Mursel Tasgin and Haluk O. Bingol
|
|
- Soner Kaldırım
- 7 yıl önce
- İzleme sayısı:
Transkript
1 Karmaşık Ağlarda Dedikodu Mursel Tasgin and Haluk O. Bingol Bilgisayar Mühendisliği Bölümü Bogazici Üniversitesi Bu çalışmada dedikonunun ağırlıklı ağlarda yayılımı incelenmiştir. Yeni bir metrik tanımlanmıştır. Bu metrik sayesinde değişik dinamiklerden dolayı oluşan ağların farklı sınıflandırıldığı görülmüştür. Bunun ötesinde insan etkileşimleri nedeniyle oluşan ağların bu metriğe göre önemli farklar gösterdiği bulunmuştur. I. GIRIŞ Dedikodu belkide insanlar arasındaki en eski bilgi paylaşım yollarından biridir. Bir çok kavramda olduğu gibi Yunan mitolojisinde Feme adıyla çok dili olan bir karakter yer alır. Bu karakter dedikoduyu başlatır yada dağıtımını sağlar. Dedikodu bir çok disiplin tarafından incelenmiştir. Bunlar arasında davranış bilmi, antropoloji, psikoloji, sosyoloji, ve karmaşık ağlar [ 8]. Araştırmalar toplumda dedukodunun işlevini anlamaya çalışmaktadır. Dekidokunun bir çok tanımı vardır []. Söylentiden [9] farklı olarak, dedikodu daha kişiseldir []. Dedukoduda dedikodu yapanlar dedikodu yapılanı kişisel olarak tanırlar []. Olumlu ve olumsuz dedikodu çeşitlerinden söz edebiliriz. [2 4]. Bunların bireyler ve topluluk üzerinde pozitif ve negatif etkileri vardır [2, 2]. Resmi olmamae gizli olmak dedikodunun yayılmasındaki önemli unsurlardandır [9]. Dedikodu, hakkında dedikodu yapılan kurban kişi tarafından genellikle negatif olarak algılanır [, 2]. Kurban dedikoduyu önlemek için çalışır [6 9]. Aslında sadece kurban değil, kurbanın yakın çavresi de dedikoduyu önlemeye çalışır [5, 2, 3]. Diğer taraftan dedikodu sosyal normlara uyulmasını sağlamak açısından da yararlıdır []. Dedikodu zayıf olan ilişkilerin daha da zayıflamasını sağlar [2]. Kurban başkalarının kendisinin özeli ile ilgili konuşmasından rahatsız olur [2]. Dedikodu yapan da aslında çok hoş karşılanmaz [,, 5]. Bu nedenle çok yakınındakiler ile ilgili dedikodu yapmak çok tercih edilmez [2, 5, 2 4]. Dedikodu genelde sosyal bilimlerin konusu olarak kabul edilir ama bilgisayar mühendisliği gibi disiplinler de başka açılardan dedikodu ile ilgilenir. Örneğin bilgisayar ağlarında dedikoduyu model olarak kabul eden bir protokol vardır [8]. Son dönemde dedikodu üzerine yeni çalışmalar yapılmıştır. Bunlardan biri de karmaşık ağlar açısından dedikodunun yayılımının incelenmesidir [6, 7]. [6]de kurbanın hemen birinci komşuları arasında dedikodunun yayılımı incelenmiştir. Bu modelde dedikodunun kişisel olduğu, kurbanı bilen kişiler arasında yayıldığı varsayılmıştır. Bu model gerçek hayattan elde edilen karmaşık ağlarda incelendiğinde, dedikodu yayılımının derece ile ilişkisi olduğu gözlenmiştir. Eğer kurbanın arkadaş sayısı, yani derecesi, belli bir k ise dedikodu dağılımı en aza inmektedir. Bu kritik değerin altında veya üstünde dereceli kurbanlarda dedikodu yayılımı artmaktadır [6]. Benzer gözlemler Barabasi-Albert modeli ile oluşturulan karmaşık ağlarda da gözlenmiştir. Bu model ağırlıklı ağlara genişletilmiştir [2]. makale, [2] nin bir özeti olarak hazırlanmıştır. II. DEDIKODU YAYILIMI Tanım. G(V, E) bir ağ olsun. Burada V ve E sırasılya düğüm ve kenar kümeleridir. N = V ve M = E. i düğümünün komşularını, yani i ye doğrudan bağlı düşümlerin kümesini, N (i) ile gösterelim. i düğümünün derecesi k i = N (i) olur. Dedikodunun kurbanını v ile gösterelim. Dedikoduyu başlatanı r ile, dedikoduyu öğrenip, bir başkasına aktaranı s ile gösterelim. Aktarıcı dedikoduyu sadece kurbanı bilen hedeflere aktarabilir. Bu nedenle hedef, hem kurbanı, hem de aktaranı bilen biridir. Hedefi t ile gösterelim. Hedef dedikoduyu öğrendikten sonra bu sefer kendisi dağıtıcı haline gelir ve dedikodunun yayılmasına katkıda bulunur. Gözlemler. Dikkat edilirse kurban-dağıtıcı-hedef üçlüsünün bir üçgen kurduğu görülür. Bu nedenle ağdaki üçgenlerin yapısının ağ üzerindeki dedikodu dağılımına büyük bir etkisi vardır. Önce uc örneklerdenbaşlayalım. Eğer ağdaki her düğüm ikilisi birbirine bağlı ise N (v) kümesindeki bütün düğümler hem birbirlerine, hem de kurbanı bağlıdır. Dolayısıyla herhangi iki düğüm ve kurban dedikodunun yayılacağı bir üçgen oluşturur. Yani her v için, N (v) içindeki bütün düğümler dedikoduyu öğrenir. Bu cins ağlarda dedikodu labilecek en geniş şekilde yayılır. Buna karşın yıldız şeklinde bağlanmış bir ağda merkezdeki düğüm diğer bütün düğümlere bağlıdır ama diğer düğümler sadece merkeze bağlıdır. Bu şekilde baülı bir ağda hiç üçgen yoktur. Yani dedikodu hiş yayılmaz. Bu uc örneklerden sonra daha genel ağlara bakalım. Verilen ağda dedikodu yayılımı kurban ve başlatanın konumlarına göre değişiklik gösterir. Örneğin Şekil daki v düğümü kurban olsun. Eğer f başlatan ise hiçi bir dedikodu yayılımı olmaz. Başlatanın g olması durumunda sadece h dedikoduyu öğrenir. Eğer başlatan {a, b, c, d, e} kümesinden bir düğüm olursa bu kümedeki diğer düğümler de eninde sonunda dedikoduyu öğrenirler. Bu
2 2 FIG. : Dedikodu yayılımı için örnek bir ağ. Ağırlıksız ağlar için σ va = σ vb = σ ve = 5/8, σ vf = /8, σ vg = 2/8 ve σ v = 3/64 olur. Ağırlıklı ağlar için w vb = 2 dışında bütün ağıtlıkları w ij = kabul edersek, β vf = β vb = /8, β va = β vg = 2/8, β vd = β ve = 3/8 ve β v = 6/64 olur. Başlatan b olsun. a, c, d hemen bden öğrenirler. d öğrendikten sonra, e de öğrenir. Özetlersek (i) Dedikodu yayılımı için bir üçgen gerekir. (ii) Birer kenarı ortak üçgenler zinciri ile dedikodu daha ileriye taşınır. σ-ölçütleri. Verilen bir ağda dedikodunun ne kadar yayılacağı ve ne kadar hızla yayılacağı kimin kurban, kimin başlatan olduğuna bağlıdır [6]. r nin v hakkında başlattığı dedikodunun yayılımı bittiğinde dedikoduyu öğrenen kurbanın arkadaşları N r (v) N (v) olsun. τ vr ile gösterilen yayılma zamanı, N r (v) ile r arasındaki en büyük uzaklıktır. Yayılma oranı σ vr ise, v nın dedikoduyu öğrenen arkadaşlarını oranıdır. Yani, σ vr = N r (v) N (v) = n vr. Burada n vr = N r (v) dir. Bunlara bakarak aşağıdaki ortalamalar tanımlanır [6] σ v = σ = N r N (v) σ vr, () σ v. (2) v V Dedikodu dağılımının en aza indiği k ı görebilmek içinaynı dereceli düğümlere bakmak gerekir: σ ki = V ki v V ki σ v. Burada V ki derecesi k i olan düğümler kümesidir. Dikkat edilirse n vr olduğundan, σ vr, σ v, σ [, ] kuralı vardır. III. MODEL Temel model olarak, [6] de verilen ve ağırlıklı ağlarda tanımlı model alınır. Bu modelde bir düğüm dedikoduyu öğrenirse, durdurma hakkı yoktur; yaymak zorundadır. Bu durumda yayılım sadece ağın bağlantı yapısına bağlıdır. Bu modele yayıp yaymama kararının bir olasılığa bağlı hali eklenerek [7]deki model genişletilmesi yapımıştır. Bizim çalışmamızda yayma mecburiyeti yoktur. Yayıp yaymama kararı bazı parametrelere bağlanmıştır. Bu parametreler ile gerçek hayata daha yakın bir model elde edilmeye çalışılmıştır. Yayma veya yaymama kararı, kurbanın dağıtıcıya yakınlığından etkilenir [2, 5, 3]. Eğer kurban, dağıtıcının yakın arkadaşı ise, dağıtıcı dağımamayı tercih eder. Bu şekli ile [6] deki model bir kaç açıdan gliştirilmiş olur. (i) Kurban-dağıtıcı yakınlığı ağdaki kenarlar üzerine verilen ağırlıklar ile modellenir. İki düğüm arasındaki arkadaşlık arttıkça, bunları bağlayan kenarın ağırlığı artar. Böylece model ağırlıklı ağlara genişletilmiş olur. (ii) Bu arkadaşlık bağına bağlı olarak dağıtıcı dağıtıp, dağıtmamaya karar verir. Dağıtıp, dağıtmama kararı için yakın arkadaş kriteri gerekir. Bunu da bütün arkadaşların arkadaşlıklarının ortalamasından daha iyi arkadaş olarak tanımlanır. Dağıtıcı s in arkadaşlıklarının ortalaması w s = k s l N (s) w sl olarak tanımlanır. Böylece eğer w sv > w s ise v, s in iyi arkadaşı olur. Bu durumda s, v hakkındaki dedikoduyu öğrense de dağıtmaz. Dikkat edilirse v hakkındaki dedikodu hem s nin - komşuluğu hem de ikisinin arkadaşlığı w sv ye bağlı olur. β-ölçütleri. Dedikodu yayılımını ağırlıklı ağlarda modellemek için σ-ölçütlerini aşağıdaki şekilde β- ölçütlerine genişletmek gerekir. β vr = m vr, (3) β v = β vr, (4) β = N r N (v) β v. (5) v V Burada m vr, r tarafından başlatılan dedikoduyu v nin arkadaşları içinde kaç tanesinin öğrendiğidir. Bir ağırlıklı ağ verilsin. Buna karşılık gelen ağırlıklız bir ağ vardır. Her ikisinde de iki modeli uygularsak herhangi bir v için bir r tarafından başlatılmış dedikodu ağırlıksız ağda daha geniş bir düğüm tarafından bilinir olacaktır. Bunun nedeni N (v) içindeki bazı düğümlerin yakın arkadaşlık nedeniyl yayılmayı durdurmasıdır. Dolayısıyla, bütün kurban-başlatan ikilisi için m vr n vr genel kuralı vardır. Dolayısıyla β vr, β v, β [, ] olur. Derecesi k i olan düğümlerin kümesi V ki için β ki = V ki v V ki β v
3 3 m 4 i j 3 2 FIG. 2: Dedikodu simetrik değildir. TABLE I: Şekil 2 için dağıtıcı-hedef-kurban üçlüsüne göre dağıtıcı-hedef kenarının davranışı. k s t v w s w sv etkin (s, t) k i j 8 2 k j i 8 j i k 25 2 j k i 25 3 i j k 34 i k j 34 3 olur. Etkin Ağ. Dedikodu yayılımı değişik kurban-yayıcı ikilileri için farklı yollar kullanır. Dikkat edilirse V V üzerinde tanımladığımız yakın arkadaş bağıntısı simetrik değildir. i arkadaşları ile genellikle kuvvetli bağlar yapsın. Buna karşın k, tam tersine, zayıf bağlar yapsın. Yani w i büyük, w k küçük olsun. w ik nin değeri de w k < w ik < w i şeklinde olsun. Bu durumda i, k hakkındaki dedikoduyu yayar. Buna karşın, k, i hakkındaki dedikoduyu yaymaz. Bir kenarın dedikodu yayılımına katkısı oldukça karmaşıktır. Bir ağın bir kısmı Şekil 2 de verilmiştir. Burada i, j ve k düğümlerine ve onların komşularına bakalım. i, j ve k nin ortalama arkadaşlıkları, sırasıyla, w i = 24/6 = 34, w j = 25/5 = 25 ve w k = 32/4 = 8 dir. Bütün dağıtıcı-hedef-kurban üçlüleri Tablo I da listelenmiştir. Dedikodunun dağıtıcıdan hedefe ulaşması dağıtıcı-hedef-kurban üçlüsüne bağlıdır. Örneğin i kurban olsun ve (j, k) kenarına bakalım. Eğer j dağıtıcı olsa, (j, k) kullanılarak k ya iletilir. Ama k dağıtıcı olsaydı, aynı kenar dağıtım için kullanılamayacaktı. Tablo I daki etkin (s, t) sütünu bu durumu gösterir. Bu sütündaki kenarın kullanılabileceğini, kullanılamayacağını gösterir. Bir adım daha ileri gidersek, m düğümü hem j, hem de k ya bağlı olsun. Kurbanın i, ya da m olduğuna göre (j, k) etkin olur veya olmaz. Görüldüğü gibi kimin kurban, kimin dağıtıcı olduğuna göre aşağıdaki ağ farklı şekillerde davranır. Dedikodu yayılımı samki farklı farklı ağlarda yayılıyormuş gibi olur. IV. VERI KÜMELERI Her ne kadar önerilen model yönlü ağırlıklı ağlar için de geçerli olsa, yönsüz ağırlıklı ağlara bakacağız. Dedikosu ana konu olduğuna göre insan ilişkilerinden kaynaklanan gerçek ağlara odaklanmak doğru olacaktır. Bu cins ağlar beraber görünme ve sosyal örüntü olmak üzere iki ana sınıftan oluşurlar. Bu ağları karşılaştırmak için insan etkileşimlerinden oluşmayan ağlar kullanılmıştır. Ayrıca klasik ağ oluşturma modelleri ile oluşturulmuş yapay ağlarda kullanılmıştır. Beraber görünme ağları. Beraber görünme ağları aslında ikili ağlar üzerine kurulur. Bir ikili ağda, G(A B, E), düğümler A ve B olmak üzere iki ayrık kümeye ayrılırlar. Ağdaki bütün kenarlar A daki bir düğümü B deki bir başka düğüme bağlar. Bu ağdan beraber görünme ağı oluşturulur. v i, v j A düğümleri bir birlerine bağlı olması için G de hem v i, hem de v j nin bağlı olduğu bir b B olması gerekir. Reuters-2578 topluluğu Bilgisayar Bilimlerinde iyi bilinen bir metin topluluğudur. Reuters haber ajansının 987 yılında yayınladığı siyaset ve ekonomi alanındaki 2,578 haber metininden oluşur. Bu haberler kümesi kullanılarak, C-REU ile göstereceğimiz, bir beraber görünme ağı oluşturulmuştur [2, 22]. Bu ağda iki kişi birbirine bağlı olması için aynı haberde adlarının geçmesi gerekir. n adın geçtiği bir makaleden dolayı adı geçen her ikili için aradaki kenar puan alır. Bağlanıtın ağırlığı bu şekilde hesaplanır. Bilimsel makalelerden de beraber görünme ağı oluşturulur. Düğümlerde makalelerin yazarları yer alır. Aynı makalede yazar olan iki kişi bir kenar ile bağlanır. Kenarın ayırlığı /(n ) olarak eklenir. Burada n makaledeki yazar sayısıdır. Newman bir dizi makalesinde Yüksek Enerji Fiziği, Yoğun Madde Fiziği, Astrofizie Ağ Bilimleri konularında çalışanların maakalelerini incelmiştir [23, 24]. Bu ağlar sırasıyla C-PHE, C-PCM, C-PA ve C-NS olarak gösterilmiştir. Son beraber görünme ağı bir romandan gelir [25]. Bu sefer düğümler Victor Hugo nun Sefiller romanındaki karakterlerdir. İki karakter birbirine bağlı olması için ikisinin de aynı anda sahnede yer alması gerekir. Kenarın ağırlığı iki karakterin sahnede beraber yer alma sayısıdır. Sosyal örüntü ağlar. Sosyal örüntü projesi ( insanların günlük etkileşimlerini kaydetmek üzere tasarlanmıştır. Burada düğümler insanları gösterir. Sosyal ortamda iki kişi yüz yüze geldiklerinde etkileştikleri, örneğin konuştukları, düşünülerek birbirlerine bir kenar ile bağlanır. Kenarın ağırlığı da karşılıklı durma süreleri ile orantılı olarak belirlenir. Karşılıklı geçirlen her 2 saniye için ağırlığa bir puan eklenir.
4 4 Sosyal örüntü çalışmasında insanların etkileşmeleri okul, bilimsel konferans, müze gibi ortamlarda toplanmıştır. Müzedeki veriler değişik günlerde toplanmıştır. Bu verileri S-M428, S-M53, S-M64, ve S-M77 olarak gösterelim [26]. Benzer şekilde konferans verilerini S-CON [26], okuldaki iki günü S-CH ve S-CH2 olarak gösterelim [27]. Farklı Ağlar. İnsanlardan kaynaklanan ağlar ile başka dinamiklerden kaynaklanan ağları karşılaştırmak gerekir. Bu amaçla dilbilim, sinirbilim ve hava taşımacılığı gibi çok farklı alanlardan ağlar seçilmiştir. Bu ağlar seçilirken ağ büyüklükleri elimizdeki insna kaynaklı ağların büyüklüklerine yakın ağlar seçilmiştir. İlk ağ dilbilimden Edinburgh veri kümesidir [28]. Burada kelimeler düğümler ile gösterilir. Deneklere bir kelime verip aklına ilk gelen kelimeyi söylemeleri istenmiştir. İki kelimenin birbirine bağlı olması için bir deneğin biri verildiğinde diğerini söylemesi beklenir. Kenarın ağırlığı olarak da çok denekli deneyde iki kelimenin bağlanma frekansı kullanılmıştır. Bu veri kümesini M- EAT ile gösterelim. İkinci ağ, M-USAIR, A.B.D.deki 22 yılındaki en yoğun 5 havaalanının birbiri ile uçak bağlantılarını gösterir [29]. Havaalanları düğümler, iki havaalanı aradında dogrudan uçuz varsa bir kenar ile gösterilir. Kenarın ağırlığı da aralarındaki uçuşlardaki koltuk sayılarıdır. Son olarak bir solucan olan C. Elegans ın sinir sistemi alınmıştır [3, 3]. Burada da neronlar düğümler ile gösterilir. Bir neron diğerine bağlı ise iki düğüm arasında kenar konur. Kenar ağırlığı da iki neron arasında kaç tana sinaps olduğudur. Bunu da M-NCE ile gösterelim. Yapay Ağlar. En son olarak da klasik ağ yapma modelleri ile üretilmiş ağlar dikkate alınmıştır. Bu modeller Erdos-Renyi, Barabasi-Albert ve Watts-Strogatz are modelleridir [3 33]. Bu modeller ağırlıksız ağlar üretir. Ağırlık için bir olasılık dağılımından yararlanılmıştır [2]. V. TARTIŞMA Modelimiz ağırlıklı ağlar üzerine kurulmuştur. Modelimiz ile ağırlıksız ağlardaki orjinal model [6] karşılaştırması Tablo II da verilmiştir. Bu tabloda veri kümeleri birlikte görünme, sosyal etkileşim, diğer ve yapay ağlar olarak dört cins ağ için gruplanmıştır. Tablo II da ilk iki sütün ağı gösterir. Üç ve dördüncü sütünlarda, N and M, ağın büyüklüğü vardır. Diğer sütünlarda ağ ile ilgili hesapladığımız parametreler yer alır (a)c-pcm (b)c-reu. β /σ 2 (c)s-con FIG. 3: (Renkli) Derece k nın fonksiyonu olarak dedikodu yayılma oranları σ k and β k. beklenen bir durumdur. Bu durum Şekil 3 da görünür. Orjinal modelin bir beklenmedik bulgusu bazı derecelerde dedikodu yayılımının azaldığıdır [6]. Bu ilginç bulgu Şekil 3 da incelediğimiz ağlarda hem ağırlıksız, hem de ağırlıklı modeller için de bir iki özel durum dışında görülür. A. Dedikodunun en asa indiği derece Ağırlıklı modelde dedikodunun yayılması yakın arkadaşlık nedeniyle bazı duurmlarda durdurulur. Bu nedenle orjinal modele oranla daha az yayılım olması B. İnsan kaynaklı ağların diğerlerinden ayrılması Bazı ağlarda hızlı ve geniş yayılım gözlendiği halde, bazılarında bu kadar büyük yayılım gözlenmez. Bunun ağın cinsi ile bağlantılı olup, olmayacağı da önemli bir
5 5 TABLE II: Ağ Parametreleri (N: düğüm sayısı, M: kenar sayısı, k : kritik derece, k w : ağırlıklı ağlardaki kritik derece, : öbeklenme katsayısı, σ: yayılma oranı, ağırlıksız ağlarda, β: yayılma oranı, ağırlıklı ağlarda.) Cins Veri Kümesi N M k k w k w k σ β σ β β σ β σ Referans Birlikte görünme C-NS,589 2, [24] Birlikte görünme C-PHE 8,36 5, [23] Birlikte görünme C-PA 6,76 2, [23] Birlikte görünme C-PCM 4,42 75, [23] Birlikte görünme C-LM [25] Birlikte görünme C-REU 5,249 7, [2] Sosyal örüntü S-CON 3 2,96 NA 3 NA [26] Sosyal örüntü S-M [26] Sosyal örüntü S-M [26] Sosyal örüntü S-M53 39, [26] Sosyal örüntü S-M , [26] Sosyal örüntü S-CH 236 5, [27] Sosyal örüntü S-CH , [27] Diğer M-EAT 23,29 34, [28] Diğer M-NCE 297 2, [3] Diğer M-USAIR [29] Yapay G-ER,, [32] Yapay G-BA,, [33] Yapay G-WS,, [3] sorudur. Sosyal dinamiklerden kaynaklanan ağlarda dedikodunun yayılımının yüksek olduğu gözlenmiştir. Dedikodunun yayılabilmesi için birbirine bağlı üçgenler olması gerekir. Bunun bir açıklaması insan kaynaklı ağlarda bu oranın yüksek olduğu düşünülmektedir. Tablo II ncelenen ağların big çok parametresini gösterir. Bu parametreler arasında öbeklenme katsayısı birlikte görünme ağlarında aralığında, sosyal örüntü ağlarında ise biraz daha aşağıda aralığındadır. σ/ oranı da dedikodu açısından bir etmen olabilir. Birlikte görünme ağlarında biraz daha küçük değerler görünür. β/ oranı dedikodu yayılımı açısından daha iyi bir ayırıcı faktör olabilir. Birlikte görünme ağlarında in biraz altında, sosyal örüntü ağlarında in biraz üstünde değerler alır. Karşılaştırma olarak incelenen diğer ağlarda bu iki oran çok daha yukarıdadır. C. Derece ile değişim Ağlarının ortalama parametrelerine baktıktan sonra bu parametrelerin derece ile değişimine de bakabiliriz. Şekil 4 de bu değişimin ayrıntıları görülür. β kv /σ kv ve β kv /(σ kv kv ) oranları nin fonksiyonu olaraerilmiştir. Şekil 4 da öbeklenme katsayısı kv derece artıkça azalır. Buna karşın, Şekil 3 da olduğu gibi, β/σ oranı önce azalır. Bir en aza indikten sonra tekrar artmaya başlar. D. Dedikoduyu önleme stratejileri Bazı ağ yapıları dedikoduyu önleme açısındna üstünlükler gösterir. Yıldız bağlantısında olduğu gibi eğer üçgenler tamamlanmazsa dedikodu olmaz. Ağırlıklı ağlar modelinde bir düğümün komşuları tarafından nasıl algılandığı önem kazanır. Gerçek yaşamdan örnekler düşünebiliriz. İki kişinin de çok yakın arkadaşı olduğunuzu düşünün. Bu durumda onlar sizin için dedikodu yapmayacaklardır. Eğer onlar birbirlerine yakınlaşırlarsa aralarındaki bağ sizinle yaptıkları bağdan daha kuvvetli olabilir. Bu yakınlaşma artmaya devam ederse, bir noktadan sonra sizin hakkınızda dedikodu yapmaya başlarlar. Modelimize göre sizin hakkınızda dedikodu yapılmasını önlemek için bazı stratejiler geliştirmek olasıdır: (i) İlk iş üçgen oluşumunu engellemektir. (ii) Birbirleri ile bağlantılı üçgenleri de engellemek işe yarar. Bunu yapmak için arkadaşlarınızı farklı, bir birleri ile ortak noktaları olmayan gruplardan seçmeniz gerekir. Böylece bir grup içinde dedikodu yayılsa bile, o grup içinde kalacak, bir başka gruba sıçramayacaktır. Bu iki strateji aslında ağırlıksız ağlarda da geçerlidir.
6 σ / β β / (σ ) (a)c-pcm (a)g-er σ / β β / (σ ) (b)c-reu (b)g-ba σ / β β / (σ ). β /σ 2 2 (c)s-con (c)g-ws β /σ FIG. 4: (Renkli) Kurbanın derecesi k ya göre β k σ k (içeride) oranları. ve β k σ k k FIG. 5: σ kv and β kv values for generated networks. The values are the averages of 5 realizations. (iii) Ağırlıklı ağlarda ağırlıkların kontrol edilmesi devreye girer. Komşuların sizin ile iyi arkadaş, kendi aralarında o kadar iyi arkadaş olmamalarını sağlamaya çalışmak dedikoduyu azaltır. Unutulmaması gereken dedikodu yayılımı açısından sizin ne düşündüğünüz değil, arkadaşlarınızın ne düşündüğüdür. E. Yapay ağlar Bu noktaya kadar gerçek dünyada gözlemlenilmiş ağları ele aldık. Karmalık ağlar dünyasında artık klasik hale gelmiş yapay ağ modelleri ve bunların ürettiği ağlar da önemlidir. Bu modeller Erdos-Renyi (ER), Barabasi- Albert (BA), ve Watts-Strogatz (WS) dir [3 33]. Bu şekilde üretilen ağlar ağırlıksızdır. Bunları ağırlıklı hal egetirmek için ortalaması, standart sampması olan bir Normal dağılımdan elde edilen ağırlıklar kenarlara konur. Önce düğümlere bu dağılımdan birer ağırlıerilir. i düğümünün ağırlığı w i olsun. Sonra i ve j düğümlerini birbirine bağlayan kenarın ağırlığı ortalama ile, yani w ij =.5(w i + w j ) olarak hesaplanır. Burada hem üretim modeli, hem de ağırlıklandırma bir dizi olasılık sonucudur. Bu nedenle aynı parametreler ile 5 ağ üretilip, bunların sonuçlarının ortalamaları kul-
7 7 lanılmıştır. Bu şekilde bulunan sonuçlar Tablo II ve Şekil 5 de verilmiştir. Watts-Strogatz (WS) ın Küçük Dünyalar modeline göre üretilen ağları G-WS ile gösterelim [3]. Burada kullanılan parametreler N =,, M =,, k = 2, ve tekrar bağlanma olasılığı p =. olaraerilmiştir. Derece dağılımının kuvvetsel olduğu Barabasi-Albert (BA) nın Skaladan Bağımsız olarak da adlandırılan ağlarını da G-BA ile gösterelim [33]. Buradaki parametreler N =, ve başlangıç çekirdek büyüklüğü m = 4 olaraerilir. Son olarak en eski model olan Erdos-Renyi nin rastgele çizgeler modeli ele alınmıştır [32]. Bu ağları da G-ER ile gösterelim. Burada da N =, ve p =.2 parametreleri kullanılmıştır. VI. SONUÇLAR Bu makalede daha önce ağırlıksız ağlarda incelenmiş olan dedikodu dağılımı ağırlıklı ağlara genişletilmiştir. Bu Türkçe makale, daha önce yayınlanmış bir çalışmanın özeti şeklindedir. Gerçek dünyadan elde edilen ağlara bakıldığında insan dinamiklerinden elde edilen ağlar ile, başka dinamiklerden oluşan ağlar arasında önemli farklılıklar gözlenmiştir. Hatta incelenen insan kökenli ağlar arasında da birlikte görünme ile sosyal etkileşmeler nedeniyle oluşanlar arasında da farklar gözlenmiştir. Bu bulgulara dayanarak dedikodu önlenmesi için bazı stratejiler geliştirilmiştir. Bu açıdan arkadaşların sizin için ne düşündükleri önemlidir. Arkadaşların birbirleri ile bağlantısı olmayan gruplardan seçilmesi tavsiy eedilir. Teşekkürler. Bu çalışma, Boğazici Üniversitesi Araştırma Fonu BAP-28-8A5, DPT kaynaklı TAM Projesi, 27K26, ve COST aksiyonu MP8 tarafından kısmen desteklenmiştir. Yazarlar birlikte görünme verilerini paylaştığı için M.E.J. Newman a teşekkür eder. [] D. Gilmore, Ethnology 7, 89 (978). [2] A. K. Shaw, M. Tsvetkova, and R. Daneshvar, Complexity 6, 39 (2). [3] R. Dunbar, New Scientist 2, 28 (992). [4] R. Dunbar, Grooming, gossip and the evolution of language (Faber & Faber, London, 996). [5] J. R. Bergmann, Discreet indiscretions: The social organization of gossip (Aldine de Gruyter, New York, New York, USA, 993). [6] V. J. Derlega and A. L. Chaikin, Journal of Social Issues pp. 2 5 (977). [7] J. B. Haviland, Journal of Communication 27, 86 (977). [8] J. F. Szwed, Ethnology 5, 434 (966). [9] U. Hannerz, Ethnos:Journal of Anthropology 32, 35 (967). [] M. Feinberg, R. Willer, J. Stellar, and D. Keltner, Journal of personality and social psychology (22). [] F. Guala, The Behavioral and brain sciences 35, (22). [2] E. K. Foster, Review of General Psychology 8, 78 (24). [3] S. Yerkovich, Journal of Communication 27, 92 (977). [4] M. Gluckman, Current Anthropology 4, 37 (963). [5] M. M. Turner, M. a. Mazur, N. Wendel, and R. Winslow, Communication Monographs 7, 29 (23). [6] P. Lind, L. Da Silva, J. Andrade, and H. Herrmann, EPL (Europhysics Letters) 78, 685 (27), [7] P. Lind, L. da Silva, J. Andrade, and H. Herrmann, Physical Review E 76, (27), ISSN [8] A. Demers, D. Greene, C. Hauser, W. Irish, J. Larson, S. Shenker, H. Sturgis, D. Swinehart, and D. Terry, in Proceedings of the sixth annual ACM Symposium on Principles of distributed computing (ACM, 987), pp. 2, ISBN X. [9] M. Nekovee, Y. Moreno, G. Bianconi, and M. Marsili, Physica A: Statistical Mechanics and its Applications 374, 457 (27), ISSN [2] M. Tasgin and H. O. Bingol, Advances in Complex Systems 5, 256 (22), ISSN , URL S html. [2] A. Ozgur and H. Bingol, Computer and Information Sciences-ISCIS 24 pp (24). [22] A. Ozgur, B. Cetin, and H. Bingol, International Journal of Modern Physics C 9, 689 (28), ISSN [23] M. E. J. Newman, Proceedings of the National Academy of Sciences of the United States of America 98, 44 (2), ISSN [24] M. Newman, Physical Review E 74, 22 (26), ISSN , [25] D. Knuth, The Stanford GraphBase: A Platform for Combinatorial Computing (ACM Press, 993). [26] L. Isella, J. Stehlé, A. Barrat, C. Cattuto, J.-F. Pinton, and W. Van den Broeck, Journal of theoretical biology 27, 66 (2), ISSN [27] J. Stehlé, N. Voirin, A. Barrat, C. Cattuto, L. Isella, J.- F. Pinton, M. Quaggiotto, W. Van den Broeck, C. Régis, B. Lina, et al., PloS one 6, e2376 (2), ISSN [28] G. Kiss, C. Armstrong, R. Milroy, and J. Piper, in The Computer and Literary Studies, edited by A. Aitken, R. Bailey, and N. Hamilton-Smith (Edinburgh University Press., 973). [29] V. Colizza, R. Pastor-Satorras, and A. Vespignani, Nature Physics 3, 276 (27). [3] J. G. White, E. Southgate, J. N. Thomson, and S. Brenner, Philosophical Transactions of the Royal Society B: Biological Sciences 34, (986), ISSN [3] D. J. Watts and S. H. Strogatz, Nature 393, 44 (998), ISSN [32] P. Erdos and A. Renyi, Publ. Math. Debrecen 6, 29 (959). [33] A. L. Barabasi and A. Reka, Science 286, 59 (999).
Mursel Tasgin and Haluk O. Bingol. Akademik Bilişim Antalya, 23.01.2013
Karmaşık Ağlarda Dedikodu Mursel Tasgin and Haluk O. Bingol Karmaşık Sistemler Araştırma Lab. (SoSLab) Bilgisayar Mühendisliği Bölümü Boğaziçi Üniversitesi Akademik Bilişim Antalya, 23.01.2013 Tasgin and
Detaylı2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI Tanım
2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI 2.1. Tanım Regresyon analizi, bir değişkenin başka bir veya daha fazla değişkene olan bağımlılığını inceler. Amaç, bağımlı değişkenin kitle ortalamasını, açıklayıcı
DetaylıTanımlayıcı İstatistikler. Yrd. Doç. Dr. Emre ATILGAN
Tanımlayıcı İstatistikler Yrd. Doç. Dr. Emre ATILGAN 1 Tanımlayıcı İstatistikler Yer Gösteren Ölçüler Yaygınlık Ölçüleri Merkezi Eğilim Ölçüleri Konum Ölçüleri 2 3 Aritmetik Ortalama Aritmetik ortalama,
DetaylıLeyla Bugay Doktora Nisan, 2011
ltanguler@cu.edu.tr Çukurova Üniversitesi, Matematik Bölümü Doktora 2010913070 Nisan, 2011 Yarıgrup Teorisi Nedir? Yarıgrup teorisi cebirin en temel dallarından biridir. Yarıgrup terimi ilk olarak 1904
DetaylıTANIMLAYICI İSTATİSTİKLER
TANIMLAYICI İSTATİSTİKLER Tanımlayıcı İstatistikler ve Grafikle Gösterim Grafik ve bir ölçüde tablolar değişkenlerin görsel bir özetini verirler. İdeal olarak burada değişkenlerin merkezi (ortalama) değerlerinin
DetaylıUzay Çetin. Netlogo ve R ile Sosyal Ağ Analizi uygulaması Nejat Kutup, Uzay Çetin
Ağ Bilimi ile Görünmez Bağların Keşfi 1 / 30 Ağ Bilimi ile Görünmez Bağların Keşfi Uzay Çetin Boğaziçi - Işık Üniversitesi Netlogo ve R ile Sosyal Ağ Analizi uygulaması Nejat Kutup, Uzay Çetin 2 Şubat
DetaylıGraf Veri Modeli. Düğümler kümesi. Kenarlar kümesi
Graf Veri Modeli Graf, bir olay veya ifadenin düğüm ve çizgiler kullanılarak gösterilme şeklidir. Fizik, Kimya gibi temel bilimlerde ve mühendislik uygulamalarında ve tıp biliminde pek çok problemin çözümü
DetaylıAlgoritma Geliştirme ve Veri Yapıları 2 Veri Modelleri. Mustafa Kemal Üniversitesi
Algoritma Geliştirme ve Veri Yapıları 2 Veri Modelleri Veri modelleri, veriler arasında ilişkisel ve sırasal düzeni gösteren kavramsal tanımlardır. Her program en azından bir veri modeline dayanır. Uygun
DetaylıTEMEL İSTATİSTİKİ KAVRAMLAR YRD. DOÇ. DR. İBRAHİM ÇÜTCÜ
TEMEL İSTATİSTİKİ KAVRAMLAR YRD. DOÇ. DR. İBRAHİM ÇÜTCÜ 1 İstatistik İstatistik, belirsizliğin veya eksik bilginin söz konusu olduğu durumlarda çıkarımlar yapmak ve karar vermek için sayısal verilerin
DetaylıYZM 2116 Veri Yapıları
YZM 2116 Veri Yapıları Yrd. Doç. Dr. Deniz KILINÇ Celal Bayar Üniversitesi Hasan Ferdi Turgutlu Teknoloji Fakültesi Yazılım Mühendisliği BÖLÜM - 11 Bu bölümde, Graph (Çizge - Graf) Terminoloji Çizge Kullanım
DetaylıDoku ve Hastalıklara Özgü Büyük Ölçekli Biyolojik Ağları Oluşturul ası ve Analizi
Boğaz da Yapay Öğre e İs ail Arı Yaz Okulu 2-5 Temmuz 2018 Doku ve Hastalıklara Özgü Büyük Ölçekli Biyolojik Ağları Oluşturul ası ve Analizi Tolga Can Bilgisayar Mühe disliği Bölümü ODTÜ İçerik Genom ölçeği
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Genetik Algoritma (Genetic Algorithm) Doç.Dr. M. Ali Akcayol Genetik Algoritma 1970 li yıllarda John Holland tarafından geliştirilmiştir. 1989 yılında David E. Goldberg Genetik
DetaylıSosyal Ağlar ve Yayılım
Sosyal Ağlar ve Yayılım Yöneylem Araştırması/Endüstri Mühendisliği Doktora Öğrencileri Kolokyumu 21-22 Nisan 2016 Boğaziçi Üniversitesi Sosyal ağlar nedir? Bir araştırma konusu olarak ortaya çıkışları
DetaylıVERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Kümeleme İşlemleri Kümeleme Tanımı Kümeleme Uygulamaları Kümeleme Yöntemleri Kümeleme (Clustering) Kümeleme birbirine
DetaylıVERİ YAPILARI. GRAPH LAR Düzce Üniversitesi Teknoloji Fakültesi ÖĞR.GÖR.GÜNAY TEMÜR 1
VERİ YAPILARI GRAPH LAR Düzce Üniversitesi Teknoloji Fakültesi ÖĞR.GÖR.GÜNAY TEMÜR 1 GRAPH (ÇİZGE - GRAF) Terminoloji Çizge Kullanım Alanları Çizge Gösterimi Komşuluk Matrisi Komşuluk Listesi Çizge Üzerinde
DetaylıBÖLÜM 12 STUDENT T DAĞILIMI
1 BÖLÜM 12 STUDENT T DAĞILIMI 'Student t dağılımı' ya da kısaca 't dağılımı'; normal dağılım ve Z dağılımının da içerisinde bulunduğu 'sürekli olasılık dağılımları' ailesinde yer alan dağılımlardan bir
DetaylıORTALAMA ÖLÇÜLERİ. Ünite 6. Öğr. Gör. Ali Onur CERRAH
ORTALAMA ÖLÇÜLERİ Ünite 6 Öğr. Gör. Ali Onur CERRAH Araştırma sonucunda elde edilen nitelik değişkenler hakkında tablo ve grafikle bilgi sahibi olunurken, sayısal değişkenler hakkında bilgi sahibi olmanın
DetaylıAlgoritma Geliştirme ve Veri Yapıları 10 Graf Veri Modeli. Mustafa Kemal Üniversitesi
Algoritma Geliştirme ve Veri Yapıları 10 Graf Veri Modeli Graf, matematiksel anlamda, düğümler ve bu düğümler arasındaki ilişkiyi gösteren kenarlardan oluşan bir kümedir; mantıksal ilişki düğüm ile düğüm
DetaylıAlgoritma Geliştirme ve Veri Yapıları 9 Ağaç Veri Modeli ve Uygulaması. Mustafa Kemal Üniversitesi
Algoritma Geliştirme ve Veri Yapıları 9 Ağaç Veri Modeli ve Uygulaması Ağaç, verilerin birbirine sanki bir ağaç yapısı oluşturuyormuş gibi sanal olarak bağlanmasıyla elde edilen hiyararşik yapıya sahip
DetaylıVERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Sınıflandırma yöntemleri Karar ağaçları ile sınıflandırma Entropi Kavramı ID3 Algoritması C4.5
DetaylıÖrneklem Dağılımları & Hipotez Testleri Örneklem Dağılımı
Örneklem Dağılımları & Hipotez Testleri Örneklem Dağılımı Ortalama veya korelasyon gibi istatistiklerin dağılımıdır Çıkarımsal istatistikte örneklem dağılımı temel fikirlerden biridir. Çıkarımsal istatistik
DetaylıBÖLÜM 9 NORMAL DAĞILIM
1 BÖLÜM 9 NORMAL DAĞILIM Normal dağılım; 'normal dağılım eğrisi (normaly distribution curve)' ile kavramlaştırılan hipotetik bir evren dağılımıdır. 'Gauss dağılımı' ya da 'Gauss eğrisi' olarak da bilinen
Detaylı1. BÖLÜM Polinomlar BÖLÜM II. Dereceden Denklemler BÖLÜM II. Dereceden Eşitsizlikler BÖLÜM Parabol
ORGANİZASYON ŞEMASI . BÖLÜM Polinomlar... 7. BÖLÜM II. Dereceden Denklemler.... BÖLÜM II. Dereceden Eşitsizlikler... 9. BÖLÜM Parabol... 5 5. BÖLÜM Trigonometri... 69 6. BÖLÜM Karmaşık Sayılar... 09 7.
DetaylıYZM 3217 YAPAY ZEKA DERS#10: KÜMELEME
YZM 317 YAPAY ZEKA DERS#10: KÜMELEME Sınıflandırma (Classification) Eğiticili (supervised) sınıflandırma: Sınıflandırma: Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğunu bilinir Eğiticisiz (unsupervised)
DetaylıSinirsel Benzetim ve NSL. İlker Kalaycı 06, 2008
Sinirsel Benzetim ve NSL İlker Kalaycı 06, 2008 Gündem Yapay Sinir Ağları Benzetim Benzetim Dilleri Sinirsel Benzetim Dilleri NEURON, GENESIS,NEST Gündem Neural Simulation Language (NSL) Tarihçe Genel
DetaylıMATE211 BİYOİSTATİSTİK
MATE211 BİYOİSTATİSTİK ÇALIŞMA SORULARININ ÇÖZÜM VE CEVAPLARI Yapılan bir araştırmada, 136 erişkin kişinin kanlarındaki kolesterol düzeyleri gr/dl cinsinden aşağıda verilmiştir: 180 230 190 186 220 191
DetaylıMerkezi eğilim ölçüleri ile bir frekans dağılımının merkezi belirlenirken; yayılma ölçüleri ile değişkenliği veya yayılma düzeyini tespit eder.
Yayılma Ölçütleri Merkezi eğilim ölçüleri ile bir frekans dağılımının merkezi belirlenirken; yayılma ölçüleri ile değişkenliği veya yayılma düzeyini tespit eder. Bir başka ifade ile, bir veri setinin,
DetaylıKLASİK FRAKTALLAR FRAKTAL ÖZELLİKLERİ VE BOYUT
KLASİK FRAKTALLAR FRAKTAL ÖZELLİKLERİ VE BOYUT.. KENDİNE BENZERLİK VE AFİNİTE Fraktal özelliklerinden bir diğeri de kendine benzerlikdir. Geometrik açıdan, aynı şekle sahip olan geometrik şekiller birbirine
DetaylıÖrnek 4.1: Tablo 2 de verilen ham verilerin aritmetik ortalamasını hesaplayınız.
.4. Merkezi Eğilim ve Dağılım Ölçüleri Merkezi eğilim ölçüleri kitleye ilişkin bir değişkenin bütün farklı değerlerinin çevresinde toplandığı merkezi bir değeri gösterirler. Dağılım ölçüleri ise değişkenin
DetaylıBÖLÜM III: Şebeke Modelleri. Şebeke Kavramları. Şebeke Kavramları. Şebeke Kavramları. Yönlü Şebeke (Directed Network) Dal / ok
8.0.0 Şebeke Kavramları BÖLÜM III: Şebeke Modelleri Şebeke (Network) Sonlu sayıdaki düğümler kümesiyle, bunlarla bağlantılı oklar (veya dallar) kümesinin oluşturduğu yapı şeklinde tanımlanabilir ve (N,A)
DetaylıGephi Uygulamalı Sosyal Ağ Analizi
Karmaşık Ağlara Genel Bir Bakış Gephi Uygulamalı Sosyal Ağ Analizi Arş. Gör. Uzay Çetin İstanbul Gelişim Üniversitesi Bilgisayar Mühendisliği Bölümü 11 Aralık 2013 Uzay Çetin Gephi Uygulamalı Sosyal Ağ
DetaylıDers 9: Kitle Ortalaması ve Varyansı için Tahmin
Ders 9: Kitle Ortalaması ve Varyansı için Tahmin Kitle ve Örneklem Örneklem Dağılımı Nokta Tahmini Tahmin Edicilerin Özellikleri Kitle ortalaması için Aralık Tahmini Kitle Standart Sapması için Aralık
DetaylıGenel Graf Üzerinde Mutlak 1-merkez
Genel Graf Üzerinde Mutlak 1-merkez Çözüm yöntemine geçmeden önce bazı tanımlara ihtiyaç vardır. Dikkate alınan G grafındaki düğümleri 1 den n e kadar numaralandırın. Uzunluğu a(i, j)>0 olarak verilen
DetaylıTedarik Zinciri Yönetimi
Tedarik Zinciri Yönetimi -Tedarikçi Seçme Kararları- Yrd. Doç. Dr. Mert TOPOYAN Satın Alma Bir ișletme, dıșarıdan alacağı malzeme ya da hizmetlerle ilgili olarak satın alma (tedarik) fonksiyonunda beș
DetaylıAşağıda verilen özet bilginin ayrıntısını, ders kitabı. olarak önerilen, Erdik ve Sarıkaya nın Temel. Üniversitesi Kimyası" Kitabı ndan okuyunuz.
KİMYASAL BAĞLAR Aşağıda verilen özet bilginin ayrıntısını, ders kitabı olarak önerilen, Erdik ve Sarıkaya nın Temel Üniversitesi Kimyası" Kitabı ndan okuyunuz. KİMYASAL BAĞLAR İki atom veya atom grubu
Detaylıköşe (vertex) kenar (edg d e)
BÖLÜM 7 köşe (vertex) kenar (edge) Esk den Ank ya bir yol (path) Tanım 7.1.1: Bir G çizgesi (ya da yönsüz çizgesi) köşelerden oluşan bir V kümesinden ve kenarlardan oluşan bir E kümesinden oluşur. Herbir
DetaylıMakine Öğrenmesi İle Duygu Analizinde Veri Seti Performansı
Makine Öğrenmesi İle Duygu Analizinde Veri Seti Performansı Hatice NİZAM İstanbul Üniversitesi Bilgisayar Mühendisliği Bölümü haticenizam@outlook.com Saliha Sıla AKIN ERS Turizm Yazılım Şirketi, Bilgisayar
DetaylıKARINCA KOLONİ ALGORİTMASI BMÜ-579 Meta Sezgisel Yöntemler. Yrd. Doç. Dr. İlhan AYDIN Fırat Üniversitesi, Bilgisayar Mühendisliği Bölümü
KARINCA KOLONİ ALGORİTMASI BMÜ-579 Meta Sezgisel Yöntemler Yrd. Doç. Dr. İlhan AYDIN Fırat Üniversitesi, Bilgisayar Mühendisliği Bölümü Karınca Koloni Algoritması Bilim adamları, böcek davranışlarını inceleyerek
DetaylıKütlesel çekim kuvveti nedeniyle cisimler bir araya gelme eğilimi gösterirler, birbirlerine
Türkçe Özet Doğayı araştırmamız çevremizde gördüklerimizle başlar. Onların yapı taşlarını merak ederiz ve biyoloji ile kimyada olduğu gibi mümkün olduğunca küçük ölçeklere inmeye çalışırız. Ancak bu araştırmanın
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Sınıflandırıcıların Değerlendirilmesi Skorlar Karışıklık matrisi Accuracy Precision Recall
DetaylıBüyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data)
Büyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data) M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Bu dersin sunumları, The Elements of Statistical Learning: Data
DetaylıBMT 206 Ayrık Matematik. Yük. Müh. Köksal GÜNDOĞDU 1
BMT 206 Ayrık Matematik Yük. Müh. Köksal GÜNDOĞDU 1 Graph (Çizge) Yük. Müh. Köksal GÜNDOĞDU 2 Graph (Çizge) Köşe (vertex) adı verilen düğümlerden ve kenar (edge) adı verilip köşeleri birbirine bağlayan
DetaylıDr. Y. İlker TOPCU. Dr. Özgür KABAK web.itu.edu.tr/kabak/
Dr. Y. İlker TOPCU www.ilkertopcu.net www.ilkertopcu.org www.ilkertopcu.info facebook.com/yitopcu twitter.com/yitopcu instagram.com/yitopcu Dr. Özgür KABAK web.itu.edu.tr/kabak/ Dr. Y. İlker Topcu (www.ilkertopcu.net)
DetaylıGENEL KİMYA. 4. Konu: Kimyasal türler, Kimyasal türler arasındaki etkileşimler, Kimyasal Bağlar
GENEL KİMYA 4. Konu: Kimyasal türler, Kimyasal türler arasındaki etkileşimler, Kimyasal Bağlar Kimyasal Türler Doğada bulunan bütün maddeler tanecikli yapıdadır. Maddenin özelliğini gösteren küçük yapı
Detaylı2012 YGS MATEMATİK Soruları
01 YGS MATEMATİK Soruları 1. 10, 1, 0, 0, işleminin sonucu kaçtır? A) B), C) 6 D) 6, E) 7. + ABC 4 x 864 Yukarıda verilenlere göre, çarpma işleminin sonucu kaçtır? A) 8974 B) 907 C) 9164 D) 94 E) 98. 6
DetaylıÖZEL DOĞAN İLKOKULU
ÖZEL DOĞAN İLKOKULU 2017-2018 MART ayı Mind Lab Derslerinin Özeti FOUR IN A ROW Bu bölümde öğrenciler, iyi bir oyuncu olmak için stratejiler geliştirmek gerektiğini öğrenirler. Tıpkı hayatta olduğu gibi,
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimli Öğrenmenin Temelleri Karar Ağaçları Entropi ID3 Algoritması C4.5 Algoritması Twoing
DetaylıŞekil-1. Doğru ve Alternatif Akım dalga şekilleri
2. Alternatif Akım =AC (Alternating Current) Değeri ve yönü zamana göre belirli bir düzen içerisinde değişen akıma AC denir. En çok bilinen AC dalga biçimi Sinüs dalgasıdır. Bununla birlikte farklı uygulamalarda
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Tabu Arama (Tabu Search) Doç.Dr. M. Ali Akcayol Tabu Arama 1986 yılında Glover tarafından geliştirilmiştir. Lokal minimum u elimine edebilir ve global minimum u bulur. Değerlendirme
DetaylıLeyla Bugay Haziran, 2012
Sonlu Tekil Dönüşüm Yarıgruplarının Doğuray Kümeleri ltanguler@cu.edu.tr Çukurova Üniversitesi, Matematik Bölümü Haziran, 2012 Yarıgrup Teorisi Nedir? Yarıgrup terimi ilk olarak 1904 yılında Monsieur l
DetaylıGenel olarak test istatistikleri. Merkezi Eğilim (Yığılma) Ölçüleri Dağılım (Yayılma) Ölçüleri. olmak üzere 2 grupta incelenebilir.
4.SUNUM Genel olarak test istatistikleri Merkezi Eğilim (Yığılma) Ölçüleri Dağılım (Yayılma) Ölçüleri olmak üzere 2 grupta incelenebilir. 2 Ranj Çeyrek Kayma Çeyrekler Arası Açıklık Standart Sapma Varyans
DetaylıA) 1 B) 10 C) 100 D) 1000 E) Sonsuz. öğrencinin sinemaya tam bir kez birlikte gidecek şekilde ayarlanabilmesi aşağıdaki n
İLMO 008. Aşama Sınavı Soru Kitapçığı - A. 009 009 009 + +... + n toplamı hiçbir n doğal sayısı için aşağıdakilerden hangisiyle bölünemez? A) B) n C) n+ D) n+ E). ( x!)( y!) = z! eşitliğini sağlayan (x,
DetaylıKüme temel olarak belli nesnelerin ya da elamanların bir araya gelmesi ile oluşur
Kümeler Kümeler ve küme işlemleri olasılığın temellerini oluşturmak için çok önemlidir Küme temel olarak belli nesnelerin ya da elamanların bir araya gelmesi ile oluşur Sonlu sayıda, sonsuz sayıda, kesikli
Detaylı1: DENEYLERİN TASARIMI VE ANALİZİ...
İÇİNDEKİLER Bölüm 1: DENEYLERİN TASARIMI VE ANALİZİ... 1 1.1. Deneyin Stratejisi... 1 1.2. Deneysel Tasarımın Bazı Tipik Örnekleri... 11 1.3. Temel Kurallar... 16 1.4. Deneyleri Tasarlama Prensipleri...
DetaylıSoygazların bileşik oluşturamamasının sebebi bütün orbitallerinin dolu olmasındandır.
KİMYASAL BAĞLAR Kimyasal bağ, moleküllerde atomları birarada tutan kuvvettir. Bir bağın oluşabilmesi için atomlar tek başına bulundukları zamankinden daha kararlı (az enerjiye sahip) olmalıdırlar. Genelleme
DetaylıTEMEL İNŞAATI ŞERİT TEMELLER
TEMEL İNŞAATI ŞERİT TEMELLER Kaynak; Temel Mühendisliğine Giriş, Prof. Dr. Bayram Ali Uzuner 1 2 Duvar Altı (veya Perde Altı) Şerit Temeller (Duvar Temelleri) 3 Taş Duvar Altı Şerit Temeller Basit tek
Detaylırasgele 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
DetaylıYer Sezimi ve Özet Bölüt Çizgeleri
Akıllı Sistemler Laboratuarı Elektrik-Elektronik Mühendisliği, Boğaziçi Üniversitesi TORK 2015 Türkiye Robotbilim Konferansı Önceki Çalışmalar Bölge Bitişiklilik Çizgeleri Çizge Eşleme lar Önceki Çalışmalar
DetaylıBİYOİSTATİSTİK Uygulama 4 Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH
BİYOİSTATİSTİK Uygulama 4 Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim AD. Web: www.biyoistatistik.med.ege.edu.tr 1 Örnek Senaryo İmplant üreten İMPLANTDENT
DetaylıDENGELEME HESABI-I DERS NOTLARI
DENGELEME HESABI-I DERS NOTLARI Ağırlık ve Ters Ağırlık (Kofaktör) Prof. Dr. Mualla YALÇINKAYA Yrd. Doç. Dr. Emine TANIR KAYIKÇI Karadeniz Teknik Üniversitesi, Harita Mühendisliği Bölümü Trabzon, 016 AĞIRLIK
DetaylıGENEL KİMYA. 4. Konu: Kimyasal türler, Kimyasal türler arasındaki etkileşimler, Kimyasal Bağlar
GENEL KİMYA 4. Konu: Kimyasal türler, Kimyasal türler arasındaki etkileşimler, Kimyasal Bağlar Kimyasal Türler Doğada bulunan bütün maddeler tanecikli yapıdadır. Maddenin özelliğini gösteren küçük yapı
DetaylıSAB 101 OLASILIK DERS NOTLARI. Prof.Dr. Fatih TANK. SAB 101 Olasılık. F.Tank. 1 Rastgelelik. 2. Modelleme. 3. Kümeler Cebiri. 4. Sınıf. 5.
SAB 101 OLASILIK DERS NOTLARI Giriş Prof.Dr. Fatih TANK Ankara Üniversitesi Uygulamalı Bilimler Fakültesi Sigortacılık ve Aktüerya Bilimleri Bölümü Prof.Dr. Fatih TANK - Olasılık Ders Notları- Sayfa :
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimsiz Öğrenmenin Temelleri Kümeleme Uzaklık Fonksiyonları Öklid Uzaklığı Manhattan
DetaylıYAPAY SİNİR AĞLARI. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ
YAPAY SİNİR AĞLARI Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ İÇERİK Sinir Hücreleri Yapay Sinir Ağları Yapısı Elemanları Çalışması Modelleri Yapılarına Göre Öğrenme Algoritmalarına Göre Avantaj ve
DetaylıATOMİK YAPI. Elektron Yükü=-1,60x10-19 C Proton Yükü=+1,60x10-19 C Nötron Yükü=0
ATOMİK YAPI Elektron Yükü=-1,60x10-19 C Proton Yükü=+1,60x10-19 C Nötron Yükü=0 Elektron Kütlesi 9,11x10-31 kg Proton Kütlesi Nötron Kütlesi 1,67x10-27 kg Bir kimyasal elementin atom numarası (Z) çekirdeğindeki
Detaylı8.Konu Vektör uzayları, Alt Uzaylar
8.Konu Vektör uzayları, Alt Uzaylar 8.1. Düzlemde vektörler Düzlemdeki her noktası ile reel sayılardan oluşan ikilisini eşleştirebiliriz. Buna P noktanın koordinatları denir. y-ekseni P x y O dan P ye
DetaylıALKÜ EKONOMİ ve FİNANS BÖLÜMÜ ISL 207 İSTATİSTİK I ALIŞTIRMALAR
ALKÜ EKONOMİ ve FİNANS BÖLÜMÜ ISL 207 İSTATİSTİK I ALIŞTIRMALAR 1- İlaçla tedavi edilen 7 hastanın ortalama iyileşme süresi 22.6 gün ve standart sapması.360 gündür. Ameliyatla tedavi edilen 9 hasta için
DetaylıOlasılık Kavramı. Recep YURTAL. Mühendislikte İstatistik Metotlar. Çukurova Üniversitesi İnşaat Mühendisliği Bölümü
Olasılık Kavramı Mühendislikte İstatistik Metotlar Çukurova Üniversitesi İnşaat Mühendisliği ölümü OLSILIK KVRMI KÜME KVRMI irlikte ele alınan belirli nesneler topluluğuna küme, Kümede içerilen nesnelere
DetaylıA. 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.
DetaylıJEODEZİK VERİLERİN İSTATİSTİK ANALİZİ. Prof. Dr. Mualla YALÇINKAYA
JEODEZİK VERİLERİN İSTATİSTİK ANALİZİ Prof. Dr. Mualla YALÇINKAYA Karadeniz Teknik Üniversitesi, Harita Mühendisliği Bölümü Trabzon, 2018 VERİLERİN İRDELENMESİ Örnek: İki nokta arasındaki uzunluk 80 kere
DetaylıÇukurova Üniversitesi Biyomedikal Mühendisliği
Çukurova Üniversitesi Biyomedikal Mühendisliği BMM309 Elektronik-2 Laboratuarı Deney Föyü Deney#6 İşlemsel Kuvvetlendiriciler (OP-AMP) - 2 Doç. Dr. Mutlu AVCI Arş. Gör. Mustafa İSTANBULLU ADANA, 2015 DENEY
DetaylıATOMİK YAPI. Elektron Yükü=-1,60x10-19 C Proton Yükü=+1,60x10-19 C Nötron Yükü=0
ATOMİK YAPI Atom, birkaç türü birleştiğinde çeşitli molekülleri, bir tek türü ise bir kimyasal öğeyi oluşturan parçacıktır. Atom, elementlerin özelliklerini taşıyan en küçük yapı birimi olup çekirdekteki
DetaylıQUANTILE REGRESYON * Quantile Regression
QUANTILE REGRESYON * Quantile Regression Fikriye KURTOĞLU İstatistik Anabilim Dalı Olcay ARSLAN İstatistik Anabilim Dalı ÖZET Bu çalışmada, Lineer Regresyon analizinde kullanılan en küçük kareler yöntemine
DetaylıGENETİK ALGORİTMA ÖZNUR CENGİZ HİLAL KOCA
GENETİK ALGORİTMA ÖZNUR CENGİZ 201410306014 HİLAL KOCA 150306024 GENETİK ALGORİTMA Genetik Algoritma yaklaşımının ortaya çıkışı 1970 lerin başında olmuştur. 1975 te John Holland ın makine öğrenmesi üzerine
DetaylıYZM 5257 YAPAY ZEKA VE UZMAN SİSTEMLER DERS#6: GENETİK ALGORİTMALAR
YZM 5257 YAPAY ZEKA VE UZMAN SİSTEMLER DERS#6: GENETİK ALGORİTMALAR Sınıflandırma Yöntemleri: Karar Ağaçları (Decision Trees) Örnek Tabanlı Yöntemler (Instance Based Methods): k en yakın komşu (k nearest
DetaylıBÖLÜM 1 GİRİŞ: İSTATİSTİĞİN MÜHENDİSLİKTEKİ ÖNEMİ
BÖLÜM..AMAÇ GİRİŞ: İSTATİSTİĞİ MÜHEDİSLİKTEKİ ÖEMİ Doğa bilimlerinde karşılaştığımız problemlerin birçoğunda olaydaki değişkenlerin değerleri bilindiğinde probleme kesin ve tek bir çözüm bulunabilir. Örneğin
DetaylıTemel ve Uygulamalı Araştırmalar için Araştırma Süreci
BÖLÜM 8 ÖRNEKLEME Temel ve Uygulamalı Araştırmalar için Araştırma Süreci 1.Gözlem Genel araştırma alanı 3.Sorunun Belirlenmesi Sorun taslağının hazırlanması 4.Kuramsal Çatı Değişkenlerin açıkça saptanması
DetaylıDağıtık Ortak Hafızalı Çoklu Mikroişlemcilere Sahip Optik Tabanlı Mimari Üzerinde Dizin Protokollerinin Başarım Çözümlemesi
Dağıtık Ortak Hafızalı Çoklu Mikroişlemcilere Sahip Optik Tabanlı Mimari Üzerinde Dizin Protokollerinin Başarım Çözümlemesi İpek ABASIKELEŞ, M.Fatih AKAY Bilgisayar Mühendisliği Bölümü Çukurova Üniversitesi
Detaylıİçindekiler. Ön Söz... xiii
İçindekiler Ön Söz.................................................... xiii Bölüm 1 İstatistiğe Giriş....................................... 1 1.1 Giriş......................................................1
Detaylı1. Metrik Uzaylar ve Topolojisi
1. Metrik Uzaylar ve Topolojisi Euclidean R uzayının tabanının B = {(a, b) : a, b R} olduğunu biliyoruz. Demek ki bu uzayda belirleyiçi unsur açık aralıklar. Her açık aralık (a, b) için, olmak üzere, d
DetaylıProgramlama Dilleri 1. Ders 3: Rastgele sayı üretimi ve uygulamaları
Ders 3: Rastgele sayı üretimi ve uygulamaları Ders 3 Genel Bakış Giriş Rastgele Sayı Rastgele Sayı Üreteci rand Fonksiyonunun İşlevi srand Fonksiyonunun İşlevi Monte Carlo Yöntemi Uygulama 1: Yazı-Tura
DetaylıEndüstri Mühendisliğine Giriş
Endüstri Mühendisliğine Giriş 5 ve 19 Aralık 2012, Şişli-Ayazağa, İstanbul, Türkiye. Yard. Doç. Dr. Kamil Erkan Kabak Endüstri Mühendisliği Bölümü,, Şişli-Ayazağa, İstanbul, Türkiye erkankabak@beykent.edu.tr
DetaylıAlgoritmalar. Çizge Algoritmaları. Bahar 2017 Doç. Dr. Suat Özdemir 1
Algoritmalar Çizge Algoritmaları Bahar 201 Doç. Dr. Suat Özdemir 1 En Kısa Yol Problemi Çizgelerdeki bir diğer önemli problem de bir düğümden diğer bir düğüme olan en kısa yolun bulunmasıdır. Bu problem
DetaylıFaktöriyel: 1'den n'ye kadar olan tüm pozitif tamsayıların çarpımına, biçiminde gösterilir. Aynca; 0! = 1 ve 1!=1 1 dir. [Bunlar kabul değildir,
14. Binom ve Poisson olasılık dağılımları Faktöriyeller ve kombinasyonlar Faktöriyel: 1'den n'ye kadar olan tüm pozitif tamsayıların çarpımına, n! denir ve n! = 1.2.3...(n-2).(n-l).n biçiminde gösterilir.
DetaylıBKİ farkı Standart Sapması (kg/m 2 ) A B BKİ farkı Ortalaması (kg/m 2 )
4. SUNUM 1 Gözlem ya da deneme sonucu elde edilmiş sonuçların, rastlantıya bağlı olup olmadığının incelenmesinde kullanılan istatistiksel yöntemlere HİPOTEZ TESTLERİ denir. Sonuçların rastlantıya bağlı
DetaylıBanka Kredileri ve Büyüme İlişkisi
Banka Kredileri ve Büyüme İlişkisi Cahit YILMAZ Kültür Üniversitesi, İktisadi ve İdari Bilimler Fakültesi İstanbul c.yilmaz@iku.edu.tr Key words:kredi,büyüme. Özet Banka kredileri ile ekonomik büyüme arasında
Detaylı2. SİMETRİK GRUPLAR. Tanım 2.1. X boş olmayan bir küme olmak üzere X den X e birebir örten fonksiyona permütasyon denir.
2. SİMETRİK GRUPLAR Tanım 2.1. X boş olmayan bir küme olmak üzere X den X e birebir örten fonksiyona permütasyon denir. Tanım 2.2. X boş olmayan bir küme olsun. S X ile X den X e tüm birebir örten fonksiyonlar
DetaylıPower BI. Neler Öğreneceksiniz?
Power BI Kendi kendinize iş zekasını keşfedin. Verilerinizi analiz edin, etkileşimli raporlar oluşturun ve bulgularınızı firmanız genelinde paylaşın. Neler Öğreneceksiniz? Bu iki günlük eğitim, güçlü görseller
DetaylıBMÜ-421 Benzetim ve Modelleme Kesikli Olay Benzetimi. İlhan AYDIN
BMÜ-421 Benzetim ve Modelleme Kesikli Olay Benzetimi İlhan AYDIN KESİKLİ-OLAY BENZETİMİ Kesikli olay benzetimi, durum değişkenlerinin zaman içinde belirli noktalarda değiştiği sistemlerin modellenmesi
DetaylıSosyal Etki Teorisi. Sunan: M.Benan YAZICIOĞLU Sunum Tarihi: 27.02.2014
Sosyal Etki Teorisi Sunan: M.Benan YAZICIOĞLU Sunum Tarihi: 27.02.2014 Sosyal Etki ve Uyma Davranışı Sosyolojinin, toplumun bütününü kapsayan kanunu insan toplum hayatı yaşar kanunudur. İnsan bir toplumda
DetaylıDağıtık Sistemler CS5001
Dağıtık Sistemler CS5001 Th. Letschert Çeviri: Turgay Akbaş TH Mittelhessen Gießen University of Applied Sciences Biçimsel model nedir Biçimsel model matematiksel olarak tanımlanmış olan bir modeldir.
DetaylıPetrol fiyatlarının istatistiksel analizi ve örüntüleri
Petrol fiyatlarının istatistiksel analizi ve örüntüleri Barış Sanlı, barissanli2@gmail.com, NOT: Bu yazıdaki 2014-2019 tarihleri arasındaki haftalık petrol fiyat değişim grafiği hatalıydı. Bu düzeltildi.
DetaylıFonksiyon Optimizasyonunda Genetik Algoritmalar
01-12-06 Ümit Akıncı Fonksiyon Optimizasyonunda Genetik Algoritmalar 1 Fonksiyon Optimizasyonu Fonksiyon optimizasyonu fizikte karşımıza sık çıkan bir problemdir. Örneğin incelenen sistemin kararlı durumu
DetaylıFİNANSAL MODELLER. Yrd. Doç. Dr. Fazıl GÖKGÖZ. Tel: 595 13 37 fgokgoz@politics.ankara.edu.tr. Y. Doç. Dr. Fazıl GÖKGÖZ. Risk ve Getiri: Temel Konular
FİNANSAL MODELLER Yrd. Doç. Dr. Fazıl GÖKGÖZ Tel: 595 13 37 fgokgoz@politics.ankara.edu.tr Risk ve Getiri: Temel Konular Temel getiri konsepti Temel risk konsepti Bireysel risk Portföy (piyasa) riski Risk
DetaylıTesadüfi Değişken. w ( )
1 Tesadüfi Değişken Tesadüfi değişkenler gibi büyük harflerle veya gibi yunan harfleri ile bunların aldığı değerler de gibi küçük harflerle gösterilir. Tesadüfi değişkenler kesikli veya sürekli olmak üzere
Detaylı8.Hafta. Değişkenlik Ölçüleri. Öğr.Gör.Muhsin ÇELİK. Uygun değişkenlik ölçüsünü hesaplayıp yorumlayabilecek,
İSTATİSTİK 8.Hafta Değişkenlik Ölçüleri Hedefler Bu üniteyi çalıştıktan sonra; Uygun değişkenlik ölçüsünü hesaplayıp yorumlayabilecek, Serilerin birbirlerine değişkenliklerini yorumlayabileceksiniz. 2
DetaylıProf. Dr. Aydın Yüksel MAN 504T Yön. için Finansal Analiz & Araçları Ders: Risk-Getiri İlişkisi ve Portföy Yönetimi I
Risk-Getiri İlişkisi ve Portföy Yönetimi I 1 Giriş İşlenecek ana başlıkları sıralarsak: Finansal varlıkların risk ve getirisi Varlık portföylerinin getirisi ve riski 2 Risk ve Getiri Yatırım kararlarının
DetaylıBÖLÜM 3 KURAMSAL ÇATI VE HİPOTEZ GELİŞ
BÖLÜM 3 KURAMSAL ÇATI VE HİPOTEZ GELİŞ İŞTİRME Araştırma rma SüreciS 1.Gözlem Genel araştırma alanı 3.Sorunun Belirlenmesi Sorun taslağının hazırlanması 4.Kuramsal Çatı Değişkenlerin açıkça saptanması
DetaylıKarınca Koloni Algoritması 2
Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ Web: http://ikucukkoc.baun.edu.tr Karınca Koloni Algoritması 2 7 TSP ve ACO Algoritması Gezgin satıcı problemi (travelling salesman problem-tsp) yöneylem araştırması ve teorik
Detaylı