracle10g veritabanı, istemciye ise ODM paketi yüklenerek veritabanına erişim sağlanmıştır Erişim ODM paketinin veritabanına bağlantı ekranları aşağıda verilmiştir. Ancak ODM ilk kez çalıştırıldığında bazı erişim bilgilerinin girilmesi gerekmektedir. Şekil 4.1. ODM erişim ekranları 18

27 4.2. ODM Ana Ekranı ODM programının genel görünüşü aşağıdaki gibidir. Sol tarafta yer alan "Navigator" kısmından modeller, tablolar, testler, sonuçlar ve görevlere erişim sağlanır. Şekil 4.2. ODM ana ekranı Mining Activities katmanında kullanıcılar tarafından oluşturulan build, test ve apply aktiviteleri görüntülenmektedir. Data Sources katmanı, veritabanında bulunan kullanıcılar ve bu kullanıcılara ait tablo ve görünümleri içermektedir. Belirtmek gerekir ki Oracle Data Mining işlemine erişim hakkı sadece kurulum sırasında tanımlanan ODMBULENT kullanıcısına verilmiştir. Bu sebeple üzerinde veri madenciliği çalışması yapılacak tabloların sadece bu kullanıcı ile bağlanılarak veritabanına aktarımı mümkün olabilir. 19

28 Şekil 4.3. ODM kullanıcıların gösterimi Şekil 4.4. ODM de tabloların gösterimi 4.3. Veri Aktarımı ODM nin Data Import yolu ile veritabanına dışarıdan veri aktarımı yapılabilir. Bu yolla text formatındaki (.txt) tablolar veritabanına aktarılarak üzerlerinde çalışma imkanı sağlanır. Bu yöntemin dışında Oracle SQL Developer ile bağlantı ayarları yapılır. Veri madenciliği için ayarlanan kullanıcıya ait tabloya veriler import edilebilir. Verilerin import edilebilmesi için.xls veya.csv formatında olması gerekmektedir. Örnek uygulama için seçilen verileri gögüs kanseri verileri Wisconsin Diagnostic Breast Cancer (WDBC) dataseti 20

29 (http://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin /breast-cancer- wisconsin.data) adresinden alınmıştır. Şekil 4.5. Tabloya veri aktarımı Şekil 4.6. Tabloya veri aktarımı 1. aşama, aktarılacak verilerin seçimi 21

30 Şekil 4.7. Tabloya veri aktarımı 2. aşama, verideki sütunlar Şekil 4.8. Tabloya veri aktarımı 3. aşama, verideki sütunların seçilmesi 22

31 Şekil 4.9. Tabloya veri aktarımı 4. aşama, sütunların ilişkilendirilmesi Şekil Tabloya veri aktarımı 5. aşama, işlemin sonu Veritabanında herhangi bir tablo görüntülenip, sağ üst köşede bulunan export tuşuna basılarak ilgili tablo dışarı aktarılabilir. Bu yolla dışarı alınan tablo yine text formatında (.txt dosyası) olacaktır. 23

32 4.4. İstatistik İşlemleri Şekil ODM'ye aktarılan tablonun görünümü Herhangi bir tablo ile ilgili istatistiksel verileri görmek için tablonun format özelliklerinden birini seçmek gerekir. Böylece herhangi bir sütunun maksimum, minimum değerleri, ortalaması, standart sapması, varyansı ve dağıtılmış değerlerin histogramla gösterilmesi sağlanabilir. Aşağıda Data Show Summary Single Record için bir örnek verilmiştir. Şekil ODM'de bir tablonun istatistiksel verileri 24

33 Şekil ODM'deki bir tablonun bir sütunu için histogram örneği 4.5. Veri Temizleme ve Hazırlama İşlemleri Veri madenciliği işlemini gerçekleştirmenin öncesinde veri temizliği yapmak gerekmektedir. Bu veri temizliği, ODM' nin sağladığı değişik fonksiyonlarla yapılır. Bu adım çok kritiktir ve veri madenciliği sürecinin başarılı ya da başarısız olmasında önemli bir rol üstlenir. Veri temizleme işleminde, farklı veri tipleri farklı teknikleri gerektirdiği için, dikkatli bir yaklaşım gerektirmektedir. Veri temizleme eksik, hatalı, çelişkili ve ekstrem kayıtların ortaya çıkarılmasını içerir. Ekstrem kayıtlar, tipik değerlerden önemli ölçüde farklı olan değerlerdir. Örnek olarak, bir kişinin boyunu tanımlayan parametrenin 3 metreye eşit olduğu bir durum gösterilebilir. Eksik kayıtlar ise, veri giriş sistemlerindeki hataların sonuçları olabilir. Eksik verilerin sistematik bir hataya yol açıp açmayacağı kontrol edilmelidir. Örnek olarak, hız ölçüm cihazı arızalanmış ve ölçüm yapmayı bu nedenle durdurmuş olabilir. Hatalı ya da tamamlanmamış veriler bir kere tespit edildiğinde, analizden çıkarılmalı ya da düzeltilmelidir [10]. Bazı veri madenciliği algoritmaları, özellikler nümerik olduğunda bu özelliklerin çok farklı değerler almasına karşı duyarlıdır. Örneğin yaş genelde 100' den küçük iken, 25

34 gelir milyon mertebesinde değerler alabilmektedir. Bu durumda belirli hesaplamalar için "gelir" sütununun yaş sütununa göre değer ölçüsünden dolayı çok önemli olduğu gibi bir yanılgı ortaya çıkmaktadır. Oysa hem "gelir" hem de yaş sütunundaki değerler normalizasyon ile aralığına çekilerek birbirleri ile karşılaştırılabilir. ODM bir sütunun nümerik değerlerini belirli bir aralığa göreceli ağırlıkları ile orantılı olarak taşımak için bir normalizasyon fonksiyonu sağlar [10]. Ayrıca verinin model oluşturma ve oluşturulan modelin test edilmesi için bölünmesi gerekebilir. Buna benzer bazı veri hazırlama aşamalarının ekran çıktıları aşağıda verilmiştir. Sınıflandırma probleminde "Build" aktivitesinin uygulanacağı tablonun iyi ve kötü kayıtları eşit miktarda içermesi gerekmektedir. Burada iyi huylu kanser hucreleri 2, kötü huylu kanser hücreleri ise 4 olarak seçilmiştir. İyi ve kötü huylu kanser kayıt sayılarının eşit olmadığı tablo, ODM' nin Data Transform Split özelliği kullanılarak %60 Build ve %40 Test olarak bölünmüştür. Şekil Verinin model ve test tablolarına ayrılması işleminin 1. aşaması 26

35 Şekil Verinin model ve test tablolarına ayrılması işleminin 2. aşaması Şekil Verinin model ve test tablolarına ayrılması işleminin 3. aşaması Daha sonra Data Transform Stratified Sample özelliği kullanılarak Build tablosundaki iyi ve kötü huylu kanser verilerinin sayısı eşitlenmiştir. 27

36 Şekil Transformation 1.aşama İlk aşamada, iyi huylu ve kötü huylu kanser kayıtların sayılarının eşitleneceği tablo seçilir. Tabloda her kayıt için tek bir satır bulunduğundan Single Record Per Case seçenek düğmesi seçili halde bırakılmıştır. Şekil Transformation 2.aşama 28

37 Sonraki aşamada, işlem sonunda oluşacak olan yeni tabloya isim verilir. Yapılan işlem sonunda görüntü (view) değil tablo oluşturulacağından Tables seçeneği işaretli halde bırakılmıştır. Şekil Transformation 3.aşama Bir sonraki adımda, dengeleme işleminin hangi sütundaki veriler için yapılacağı seçilir. İyi huylu ve kötü huylu kayıtların sayıları eşitleneceği için SONUC seçilmiştir. Eğer istenirse, seçilen sütunun içerdiği verilerin dağılımını görmek için Histogram a tıklanır ve aşağıdaki şekilde görülen ekrandaki gibi bahsi geçen sütundaki her bir değerin sayısı ve dağılım içindeki yüzdesi görüntülenir. 29

38 Şekil SONUC için histogram (Eşitlenmeden önceki durum) Şekil Transformation 4.aşama 30

39 Sonraki adıma geçildiğinde, sütunda farklı değer alan kayıtların sayısı eşitlenmek istendiği için Equal Distribution seçeneği seçilmiştir. Equal Distribution seçildikten sonra, farklı değer alan kayıt sayılarının eşitlendiği görülür. Bu eşitleme, hangi değer için kayıt sayısı azsa o sayıya göre yapılır Veri Madenciliği Etkinlikleri Şekil Transformation 5.aşama Bu bölümde model oluşturma, oluşturulan modeli test etme ve modelin yeni veriye uygulanarak sonuçların elde edilmesi aşamaları anlatılacaktır Model Oluşturma Burada uygulanacak veri madenciliği problemi, bunun çözümü için geçerli algoritmalar, uygulanacak veri kümesi ve ilgili diğer parametreler seçilerek model oluşturulur. ODM' de veriler temizlendikten ve değişkenler yeniden düzenlendikten sonra veri madenciliği modeli oluşturulur. Bir veri madenciliği projesinde model oluşturulurken hedeflerin neler olduğu ve hangi tip verilerle nasıl bir veri madenciliği görevini 31

40 gerçekleştireceği belirlenmelidir. Örneğin projenin; bir sınıflandırma (classification) mı yoksa birliktelik (Association, Market Basket Analyse) projesi mi olacağı gerçeğinden yola çıkılarak model oluşturulmalıdır. Şekil ODM'de model oluşturma yöntemi, fonksiyon tipi seçimi Şekil Algoritma seçimi 32

41 Şekil Model oluşturma, 1. aşama Şekil Model oluşturma, 2. aşama Şekilde verilen ekran model oluşturmanın en önemli adımıdır. Burada hangi sütunun tahmin edilmek istendiği ve bu tahminin diğer hangi sütunlarla yapılacağı seçilmektedir. Dolayısıyla burada tahmini etkilemeyecek olan, örneğin talep 33

42 numarası gibi sütunlar girdi olarak seçilmemeli, sadece tahmini etkileyebilecek sütunların seçilmesine özen gösterilmelidir. Şekil Gelişmiş ayarlar, "Sample" sekmesi Şekil Gelişmiş ayarlar, " Discretize" sekmesi 34

43 Şekil Gelişmiş ayarlar, " Split" sekmesi Şekil Gelişmiş ayarlar, Build sekmesi Build ayarları iki bölüme ayrılmıştır. "General" sekmesinde, modelin genel doğruluğu artırıcı yönde mi ("Maximum Overall Accuracy"), yoksa her bir hedef değer için yüksek tahminde bulunan ve ortalama doğruluğu artırıcı yönde mi ("Maximum Average Accuracy") olacağı seçilir. Örneğin model, karlı olmayan müşteri tahminini yüksek doğrulukla yaparken karlı müşteri tahminini daha düşük 35

44 doğrulukla yapıyor olabilir. Açıktır ki modelin hedef olarak seçilen sütundaki her bir değeri yüksek doğrulukla tahmin etmesi istenecektir. Bu sebeple "Maximum Average Accuracy" seçeneği model kurulurken varsayılan olarak seçilidir ve o şekilde bırakılmıştır [11]. Model tipi için üç ayrı seçenek bulunmaktadır ve varsayılan seçenek "Single Feature"dır. Fakat modelde tahminleme yapmak için birden fazla özellik kullanılacağından burada "Multi Feature" seçeneği seçilmiştir. "Multi Feature" seçeneği seçildiğinde, "Attribute Importance" fonksiyonuna göre önem sıralaması yapılan sütunlar tahminlemeye katılmaya başlanır. Her bir özellik tahminlemeye katıldığında bir önceki adımla karşılaştırılır ve modelin doğruluğunda bir artış yapıp yapmadığına bakılır. Bu şekilde devam ederek yeni eklenen özelliğin modelin doğruluğunda bir artış yapmadığı görülünce model tamamlanmış olur [11]. Belirtmek gerekir ki bütün bu süreci, ODM arka planda gerçekleştirir, yani kullanıcıya sadece hangi model tipini seçeceğine karar vermek kalır. Şekil Gelişmiş ayarlar, "Test Metrics" sekmesi Gelişmiş ayarlar yapıldıktan sonra model oluşturma süreci başlatılır. Bu sürecin tamamlanmış hali şekilde görüldüğü gibidir. 36

45 Şekil Model oluşturma sürecinin son hali Model oluşturmak veri madenciliği için çok önemli bir aşamadır. Bu aşamada öncelikle hangi tip veriyle, hangi tip veri madenciliği görevinin gerçekleşeceği çok iyi anlaşılmalı ve buna uygun algoritmalar seçilmelidir. Bu ekranda, "Test Metrics" bölümünün altında yer alan "Result" a tıklanarak test sonuçları aşağıdaki gibi görüntülenebilir. Şekil Testin sonucu, "Predictive Confidance" sekmesi 37

46 Şekildeki sonuç kısmının ilk sekmesi olan "Predictive Confidence" görüntülenmiştir. Bu sonuç modelin, bir insanın rastgele yapacağı tahmine karşı ne kadar etkili olduğunun görsel halidir. Örneğin, model kurulan tabloda hedef sütunundaki verilerin %40' ı "2" değerine, %60'ı "4" değerine sahipse rastgele bir değer tahmini yapıldığında %40 oranında başarı beklenir. Fakat tahminlemede, oluşturulan model kullanılırsa başarı oranının yaklaşık %93.24 olacağı görülmüştür. Şekil Testin sonucu, "Accuracy" sekmesi "Accuracy" sekmesi tıklandığında, modelin test tablosuna uygulandığında elde edilen sonucun doğruluk oranları görüntülenir. Tahmin edilmek istenen hedef sütunundaki gerçek değerler bilinmektedir, böylece modelin yaptığı tahminler gerçek değerlerle karşılaştırılabilir. Modelde, SONUC değeri "2" olan 129 kayıt vardır ve model bunların %96.9' unu doğru olarak tahmin etmiştir. Aynı şekilde SONUC değeri "4" olan 82 kayıttan %96.34' ünün tahmini doğru olarak yapılmıştır. "Show Cost" butonuna tıklandığında, yanlış tahminin modele vereceği zarar aşağıdaki gibi görüntülenir. Düşük "Cost" değeri, modelin başarılı olduğu anlamına gelir [11]. 38

47 Şekil Testin sonucu, Accuracy de Cost'un görüntülenmesi Şekil Testin sonucu, "ROC" sekmesi ROC sekmesine bakıldığında modelde yapılabilecek olası değişiklikler görülebilir. ROC grafiği, yapılan değişikliklerin nasıl sonuçlanacağının ve güvenilirlik matrisinin nasıl etkileneceğinin görülebilmesini sağlar [11]. Modelde istenilen, iyi huylu kanser hücresi olan yani "2" değerini alan verilerin tahmininin mümkün olduğunca doğru 39

48 yapılmasıdır. Bu yüzden güvenilirlik matrisinde ilgili alanda yer alan sayının yüksek olması gerekir. Şekil Testin sonucu, "Lift" sekmesi, Cumulative Lift Chart "Lift" sekmesinde, modelin lift hesaplarının iki farklı gösterilişi yer alır. "The Cumulative Positive Cases" grafiği genel olarak lift grafiği olarak düşünülür. ODM modeli test tablosuna uygular ve kayıtların gerçek değerleri ile tahmini değerlerini bir araya getirir. Tahmin değerlerini, olasılıklarına göre azalan şekilde sıraladıktan sonra bu sıralı listeyi eşit parçalara böler (varsayılan olarak 10 parça) ve her bir parçada yer alan doğru tahminleri sayar [11]. Bu test sonucu, hangi yüzdelik dilimdeki iyi huylu kanser verileri SONUC değerlerinin daha iyi tahmin edildiğini göstermektedir. Örneğin ilk %20'lik dilim için lift değeri 1.63'tür. Yani model, bu aralıkta kalan hedef değerlerini, veriden alınacak rastgele bir gruba göre 1.63 kat daha iyi ve doğru tahmin etmektedir. Lift grafiği, modelin etkinliğinin önemli bir ölçüsüdür. 40

49 Şekil Testin sonucu, "Lift" sekmesi, Cumulative Positive Cases Chart "Test Settings" bölümünde, şekilde görüldüğü gibi modelle ilgili bilgiler yer almaktadır. Buradan cost matrix de görüntülenebilir. Şekil Testin sonucu, "Test Settings" sekmesi "Task" sekmesinde modelin adı, oluşturulma tarihi, kullanılan tablo gibi bilgiler aşağıdaki gibi görüntülenmektedir. 41

50 Modelin Uygulanması Şekil Testin sonucu, "Task" sekmesi Bu bölümde veri madenciliği probleminin son adımı olarak bir önceki adımda elde edilen modelin yeni veri kümesine uygulanması adımları verilecektir. Bu aşamada oluşturulan model kullanılarak tahminleme yapılır. Tahminleme yapılabilmesi için hazırlanmış bir model ve kurgulanmak için hazır bir senaryoya ihtiyaç vardır. Örneğin, hastanın verileri ile kanser olup olmadığı düşündüğümüzde, kanser riski üzerine hazırlanmış bir model vardır. Şekil ODM'de modelin uygulanması 42

51 Şekil Uygulama 1. aşama, uygulama yapılacak modelin seçimi Yukarıdaki ekranda daha önce oluşturulan hangi modelin uygulamasının yapılacağı, aşağıdaki ekranda ise hangi veriye uygulanacağı seçilmektedir. Bu tablo, "Data Transform- Split" yoluyla oluşturulmuş olan ve bütün verinin %40' ını içeren test tablosudur. Şekil Uygulama 2. aşama, uygulama yapılacak tablonun seçimi 43

52 Şekil Uygulama 3. aşama, sonuç tablosunda gösterilecek sütunların seçimi Şekil Uygulama 4. aşama, tahmini yapacak olan aktivitenin seçimi 44

53 Şekil Uygulama 5. aşama, tahmin yönteminin seçimi Şekil Uygulama 6. aşama, aktivitenin isminin belirlenmesi 45

54 Şekil Uygulama sürecinin son hali Burada sonuç ekranından "Result"a basılarak elde edilen sonuçlar görülebilir. Şekil Uygulama sonuç tablosu Sonuç ekranında, görülmesi istenerek seçilen sütunların yanısıra, tahmin (prediction) ve bu tahminin gerçekleşme olasılığı (probability) olmak özere iki ek sütun yer almaktadır. Burada daha önceden sonuçları varolan bir veri kümesi üzerinde uygulama gerçekleştirildiği için, hem tahmin hem de gerçekte hastanın kanser durumu (SONUC) görülebilmektedir. 46

55 5. SONUÇ Aşağıda sonuç olarak verilen tüm ekran çıktılarında, tahminleri Prediction sütununda, tahminlerin olma olasılığı ise Probability sütununda görülmektedir. Diğer sütunlar ise girdi verilerinde de bulunan ve karşılaştırma için buraya da dahil edilen sütunlardır. Şekil 5.1. Uygulama sonucu Uygulama sonucu, sayfanın sağ üst köşesinde yer alan Export tuşuna basılarak dışarı aktarılıp Excel tablosuna dönüştürülerek incelenmiştir. Lift sekmesinde anlatıldığı gibi bu tablo Probability sütununa göre en yüksek olasılık değerinden başlayarak azalan şekilde sıralanmıştır. Ardından bu tablo, 10 eşit parçaya bölünerek inceleme kolaylığı sağlanmıştır. Buna göre ilk %60'lık bölümde, belirgin bir şekilde iyi huylu kanser verileri tahminine ağırlık verildiği gözlemlenmiştir. İlk %60'lık kısımda iyi huylu kanser verileri tahmininin doğruluğu yaklaşık olarak %100'dür. Bahsi geçen dilimdeki en yüksek olasılık değeri , en düşük olasılık değeri 'dir. Bu değerler, yukarıdaki şekilde gösterilmiştir. Uygulama sonucunun son %40'lık dilimi incelendiğinde ise kötü huylu kanser verileri tahminine ağırlık verildiği gözlemlenmiştir. Son %40'lık dilimde kötü huylu kanser verileri tahmininin doğruluğu %100'dür. Bahsi geçen dilimdeki en yüksek olasılık değeri , en düşük olasılık değeri 'tür. 47

56 Bunun dışında aynı veri grubu analiz işleminden geçirildikten sonraki sonuç verileri incelenmiştir. Testin Sonucu, Accuracy Sekmesi tıklandığında, modelin test tablosuna uygulandığında elde edilen sonucun doğruluk oranları görüntülenir. Tahmin edilmek istenen hedef sütunundaki gerçek değerler bilinmektedir, böylece modelin yaptığı tahminler gerçek değerlerle karşılaştırılabilir. Modelde, SONUC değeri 2 olan 129 kayıt vardır ve model bunların %96.9' unu doğru olarak tahmin etmiştir. Aynı şekilde SONUC değeri 4 olan 82 kayıttan %96.34' ünün tahmini doğru olarak yapılmıştır. Şekil 5.2. Modelin doğruluk tablosu Modelde gerçek sonucu 2 yani iyi huylu olan kanser verisi sayısı 129 iken yapılan tahmin 125 veri doğru olarak sınıflandırılmıştır. Yanlış sınıflandırılan 4 veri aslında iyi huylu kanser olmasına rağmen sınıflandırma işlemi bu verileri kötü huylu kanser verisi grubu içinde zannetmiştir. Diğer veri türü olan kötü huylu kanser verisinin sayısı 82 iken bunun 81 tanesini doğru sınıflandırılmıştır. Yanlış sınıflandırılan 1 veri aslında kötü huylu kanser verisi olmasına rağmen sınıflandırma işlemi bu veriyi iyi huylu kanser verisi grubuna dahil etmiştir. Elde edilen sonuçlar gerçek kanser verileri olduğu için modelde bulunan öznitelikler sınıflandırmanın başarısını artırmıştır. Eldeki özniteliklerden sadece id bilgisi algoritmaya dahil edilmemiştir. Benzer bir durum diğer modellemeler için uygulanırsa gereksiz öznitelik bilgisi başarıyı olumsuz etkiler. 48

57 KAYNAKLAR [1] Frawley W. J., Shapiro G. P., Matheus C. J., Discovery in Databases: An Overview, AI Magazine, 13-3, [2] Berry J. A., Linoff G., Data mining techniques for marketing, sales and customer support, John Wiley & Sons Inc., New York. [3] Holshemier M., Siebes A., Data mining [4] Cabena P., Hadjnian P., Stadler R., Discovering data mining from concept to implementation, Prentice Hall PTR, NJ. [5] Christen, P., A very short introduction to data mining, Lecture Notes, http ://www.datamining.anu.edu.au. [6] Dilly R., Data Mining, An introduction Student Notes, 1.html. [7] Özkan, Y., Veri Madenciliği Yöntemleri, p.41. [8] Baykasoğlıı A., Veri madenciliği ve çimento sektörüne bir uygulama, Akademik Bilişim Konferansı, pp.82-83, Gaziantep Üniversitesi, Gaziantep. [9] ziyaret tarihi [10] ziyaret tarihi [11] ORACLE CORPORATION, Oracle 10g Release 2 Data Mining Tutorial, pp. 78, 81, 82, 83, 84, 85, 86,

1. Oracle Data Miner 11g Release 2 Kurulumu Aşamaları

1. Oracle Data Miner 11g Release 2 Kurulumu Aşamaları 1. Oracle Data Miner 11g Release 2 Kurulumu Aşamaları Uyarı 1: Kuruluma başlamadan önce Oracle 11g Release 2 veritabanı kurulumunu eksiksiz bir şekilde gerçekleştirmiş olmanız beklenmektedir. İlgili kurulum

Detaylı

VERİ MADENCİLİĞİNE BAKIŞ

VERİ 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?

Detaylı

ORACLE DATA MINER İLE KREDİ ÖDEMELERİ ÜZERİNE BİR VERİ MADENCİLİĞİ UYGULAMASI BİTİRME ÖDEVİ. Aslı Pınar YAPICI Ayşegül ÖZEL Cemal AYÇA

ORACLE DATA MINER İLE KREDİ ÖDEMELERİ ÜZERİNE BİR VERİ MADENCİLİĞİ UYGULAMASI BİTİRME ÖDEVİ. Aslı Pınar YAPICI Ayşegül ÖZEL Cemal AYÇA ORACLE DATA MINER İLE KREDİ ÖDEMELERİ ÜZERİNE BİR VERİ MADENCİLİĞİ UYGULAMASI BİTİRME ÖDEVİ Aslı Pınar YAPICI Ayşegül ÖZEL Cemal AYÇA Anabilim Dalı: MATEMATİK MÜHENDİSLİĞİ Tez Danışmanı: Prof. Dr. Ulviye

Detaylı

VERİ 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 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

Detaylı

Web Madenciliği (Web Mining)

Web 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

Detaylı

Excel de Pivot Tablolar Tasarım ve Kullanımı

Excel de Pivot Tablolar Tasarım ve Kullanımı FARUK ÇUBUKÇU EXCEL AKADEMİ Excel de Pivot Tablolar Tasarım ve Kullanımı Pivot tablolar; satışlar, siparişler gibi verileri gruplamayı, alt toplamlarını almayı ve filtreleme işlemleri yapmayı sağlayan

Detaylı

Web Madenciliği (Web Mining)

Web 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

Detaylı

İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK MÜHENDİSLİĞİ PROGRAMI

İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK MÜHENDİSLİĞİ PROGRAMI İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK MÜHENDİSLİĞİ PROGRAMI NAIVE BAYES YÖNTEMİ İLE BANKACILIK SEKTÖRÜ ÜZERİNE BİR VERİ MADENCİLİĞİ UYGULAMASI BİTİRME ÖDEVİ Ece Hazal AYDIN 090080013

Detaylı

FATURA ŞABLONU TASARLAMA KILAVUZU

FATURA ŞABLONU TASARLAMA KILAVUZU FATURA ŞABLONU TASARLAMA KILAVUZU Şubat 2015 FATURA ŞABLONLARI Alıcının faturalarını istediğiniz formatta görüntüleyebilmesi için hazırlamanız gereken şablonu Yönetim Şirket Tanımları Fatura Şablonları

Detaylı

Programın Tanıtımı 2-4- 1-3- 8-9- 10-11- 12- 13-

Programın Tanıtımı 2-4- 1-3- 8-9- 10-11- 12- 13- ISIS VERİ YÖNETİMİ Programın Tanıtımı 1-3- 2-4- 6-7- 5-8- 9-10- 11-12- 13-1- Bu bölüme aranacak sorgu için 2 tarih arası bilgi gün / ay / yıl / saat / dakika cinsinden girilir. 2- Arama kriterlerinden

Detaylı

PARALOG SÜT PROGRAMLARINDA ROTA ĐCMALĐ

PARALOG SÜT PROGRAMLARINDA ROTA ĐCMALĐ PARALOG SÜT PROGRAMLARINDA ROTA ĐCMALĐ Versiyon : 3.6.7.x İlgili Programlar : Süt Programları Tarih : 07.04.2009 Doküman Seviyesi (1 5) : 3 (Tecrübeli Kullanıcılar) GĐRĐŞ Süt alım ve üretimi yapan özel

Detaylı

KATEGORİ MİZANI BAŞLARKEN KATEGORİ NEDİR? NEDEN N İHTİYAÇ DUYULUR?

KATEGORİ MİZANI BAŞLARKEN KATEGORİ NEDİR? NEDEN N İHTİYAÇ DUYULUR? KATEGORİ MİZANI Doküman Kodu : RNT-02 Açıklama : Vio Kategori Mizanı Kullanımı Kapsam : Vio Nitelikleri Revizyon No : 2 Yayın Tarihi : Aralık 2012 BAŞLARKEN SKOR YAZILIM tarafından geliştirilen ticari

Detaylı

13 Aralık 2007. Đlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL. Đlgili Modül/ler : Raporlar. Kullanıcı Tanımlı Raporlar Bölümünden Yapabildiklerimiz

13 Aralık 2007. Đlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL. Đlgili Modül/ler : Raporlar. Kullanıcı Tanımlı Raporlar Bölümünden Yapabildiklerimiz 13 Aralık 2007 Đlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL Đlgili Modül/ler : Raporlar KULLANICI TANIMLI RAPORLAR Kullanıcı Tanımlı Raporlar Bölümünden Yapabildiklerimiz Kendi isteklerinize özel rapor tasarımları

Detaylı

DESTEK DOKÜMANI. Ürün : Tiger Enterprise/ Tiger Plus/ Go Plus/Go Bölüm : Kurulum İşlemleri

DESTEK DOKÜMANI. Ürün : Tiger Enterprise/ Tiger Plus/ Go Plus/Go Bölüm : Kurulum İşlemleri LOGO PROGRAM KURULUMU VE AYARLARI Logo programlarının yüklemesi için kullanılacak,setup dosyaları ftp://download.logo.com.tr/ adresinden indirilerek yapılır. Örneğin Kobi ürünleri için; ftp://download.logo.com.tr/windows/kobi/guncel/go_plus/klasöründen

Detaylı

ENROUTEPLUS TA YAPILMASI GEREKENLER

ENROUTEPLUS TA YAPILMASI GEREKENLER 11 Mayıs 2010 İlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL İlgili Modül/ler : Transfer EnRoutePlus TAN METİN DOSYALARININ AKTARIMI (FATURA, NAKİT, ÇEK, SENET) Univera firmasının EnRoutePlus programından

Detaylı

LKS2. Kredi Kartı Uygulamaları

LKS2. Kredi Kartı Uygulamaları LKS2 Kredi Kartı Uygulamaları LOGO Kasım 2006 İçindekiler LKS2 Kredi Kartı Uygulamalarında kullanılan parametreler... 3 Banka Hesabı Kayıt Türleri... 3 Geri Ödeme Planları... 4 Geri Ödeme Plan Bilgileri...

Detaylı

Veritabanı, Veri Madenciliği, Veri Ambarı, Veri Pazarı

Veritabanı, Veri Madenciliği, Veri Ambarı, Veri Pazarı Veritabanı, Veri Madenciliği, Veri Ambarı, Veri Pazarı Başkent Üniversitesi Bilgisayar Mühendisliği Yönetim Bilişim Sistemleri (Bil 483) 20394676 - Ümit Burak USGURLU Veritabanı Veri tabanı düzenli bilgiler

Detaylı

TAŞINIR MAL KAYIT VE TAKİP MODÜLÜ

TAŞINIR MAL KAYIT VE TAKİP MODÜLÜ MALİYE SGB..net TAŞINIR MAL KAYIT VE TAKİP MODÜLÜ 1 Taşınır Mal Yönetimi Taşınır Mal Yönetimi ile ilgili işlemlere Kaynak Yönetimi menüsü altındaki Taşınır Mal alt menüsünden ulaşıyoruz. Bu menünün seçenekleri

Detaylı

Mühendislikte Veri Tabanları Dersi Uygulamaları (MS-Access)

Mühendislikte Veri Tabanları Dersi Uygulamaları (MS-Access) Mühendislikte Veri Tabanları Dersi Uygulamaları (MS-Access) İstanbul Teknik Üniversitesi, İnşaat Fakültesi, Geomatik Mühendisliği Bölümü Prof. Dr. Nebiye MUSAOĞLU Doç. Dr. Elif SERTEL Y. Doç. Dr. Şinasi

Detaylı

ELEKTRONİK ÇİZELGE. Hücreleri Biçimlendirme. Formülleri Kullanma. Verileri Sıralama. Grafik Oluşturma 1) HÜCRELERİ BİÇİMLENDİRME

ELEKTRONİK ÇİZELGE. Hücreleri Biçimlendirme. Formülleri Kullanma. Verileri Sıralama. Grafik Oluşturma 1) HÜCRELERİ BİÇİMLENDİRME Hücreleri Biçimlendirme ELEKTRONİK ÇİZELGE Formülleri Kullanma Verileri Sıralama Grafik Oluşturma 1) HÜCRELERİ BİÇİMLENDİRME Elektronik Çizelge de sayıları; bin ayracı, yüzde oranı, tarih/saat ve para

Detaylı

1. VERİ TABANI KAVRAMLARI VE VERİ TABANI OLUŞTUMA

1. VERİ TABANI KAVRAMLARI VE VERİ TABANI OLUŞTUMA BÖLÜM15 D- VERİ TABANI PROGRAMI 1. VERİ TABANI KAVRAMLARI VE VERİ TABANI OLUŞTUMA 1.1. Veri Tabanı Kavramları Veritabanı (DataBase) : En genel tanımıyla, kullanım amacına uygun olarak düzenlenmiş veriler

Detaylı

BÖLÜM 8 B- SUNU PROGRAMI 1. MICROSOFT POWERPOINT NEDİR? 2. POWERPOINT PROGRAMININ BAŞLATILMASI

BÖLÜM 8 B- SUNU PROGRAMI 1. MICROSOFT POWERPOINT NEDİR? 2. POWERPOINT PROGRAMININ BAŞLATILMASI BÖLÜM 8 B- SUNU PROGRAMI 1. MICROSOFT POWERPOINT NEDİR? Microsoft Office Paketi ile birlikte kullanıcıya sunulan Powerpoint Programı, etkileşimli sunular (Presentation) hazırlamaya yarayan metin tabanlı

Detaylı

MENÜ AYARLAMA 1. MENÜ AYARLAMA. [X] Fusion@6. [X] Fusion@6 Standard. [X] Entegre@6. [X] Yeni Fonksiyon

MENÜ AYARLAMA 1. MENÜ AYARLAMA. [X] Fusion@6. [X] Fusion@6 Standard. [X] Entegre@6. [X] Yeni Fonksiyon MENÜ AYARLAMA Ürün Grubu [X] Fusion@6 [X] Fusion@6 Standard [X] Entegre@6 Kategori Versiyon Önkoşulu [X] Yeni Fonksiyon @6 Uygulama Fusion@6 serisi ürünlerde ürün ana menüsü çeşitli temalarla görsel olarak

Detaylı

Coslat Monitor (Raporcu)

Coslat Monitor (Raporcu) Coslat Monitor (Raporcu) Coslat Monitor, Coslat Firewall, Hotspot ve Mirror uygulamalarında oluşturulan zaman damgalı kayıtların analiz edilmesini ve raporlanmasını sağlayan uygulamadır. Coslat Monitor

Detaylı

SPSS (Statistical Package for Social Sciences)

SPSS (Statistical Package for Social Sciences) SPSS (Statistical Package for Social Sciences) SPSS Data Editor: Microsoft Excel formatına benzer satır ve sütunlardan oluşan çalışma sayfası (*sav) Data Editör iki arayüzden oluşur. 1. Data View 2. Variable

Detaylı

Bu sekme ile genel olarak biçimlendirme ile ilgili ayarlamaların yapıldığı sekmedir.

Bu sekme ile genel olarak biçimlendirme ile ilgili ayarlamaların yapıldığı sekmedir. 3. GİRİŞ SEKMESİ Bu sekme ile genel olarak biçimlendirme ile ilgili ayarlamaların yapıldığı sekmedir. 3.1. Excel 2010 da Kesme, Kopyalama, Yapıştırma ve Biçim Boyacısı Giriş sekmesinin ilk grubu olan Pano

Detaylı

Excel Nedir? Microsoft Excell. Excel de Çalışma sayfası-tablo

Excel Nedir? Microsoft Excell. Excel de Çalışma sayfası-tablo Microsoft Excell Excel Nedir? Excel programı; veriler üzerinde hesap yapabilme, verileri tabloya dönüştürebilme, verileri karşılaştırıp sonuç üretebilme, grafik oluşturma, veri yönetimi yapabilir. http://mf.dpu.edu.tr/~eyup

Detaylı

HAL KAYIT SİSTEMİ HAL HAKEM HEYETİ İŞLEMLERİ KULLANICI KILAVUZU

HAL KAYIT SİSTEMİ HAL HAKEM HEYETİ İŞLEMLERİ KULLANICI KILAVUZU HAL KAYIT SİSTEMİ HAL HAKEM HEYETİ İŞLEMLERİ KULLANICI KILAVUZU Ekim 2015 İçindekiler 1. HAL KAYIT SİSTEMİ NE GİRİŞ... 2 2. HAL HAKEM HEYETİ BAŞVURU OLUŞTURMA SÜRECİ... 2 2.1. BAŞVURU İÇİN GEREKLİ BİLGİLERİN

Detaylı

VERİ KAYNAKLARI. Bilgi sisteminin öğelerinden biride veri

VERİ KAYNAKLARI. Bilgi sisteminin öğelerinden biride veri VERİ KAYNAKLARI YÖNETİMİ İ İ 5. ÜNİTE GİRİŞ Bilgi sisteminin öğelerinden biride veri yönetimidir. Geleneksel yada çağdaş, birinci yada ikinci elden derlenen veriler amaca uygun veri formlarında tutulur.

Detaylı

İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK MÜHENDİSLİĞİ PROGRAMI

İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK MÜHENDİSLİĞİ PROGRAMI İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK MÜHENDİSLİĞİ PROGRAMI ORACLE DATA MINER İLE İMKB HİSSELERİNİN YILLIK NET KARLARI ÜZERİNE BİR VERİ MADENCİLİĞİ UYGULAMASI BİTİRME ÖDEVİ Armağan

Detaylı

ICubes Giriş. http://ids.ipsos.com.tr/icubes/ adresinden sisteme girilir. Açılan sayfaya kullanıcı adı ve şifre yazılarak platforma giriş yapılır

ICubes Giriş. http://ids.ipsos.com.tr/icubes/ adresinden sisteme girilir. Açılan sayfaya kullanıcı adı ve şifre yazılarak platforma giriş yapılır ICUBES ICubes, Ipsos çalışanları ve müşterileri için tasarlanmış, üretim datalarını farklı bir platform üzerinden toplu şekilde görmeye yarayan bir programdır. ICubes Giriş http://ids.ipsos.com.tr/icubes/

Detaylı

TAPU VE KADASTRO BİLGİ SİSTEMİ

TAPU VE KADASTRO BİLGİ SİSTEMİ TAPU VE KADASTRO BİLGİ SİSTEMİ MEKÂNSAL GAYRİMENKUL SİSTEMİ (MEGSİS) BAŞVURU, E-ÖDEME VE FEN KAYIT İŞLEMLERİ DOKÜMANI Sürüm: 0.1 Revizyon Bilgileri Revizyon No: Revizyon Tarihi Revizyonu Yapan Revizyon

Detaylı

Yürürlük Tarihi: 12/09/2014 - Kodu: 97298233.ED.1.24.1 - Rev. No/Tarihi: 00 1 / 22

Yürürlük Tarihi: 12/09/2014 - Kodu: 97298233.ED.1.24.1 - Rev. No/Tarihi: 00 1 / 22 Başvuru Fişleri ekranında talep edilen işlem için başvuru oluşturulurken, (Ekle) butonuna basılır, Başvuran Adı-Soyadı bölümüne ilgili mahkeme kararı yazılır. Başvuruya Ait Taşınmaz Mal (Zemin Tanım) kısmında

Detaylı

SPSS E GİRİŞ SPSS TE TEMEL İŞLEMLER. Abdullah Can

SPSS E GİRİŞ SPSS TE TEMEL İŞLEMLER. Abdullah Can SPSS E GİRİŞ SPSS TE TEMEL İŞLEMLER SPSS in üzerinde işlem yapılabilecek iki ana ekran görünümü vardır. DATA VIEW (VERİ görünümü) VARIABLE VIEW (DEĞİŞKEN görünümü) 1 DATA VIEW (VERİ görünümü) İstatistiksel

Detaylı

PARALEL VERİ MADENCİLİĞİ ALGORİTMALARI. BAŞARIM 09, 15-18 Nisan 2009, ODTÜ, Ankara

PARALEL 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

Detaylı

Coğrafi Bilgi Sistemlerine Giriş. Ünite 5 - Veri Tabanı Yönetim Sistemleri

Coğrafi Bilgi Sistemlerine Giriş. Ünite 5 - Veri Tabanı Yönetim Sistemleri Coğrafi Bilgi Sistemlerine Giriş Ünite 5 - Veri Tabanı Yönetim Sistemleri İçerik Temel kavramlar Veri tabanı modelleri Normalizasyon Coğrafi Bilgi Sistemlerinde veri tabanı yönetimi Temel kavramlar Veri

Detaylı

Veri Madenciliği Projelerinin Yaşam Döngüsü - 1

Veri Madenciliği Projelerinin Yaşam Döngüsü - 1 Veri Madenciliği Projelerinin Yaşam Döngüsü - 1 Özet : Bu makalemizde Veri Madenciliği projelerinin yaşam döngüsünü inceleyeceğiz.veri Madenciliği projelerinde takip edilmesi gereken başlıca adımları ve

Detaylı

MapCodeX MapLand Kullanım Kılavuzu

MapCodeX MapLand Kullanım Kılavuzu MapCodeX MapLand Kullanım Kılavuzu Versiyon Numarası: 1.0 ------------------------------- Kullanım Kılavuzu 2015 info@ www. MapCodeX MapLand İşlem Araçları Çalışma Dosyası Aç Haritanın ve son çalışma dosyasının

Detaylı

Defterdar Teknik Doküman

Defterdar Teknik Doküman EYLÜL 2014 sürüm 1.0 İzibiz Bilgi Teknolojileri A.Ş. Tel: 0 850 811 11 99 satis@izibiz.com.tr www.izibiz.com.tr İçindekiler 1 GİRİŞ... 1 1.1... Kapsamı ve Amacı... 1 1.2... Genel Bakış... 1 2 DEFTERDAR

Detaylı

SUPERVISOR (YETKİLİ KULLANICI) KAMPANYA YÖNETİMİ EĞİTİM DOKÜMANI

SUPERVISOR (YETKİLİ KULLANICI) KAMPANYA YÖNETİMİ EĞİTİM DOKÜMANI SUPERVISOR (YETKİLİ KULLANICI) KAMPANYA YÖNETİMİ EĞİTİM DOKÜMANI Sürüm 1.3.5 Ağustos 2013 TegsoftCC Supervisor (Yetkili Kullanıcı) Kampanya Yönetimi Eğitim Dokümanı Sayfa 2 / 14 İÇİNDEKİLER A. SES KAMPANYASI

Detaylı

Veritabanı. SQL (Structured Query Language)

Veritabanı. SQL (Structured Query Language) Veritabanı SQL (Structured Query Language) SQL (Structured Query Language) SQL, ilişkisel veritabanlarındaki bilgileri sorgulamak için kullanılan dildir. SQL, bütün kullanıcıların ve uygulamaların veritabanına

Detaylı

İş Zekâsı Sistemi Projesi

İş Zekâsı Sistemi Projesi BI İş Zekâsı Sistemi Projesi Ulaş Kula, Bilişim Ltd. Esinkap 5. Ar-Ge Proje Pazarı 31 Mayıs 2012 Bilişim Ltd. 1985 te kurulan Bilişim Ltd, Türkiye nin üstün başarıyla sonuçlanmış önemli projelerine imza

Detaylı

İş Analitiği'ne Netezza ile Yüksek Performans Katın

İş Analitiği'ne Netezza ile Yüksek Performans Katın İş Analitiği'ne Netezza ile Yüksek Performans Katın Umut ŞATIR İleri Analitik Çözüm Mimarı 2012 IBM Corporation Netezza and IBM Business Analytics Baştan sona bir İş Analitiği çözümü Performans Kolaylık

Detaylı

Mustafa DAKMAz Uyumsoft Mersis Eğitim ve Uygulama Danışmanı

Mustafa DAKMAz Uyumsoft Mersis Eğitim ve Uygulama Danışmanı Mustafa DAKMAz Uyumsoft Mersis Eğitim ve Uygulama Danışmanı MERSİS sayesinde şirket kuruluş işlemleri artık, online olarak süratli bir şekilde gerçekleşebilecektir. Sisteme giriş, http://mersis.gumrukticaret.gov.tr/

Detaylı

MEDULA Sistemi E-Fatura Gönderme

MEDULA Sistemi E-Fatura Gönderme Versiyon : 1.00 Yayınlama Tarihi : 16.09.2007 23:00 Sayfa Aralığı : 1-19 MEDULA Sistemi E-Fatura Gönderme MEDULA Sistemi ile E-Fatura gönderme işleminde ilk adım gönderilecek faturaların GSS** icmallerinin

Detaylı

DESTEK DOKÜMANI. Tablolu Malzeme Sınıfları

DESTEK DOKÜMANI. Tablolu Malzeme Sınıfları Tablolu Malzeme Sınıfları Malzeme Sınıfı; malzemelerin nitel ve nicel özelliklerine göre (renk,boy,beden,ebat,aksesuar,vb...) gruplanması ile oluşturulan yapılardır. Malzemelerin ortak özelliklerine göre

Detaylı

Grafik Hazırlama Aracı

Grafik Hazırlama Aracı Grafik Hazırlama Aracı Ürün Grubu [X] Fusion@6 [X] Fusion@6 Standard [X] Entegre@6 Kategori Versiyon Önkoşulu [X] Yeni Fonksiyon 4.0.4 Uygulama Netsis Grafik Hazırlama aracı ile programın raporlarından

Detaylı

Şekil 1. Sitiller ve biçimlendirme

Şekil 1. Sitiller ve biçimlendirme ŞABLONUN KULLANILMASI Şablon yazım kuralları belirli olan metinlerin yazımında kolaylık sağlayan araçlardır. Bu şablonlarda yazım kuralları ile ilgili detaylar tanımlanarak kullanıcının detaylarla uğraşmadan

Detaylı

1. MİCROSOFT EXCEL 2010 A GİRİŞ

1. MİCROSOFT EXCEL 2010 A GİRİŞ 1. MİCROSOFT EXCEL 2010 A GİRİŞ 1.1. Microsoft Excel Penceresi ve Temel Kavramlar Excel, Microsoft firması tarafından yazılmış elektronik hesaplama, tablolama ve grafik programıdır. Excel de çalışılan

Detaylı

İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ ORACLE DATA MINER İLE ÖĞRENCİ KAYITLARI ÜZERİNE BİR VERİ MADENCİLİĞİ UYGULAMASI

İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ ORACLE DATA MINER İLE ÖĞRENCİ KAYITLARI ÜZERİNE BİR VERİ MADENCİLİĞİ UYGULAMASI İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ ORACLE DATA MINER İLE ÖĞRENCİ KAYITLARI ÜZERİNE BİR VERİ MADENCİLİĞİ UYGULAMASI BİTİRME ÖDEVİ Ceyda DURMAZ Murat KOCAMIŞ Anabilim Dalı: MÜHENDİSLİK BİLİMLERİ

Detaylı

İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK MÜHENDİSLİĞİ PROGRAMI

İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK MÜHENDİSLİĞİ PROGRAMI İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK MÜHENDİSLİĞİ PROGRAMI ORACLE DATA MINER İLE MANTARLARIN ZEHİRLİLİĞİ ÜZERİNE BİR VERİ MADENCİLİĞİ UYGULAMASI BİTİRME ÖDEVİ Özge KAPLAN 090090430

Detaylı

Süreç Yönetimi. Logo

Süreç Yönetimi. Logo Süreç Yönetimi Logo Kasım 2013 SÜREÇ YÖNETİMİ Süreç belirlenen bir amaca ulaşmak için gerçekleştirilen faaliyetler bütünüdür. Örn; Sistemde kayıtlı personellerinize doğum günü kutlama maili gönderme, Deneme

Detaylı

@6 SERİSİ ÜRÜN KURULUMU

@6 SERİSİ ÜRÜN KURULUMU @6 SERİSİ ÜRÜN KURULUMU Ürün Grubu [X] Fusion [X] Fusion Standard [X] Entegre W3 Kategori [X] Yeni Fonksiyon Versiyon Önkoşulu @6 Uygulama @6 serisi ürünlerin kurulum işlemleri sadece on-line internet

Detaylı

PAPATYA YAYINCILIK EĞİTİM Bilgisayar Sis. San. ve Tic. A.Ş. Veri Madenciliği Yöntemleri Dr. Yalçın ÖZKAN -II-

PAPATYA YAYINCILIK EĞİTİM Bilgisayar Sis. San. ve Tic. A.Ş. Veri Madenciliği Yöntemleri Dr. Yalçın ÖZKAN -II- Dr. Yalçın ÖZKAN Dr. Yalçın ÖZKAN PAPATYA YAYINCILIK EĞİTİM Bilgisayar Sis. San. ve Tic. A.Ş. Ankara Caddesi, Prof. Fahreddin Kerim Gökay Vakfı İşhanı Girişi, No: 11/3, Cağaloğlu (Fatih)/İstanbul Tel

Detaylı

13 Mayıs 2009. İlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL. İlgili Modül/ler : Genel

13 Mayıs 2009. İlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL. İlgili Modül/ler : Genel 13 Mayıs 2009 İlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL İlgili Modül/ler : Genel DİNAMİK EXCEL BAĞLANTISI Kendi raporlarınızı oluşturmak son derece kolay. Açık veritabanı platformuna sahip programınız

Detaylı

PERSONEL BANKA IBAN BİLGİSİ DEĞİŞİKLİĞİ UYGULAMA KILAVUZU

PERSONEL BANKA IBAN BİLGİSİ DEĞİŞİKLİĞİ UYGULAMA KILAVUZU PERSONEL BANKA IBAN BİLGİSİ DEĞİŞİKLİĞİ UYGULAMA KILAVUZU ŞUBAT - 2014 PERSONEL ÖDEMELERİ UYGULAMA GELİŞTİRME VE DESTEK ŞUBESİ 1 İçindekiler GİRİŞ......3 1. HARCAMA BİRİMLERİNCE YAPILACAK İŞLEMLER..3 1.1.

Detaylı

KULLANIM KILAVUZU. Reserve Online Reservation Systems www.reserve.com.tr

KULLANIM KILAVUZU. Reserve Online Reservation Systems www.reserve.com.tr KULLANIM KILAVUZU Reserve Online Reservation Systems www.reserve.com.tr RESERVE ONLİNE REZERVASYON YAZILIMI KULLANIM KİTABI...3 ADMİN PANELİ... 3 Admin Panel Giriş (Login)... 3 Yönetim Paneli... 3 OTEL

Detaylı

TAPU VE KADASTRO BİLGİ SİSTEMİ

TAPU VE KADASTRO BİLGİ SİSTEMİ TAPU VE KADASTRO BİLGİ SİSTEMİ MEKÂNSAL GAYRİMENKUL SİSTEMİ (MEGSİS) VERİ İŞLEMLERİ DOKÜMANI Sürüm: 0.1 Revizyon Bilgileri Revizyon No: Revizyon Tarihi Revizyonu Yapan Revizyon Nedeni 0.1 15.07.2013 Yazılım

Detaylı

Dolayısıyla fatura düzenlemek veya fatura almak isteyen mükelleflerin karşılıklı olarak sistemde tanımlı olmaları gerekmektedir.

Dolayısıyla fatura düzenlemek veya fatura almak isteyen mükelleflerin karşılıklı olarak sistemde tanımlı olmaları gerekmektedir. 24 Ekim 2013 İlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL İlgili Modül/ler : E-Fatura e-fatura Hazırlama Uygulaması (GİB Portal Yöntemine Göre) Elektronik Fatura Uygulaması, önceden tanımlanmış kullanıcıların

Detaylı

Microsoft SQL Server 2008 Oracle Mysql (Ücretsiz) (Uygulamalarımızda bunu kullanacağız) Access

Microsoft SQL Server 2008 Oracle Mysql (Ücretsiz) (Uygulamalarımızda bunu kullanacağız) Access Programlamaya Giriş VERİ TABANI UYGULAMASI ÖN BİLGİ Veritabanları, verilere sistematik bir şekilde erişilebilmesine, depolanmasına ve güncellenmesine izin veren, yüksek boyutlu veriler için çeşitli optimizasyon

Detaylı

2. Oracle Data Miner İle Örnek Bir Veri Madenciliği Çalışması

2. Oracle Data Miner İle Örnek Bir Veri Madenciliği Çalışması 2. Oracle Data Miner İle Örnek Bir Veri Madenciliği Çalışması Bu örnek uygulamada bir önceki yazımda Oracle SQL Developer a yüklediğim Data Miner Repository ile gelen hazır bir sigorta şirketi veri setini

Detaylı

4.1. Grafik Sihirbazını kullanarak grafik oluşturma

4.1. Grafik Sihirbazını kullanarak grafik oluşturma BÖLÜM14 4. EXCEL DE GRAFİK Excel programının en üstün özelliklerinden bir diğeri de grafik çizim özelliğinin mükemmel olmasıdır. Excel grafik işlemleri için kullanıcıya çok geniş seçenekler sunar. Excel

Detaylı

HİTİT Muhasebe Aktarım Kurulum ve Kullanım Kılavuzu (Netsis Modülü)

HİTİT Muhasebe Aktarım Kurulum ve Kullanım Kılavuzu (Netsis Modülü) HİTİT Muhasebe Aktarım Kurulum ve Kullanım Kılavuzu () 24.10.2011 İÇİNDEKİLER 1. Kurulum... 1 2. Uygulamayı çalıştırma... 1 3. Ayarlar... 3 3.1. Netsis Bağlantı Ayarları... 4 3.2. Şube Eşleştirme... 5

Detaylı

Excel de Düşeyara Vlookup) Fonksiyonunun Kullanımı

Excel de Düşeyara Vlookup) Fonksiyonunun Kullanımı FARUK ÇUBUKÇU EXCEL AKADEMİ Excel de Düşeyara Vlookup) Fonksiyonunun Kullanımı Excel de arama ve veri işleme konusunda en önemli fonksiyonlardan birisi olan DÜŞEYARA (İngilizce sürümde VLOOKUP) fonksiyonu

Detaylı

Değerlendirme Soruları 140. Şerit Kullanımı 124 Şerit Sekmeleri 124 Şeridi Gizleme 125 Eklentiler 125

Değerlendirme Soruları 140. Şerit Kullanımı 124 Şerit Sekmeleri 124 Şeridi Gizleme 125 Eklentiler 125 ! 1 Excel Nedir? 2 Excel in Gelişimi 2 Yeni Özellikler 11 Görünüm 11 Bulut Desteği 11 Şablonlar 14 Anlık Veri Çözümleme 16 Hızlı Veri Doldurma 17 Grafik Önerileri (Recomended Charts) 17 Dilimleyiciler

Detaylı

Konular. VERİ MADENCİLİĞİ Giriş. Problem Tanımı. Veri Madenciliği: Tarihçe. Veri Madenciliği Nedir? Bilgi Keşfi

Konular. 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

Detaylı

1) HĐZMET TAKĐP EŞLEŞTĐRME

1) HĐZMET TAKĐP EŞLEŞTĐRME S a y f a 1 1) HĐZMET TAKĐP EŞLEŞTĐRME Hizmet Takip Eşleştirme formu; hizmet ile takibin eşleştirilme veya takibe eklenmiş bir hizmeti, ilgili takipten çıkarma işlemleri için kullanılmaktadır. Hizmet bilgilerini

Detaylı

EXCEL 2007 ELEKTRONİK ÇİZELGE

EXCEL 2007 ELEKTRONİK ÇİZELGE EXCEL 2007 ELEKTRONİK ÇİZELGE Excel, Microsoft Office paketinde yer alan ve iş hayatında en sık kullanılan programlardandır. Bir hesap tablosu programıdır. Excel, her türlü veriyi (özellikle sayısal verileri)

Detaylı

Veri Ambarından Veri Madenciliğine

Veri Ambarından Veri Madenciliğine Veri Ambarından Veri Madenciliğine Yrd. Doç. Dr. Ömer Utku Erzengin 1, Uzman Emine Çetin Teke 2, İstatistikçi Nurzen Üzümcü 3 1 Süleyman Demirel Üniversitesi Fen Edebiyat Fakültesi İstatistik Bölümü 2

Detaylı

Excel de çalışma alanı satır ve sütunlardan oluşur. Satırları rakamlar, sütunları ise harfler temsil eder. Excel çalışma sayfası üzerinde toplam

Excel de çalışma alanı satır ve sütunlardan oluşur. Satırları rakamlar, sütunları ise harfler temsil eder. Excel çalışma sayfası üzerinde toplam Microsoft Excel Microsoft Office paket programı ile bizlere sunulan Excel programı bir hesap tablosu programıdır. her türlü veriyi tablolar yada listeler halinde tutmak ve bu veriler üzerinde hesaplamalar

Detaylı

1 Temel Kavramlar. Veritabanı 1

1 Temel Kavramlar. Veritabanı 1 1 Temel Kavramlar Veritabanı 1 Veri Saklama Gerekliliği Bilgisayarların ilk bulunduğu yıllardan itibaren veri saklama tüm kurum ve kuruluşlarda kullanılmaktadır. Veri saklamada kullanılan yöntemler; Geleneksel

Detaylı

Mühendislikte Veri Tabanları Dersi Uygulamaları (ArcGIS-SQL)

Mühendislikte Veri Tabanları Dersi Uygulamaları (ArcGIS-SQL) Mühendislikte Veri Tabanları Dersi Uygulamaları (ArcGIS-SQL) İstanbul Teknik Üniversitesi, İnşaat Fakültesi, Geomatik Mühendisliği Bölümü 2014 2015 Güz Yarıyılı Uygulama 2 ArcGIS Yazılımı ile Mekânsal

Detaylı

24 Mart 2011. İlgili Modül/ler : Transfer. İlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL

24 Mart 2011. İlgili Modül/ler : Transfer. İlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL 24 Mart 2011 İlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL İlgili Modül/ler : Transfer ETA:V.8-SQL ve ETA:SQL ile HUGIN POS CİHAZI ARASINDA VERİ TRANSFERİ Süpermarket, benzin istasyonu, market ve çeşitli

Detaylı

Sisteme giriş yapıldığında ana sayfa üzerinde işlem menüleri, Hızlı erişim butonları ve mail gönderim istatistikleri yer alır.

Sisteme giriş yapıldığında ana sayfa üzerinde işlem menüleri, Hızlı erişim butonları ve mail gönderim istatistikleri yer alır. Kullanım Kılavuzu 1. Sisteme Giriş... 2 2. JetMail Ana Sayfa... 2 3. Kişi Listesi Ekleme... 3 3.1. Özel Alan Ekleme... 3 3.2. Segment Görüntüleme... 4 3.3. Bounced Kabul Edilen Mailler... 5 4. Kişi Ekleme...

Detaylı

TURKCELL HİZMETLERİ. Kullanım Bilgileri. LOGO Kasım 2014

TURKCELL HİZMETLERİ. Kullanım Bilgileri. LOGO Kasım 2014 TURKCELL HİZMETLERİ Kullanım Bilgileri LOGO Kasım 2014 İçindekiler TURKCELL HİZMETLERİ... 3 Online Turkcell Fatura Aktarımı... 4 Fatura Eşleştirme Tabloları... 5 Online Fatura Aktarımları... 6 Toplu Mesaj

Detaylı

İçindekiler Tablosu BANKA KREDİ KARTI POS VE BANKA HESAP EKSTRESİ AKTARIMI...2 1. KREDİ KARTI POS EKSTRESİ AKTARIMI...2 1.1. Tanımlar ve Ayarlar...

İçindekiler Tablosu BANKA KREDİ KARTI POS VE BANKA HESAP EKSTRESİ AKTARIMI...2 1. KREDİ KARTI POS EKSTRESİ AKTARIMI...2 1.1. Tanımlar ve Ayarlar... İçindekiler Tablosu BANKA KREDİ KARTI POS VE BANKA HESAP EKSTRESİ AKTARIMI...2 1. KREDİ KARTI POS EKSTRESİ AKTARIMI...2 1.1. Tanımlar ve Ayarlar...2 1.1.1. Logo da Banka Hesapları...2 1.1.2. Excel Ayarları

Detaylı

BÖLÜM 10 10. KATMAN OLUŞTURMA (LAYER) Command line: Layer (veya transparent komutu için 'Layer kullanın)

BÖLÜM 10 10. KATMAN OLUŞTURMA (LAYER) Command line: Layer (veya transparent komutu için 'Layer kullanın) BÖLÜM 10 10. KATMAN OLUŞTURMA (LAYER) Çizim alanına yeni katmanlar oluşturur. Object Properties toolbar: Format menu: Layer Command line: Layer (veya transparent komutu için 'Layer kullanın) LAYER komutu

Detaylı

Bilgisayar Mühendisliğine Giriş. Yrd.Doç.Dr.Hacer KARACAN

Bilgisayar Mühendisliğine Giriş. Yrd.Doç.Dr.Hacer KARACAN Bilgisayar Mühendisliğine Giriş Yrd.Doç.Dr.Hacer KARACAN İçerik Dosya Organizasyonu (File Organization) Veritabanı Sistemleri (Database Systems) BM307 Dosya Organizasyonu (File Organization) İçerik Dosya

Detaylı

Bölüm 1: Veritabanı Yönetim Sistemlerine Giriş

Bölüm 1: Veritabanı Yönetim Sistemlerine Giriş Bölüm 1: Veritabanı Yönetim Sistemlerine Giriş -1- Dr. Serkan DİŞLİTAŞ 1.1. Veri ve Bilgi (Data & Information) Hesaplama, saklama gibi çeşitli işlemler amacıyla bilgisayara verilen sayı, yazı, resim, ses,

Detaylı

Primal Pictures:Yeni Özellikler. Primal Pictures PowerPoint Sunumu

Primal Pictures:Yeni Özellikler. Primal Pictures PowerPoint Sunumu Primal Pictures:Yeni Özellikler Primal Pictures PowerPoint Sunumu Primal Pictures: Yeni Özelliklere Bakış Yeni ürün arayüzünün gösterimi Yeni ürünlerin gösterimi Sistematik Anatomi Dişçilik Anatomisi Bölgesel

Detaylı

UZAKTAN EĞİTİM MERKEZİ

UZAKTAN EĞİTİM MERKEZİ ÜNİTE 2 VERİ TABANI İÇİNDEKİLER Veri Tabanı Veri Tabanı İle İlgili Temel Kavramlar Tablo Alan Sorgu Veri Tabanı Yapısı BAYBURT ÜNİVERSİTESİ UZAKTAN EĞİTİM MERKEZİ BİLGİSAYAR II HEDEFLER Veri tabanı kavramını

Detaylı

Program ile birlikte 4 adet örnek Excel dosyası ve bu dosyaları transfer etmekte kullanılan örnek dizaynlar verilmektedir.

Program ile birlikte 4 adet örnek Excel dosyası ve bu dosyaları transfer etmekte kullanılan örnek dizaynlar verilmektedir. 27 Mayıs 2013 İlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL İlgili Modül/ler : Veri Aktarma, Muhasebe MUHASEBE FİŞİNE EXCEL DEN FATURA TRANSFERİ Excel de bulunan fatura verilerinin muhasebe fişine toplu olarak

Detaylı

HYS KANITLAYICI BELGE KILAVUZU. TEMMUZ-2014 Uygulama Geliştirme ve Destek Şubesi

HYS KANITLAYICI BELGE KILAVUZU. TEMMUZ-2014 Uygulama Geliştirme ve Destek Şubesi HYS KANITLAYICI BELGE KILAVUZU TEMMUZ-2014 Uygulama Geliştirme ve Destek Şubesi İçindekiler Tablosu GİRİŞ...2 I. BÖLÜM...3 HARCAMA BİRİMİ TARAFINDAN YAPILACAK İŞLEMLER...3 A. Kanıtlayıcı Belge Ekleme...3

Detaylı

1. Web Sitesine Giriş 1. Giriş Yapmak için tıklayın tıklanır.

1. Web Sitesine Giriş 1. Giriş Yapmak için tıklayın tıklanır. 1. Web Sitesine Giriş 1. Giriş Yapmak için tıklayın tıklanır. 2. Aşağıdaki ekranda e-mail adresi ve şifre ile giriş yapılır. Şifrenizi hatırlamıyorsanız Şifremi unuttum bağlantısı kullanılarak yeni şifrenin

Detaylı

Excel Uygulaması Kullanım Kılavuzu

Excel Uygulaması Kullanım Kılavuzu Excel Uygulaması Kullanım Kılavuzu 1- Biotekno Hakkında... 2 2- Kullanıcı Bilgileri... 3 3- Uygulamanın İndirilmesi... 3 4- Ayarlar... 5 5- SMS Gönderimi... 5 6- Raporlar... 10 7- SMS Kişiselleştirme...

Detaylı

VERİ TABANI UYGULAMALARI

VERİ TABANI UYGULAMALARI VERİ TABANI UYGULAMALARI VERİ TABANI NEDİR? Bir konuyla ilgili çok sayıda verinin tutulmasına, depolanmasına ve belli bir mantık içerisinde gruplara ayrılmasına veri tabanı denir. Veri tabanı programları;

Detaylı

Ekran 1: Ziraat Bankasından alınan Excel formatındaki ZIRAATBANKASI.XLS isimli dosya

Ekran 1: Ziraat Bankasından alınan Excel formatındaki ZIRAATBANKASI.XLS isimli dosya 16 Ocak 2010 Đlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL BANKA EKSTRELERĐ Đlgili Modül/ler : Banka, Cari, Muhasebe BANKA EKSTRELERĐNĐN MUHASEBE, CARĐ VE BANKA FĐŞLERĐNE AKTARILMASI Banka hesap ekstrelerinin

Detaylı

Proje/Sipariş/İş Emri (PSI) Bazında Maliyet Analizi

Proje/Sipariş/İş Emri (PSI) Bazında Maliyet Analizi Proje/Sipariş/İş Emri (PSI) Bazında Maliyet Analizi Amaç ve Fayda Bilindiği gibi mamul maliyetleri direkt hammadde (direkt ilk madde ve ambalaj), direkt işçilik ve genel üretim giderlerinden oluşmaktadır.

Detaylı

ALMS KOKPİT (YÖNETİCİ)

ALMS KOKPİT (YÖNETİCİ) ALMS KOKPİT (YÖNETİCİ) KULLANICI KILAVUZU KAMU HASTANELERİ Kokpit yöneticinin (veya sistem yöneticisinin) ALMS sisteminde yapı (kurum veya üniversite) oluşturmak veya mevcut yapıya eklemeler, yapıda değişiklikler

Detaylı

MAPINFO PROFESSIONAL TEMEL VE İLERİ SEVİYE KURS İÇERİĞİ

MAPINFO PROFESSIONAL TEMEL VE İLERİ SEVİYE KURS İÇERİĞİ MAPINFO PROFESSIONAL TEMEL VE İLERİ SEVİYE KURS İÇERİĞİ Başar Bilgisayar Sistemleri Ve İletişim Teknolojileri San. Ve Tic. Ltd. Şti. Web site: http://www.basarsoft.com.tr Kontak mail: basar@basarsoft.com.tr

Detaylı

İNTERNET PROGRAMCILIĞI 2 10. HAFTA MYSQL - PHPMYADMIN. Hazırlayan Fatih BALAMAN. İçindekiler. Hedefler. Mysql Nedir.

İNTERNET PROGRAMCILIĞI 2 10. HAFTA MYSQL - PHPMYADMIN. Hazırlayan Fatih BALAMAN. İçindekiler. Hedefler. Mysql Nedir. İNTERNET PROGRAMCILIĞI 2 10. HAFTA İçindekiler MYSQL - PHPMYADMIN Mysql Nedir PhpMyAdmin Nedir PhpMyAdmin Arayüzü Hedefler Mysql' in görevini söyleyebilir PhpMyAdmin' in kullanım amacını söyler Hazırlayan

Detaylı

CARİ HESAP ANALİSTİ. Seçilmiş olan cariyi burada görebilirsiniz.

CARİ HESAP ANALİSTİ. Seçilmiş olan cariyi burada görebilirsiniz. CARİ HESAP ANALİSTİ Seçmiş olduğunuz cari hesabın firma için önem derecesini ve kapasitesini tespit edebileceğiniz bir analiz çalışmasıdır. Bu form sayesinde bir müşteri temsilcisi ilgili cari hesabı hiç

Detaylı

DESTEK DOKÜMANI. Ürün : Tiger Enterprise / Tiger Plus /Go Plus Bölüm : Cari Hesap İşlem Merkezi CARİ HESAP İŞLEM MERKEZİ

DESTEK DOKÜMANI. Ürün : Tiger Enterprise / Tiger Plus /Go Plus Bölüm : Cari Hesap İşlem Merkezi CARİ HESAP İŞLEM MERKEZİ CARİ HESAP İŞLEM MERKEZİ Cari hesap işlem merkezi, programda tanımlı olan tüm cari hesaplara ait işlemleri tek bir pencereden kaydetmek ve izlemek için kullanılır. Bu pencerenin sağladığı en büyük kolaylık

Detaylı

18 Haziran 2009. Đlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL. Đlgili Modül/ler : Muhasebe

18 Haziran 2009. Đlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL. Đlgili Modül/ler : Muhasebe 18 Haziran 2009 Đlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL Đlgili Modül/ler : Muhasebe ÖRNEKLER ĐLE FĐŞ CAMBAZI Fiş cambazları muhasebe fişlerini işlerken hızlı, pratik ve hatasız işlememizi sağlayan ETA

Detaylı

TAPU VERİ SAYISALLAŞTIRMA YAZILIMI KURULUM DÖKÜMANI. Tapu Kadastro Genel Müdürlüğü-Bilgi Teknolojileri Daire Başkanlığı Page 1

TAPU VERİ SAYISALLAŞTIRMA YAZILIMI KURULUM DÖKÜMANI. Tapu Kadastro Genel Müdürlüğü-Bilgi Teknolojileri Daire Başkanlığı Page 1 TAPU VERİ SAYISALLAŞTIRMA YAZILIMI KURULUM DÖKÜMANI Tapu Kadastro Genel Müdürlüğü-Bilgi Teknolojileri Daire Başkanlığı Page 1 Tapu Kadastro Genel Müdürlüğü-Bilgi Teknolojileri Daire Başkanlığı Page 2 Bu

Detaylı

New Project. User guide

New Project. User guide New Project User guide Table of Contents New Project... 3 Katman Yöneticisi... 4 Katman Yöneticisi Araçları... 6 Katman İşlemleri... 8 Katman Görünümü... 9 Katman Ekleme... 10 Aktif Katman Yapma... 12

Detaylı

1 Barkomatik Barkod Otomasyon Sistemi 2009-2013

1 Barkomatik Barkod Otomasyon Sistemi 2009-2013 1 Barkomatik Barkod Otomasyon Sistemi 2009-2013 BarkomatikPOS Barkomatik Mucizesi olarak bilinen bilgisayarsız sistemlerimizin kolay ve hızlı kullanım özeliği olan yazılımlarına paralel olarak hazırlanan

Detaylı

InnGenius. InnGenius Ana Ekran...2. Rezervasyon İşlemleri...4. Grup Rezervasyon İşlemleri...8. Housekeeping...10

InnGenius. InnGenius Ana Ekran...2. Rezervasyon İşlemleri...4. Grup Rezervasyon İşlemleri...8. Housekeeping...10 InnGenius Vega Yazılım ın en son ürünü InnGenius PMS küçük ve orta ölçekli otel,motel, pansiyon gibi misafir ağırlayan işletmelerin oda kontrolü, satış kanallarının yönetimi ve perakende satışlarını kontrol

Detaylı

MEKTUP BASIMI VE SMS GÖNDERME

MEKTUP BASIMI VE SMS GÖNDERME MEKTUP BASIMI VE SMS GÖNDERME Sms Gönderebilmek Đçin Yapılması Gereken Tanımlamalar: Aktivasyon Bilgileri : Operatör tarafından sms ile bildirilen aktivasyon bilgileri Çalışma Parametreleri/Firma Parametreleri

Detaylı

Yürürlük Tarihi: 12/09/2014 - Kodu: 97298233.ED.1.19.5.1 - Rev. No/Tarihi: 00 1 / 27

Yürürlük Tarihi: 12/09/2014 - Kodu: 97298233.ED.1.19.5.1 - Rev. No/Tarihi: 00 1 / 27 Başvuru Fişleri ekranında talep edilen işlem için başvuru oluşturulurken, (Ekle) butonuna basılır, Başvuran T.C. Kimlik bölümüne başvuran kişinin T.C. numarası yazılır butonuna basılır MERNİS de kayıtlı

Detaylı