Hidden Markov Model. Forward Algoritması Viterbi Algoritması. Doç.Dr.Banu Diri. Rasgele Olmayan /Gerekirci Model

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "Hidden Markov Model. Forward Algoritması Viterbi Algoritması. Doç.Dr.Banu Diri. Rasgele Olmayan /Gerekirci Model"

Transkript

1 Hidden Markov Model Forward Algoritması Viterbi Algoritması Doç.Dr.Banu Diri Rasgele Olmayan /Gerekirci Model Bir trafik lambası düşünelim; ışıkların sırasıyla red - red/amber - green - amber - red. Bu sıralama bir durum makinesi ile görüntülensin ve trafik ışığının her farklı durumu birbirini takip etsin. red red-amber green amber Herbir durum sadece bir öceki duruma bağlıdır, öyleki eğer ışık yeşil ise onu izleyen renk amber olacaktır. Çünkü sistem deterministik. Bu tip sistemlerde bir durumdan diğer bir duruma geçişi anlamak ve analiz etmek kolaydır. Slide 1 1

2 Rasgele Olmayan /Gerekirci Model Bir trafik lambası düşünelim; ışıkların sırasıyla red - red/amber - green - amber - red. Bu sıralama bir durum makinesi ile görüntülensin ve trafik ışığının her farklı durumu birbirini takip etsin. red red-amber green amber Herbir durum sadece bir öceki duruma bağlıdır, öyleki eğer ışık yeşil ise onu izleyen renk amber olacaktır. Çünkü sistem deterministik. Bu tip sistemlerde bir durumdan diğer bir duruma geçişi anlamak ve analiz etmek kolaydır. Slide 2 Rasgele Olmayan /Gerekirci Model Bir trafik lambası düşünelim; ışıkların sırasıyla red - red/amber - green - amber - red. Bu sıralama bir durum makinesi ile görüntülensin ve trafik ışığının her farklı durumu birbirini takip etsin. red red-amber green amber Herbir durum sadece bir öceki duruma bağlıdır, öyleki eğer ışık yeşil ise onu izleyen renk amber olacaktır. Çünkü sistem deterministik. Bu tip sistemlerde bir durumdan diğer bir duruma geçişi anlamak ve analiz etmek kolaydır. Slide 3 2

3 Rasgele Olmayan /Gerekirci Model Bir trafik lambası düşünelim; ışıkların sırasıyla red - red/amber - green - amber - red. Bu sıralama bir durum makinesi ile görüntülensin ve trafik ışığının her farklı durumu birbirini takip etsin. red red-amber green amber Herbir durum sadece bir öceki duruma bağlıdır, öyleki eğer ışık yeşil ise onu izleyen renk amber olacaktır. Çünkü sistem deterministik. Bu tip sistemlerde bir durumdan diğer bir duruma geçişi anlamak ve analiz etmek kolaydır. Slide 4 Rasgele Olmayan /Gerekirci Model Bir trafik lambası düşünelim; ışıkların sırasıyla red - red/amber - green - amber - red. Bu sıralama bir durum makinesi ile görüntülensin ve trafik ışığının her farklı durumu birbirini takip etsin. red red-amber green amber Herbir durum sadece bir önceki duruma bağlıdır, öyleki eğer ışık yeşil ise onu izleyen renk amber olacaktır. Çünkü sistem deterministik. Bu tip sistemlerde bir durumdan diğer bir duruma geçişi anlamak ve analiz etmek kolaydır. Slide 5 3

4 Rasgele Olan /Gerekirci Olmayan Model Markov modelde bir durumdan diğer bir duruma geçiş önceki n duruma bağlı olarak gerçekleştirilir. Bu işlem order n model olarak adlandırılır, n değeri gelecek durumun seçiminde etkili olan durum sayısıdır. N basit Markov model first order (n=1) modeldir. Gerekirci modele benzemez, çünkü burada durumların olasılıkları sözkonusudur ilk olasılıklar vektörü п M adet durum (state) varsa maksimum M 2 adet bağlantı (transition) olabilir. Bu bağlantıların olasılıkları da Transition Matrix ile verilir. Slide 6 First order Markov process : states : 3 durum - sunny, cloudy, rainy. vector (п): 0 anında herbir state in olasılığı state transition matrix : Verilen bir önceki güne göre havanın ne olabileceğinin olasılığı Slide 7 4

5 HMM kullanan uygulamalar NLP Part-of-speech tagging Word segmentation Information extraction Optical Character Recognition (OCR) Speech recognition Modeling acoustics Computer Vision gesture recognition Biology Gene finding Protein structure prediction Economics, Climatology, Communications, Robotics Slide 8 Saklı Markov Model (Hidden Markov Model) Markov modelden farklı olarak Saklı Markov Modelde sistemin herhangi bir t anında, hangi durumda olduğu bilinmez, ancak sistem bir durumda iken bu durumun tetiklediği gözlemi ortaya çıkarır. (outputs) Slide 9 5

6 Saklı Markov model (HMM) bir üçlüdür (п,a, B) State lerin başlangıç durumları; state transition matrix; confusion matrix; HMM de üç problem vardır. 1. Gözlemlenen bir sekansın gerçekleşme olasılığının bulunması (Forward Algorithm). 2. Gözlemlere dayanarak saklı state lerin en muhtemel sekansının bulunması (Viterbi Algorithm). 3. Gözlemlenen sekansın üretilebilmesi için model parametrelerin belirlenmesi (Forward-Backward). Slide 10 Forward Algorithm Gözlemlenen bir sekansın olasılığının bulunması 27 farklı Pr(dry,damp,soggy HMM) = Pr(dry,damp,soggy sunny,sunny,sunny) + Pr(dry,damp,soggy sunny,sunny,cloudy) + Pr(dry,damp,soggy sunny,sunny durum,rainy) Pr(dry,damp,soggy rainy,rainy,rainy) Slide 11 6

7 T uzunluğunda gözlemlenen sekans Intermediate probabilities (α's) değeri t=1 deki bütün state ler için hesaplanır. t = 2,..., T her adım için her state in partial probability hesaplanır Son olarak bütün partial probability ler toplanır ve verilen HMM için gözlemlenen sekansın olasılığı hesaplanır. Slide 12 Hidden States (weather) Sunny Cloudy Rainy Observed States Dry Dryish Damp Soggy Initial State Prob.(Π vector) Sunny 0.63 Cloudy 0.17 Rainy 0.20 State transition matrix ( a' matrix) Yesterday Weather Today Weather Sunny Cloudy Rainy Sunny Cloudy Rainy Confusion matrix ( b' matrix) Slide 13 7

8 Slide 14 Slide 15 8

9 Slide 16 Slide 17 9

10 Slide Slide 19 10

11 Slide 20 Slide 21 11

12 Olası Hidden State Sekansının Bulunması Gözlemlenen sekansı veren Hidden State sekanslarının bulunması gerekir. Farklı path ler çıkarılabilir ancak amaç en iyi path bulmaktır. Maksimum olasılığı veren path aranır. Bunu için partial probability hesaplanır. Slide 22 Viterbi Algoritması ) Slide 23 12

13 Viterbi Algorithm Slide 24 Slide 25 13

14 Slide 26 Slide 27 14

15 Delta = max (( *0.5), (0.0425*0.375), ( *0.125)) * 0.15 = Slide 28 Delta = max (( *0.25), (0.0425*0.125), ( *0.675)) * 0.25 = Slide 29 15

16 Delta = max (( *0.25), (0.0425*0.375), ( *0.375)) * 0.35 = Slide 30 Slide 31 16

17 Kaynaklar n.html Slide 32 17

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

VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Sınıflandırma yöntemleri Karar ağaçları ile sınıflandırma Entropi Kavramı ID3 Algoritması C4.5

Detaylı

Dil Modelleri. Doç.Dr.Banu Diri

Dil Modelleri. Doç.Dr.Banu Diri Dil Modelleri Doç.Dr.Banu Diri Dilin modellenmesinin amacı Konuşma tanıma (Speech recognition) El yazısı tanıma (Handwriting recognition) İmla hatalarının düzeltilmesi (Spelling correction) Makine çeviri

Detaylı

BM312 Ders Notları - 3 2014

BM312 Ders Notları - 3 2014 DETERMİNİSTİK SONLU OTOMATLAR (DETERMINISTIC FINITE AUTOMATA) Bir Sonlu Otomat (FA) sabit ve sonlu kapasitede bir merkezi işlem ünitesine sahiptir. Giriş bilgisini input tape üzerinden string olarak alır.

Detaylı

MARKA TERCİHLERİNE VE TERCİH NEDENLERİNE GİZLİ MARKOV MODELİNİN UYGULANMASI

MARKA TERCİHLERİNE VE TERCİH NEDENLERİNE GİZLİ MARKOV MODELİNİN UYGULANMASI Eskişehir Osmangazi Üniversitesi Sosyal Bilimler ergisi, 0() MARKA TERCİHLERİNE VE TERCİH NEENLERİNE GİZLİ MARKOV MOELİNİN UYGULANMASI Tuncay CAN Marmara Üniversitesi İktisadi ve İdari Bilimler Fakültesi

Detaylı

26.12.2013. Farklı iki ilaç(a,b) kullanan iki grupta kan pıhtılaşma zamanları farklı mıdır?

26.12.2013. Farklı iki ilaç(a,b) kullanan iki grupta kan pıhtılaşma zamanları farklı mıdır? 26.2.23 Gözlem ya da deneme sonucu elde edilmiş sonuçların, raslantıya bağlı olup olmadığının incelenmesinde kullanılan istatistiksel yöntemlere HĐPOTEZ TESTLERĐ denir. Sonuçların raslantıya bağlı olup

Detaylı

2.1 Bir Sınıfı Örneklerinden Öğrenme... 15 2.2 Vapnik-Chervonenkis (VC) Boyutu... 20 2.3 Olası Yaklaşık Doğru Öğrenme... 21

2.1 Bir Sınıfı Örneklerinden Öğrenme... 15 2.2 Vapnik-Chervonenkis (VC) Boyutu... 20 2.3 Olası Yaklaşık Doğru Öğrenme... 21 İçindekiler Önsöz İkinci Basım için Önsöz Türkçe Çeviri için Önsöz Gösterim xiii xv xvii xix 1 Giriş 1 1.1 Yapay Öğrenme Nedir?......................... 1 1.2 Yapay Öğrenme Uygulamalarına Örnekler...............

Detaylı

tree) nedir? Karar Ağacı (Decision Decisiontree

tree) nedir? Karar Ağacı (Decision Decisiontree Karar Ağacı (Decision Decisiontree tree) nedir? Bir işletme yönetimi tarafından tercihlerin, risklerin, kazançların, hedeflerin tanımlanmasında yardımcı olabilen ve birçok önemli yatırım alanlarında uygulanabilen,

Detaylı

Rasgele Sayı Üretme. Rasgele Sayıların Özellikleri. İki önemli istaiksel özelliği var :

Rasgele Sayı Üretme. Rasgele Sayıların Özellikleri. İki önemli istaiksel özelliği var : Rasgele Sayı Üretme Rasgele Sayıların Özellikleri İki önemli istaiksel özelliği var : Düzgünlük (Uniformity) Bağımsızlık R i, rasgele sayısı olasılık yoğunluk fonksiyonu aşağıdaki gibi olan uniform bir

Detaylı

LOGİSTİC DAĞILIM VE RANDOM SAYI ÜRETİMİ

LOGİSTİC DAĞILIM VE RANDOM SAYI ÜRETİMİ C.Ü. İktisadi ve İdari Bilimler Dergisi, Cilt 3, Sayı, 9 LOGİSTİC DAĞILIM VE RANDOM SAYI ÜRETİMİ Yalçın KARAGÖZ Cumhuriyet Üniversitesi, İ.İ.B.F. İşletme Bölümü Özet Bu çalışmada logistic dağılım hakkında

Detaylı

DGridSim Gerçek Zamanlı Veri Grid Simülatörü. Gerçek-Zamanlı Veri Dağıtımı Dokümanı v 1.0.1 01.08.2011

DGridSim Gerçek Zamanlı Veri Grid Simülatörü. Gerçek-Zamanlı Veri Dağıtımı Dokümanı v 1.0.1 01.08.2011 DGridSim Gerçek Zamanlı Veri Grid Simülatörü Gerçek-Zamanlı Veri Dağıtımı Dokümanı v 1.0.1 01.08.2011 Mustafa Atanak Sefai Tandoğan Doç. Dr. Atakan Doğan 1. Tek Rotadan Veri Dağıtımı 1.1 Gerçek-Zamanlı

Detaylı

Yüz Tanımaya Dayalı Uygulamalar. (Özet)

Yüz Tanımaya Dayalı Uygulamalar. (Özet) 4 Yüz Tanımaya Dayalı Uygulamalar (Özet) Günümüzde, teknolojinin gelişmesi ile yüz tanımaya dayalı bir çok yöntem artık uygulama alanı bulabilmekte ve gittikçe de önem kazanmaktadır. Bir çok farklı uygulama

Detaylı

Investigation of Three Basic Problems in Hidden Markov Models

Investigation of Three Basic Problems in Hidden Markov Models Investigation of Three Basic Problems in Hidden Markov Models Zuleyha Semerci, Master of Science Thesis Department of Statistics, Hacettepe University 2006 SAKLI MARKOV MODELLERİNDE ÜÇ TEMEL PROBLEMİN

Detaylı

Bilgisayar Tabanlı Araç Plaka Tanıma Sistemi. Computer Based Vehicle Plate Recognition System

Bilgisayar Tabanlı Araç Plaka Tanıma Sistemi. Computer Based Vehicle Plate Recognition System BİLİŞİM TEKNOLOJİLERİ DERGİSİ, CİLT: 1, SAYI: 3, EYLÜL 2008 1 Bilgisayar Tabanlı Araç Plaka Tanıma Sistemi Okan BİNGÖL 1, Ömer KUŞCU 2 1 Süleyman Demirel Üniversitesi Teknik Eğitim Fakültesi Elektronik-Bilgisayar

Detaylı

T.C. AKSARAY ÜNİVERSİTESİ REKTÖRLÜĞÜ AKADEMİK YABANCI DİL DESTEK (AYDD) BİRİMİ ÇALIŞMA ESASLARI

T.C. AKSARAY ÜNİVERSİTESİ REKTÖRLÜĞÜ AKADEMİK YABANCI DİL DESTEK (AYDD) BİRİMİ ÇALIŞMA ESASLARI T.C. AKSARAY ÜNİVERSİTESİ REKTÖRLÜĞÜ AKADEMİK YABANCI DİL DESTEK (AYDD) BİRİMİ ÇALIŞMA ESASLARI AKADEMİK YABANCI DİL DESTEK BİRİM TANIMI: Aksaray Üniversitesi Rektörlüğü Akademik Yabancı Dil Destek (AYDD)

Detaylı

Doküman dili tanıma için ikili örüntüler tabanlı yeni bir yaklaşım

Doküman dili tanıma için ikili örüntüler tabanlı yeni bir yaklaşım Doküman dili tanıma için ikili örüntüler tabanlı yeni bir yaklaşım Yılmaz KAYA 1, Ömer Faruk ERTUĞRUL 2, Ramazan TEKİN 3 1 Siirt Üniversitesi, Bilgisayar Mühendisliği Bölümü 2 Batman Üniversitesi, Elektrik-Elektronik

Detaylı

ÖZGEÇMİŞ. 1. Adı Soyadı : Olcay Taner Yıldız. 2. Doğum Tarihi : 15.05.1976. 3. Unvanı : Doç. Dr. 4. Öğrenim Durumu :

ÖZGEÇMİŞ. 1. Adı Soyadı : Olcay Taner Yıldız. 2. Doğum Tarihi : 15.05.1976. 3. Unvanı : Doç. Dr. 4. Öğrenim Durumu : ÖZGEÇMİŞ 1. Adı Soyadı : Olcay Taner Yıldız 2. Doğum Tarihi : 15.05.1976 3. Unvanı : Doç. Dr. 4. Öğrenim Durumu : Derece Alan Üniversite Yıl Lisans Bilgisayar Mühendisliği Boğaziçi Üniversitesi 1997 Y.

Detaylı

İÇİNDEKİLER. Bölüm 1 YÖNEYLEM ARAŞTIRMASINA GİRİŞ 11. 1.1. Temel Kavramlar 14 1.2. Modeller 17 1.3. Diğer Kavramlar 17 Değerlendirme Soruları 19

İÇİNDEKİLER. Bölüm 1 YÖNEYLEM ARAŞTIRMASINA GİRİŞ 11. 1.1. Temel Kavramlar 14 1.2. Modeller 17 1.3. Diğer Kavramlar 17 Değerlendirme Soruları 19 İÇİNDEKİLER ÖNSÖZ III Bölüm 1 YÖNEYLEM ARAŞTIRMASINA GİRİŞ 11 1.1. Temel Kavramlar 14 1.2. Modeller 17 1.3. Diğer Kavramlar 17 Değerlendirme Soruları 19 Bölüm 2 DOĞRUSAL PROGRAMLAMA 21 2.1 Doğrusal Programlamanın

Detaylı

Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Bilgisayarla Görme. Vize. İris Segmentation. Selçuk BAŞAK 08501008

Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Bilgisayarla Görme. Vize. İris Segmentation. Selçuk BAŞAK 08501008 Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü Bilgisayarla Görme Vize İris Segmentation Selçuk BAŞAK 08501008 Not: Ödevi hazırlamak için geliştirdiğim program ve kaynak

Detaylı

Ses Komut Tanıma ile Gezgin Araç Kontrolü. Mobile Vehicle Control With Voice Command Recognition

Ses Komut Tanıma ile Gezgin Araç Kontrolü. Mobile Vehicle Control With Voice Command Recognition Ses Komut Tanıma ile Gezgin Araç Kontrolü * 1 Muharrem ÇELEBİ, 2 Ali BULDU 1 Elektronik ve Haberleşme Mühendisliği, Fen Bilimleri Enstitüsü, Kocaeli Üniversitesi, Türkiye 2 Bilgisayar Mühendisliği, Teknoloji

Detaylı

Doğu Akdeniz Üniversitesi Bilgisayar ve Teknoloji Yüksek Okulu Bilgi teknolojileri ve Programcılığı Bölümü DERS 1 - BİLGİSAYAR VE ÇEVRE ÜNİTELERİ

Doğu Akdeniz Üniversitesi Bilgisayar ve Teknoloji Yüksek Okulu Bilgi teknolojileri ve Programcılığı Bölümü DERS 1 - BİLGİSAYAR VE ÇEVRE ÜNİTELERİ Doğu Akdeniz Üniversitesi Bilgisayar ve Teknoloji Yüksek Okulu Bilgi teknolojileri ve Programcılığı Bölümü DERS 1 - BİLGİSAYAR VE ÇEVRE ÜNİTELERİ Bilgisayar, kendine önceden yüklenmiş program gereğince

Detaylı

SAĞLIK TEKNOLOJİ DEĞERLENDİRME (STD) İÇİN MODELLEME VE BENZETİM. Dr. Murat Günal

SAĞLIK TEKNOLOJİ DEĞERLENDİRME (STD) İÇİN MODELLEME VE BENZETİM. Dr. Murat Günal 1 SAĞLIK TEKNOLOJİ DEĞERLENDİRME (STD) İÇİN MODELLEME VE BENZETİM Dr. Murat Günal SAĞLIK TEKNOLOJİ DEĞERLENDİRME (STD) Sekröte sunulacak Yeni Ürün (veya Teknoloji) Mevcut ve gelecekteki demografik durum

Detaylı

Dinamik Zaman Bükmesi Yöntemiyle Hece Tabanlı Konuşma Tanıma Sistemi

Dinamik Zaman Bükmesi Yöntemiyle Hece Tabanlı Konuşma Tanıma Sistemi Akademik Bilişim 2008 Çanakkale Onsekiz Mart Üniversitesi, Çanakkale, 30 Ocak - 01 Şubat 2008 Dinamik Zaman Bükmesi Yöntemiyle Rıfat AŞLIYAN 1, Korhan GÜNEL 2, Tatyana YAKHNO 1 1 Dokuz Eylül Üniversitesi,

Detaylı

1. GİRİŞ Kılavuzun amacı. Bu bölümde;

1. GİRİŞ Kılavuzun amacı. Bu bölümde; 1. GİRİŞ Bu bölümde; Kılavuzun amacı EViews Yardım EViews Temelleri ve Nesneleri EViews ta Matematiksel İfadeler EViews Ana Ekranındaki Alanlar 1.1. Kılavuzun amacı Ekonometri A. H. Studenmund tarafından

Detaylı

Ses Komut Tanıma ile Gezgin Araç Kontrolü

Ses Komut Tanıma ile Gezgin Araç Kontrolü Ses Komut Tanıma ile Gezgin Araç Kontrolü Rifat Edizkan 1, Burak Tiryaki 1, Tunç Büyükcan 1, İsmail Uzun 2 1 Eskişehir Osmangazi Üniversitesi, Elektrik Elektronik Mühendisliği Bölümü, 26480, Eskişehir

Detaylı

Örneklem. Yöntemleri FBED511 Eğitim Bilimlerinde Temel Araştırma Yöntemleri 1. Evren & Örneklem. Evren. Örneklem ve örnekleme

Örneklem. Yöntemleri FBED511 Eğitim Bilimlerinde Temel Araştırma Yöntemleri 1. Evren & Örneklem. Evren. Örneklem ve örnekleme Yöntemleri & EBE Z Eğitimde Araştırma Yöntemleri (Fraenkel & Wallen, 1990), araştırma sonuçlarının genelleneceği (geçerli olacağı) büyük grup. Hedef evren, araştırmacının ulaşmak istediği, ancak ulaşması

Detaylı

Anadolu Üniversitesi Endüstri Mühendisliği Bölümü İST328 Yöneylem Araştırması 2 Dersi Bahar Dönemi. Hazırlayan: Doç. Dr.

Anadolu Üniversitesi Endüstri Mühendisliği Bölümü İST328 Yöneylem Araştırması 2 Dersi Bahar Dönemi. Hazırlayan: Doç. Dr. Anadolu Üniversitesi Endüstri Mühendisliği Bölümü İST8 Yöneylem Araştırması Dersi 00-0 Bahar Dönemi Hazırlayan: Doç. Dr. Nil ARAS AÇIKLAMA Bu sunu izleyen kaynaklardaki örnek ve bilgilerden faydalanarak

Detaylı

Eğiticili (supervised) öğrenme: Sınıflandırma (classification) Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğu bilinir

Eğiticili (supervised) öğrenme: Sınıflandırma (classification) Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğu bilinir Eğiticili (supervised) öğrenme: Sınıflandırma (classification) Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğu bilinir Eğiticisiz (unsupervised) öğrenme: Kümeleme (clustering) Hangi nesnenin hangi

Detaylı

Çizgeler (Graphs) Doç. Dr. Aybars UĞUR

Çizgeler (Graphs) Doç. Dr. Aybars UĞUR Çizgeler (Graphs) ve Uygulamaları Doç. Dr. Aybars UĞUR Giriş Şekil 12.1 : Çizge (Graph) Çizge (Graph) : Köşe (vertex) adı verilen düğümlerden ve kenar (edge) adı verilip köşeleri birbirine bağlayan bağlantılardan

Detaylı

A t a b e y M e s l e k Y ü k s e k O k u l u İstatistik Sunum 4 Öğr.Gör. Şükrü L/O/G/O KAYA www.sukrukaya.org www.themegallery.com 1 Yer Ölçüleri Yer ölçüleri, verilerin merkezini veya yığılma noktasını

Detaylı

Yıldız Teknik Üniversitesi Endüstri Mühendisliği Bölümü KARAR TEORİSİ MARKOV SÜREÇLERİ. Markov Analizi

Yıldız Teknik Üniversitesi Endüstri Mühendisliği Bölümü KARAR TEORİSİ MARKOV SÜREÇLERİ. Markov Analizi Yıldız Teknik Üniversitesi Endüstri Mühendisliği Bölümü KARAR TEORİSİ MARKOV SÜREÇLERİ Doç. Dr. İhsan KAYA Markov Analizi Markov analizi, bugün çalışan bir makinenin ertesi gün arızalanma olasılığının

Detaylı

BAĞLAMDAN BAĞIMSIZ VE BAĞLAMDAN BAĞIMSIZ OLMAYAN DİLLER (CONTEXT-FREE AND NON-CONTEXT-FREE LANGUAGES)

BAĞLAMDAN BAĞIMSIZ VE BAĞLAMDAN BAĞIMSIZ OLMAYAN DİLLER (CONTEXT-FREE AND NON-CONTEXT-FREE LANGUAGES) BAĞLAMDAN BAĞIMSIZ VE BAĞLAMDAN BAĞIMSIZ OLMAYAN DİLLER (CONTEXT-FREE AND NON-CONTEXT-FREE LANGUAGES) Context-free dillerin üretilmesi için context-free gramer ler kullanılmaktadır. Context-free dillerin

Detaylı

Poisson Dağılımı Özellikleri ve Olasılıkların Hesaplanması

Poisson Dağılımı Özellikleri ve Olasılıkların Hesaplanması Özellikleri ve Olasılıkların Hesaplanması Doç. Dr. Ertuğrul ÇOLAK Eskişehir Osmangazi Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı Poisson dağılımı kesikli dağılımlar içinde Binom dağılımından

Detaylı

Elektronik Yayıncılıkta Arşivsel Derinliğe Ulaşmak: 3 Milyon Elektronik Kitap

Elektronik Yayıncılıkta Arşivsel Derinliğe Ulaşmak: 3 Milyon Elektronik Kitap Elektronik Yayıncılıkta Arşivsel Derinliğe Ulaşmak: 3 Milyon Elektronik Kitap 1 Elektronik Yayıncılık Bilginin sunulma ve erişilme süresini katbekat azaltmıştır. Dijitalleştirme Bilginin kaynaklarının

Detaylı

TOBB ETU Department of Economics IKT 262 Midterm Exam

TOBB ETU Department of Economics IKT 262 Midterm Exam TOBB ETU Department of Economics IKT 262 Midterm Exam Ayça Özdo gan 26 EKIM 2015 AD/SOYAD ve NUMARA: Sınav 100 + 10 puan üzerindendir. Süreniz 120 dakikadır. Sınavda ders notları, kitap veya hesap makinesi

Detaylı

DARÜŞŞAFAKA LİSESİ SALİH ZEKİ LİSE ÖĞRENCİLERİ ARASI MATEMATİK PROJELERİ YARIŞMASI

DARÜŞŞAFAKA LİSESİ SALİH ZEKİ LİSE ÖĞRENCİLERİ ARASI MATEMATİK PROJELERİ YARIŞMASI DARÜŞŞAFAKA LİSESİ SALİH ZEKİ LİSE ÖĞRENCİLERİ ARASI MATEMATİK PROJELERİ YARIŞMASI PROJENİN ADI: OYUN TEORİSİ İLE İSTANBUL TRAFİĞİNİN İNCELENMESİ HAZIRLAYANLAR: ECE TUNÇKOL-BERKE OĞUZ AKIN MEV KOLEJİ ÖZEL

Detaylı

KONU: BARAJLARDA SİSMİK TEHLİKENİN TAYİNİ - Olasılıksal ve deterministik hesaplar sonrası baraj tasarımında kulanılacak sismik tehlike seviyeleri

KONU: BARAJLARDA SİSMİK TEHLİKENİN TAYİNİ - Olasılıksal ve deterministik hesaplar sonrası baraj tasarımında kulanılacak sismik tehlike seviyeleri KONU: BARAJLARDA SİSMİK TEHLİKENİN TAYİNİ - Olasılıksal ve deterministik hesaplar sonrası baraj tasarımında kulanılacak sismik tehlike seviyeleri SUNUM YAPAN: Sinan Akkar (ODTÜ) Barajlarda sismik tehlike

Detaylı

Bileşik Cümlelerde Yan Cümleciklerin Otomatik Etiketlenmesi

Bileşik Cümlelerde Yan Cümleciklerin Otomatik Etiketlenmesi Bileşik lerde Yan ciklerin Otomatik Etiketlenmesi Metin BİLGİN 1, Mehmet Fatih AMASYALI 2 1 Tophane Mesleki ve Teknik Anadolu Lisesi, BURSA 2 Yıldız Teknik Üniversitesi, Bilgisayar Mühendisliği Bölümü,

Detaylı

Graflar bilgi parçaları arasındaki ilişkileri gösterirler.

Graflar 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

Detaylı

ÖZGEÇMİŞ VE ESERLER LİSTESİ

ÖZGEÇMİŞ VE ESERLER LİSTESİ ÖZGEÇMİŞ ÖZGEÇMİŞ VE ESERLER LİSTESİ Adı Soyadı : Ümit Güz Doğum Tarihi : 17 06 1971 Öğrenim Durumu : Derece Bölüm/Program Üniversite Yıl Doktora/S.Yeterlik/ İstanbul Üniversitesi Elektronik Mühendisliği

Detaylı

Bilgisayar ve Bilişim Bilimleri Fakültesi Sakarya Üniversitesi

Bilgisayar ve Bilişim Bilimleri Fakültesi Sakarya Üniversitesi SAKLI MARKOV MODEL KULLANARAK TÜRKÇE KONUŞMAYI VE YAZIYI İŞARET DİLİNE ÇEVİRME Cemil Öz 1, Beyza Eken 2, Büşra Şahin 3, Esra Akbulut 4, Fatma Akbulut 5 1,2,3,4,5 Bilgisayar Mühendisliği Bölümü Bilgisayar

Detaylı

Girdi Analizi. 0 Veri toplama 0 Girdi sürecini temsil eden olasılık dağılımı belirleme. 0 Histogram 0 Q-Q grafikleri

Girdi Analizi. 0 Veri toplama 0 Girdi sürecini temsil eden olasılık dağılımı belirleme. 0 Histogram 0 Q-Q grafikleri Girdi Analizi 0 Gerçek hayattaki benzetim modeli uygulamalarında, girdi verisinin hangi dağılımdan geldiğini belirlemek oldukça zor ve zaman harcayıcıdır. 0 Yanlış girdi analizi, elde edilen sonuçların

Detaylı

ÜRETİM ÇİZELGELEME. Yrd. Doç. Dr. Pınar Mızrak Özfırat. Celal Bayar Üniversitesi Yayınları Yayın No: 0010

ÜRETİM ÇİZELGELEME. Yrd. Doç. Dr. Pınar Mızrak Özfırat. Celal Bayar Üniversitesi Yayınları Yayın No: 0010 ÜRETİM ÇİZELGELEME Yrd. Doç. Dr. Pınar Mızrak Özfırat Celal Bayar Üniversitesi Yayınları Yayın No: 0010 2013 Celal Bayar Üniversitesi Yönetim Kurulu'nun 2013/13 sayılı ve X no'lu kararı ile basılmıştır.

Detaylı

YÖNEYLEM ARAŞTIRMASI-2 -Markov Zincirleri-

YÖNEYLEM ARAŞTIRMASI-2 -Markov Zincirleri- YÖNEYLEM ARAŞTIRMASI-2 -Markov Zincirleri- Hazırlayan Yrd. Doç. Selçuk Üniversitesi Mühendislik Fakültesi - Endüstri Mühendisliği Bölümü Giriş Zaman içerisinde tamamen önceden kestirilemeyecek şekilde

Detaylı

METAL VE ELEKTRONİK SAN.TİC.LTD.ŞTİ LED MODÜLLER

METAL VE ELEKTRONİK SAN.TİC.LTD.ŞTİ LED MODÜLLER METAL VE ELEKTRONİK SAN.TİC.LTD.ŞTİ LED MODÜLLER LOW POWER LED DİZGİLİ MODÜLLER LED tipi : OSRAM Duris E3 LED kasa boyutu: 3.0 mm x 1.4 mm Açı: 110 30 ma kadar sürülebilme özelliği Lineer aydınlatma için

Detaylı

Veri Ağlarında Gecikme Modeli

Veri Ağlarında Gecikme Modeli Veri Ağlarında Gecikme Modeli Giriş Veri ağlarındaki en önemli performans ölçütlerinden biri paketlerin ortalama gecikmesidir. Ağdaki iletişim gecikmeleri 4 farklı gecikmeden kaynaklanır: 1. İşleme Gecikmesi:

Detaylı

DOKÜMAN VE İŞ AKIŞI YÖNETİM SİSTEMİ. 2015, Bimser Çözüm Yazılım Tic. A.Ş.

DOKÜMAN VE İŞ AKIŞI YÖNETİM SİSTEMİ. 2015, Bimser Çözüm Yazılım Tic. A.Ş. DOKÜMAN VE İŞ AKIŞI YÖNETİM SİSTEMİ 2015, Bimser Çözüm Yazılım Tic. A.Ş. eba ile e-kurum Dönüşümü İş Akışı Yönetim Sistemi DOKÜMAN VE İŞ AKIŞI YÖNETİM SİSTEMİ Doküman Yönetim Sistemi Elektronik Belge Yönetim

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

HTK ĐLE KONUŞMACIDAN BAĞIMSIZ TÜRKÇE KONUŞMA TANIMA SĐSTEMĐ OLUŞTURMA Nursel YALÇIN 1 Ömer Faruk BAY 2

HTK ĐLE KONUŞMACIDAN BAĞIMSIZ TÜRKÇE KONUŞMA TANIMA SĐSTEMĐ OLUŞTURMA Nursel YALÇIN 1 Ömer Faruk BAY 2 79 2007 Gazi Üniversitesi Endüstriyel Sanatlar Eğitim Fakültesi Dergisi Sayı:21, s.79-97 ÖZET HTK ĐLE KONUŞMACIDAN BAĞIMSIZ TÜRKÇE KONUŞMA TANIMA SĐSTEMĐ OLUŞTURMA Nursel YALÇIN 1 Ömer Faruk BAY 2 Konuşma

Detaylı

DOÇ. DR. HAKAN GÜRKAN Işık Üniversitesi Mühendislik Fakültesi Elektrik-Elektronik Mühendisliği Bölümü hakan@isikun.edu.tr

DOÇ. DR. HAKAN GÜRKAN Işık Üniversitesi Mühendislik Fakültesi Elektrik-Elektronik Mühendisliği Bölümü hakan@isikun.edu.tr DOÇ. DR. HAKAN GÜRKAN Işık Üniversitesi Mühendislik Fakültesi Elektrik-Elektronik Mühendisliği Bölümü hakan@isikun.edu.tr 1. Adı Soyadı : Hakan Gürkan 2. Doğum Tarihi : 04.02.1973 3. Unvanı : Doçent 4.

Detaylı

3. TAHMİN En Küçük Kareler (EKK) Yöntemi 1

3. TAHMİN En Küçük Kareler (EKK) Yöntemi 1 3. TAHMİN 3.1. En Küçük Kareler (EKK) Yöntemi 1 En Küçük Kareler (EKK) yöntemi, regresyon çözümlemesinde en yaygın olarak kullanılan, daha sonra ele alınacak bazı varsayımlar altında çok aranan istatistiki

Detaylı

Bilgisayar Programcılığı

Bilgisayar Programcılığı Bilgisayar Programcılığı Uzaktan Eğitim Programı e-bġlg 121 AĞ TEKNOLOJĠLERĠNĠN TEMELLERĠ Öğr. Gör. Bekir Güler E-mail: bguler@fatih.edu.tr Hafta 6: Ağ (Network) katmanı II 4.4 İnternet ağ katmanı fonksiyonları

Detaylı

İLK ADIMLAR SINIFI HAFTALIK BÜLTENİ

İLK ADIMLAR SINIFI HAFTALIK BÜLTENİ ÖZEL ASÇAY ANAOKULU İLK ADIMLAR SINIFI HAFTALIK BÜLTENİ Hazırlayan:FUNDA SAYDAM ÖĞRETMENİN MESAJI: MERHABA; 2.3.2015-6.3.2015 tarihleri arasında uygulanan etkinlikleri sizlere sunmaktayım. SEVGİLERLE BU

Detaylı

HACETTEPE ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ BİLGİSAYAR AĞLARI LABORATUVARI DENEY 7

HACETTEPE ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ BİLGİSAYAR AĞLARI LABORATUVARI DENEY 7 HACETTEPE ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ BİLGİSAYAR AĞLARI LABORATUVARI DENEY 7 Özdevimli Yönlendirme Çizelgesi Günleme Protokolları Bu deneyde, Laboratuvar görünümü, Çizim 7.1 ve Çizim 7.2

Detaylı

Ek-1. Bisiklet Yolu Yapım ve Tasarımı İle İlgili Şekilller

Ek-1. Bisiklet Yolu Yapım ve Tasarımı İle İlgili Şekilller Ek-1 Bisiklet Yolu Yapım ve Tasarımı İle İlgili Şekilller Şekil 1- Yaya kaldırımında tek şeritli bisiklet yolu Şekil 2a- 1 Şekil 2b- Şekil 2 - Dar yaya kaldırımında tek şeritli bisiklet yolu (daraltılmış)

Detaylı

rasgele değişkeninin olasılık yoğunluk fonksiyonu,

rasgele değişkeninin olasılık yoğunluk fonksiyonu, 3.6. Bazı Sürekli Dağılımlar 3.6.1 Normal Dağılım Normal dağılım hem uygulamalı hem de teorik istatistikte kullanılan oldukça önemli bir dağılımdır. Normal dağılımın istatistikte önemli bir yerinin olmasının

Detaylı

Üç Boyutlu Serpilme (Saçılım) Grafikleri

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

Detaylı

,$( -./(,$( 0$0$ 1 2 134(,$(

,$( -./(,$( 0$0$ 1 2 134(,$( !"#$ %& '()*' ' + -./( 0$0$ 1 2 134( 5(/ 4 2 " $#56L = {a n b n c n : n 0}222 #.(.)", #22(# 7# 2", #6,489: 7", #24$62.. ' # #2(; 7 #", #2, #2.24$;7" $.7 2# < #44 )" -2 # 22)#( #4# 7 #7= 8"- 2 " >"",.'#

Detaylı

Nokta ve Aralık Tahmini Merkezi Limit Teoremi Örneklem Dağılımı Hipotez Testlerine Giriş

Nokta ve Aralık Tahmini Merkezi Limit Teoremi Örneklem Dağılımı Hipotez Testlerine Giriş Nokta ve Aralık Tahmini Merkezi Limit Teoremi Örneklem Dağılımı Hipotez Testlerine Giriş Doç. Dr. Ertuğrul ÇOLAK Eskişehir Osmangazi Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı Nokta Tahmini

Detaylı

TÜRKÇE DİL ETKİNLİKLERİ

TÜRKÇE DİL ETKİNLİKLERİ TÜRKÇE DİL ETKİNLİKLERİ KELEBEKLER SINIFI:ÖZLEM AKALIN Amaçları: Yaşadıkları deneyimler ve çevreleriyle ilgili farkındalık kazanmaları, neden sonuç ilişkileri kurarak sorgulama yapabilmeleri, kendini iade

Detaylı

Kalitatif Veri. 1. Kalitatif random değişkenler sınıflanabilen yanıtlar vermektedir. Örnek: cinsiyet (Erkek, Kız)

Kalitatif Veri. 1. Kalitatif random değişkenler sınıflanabilen yanıtlar vermektedir. Örnek: cinsiyet (Erkek, Kız) Kalitatif Veri 1. Kalitatif random değişkenler sınıflanabilen yanıtlar vermektedir. Örnek: cinsiyet (Erkek, Kız). Ölçüm kategorideki veri sayısını yansıtır 3. Nominal yada Ordinal ölçek Multinomial Deneyler

Detaylı

Geçerliliği olasılık esaslarına göre araştırılabilen ve karar verebilmek için öne sürülen varsayımlara istatistikte hipotez denir.

Geçerliliği olasılık esaslarına göre araştırılabilen ve karar verebilmek için öne sürülen varsayımlara istatistikte hipotez denir. BÖLÜM 4. HİPOTEZ TESTİ VE GÜVEN ARALIĞI 4.1. Hipotez Testi Geçerliliği olasılık esaslarına göre araştırılabilen ve karar verebilmek için öne sürülen varsayımlara istatistikte hipotez denir. Örneklem dağılımlarından

Detaylı

ÖZGEÇMİŞ. Doç Doçent Doktor Bilgisayar Mühendisliği GAÜ 2010- Yrd. Doç Doç. Doktor Bilgisayar Mühendisliği GAÜ 1999-2010

ÖZGEÇMİŞ. Doç Doçent Doktor Bilgisayar Mühendisliği GAÜ 2010- Yrd. Doç Doç. Doktor Bilgisayar Mühendisliği GAÜ 1999-2010 ÖZGEÇMİŞ 1. Adı Soyadı: Ali Haydar 2. Doğum Tarihi: 14 Mayıs 1969 3. Unvanı: Doçent Doktor 4. Öğrenim Durumu: Derece Alan Üniversite Yıl Lisans Elektrik-Elektronik Müh. Orta Doğu Teknik Üniversitesi 1991

Detaylı

Simülasyonda İstatiksel Modeller

Simülasyonda İstatiksel Modeller Simülasyonda İstatiksel Modeller Amaç Model-geliştirici dünyaya deterministik değil olasıksal olarak bakar. İstatiksel modeller değişimleri iyi tanımlayabilir. İlgilenilen olayın örneklenmesi ile uygun

Detaylı

1st TERM Class Code Class Name T A C. Fizik I Physics I Bilgisayar Programlama I (Java) Computer Programming I (Java)

1st TERM Class Code Class Name T A C. Fizik I Physics I Bilgisayar Programlama I (Java) Computer Programming I (Java) Curriculum: Students need to take a total of 128 credits of classes to graduate from the Electrical and Electronics Engineering Undergraduate Program. With 8 credits of classes taught in Turkish and 120

Detaylı

Dr. Akarsu Hafta-4 11/16/2014 1

Dr. Akarsu Hafta-4 11/16/2014 1 Dr. Akarsu Hafta-4 11/16/2014 1 GİRİŞ Olasılık dolaylı istatistiğin önemli metotlarının temelini oluşturmaktadır. Örneğin, cinsiyet belirleyici bir prosedür belirlediğinizi iddia ediyorsunuz ve her seferinde

Detaylı

4. BÖLÜM: REGRESYON ANALİZİNİ KULLANMAYI ÖĞRENME

4. BÖLÜM: REGRESYON ANALİZİNİ KULLANMAYI ÖĞRENME 4. BÖLÜM: REGRESYON ANALİZİNİ KULLANMAYI ÖĞRENME Bu bölümde; Bir grup değişkenin çalışma sayfası görüntüsünü görüntüleme Bir grup değişkenin tanımlayıcı istatistiklerini görüntüleme Bir grup içerisindeki

Detaylı

GÜR EMRE GÜRAKSIN AFYON KOCATEPE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ / BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ / AFYONKARAHİSAR

GÜR EMRE GÜRAKSIN AFYON KOCATEPE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ / BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ / AFYONKARAHİSAR GÜR EMRE GÜRAKSIN AFYON KOCATEPE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ / BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ / AFYONKARAHİSAR KİŞİSEL BİLGİLER İş: (272) 228 14 23 E-mail: emreguraksin@aku.edu.tr Uyruğu Doğum Yeri

Detaylı

Uzayda iki doğrunun ortak dikme doğrusunun denklemi

Uzayda iki doğrunun ortak dikme doğrusunun denklemi Uzayda iki doğrunun ortak dikme doğrusunun denklemi Uzayda verilen d 1 ve d aykırı doğrularının ikisine birden dik olan doğruya ortak dikme doğrusu denir... olmak üzere bu iki doğru denkleminde değilse

Detaylı

MATE 211 BİYOİSTATİSTİK DÖNEM SONU SINAVI

MATE 211 BİYOİSTATİSTİK DÖNEM SONU SINAVI Öğrenci Bilgileri Ad Soyad: İmza: MATE 211 BİYOİSTATİSTİK DÖNEM SONU SINAVI 26 Mayıs, 2014 Numara: Grup: Soru Bölüm 1 10 11 12 TOPLAM Numarası (1-9) Ağırlık 45 15 30 20 110 Alınan Puan Yönerge 1. Bu sınavda

Detaylı

ANKARA ÜNİVERSİTESİ ÖĞRENCİ İŞLERİ DAİRE BAŞKANLIĞI

ANKARA ÜNİVERSİTESİ ÖĞRENCİ İŞLERİ DAİRE BAŞKANLIĞI Sıra Numarası Dersin ön koşulu var mı? *** Dersin önceki eğitim programında eşdeğer bir dersi var mı? **** Kuramsal Uygulama ve Laboratuvar TOPLAM SAAT Ulusal kredi AKTS Kredisi ANKARA ÜNİVERSİTESİ ANADAL

Detaylı

EĞİTİM ÖĞRETİM YILI 4 YAŞ GRUPLARI ARALIK-OCAK AYI BÜLTENİ

EĞİTİM ÖĞRETİM YILI 4 YAŞ GRUPLARI ARALIK-OCAK AYI BÜLTENİ 2015 2016 EĞİTİM ÖĞRETİM YILI 4 YAŞ GRUPLARI ARALIK-OCAK AYI BÜLTENİ BU AY NELER ÖĞRENECEĞİZ? Dünyanın hareketleri canlıların yaşamlarını etkiler ana fikrinden yola çıkarak ; Dünyanın hareketleri (gece-gündüz,

Detaylı

KONYA İLİ HAVA KALİTESİNİN DEĞERLENDİRİLMESİ

KONYA İLİ HAVA KALİTESİNİN DEĞERLENDİRİLMESİ KONYA İLİ HAVA KALİTESİNİN DEĞERLENDİRİLMESİ Bu çalışma da 2000-2010 yıllarındaki yıllık, aylık, saatlik veriler kullanılarak kirleticilerin mevsimsel değişimi incelenmiş, sıcaklık, rüzgar hızı, nisbi

Detaylı

YÖNETİM BİLİŞİM SİSTEMLERİ BÖLÜMÜ YENİ DERS MÜFREDATI (1) FAKÜLTESİ: İŞLETME FAKÜLTESİ / BUSINESS SCHOOL

YÖNETİM BİLİŞİM SİSTEMLERİ BÖLÜMÜ YENİ DERS MÜFREDATI (1) FAKÜLTESİ: İŞLETME FAKÜLTESİ / BUSINESS SCHOOL (3) SINIFI: 1. Yıl Güz Dönemi MIS101 BİLGİSAYAR PROGRAMLAMA 1 COMPUTER PROGRAMMING 1 Z 3-0 4 BUS101 BİLİM VE TEKNOLOJİ TARİHİ HISTORY OF SCIENCE AND TECHNOLOGY Z 3-0 4 BUS103 İŞLETMECİLER İÇİN MATEMATİK

Detaylı

PARAMETRİK OLMAYAN İSTATİSTİKSEL TEKNİKLER

PARAMETRİK OLMAYAN İSTATİSTİKSEL TEKNİKLER PARAMETRİK OLMAYAN İSTATİSTİKSEL TEKNİKLER Prof. Dr. Ali ŞEN 1 Tek Örneklem İşaret Testi İşaret Testi parametrik olmayan prosedürler içinde en eski olanıdır. Analiz yapılırken serideki verileri artı ve

Detaylı

INTEGER OVERFLOW ***************************************************************/

INTEGER OVERFLOW ***************************************************************/ INTEGER OVERFLOW BELGE HAKKINDA Bu belge "GNU Free Documentation Licence" ile kaynak gösterilmek ve önceden yazarından izin alınmak kaydıyla yeniden yayınlanabilir. Bu belgedeki eksik, yanlış ya da geliştirilmesi

Detaylı

ÖZGEÇMİŞ. 7. Yayınlar 7.1 Uluslararası hakemli dergilerde yayınlanan makaleler (SCI,SSCI,Arts and Humanities)

ÖZGEÇMİŞ. 7. Yayınlar 7.1 Uluslararası hakemli dergilerde yayınlanan makaleler (SCI,SSCI,Arts and Humanities) ÖZGEÇMİŞ 1. Adı Soyadı : Ebru Arısoy SARAÇLAR 2. Doğum Tarihi : 01.01.1979 3. Unvanı : Doktor 4. Öğrenim Durumu : Doktora Derece Alan Üniversite Yıl Lisans Elektrik-Elektronik Mühendisliği Boğaziçi Üniversitesi

Detaylı

İMGE İŞLEME. (Yrd. Doç. Dr. M. Kemal GÜLLÜ)

İMGE İŞLEME. (Yrd. Doç. Dr. M. Kemal GÜLLÜ) İMGE İŞLEME (Yrd. Doç. Dr. M. Kemal GÜLLÜ) Değerlendirme Ara dönem notu: %20 ödev, %80 sınav Final notu: %30 sınav, %70 dönem ödevi Geçme Notu: %40 ara dönem + %60 final 10/21/2008 2 İçerik Temel Kavramlar

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

1.YARIYIL, DERS KURULU II: TEMEL TIP BİLİMLERİNE GİRİŞ II

1.YARIYIL, DERS KURULU II: TEMEL TIP BİLİMLERİNE GİRİŞ II .YARIYIL, DERS KURULU II: TEMEL TIP BİLİMLERİNE GİRİŞ II GÜNLER SAATLER 09-0 0- - -3 3-4 4-5 5-6 6-7 6 KASIM BİYOFİZİK BİYOFİZİK TIB.BİY.VE GEN. TIB.BİY.VE GEN. MES.İNG. SEÇMELİ DERS SEÇMELİ DERS 7 KASIM

Detaylı

MIT OpenCourseWare http://ocw.mit.edu. 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

MIT OpenCourseWare http://ocw.mit.edu. 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.

Detaylı

İstatistik ve Olasılık

İstatistik ve Olasılık İstatistik ve Olasılık Ders 8: Prof. Dr. Tanım Hipotez, bir veya daha fazla anakütle hakkında ileri sürülen, ancak doğruluğu önceden bilinmeyen iddialardır. Ortaya atılan iddiaların, örnekten elde edilen

Detaylı

A. SCI ve SCIE Kapsamındaki Yayınlar

A. SCI ve SCIE Kapsamındaki Yayınlar A. SCI ve SCIE Kapsamındaki Yayınlar A.1. Erilli N.A., Yolcu U., Egrioglu E., Aladag C.H., Öner Y., 2011 Determining the most proper number of cluster in fuzzy clustering by using artificial neural networks.

Detaylı

Kuyruk Sistemlerinin Simülasyonu

Kuyruk Sistemlerinin Simülasyonu Kuyruk Sistemlerinin Simülasyonu Kuyruk sistemlerinin simülasyonu sonraki adımda ne olacağını belirlemek üzere bir olay listesinin tutulmasını ve bakımını gerektirir. Simülasyonda olaylar genellikle gerçek

Detaylı

4.45. KARAKTER TANIMA İÇİN DÜZENLİ ÖZELLİK ÇIKARMA İŞLEMİNİN İNCELENMESİ VE UYGULANMASI ÖZET

4.45. KARAKTER TANIMA İÇİN DÜZENLİ ÖZELLİK ÇIKARMA İŞLEMİNİN İNCELENMESİ VE UYGULANMASI ÖZET 4.45. KARAKTER TANIMA İÇİN DÜZENLİ ÖZELLİK ÇIKARMA İŞLEMİNİN İNCELENMESİ VE UYGULANMASI Sevinç AY 1 ve Asaf VAROL 2 1 Fırat Üniversitesi Fen Bilimler Enstitüsü, Elazığ sevinc.ay@hotmail.com 2 Fırat Üniversitesi

Detaylı

VARANT BÜLTENİ

VARANT BÜLTENİ VARANT BÜLTENİ 11.07.2016 Piyasalar Bayram trafiğini aşıp büyük şehirlere geri dönen yorgun tatilciler için dünya piyasalarının halini bir cümle ile özetleyelim. Az gitmişim, uz gitmişim, dere tepe düz

Detaylı

Standard Template Library

Standard Template Library Standard Template Library Uluslararası Bilgisayar Enstitüsü Ege Üniversitesi Ahmet Bilgili & Serkan Ergun STL ANSI/ISO Standard C++ ın içerdiği algoritmalar ANSI/ISO Standard C++ ın içerdiği algoritmalar

Detaylı

İTÜ LİSANSÜSTÜ DERS KATALOG FORMU (GRADUATE COURSE CATALOGUE FORM)

İTÜ LİSANSÜSTÜ DERS KATALOG FORMU (GRADUATE COURSE CATALOGUE FORM) Dersin Adı Makine Öğrenmesi İTÜ LİSANSÜSTÜ DERS KATALOG FORMU (GRADUATE COURSE CATALOGUE FORM) Course Name Machıne Learnıng Kodu (Code) BLG527E Lisansüstü Program (Graduate Program) Dersin Türü (Course

Detaylı

Markov Zinciri Monte Carlo Yaklaşımı. Aktüeryal Uygulamaları

Markov Zinciri Monte Carlo Yaklaşımı. Aktüeryal Uygulamaları Markov Zinciri Monte Carlo Yaklaşımı ve Aktüeryal Uygulamaları ŞİRZAT ÇETİNKAYA Aktüer Sistem Araştırma Geliştirme Bölümü AKTÜERLER DERNEĞİ 2.0.20080 2008 - İSTANBUL Sunum Planı. Giriş 2. Bayesci Metodun

Detaylı

KESİN PROJE RAPORU PROJENİN ADI PROJEYİ HAZIRLAYANLAR BABÜR NEDİM ÇAĞATAY OKUL ADI VE ADRESİ DANIŞMAN ÖĞRETMEN

KESİN PROJE RAPORU PROJENİN ADI PROJEYİ HAZIRLAYANLAR BABÜR NEDİM ÇAĞATAY OKUL ADI VE ADRESİ DANIŞMAN ÖĞRETMEN KESİN PROJE RAPORU PROJENİN ADI HANGİ ADAYI SEÇELİM? PROJEYİ HAZIRLAYANLAR BABÜR NEDİM ÇAĞATAY OKUL ADI VE ADRESİ ÖZEL KÜLTÜR FEN LİSESİ ATAKÖY 9.-10. KISIM, 34156 BAKIRKÖY - İSTANBUL DANIŞMAN ÖĞRETMEN

Detaylı

SAKARYA UNIVERSİTESİ ENDUSTRI MUHENDISLIĞI YÖNEYLEM ARAŞTIRMASI II MARKOV ZİNCİRLERİ DERS NOTLARI

SAKARYA UNIVERSİTESİ ENDUSTRI MUHENDISLIĞI YÖNEYLEM ARAŞTIRMASI II MARKOV ZİNCİRLERİ DERS NOTLARI SAKARYA UNIVERSİTESİ ENDUSTRI MUHENDISLIĞI YÖNEYLEM ARAŞTIRMASI II MARKOV ZİNCİRLERİ DERS NOTLARI STOKASTİK (RASSAL) SÜREÇLER Bazen rassal değişkenlerin zamanla nasıl değiştiğiyle ilgileniriz. Örneğin

Detaylı

VERİ MADENCİLİĞİ Metin Madenciliği

VERİ 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

Detaylı

YAPAY SİNİR AĞLARI. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ

YAPAY SİNİR AĞLARI. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ YAPAY SİNİR AĞLARI Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ İÇERİK Sinir Hücreleri Yapay Sinir Ağları Yapısı Elemanları Çalışması Modelleri Yapılarına Göre Öğrenme Algoritmalarına Göre Avantaj ve

Detaylı

OYUN TEORİSİ. Özlem AYDIN. Trakya Üniversitesi Bilgisayar Mühendisliği Bölümü

OYUN TEORİSİ. Özlem AYDIN. Trakya Üniversitesi Bilgisayar Mühendisliği Bölümü OYUN TEORİSİ Özlem AYDIN Trakya Üniversitesi Bilgisayar Mühendisliği Bölümü TANIM ''Oyun Teorisi'', iki yada daha fazla rakibi belirli kurallar altında birleştirerek karşılıklı olarak çelişen olasılıklar

Detaylı

Alman Dili Üzerinde Konuşmacı Cinsiyetinin Otomatik Olarak Belirlenmesi. Automatic Determination of the Speaker on the German Language

Alman Dili Üzerinde Konuşmacı Cinsiyetinin Otomatik Olarak Belirlenmesi. Automatic Determination of the Speaker on the German Language Alman Dili Üzerinde Konuşmacı Cinsiyetinin Otomatik Olarak Belirlenmesi Öz Çiğdem Bakır Yıldız Teknik Üniversitesi, Bilgisayar Mühendisliği Geliş Tarihi: 2016-04-05 Kabul Tarihi: 2016-07-09 Kişi tanıma

Detaylı

ÖZET. Anahtar Kelimeler: Madeni Para Kullanımı, Madeni Para Stratejileri, Markov Zincirleri.

ÖZET. Anahtar Kelimeler: Madeni Para Kullanımı, Madeni Para Stratejileri, Markov Zincirleri. Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü Dergisi Cilt 6, Sayı:4, 2004 Markov Zincirlerinin Ekonomik Bir Probleme Uygulanması: Perakende Alışverişlerde Bireysel Olarak Kullanılan Madeni Para Stratejilerinin

Detaylı

RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI. Yrd. Doç. Dr. Emre ATILGAN

RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI. Yrd. Doç. Dr. Emre ATILGAN RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI Yrd. Doç. Dr. Emre ATILGAN 1 RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI Olasılığa ilişkin olayların çoğunluğunda, deneme sonuçlarının bir veya birkaç yönden incelenmesi

Detaylı

EGE ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ (YÜKSEK LİSANS TEZİ) KUANTUM BİLGİ-İŞLEM ALGORİTMALARI ÜZERİNE BİR İNCELEME.

EGE ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ (YÜKSEK LİSANS TEZİ) KUANTUM BİLGİ-İŞLEM ALGORİTMALARI ÜZERİNE BİR İNCELEME. EGE ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ (YÜKSEK LİSANS TEZİ) KUANTUM BİLGİ-İŞLEM ALGORİTMALARI ÜZERİNE BİR İNCELEME Gürkan Aydın ŞEN Uluslararası Bilgisayar Anabilim Dalı Bilim Dalı Kodu : 619.03.03 Sunuş

Detaylı

EŞİT GENİŞLİKLİ AYRIKLAŞTIRMA YÖNTEMİNE DAYALI YENİ BİR ÖZELLİK ÇIKARTMA YAKLAŞIMI VE YAPAY SİNİR AĞI KULLANARAK EPİLEPTİK ATAK TESPİTİ

EŞİT GENİŞLİKLİ AYRIKLAŞTIRMA YÖNTEMİNE DAYALI YENİ BİR ÖZELLİK ÇIKARTMA YAKLAŞIMI VE YAPAY SİNİR AĞI KULLANARAK EPİLEPTİK ATAK TESPİTİ Gazi Üniv. Müh. Mim. Fak. Der. J. Fac. Eng. Arch. Gazi Univ. Cilt 26, No 3, 575-580, 2011 Vol 26, No 3, 575-580, 2011 EŞİT GENİŞLİKLİ AYRIKLAŞTIRMA YÖNTEMİNE DAYALI YENİ BİR ÖZELLİK ÇIKARTMA YAKLAŞIMI

Detaylı

Alt-bant İşlemeye Dayalı Bir Ses Sınıflandırma Sistemi

Alt-bant İşlemeye Dayalı Bir Ses Sınıflandırma Sistemi 1. Giriş Alt-bant İşlemeye Dayalı Bir Ses Sınıflandırma Sistemi Oytun Türk Ömer Şayli Helin Dutağacı Levent M. Arslan Boğaziçi Üniversitesi Elektrik-Elektronik Mühendisliği Bölümü Bebek, İstanbul

Detaylı

Ders 1: Markov Zincirleri YÖNEYLEM ARAŞTIRMASI III. Markov Süreçleri Ders 4. Stokastik Süreç Nedir? Stokastik Süreç Nedir?

Ders 1: Markov Zincirleri YÖNEYLEM ARAŞTIRMASI III. Markov Süreçleri Ders 4. Stokastik Süreç Nedir? Stokastik Süreç Nedir? Ders : Markov Zincirleri YÖNEYLEM ARAŞTIRMASI III Markov Süreçleri Ders 4 Yrd. Doç. Dr. Beyazıt Ocaktan E-mail: bocaktan@gmail.com Ders İçerik: nedir? Markov Zinciri nedir? Markov Özelliği Zaman Homojenliği

Detaylı