PANTOLON CEBİNDE TAŞINAN AKILLI TELEFONUN İVMEÖLÇER VERİLERİNİ KULLANARAK AKTİVİTE TANIMA
|
|
- Su Müjde
- 7 yıl önce
- İzleme sayısı:
Transkript
1 Mühendislikte Yeni Teknolojiler (MYT-5)/Bayburt PANTOLON CEBİNDE TAŞINAN AKILLI TELEFONUN İVMEÖLÇER VERİLERİNİ KULLANARAK AKTİVİTE TANIMA Sermet Kırkan a, Işıl Karabey b, Levent Bayındır c a DSİ 8. Bölge Müdürlüğü, Erzurum, 58, Türkiye, sermetkirkan@hotmail.com b Erzurum Teknik Üniversitesi, Erzurum, 58, Türkiye, isil.karabey@erzurum.edu.tr c Atatürk Üniversitesi, Erzurum, 58, Türkiye, levent.bayindir@atauni.edu.tr Özet İnsanların günlük aktivitelerini tanıma; tıbbi, askeri ve güvenlik uygulamalarında önemli bir yere sahiptir. Örneğin tıbbi uygulamalarda; obezite, diyabet veya kalp rahatsızlığı gibi hastalıklara sahip kişiler fiziksel egzersiz gerektiren tedavilere tabi tutulabilir ve otomatik aktivite tanıma bu egzersizlerin takibinde kullanılabilir. Geleneksel aktivite tanıma sistemlerinde kullanılan hassas duyarlıklı algılayıcıların günlük yaşamdaki aktiviteler gerçekleştirilirken taşınması rahat olmayabilir. Bu çalışma modern akıllı telefonlarda bulunan ivmeölçer algılayıcısını kullanan bir insan aktivitesi tanıma sistemi gerşekleştirmiştir. farklı aktivite ile deneyler gerçekleştirilerek bir veri seti oluşturulmuştur: ayakta durma, oturma, uzanma, yürüme, koşma, yemek yeme, asansör ile çıkma, asansör ile inme, araba sürme ve bisiklet sürme. Bu veri seti, aktivite gerçekleştirilirken elde edilen üç boyutlu hızlanma örnekleri (5 ve ms aralığında bir örnekleme periyodu kullanılarak) ile aktivite adının ilişkilendirilip bir dosyaya kaydedilmesi ile oluşturulmuştur. Hızlanma değerleri kullanıcılar tarafından pantolon cebinde taşınan akıllı telefonda çalışan bir uygulama aracılığıyla elde edilmiştir. İvmeölçerden elde edilen ham veriler bir ön işleme aşaması ile dönüştürülmüş ve ardından sınıflandırma aşamasında kullanılacak özellikler elde edilmiştir. -katlamalı çapraz doğrulama yöntemi ile eğitim ve test verisi olarak ikiye bölünen bu veri seti ile pek çok sınıflandırma yöntemi denenmiştir. Deneysel sonuçlarda %9 doğruluk oranı ile rastgele orman en iyi doğruluk elde edilen yöntem olmuştur. Anahtar Kelimeler: aktivite tanıma, ivmeölçer, akıllı telefon, makine öğrenmesi, sınıflandırma. Abstract Human activity recognition has an important role in medical, military, security and entertainment applications. For example, in medical applications patients suffering from obesity, diabetes or heart diseases may undergo treatments involving physical exercises, and automatic activity recognition can be used to monitor the execution of these exercises. High precision sensors used in traditional activity recognition systems may be inconvenient to carry during activities of daily living. This study implements a human activity recognition system using the accelerometer sensor found in modern smartphones. A dataset was generated by performing experiments with ten different activities: standing, sitting, lying, walking, running, eating, elevator-up, elevator-down, driving and cycling. This dataset was generated by associating three-dimensional acceleration samples (with a sampling period comprised between 5 and ms) obtained during execution of an activity to the name of the activity, and saving combined data to a file. Acceleration values were obtained via an application running on a smartphone carried by users in their trouser pocket. Raw data obtained from the accelerometer are transformed through a pre-processing stage, and then features are generated for the classification stage. Various classification methods have been tested on this
2 Mühendislikte Yeni Teknolojiler (MYT-5)/Bayburt dataset, which has been divided into training and test data using -fold cross validation. In experimental results, random forest was the most accurate classifier, with 9% accuracy. Keywords: activity recognition, accelerometer, smartphone, machine learning, classification. GİRİŞ İnsanların günlük aktiviteleri ve davranışları hakkında, doğru ve gerekli bilgileri elde etmek yaygın bilişim alanında önemli bir görevdir []. Bu bilgileri elde ederken GPS, mikrofon, kamera, jiroskop, ışık ve ısı sensörü, pusula, manyetik sensör ve ivmeölçer gibi pek çok algılayıcı türleri kullanılabilmektedir []. Geleneksel aktivite tanıma yaklaşımlarında; bu algılayıcılar bir cihaz aracılığıyla kullanıcının vücuduna yerleştirilerek yüksek maliyetli ve günlük hayatta kullanımı bağıl olarak zor olan uygulamalar tasarlanmıştır. Günümüzde ise daha pratik ve günlük hayatın bir parçası haline gelmiş olan, ihtiyaç duyulabilecek pek çok algılayıcıyı içeren, yüksek hesaplama gücüne sahip, küçük boyutlu ve bağıl olarak düşük maliyetli olan cep telefonları daha fazla tercih edilmektedir [,, 5, ]. Cep telefonlarının, aktivite tanımak için sahip oldukları avantajların yanında bazı dezavantajları da bulunmaktadır. Bu dezavantajlardan en önemlisi, futbol veya yüzme gibi aktivitelerde cep telefonlarının düşmesi veya su alması gibi nedenlerle bozulma ihtimalinin yüksek olması ve bu nedenle bu tür aktiviteler için kullanılmasının zorluğudur [5]. Aktivite tanımanın gerçek yaşam koşullarına uyarlanması ve verimli bir şekilde gerçekleştirilmesi için üzerinde durulması gereken diğer önemli mevzular: eş zamanlı gerçekleşen faaliyetleri tanıma, benzer aktiviteleri birbirinden ayırt etme (yemek yapmak ve temizlik gibi), algılayıcılardan elde edilecek ham verilen seçimi ve önişlenmesi, taşınabilir, dikkat çekmeyen ve ucuz veri toplama sistemi oluşturma, aktivite tanımada kullanılacak özelliklerin tespiti ve hesaplanması, geliştirilen sistemin tekrar eğitilme ihtiyacı olmadan yeni kullanıcıları destekleme esnekliği ve enerji tüketiminin azaltılmasıdır [,]. Bu çalışmada, günlük hayatta yapılması muhtemel adet aktivite (yürüme, koşma, bisiklete binme, ayakta durma, oturma, uzanmak, bir şeyler yemek, araba sürmek, asansör çıkma, asansör inme) belirlenerek bu aktivitelerin tanınması amaçlanmıştır. Özellik olarak akıllı telefonlarda standart bir algılayıcı olduğu için ve daha az enerji, hafıza ve işleme gücü gerektirdiği için üç yönlü ivmeölçer kullanılmıştır. Her aktivitenin x, y ve z ekseninde aldığı ivme değerleri Sony Z cihazında gerçekleştirilen bir Android uygulama ile hesaplanıp bir veri setine kaydedilmiştir. Daha sonra bir Java uygulaması geliştirilerek üç eksenli ivmeölçer verilerinin özellik dönüşümü işlemi yapılmıştır. Toplamda farklı özellik çıkarılarak yeni bir veri seti (özellik veri seti) oluşturulmuştur. Bu veri seti üzerinde, aktivite tanımada iyi performans gösteren sınıflandırıcılardan; J8, Näive Bayes, çok katmanlı algılayıcı ve rastgele orman yöntemleri aktiviteleri sınıflandırmak amacıyla kullanılmıştır. Çalışmanın bir sonraki bölümünde veri toplama ve veri dönüştürme işlemleri için geliştirilen uygulamalardan bahsedilmiş, oluşturulan veri setine uygulanan sınıflandırıcılardan elde edilen deneysel sonuçlar açıklanmıştır. Son bölümlerde ise sonuçlar yorumlanarak hangi aktivitelerin tanınmasında zorluk yaşandığı ve bu aktivitelerin ayırt edilmesi için ileride yapılacak çalışmalar belirtilmiştir.
3 . METOT Mühendislikte Yeni Teknolojiler (MYT-5)/Bayburt Bu bölümde aktivite tanımak için gereken veri setinin elde edilme aşamaları açıklanmıştır. Önce akıllı telefonda var olan ivmeölçerlerden elde edilen ivme ölçümlerini kaydedebilmek için tasarlanan cep telefonu uygulaması açıklanmış, daha sonra elde edilen bu verilerin aktivitelerin ayırt edilebilmesi için sınıflandırma yöntemleri tarafından kullanılan özelliklere dönüştürülmesi işlemi açıklanmıştır... Veri Toplama Bu çalışmada günlük hayatta yapılan çeşitli aktivitelerin ayırt edilmesi amaçlanmıştır. Ayırt edilmesi amaçlanan aktiviteler; yürüme, koşma, bisiklete binme, ayakta durma, oturma, uzanmak, bir şeyler yemek, araba sürmek, asansör çıkma, asansör inme olmak üzere adettir. Yapılan aktivite sırasında elde edilen ivme değerlerini toplamak için akıllı telefonlarda yer alan boyutlu ivmeölçer kullanılmıştır. İvmeölçer verilerinin kaydedilmesi için Android platformda çalışan bir uygulama geliştirilmiştir. Uygulama, sıradan bir kişinin kullanabileceği basitlikte tasarlanmıştır. boyutlu hızlanma değerleri (x, y, z eksenleri) 5 ve ms aralığında bir örnekleme periyodu kullanılarak kaydedilmiştir. Şekil. Cep telefonundaki ivmeölçeren elde edilen ham hızlanma değerlerini elde etmek için kullanılan Android uygulamanın ekran görüntüsü Kullanıcı listeden kendi adını ve aktivite tipini seçtikten sonra Veri Toplamayı Başlat butonu ile kaydı başlatıp, Veri Toplamayı Bitir butonu ile kaydı bitirmektedir. Kullanıcı Veri Toplamayı Bitir butonuna bastıktan sonra seçili aktivitenin adı, aktiviteden elde edilen hızlanma değerleri ve milisaniye cinsinden o anki sistem saati kaydedilmektedir. Veriler toplanırken, akıllı telefon, kullanıcının pantolon cebinde konumlandırılmıştır. Oluşturulan ham veri setinden bazı örnekler Tablo de gösterilmiştir.
4 Mühendislikte Yeni Teknolojiler (MYT-5)/Bayburt Tablo. Cep telefonundan elde edilen ham veri setinden bazı örnekler. Sütunlar sırasıyla milisaniye cinsinden ölçüm zamanını, üç farklı eksendeki (x, y, z) hızlanma değerlerini ve ölçüm yapılırken gerçekleştirilen aktiviteyi göstermektedir. Milisaniye x y z Aktivite 8975,5 9,7 -,9 Ayakta Durma , 9,7 -, Ayakta Durma , 9,7 -,9 Ayakta Durma 897, 9,7 -,7 Ayakta Durma 897, 9,7 -,5 Ayakta Durma 95,,7 -,7 Araba 9,5,5 -,8 Araba 95,7,5 -,89 Araba 97,57,8 -,98 Araba 97,85, -7, Araba , 9,8,7 85 -, 9,,5 859,,, 85,,9 -,79 855,,8 -,7 7598,5 7, -,9 Yemek Yeme 755, 7, -,7 Yemek Yeme 755, 7, -,5 Yemek Yeme 755,98 7, -,7 Yemek Yeme 75578,9 7, -,5 Yemek Yeme ,8,9-7, ,8,7-7, ,87,9-7, ,8,7-7, ,87,7-7, ,9 9,7,7 ile Çıkma 8559, 9,7,7 ile Çıkma 8555, 9,9,7 ile Çıkma 8555,8 9,9,9 ile Çıkma 85555, 9,7,7 ile Çıkma ,9,9 -, ,57 5,5 -, ,5, -, ,9, -, ,,89 -, 57,89,7,59 ile İnme 575 5,,7 -, ile İnme 57 5,, -,7 ile İnme 579,9,,98 ile İnme 578,9 9,,7 ile İnme..Özellik Çıkarımı Veri toplama aşamasından sonra elde edilen ivme değerleri, yeni özellik verileri üretmek için kullanılmıştır. Özellik üretiminde kullanılan 8 yöntem ile toplam özellik oluşturulmuştur. Tablo de her bir yöntem ile elde edilen özelliklerin açıklaması ve formülleri gösterilmiştir. Java uygulaması olarak gerçekleştirilen yazılım ile Table de gösterilen veri seti kullanılarak Tablo de açıklanan özellik değerleri elde edilmiştir. Her kayıttan yeni bir özellik kaydı oluşturulmuştur. Eğer herhangi bir aktiviteye ait kayıt sayısı 8 den az ise özellik üretimi yapılmamıştır. Yeni oluşturulan her bir kayıt, üretilen özellik değerleri ve aktivite türünden meydana gelmektedir. Üretilen özellik veri setinin bir örneği Tablo te verilmiştir.
5 Mühendislikte Yeni Teknolojiler (MYT-5)/Bayburt Tablo. İvme değerlerini (x, y, z) içeren ham veri setinden elde edilen özellikler, açıklamaları ve formülleri. (Ortalama, standart sapma, mutlak ortalama fark formülleri sadece x eksenindeki ivme değerleri için verilmiştir. Korelasyon formülü de benzer şekilde x-y eksenleri için verilmiştir) Özellik Ortalama Ortalama Büyüklük En Küçük Değer En Büyük Değer Standart Sapma Mutlak Ortalama Fark Zero Cross Özellik veri setindeki sütun adları ort_x ort_y ort_z ort_büyük enkucuk_x enkucuk_y enkucuk_z enbuyuk_x enbuyuk_y enbuyuk_z sapma_x sapma_y sapma_z mutlak_x mutlak_y mutlak_z zero_x zero_y zero_z Açıklama Her eksen için ivme değerlerinin ortalaması Her eksendeki ivme değerlerinin karelerinin toplamının karekökünün ortalaması Her eksendeki en küçük ivme değeri Her eksendeki en büyük ivme değeri Her eksendeki ivme değeri ile ortalama değer arasındaki farkın karelerinin ortalaması Her eksendeki ivme değeri ile ortalama değer arasındaki mutlak farkın ortalaması Her eksendeki ivme işaretindeki değişim sayısı Formül N Özellik Sayısı i= x i /N N x i + y i= i + z i /N min(x), min(y), min(z) max(x), max(y), max(z) N (x N i= i x ) N x N i= i x - Korelasyon kor_xy kor_xz kor_yz Her eksenin birbiri arasındaki doğrusal bağımlılığının kuvveti N i=(x i x ) (y i y ) N i=(x i x ) N i=(y i y ) Tablo. Üretilen özellik veri setinin bir kısmı. Veri setinde bulunan sütunlara karşılık gelen özelliklerin detaylı açıklamaları Tablo de verilmektedir. ort_x ort_y ort_büyük enkucuk_x enkucuk_z kor_yz kor_xz... Aktivite, 9,77,7,7 -,,8 -,... Ayakta Durma, 9,77,7,7 -,, -,55... Ayakta Durma, 9,78,7, -,,7 -,... Ayakta Durma,9 9,78,7, -,7, -,5... Ayakta Durma 7,9 -,8,8 7, -7,,,7... 7,9 -,8,8 7, -7,,,... 7,9 -,8,8 7, -7,, -,8... 7,9 -,7,8 7, -7,, -,7...,78 -,59,,8-7, -,,5...,78 -,59,9,8-7, -,,...,78 -,59,9,7-7,,,8...,77 -,59,9,9-7,, -,...,5 9,5,,,, -,8... ile İnme,5 9,5,,,,5 -,7... ile İnme,5 9,85,,,, -,5... ile Çıkma, 9,79,8,8,7, -,... ile Çıkma, 9,5,,8,9,7 -,5... ile İnme 5
6 . DENEYSEL SONUÇLAR Mühendislikte Yeni Teknolojiler (MYT-5)/Bayburt Tablo te gösterilen özellik veri setine, WEKA [7,8] isimli makine öğrenmesi aracında yer alan J8, Näive Bayes, çok katmanlı algılayıcı ve rastgele orman sınıflandırıcıları uygulanarak aktiviteler tanımlanmaya çalışılmıştır. katlamalı çapraz doğrulama kullanılarak veri seti eğitim ve test verisi olarak ayrılmıştır. Tahmin edilen aktivitelerin doğruluk yüzdeleri Tablo te gösterilmiştir. Tablo. Aktivite tanıma amacıyla kullanılan sınıflandırma yöntemlerinden elde edilen doğruluk yüzdeleri Aktivite J8 Näive Bayes Çok katmanlı algılayıcı Rastgele orman (ağaç sayısı:) Ayakta Durma 97,9 78, ,7 5,5 98, 99 98, 87, ,7 95, 89,9 95,8 9, Yemek Yeme 9, 8,8 95, 99, ile İnme 57, ,8 ile Çıkma 58, 5,9 9,7 8, Araba 97, 97, 98, 98, 98, 95, 97, 98, Bisiklet 97, 97,9 Ortalama 9,7 8, Sınıflandırıcıların doğruluk yüzdeleri incelendiğinde çoğu aktivitede genellikle %9 ın üzerinde sonuçlar elde edildiği görülmektedir. Bisiklet sürme aktivitesi, diğer aktivitelere göre tüm yöntemlerde en başarılı oranda tahmin edilmiştir. Bunun sebebi, bisiklet sürme aktivitesinin diğerlerine göre daha hareketli olması ve buna bağlı olarak ivmeölçer değerlerinin daha fazla değişmesidir. Benzer aktiviteler olan ayakta durma ve uzanma aktivitelerinde birbirlerine yakın doğruluk oranları bulunmuştur. Fakat dikkat çekici bir nokta ise asansör ile inme ve asansör ile çıkma aktivitelerinin tüm sınıflandırıcılardaki performanslarının diğer aktivitelere göre çok daha düşük olmasıdır. Bu durumun nedeni, her bir sınıflandırıcı için karmaşıklık matrisleri incelenerek anlaşılabilir. Tablo 5,, 7 ve 8 de kullanılan her bir sınıflandırıcı için karışıklık matrisleri gösterilmektedir. Tablolarda gösterilen altı çizili değerler, aktivite türü asansör ile inme iken asansör ile çıkma olarak tanınma sayısını ve asansör ile çıkma iken asansör ile inme olarak tanınma sayısını göstermektedir.
7 Mühendislikte Yeni Teknolojiler (MYT-5)/Bayburt Ayakta Durma Yemek Yeme ile İnme ile Çıkma Araba Bisiklet Ayakta Durma 89 9 Tahmin edilen aktivite Yemek Yeme ile İnme 7 ile Çıkma 7 8 Araba Bisiklet sürme Tablo 5. J8 yöntemi için karışıklık matrisi Gerçek aktivite 7
8 Mühendislikte Yeni Teknolojiler (MYT-5)/Bayburt Ayakta Durma Yemek Yeme ile İnme ile Çıkma Araba Bisiklet Ayakta Durma Tahmin edilen aktivite Yemek Yeme ile İnme 97 ile Çıkma 55 5 Araba 8 7 Bisiklet Tablo. Näive Bayes yöntemi için karışıklık matrisi Gerçek aktivite 8
9 Mühendislikte Yeni Teknolojiler (MYT-5)/Bayburt Ayakta Durma Yemek Yeme ile İnme ile Çıkma Araba Bisiklet Ayakta Durma 9 85 Tahmin edilen aktivite Yemek Yeme ile İnme 8 7 ile Çıkma 9 99 Araba Bisiklet Tablo 7. Çok katmanlı algılayıcı yöntemi için karışıklık matrisi Gerçek aktivite 9
10 Mühendislikte Yeni Teknolojiler (MYT-5)/Bayburt Ayakta Durma Yemek Yeme ile İnme ile Çıkma Araba Bisiklet Ayakta Durma 9 85 Tahmin edilen aktivite Yemek Yeme 8 ile İnme 7 ile Çıkma 59 7 Araba 5 7 Bisiklet 7 Tablo 8. Rastgele orman yöntemi için karışıklık matrisi (Ağaç sayısı=) Gerçek aktivite
11 Mühendislikte Yeni Teknolojiler (MYT-5)/Bayburt. SONUÇ ve GELECEK ÇALIŞMALAR Bu çalışmada, akıllı telefondan elde edilen ivmeölçer verileri kullanılarak farklı aktivitenin doğru tanınması amaçlanmıştır. Aktivite boyunca kullanıcı, akıllı cep telefonunu pantolonunun ön cebinde taşımıştır. Aktivite tanıma işlemi, günümüzde herkesin sahip olduğu ve yaygın olarak kullandığı akıllı cep telefonları ile yapılarak günlük hayatta kullanılabilecek bir uygulama gerçekleştirilmiştir. Aktivite seçimi sırasında günlük hayatta sıkça tekrarlanan ve gerçekleştirilirken cihaza minimum zarar verecek olan aktiviteler tercih edilmiştir. Çalışma sonucunda, asansör ile inme ve asansör ile çıkma hareketlerinin hatalı tahmin değerlerinin diğer hareketlerden daha yüksek olduğu görülmüştür. Tablo 5,, 7 ve 8 de görüldüğü gibi sınıflandırıcıların birbirine en çok karıştırdığı aktiviteler asansör ile inme ve asansör ile çıkma aktiviteleridir. Ham veri seti daha yakından incelendiğinde bu durumun, bu iki aktiviteden elde edilen ivme değerlerinin birbirine çok yakın olmasından kaynaklandığı anlaşılmıştır. aktiviteye ait özellik değerlerinden oluşan veri kümesi ile yapılan aktivite tanıma çalışmasında, %9 doğruluk oranı ile rastgele orman en başarı yöntem olmuştur. ile inme ve asansör ile çıkma aktiviteleri birleştirilerek yapılan aktivite tanıma işleminde ise başarı oranı rastgele orman yönteminde %99 a ulaşmıştır. Gelecek çalışmalarımızda asansör ile inme ve asansör ile çıkma aktivitelerinin birbirlerinden ayırt edilmesini sağlamak amacıyla farklı algılayıcılardan elde edilen yeni özelliklerin kullanılması planlanmaktadır. 5. KAYNAKLAR [] Lara O.D. and Labrador M. A., A Survey on Human Activity Recognition using Wearable Sensors, IEEE Communication Surveys & Tutorials, vol. 5, no., pp. 9-9, [] Kwapisz J.R., Weiss G.M. and Moore S.A., Activity Recognition using Cell Phone Accelerometers, ACM SIGKDD Explorations Newsletter, vol., no., pp. 7-8,. [] Miao F., He Y., Liu J., Li Y. and Ayoola I., Identifying typical physical activity on smartphone with varying positions and orientations, Biomedical Engineering Online, pp. -5, 5. [] Kim E., Helal S. and Cook D., Human activity recognition and pattern discovery, IEEE Pervasive Computing, vol. 9, no., pp. 8 5,. [5] Siirtola P. and Röning J., Recognizing Human Activities User independently on Smartphones Based on Accelerometer Data, International Journal of Interactive Multimedia and Artificial Intelligence, vol., no. 5, pp. 8 5,. [] Shoaib M., Bosch S., Durmaz Incel O., Scholten H. and Havinga P. J. M, Fusion of Smartphone Motion Sensors for Physical Activity Recognition, Sensors,, pp. -7, [7] (Erişim tarihi:.9.5) [8] Hall M., Frank E., Holmes G., Pfahringer B., Reutemann P. and Witten I. H., The WEKA Data Mining Software: An Update ; SIGKDD Explorations, Volume, Issue, 9.
Android Telefonlarla Yol Bozukluklarının Takibi: Kitle Kaynaklı Alternatif Çözüm
Galatasaray Üniversitesi Android Telefonlarla Yol Bozukluklarının Takibi: Kitle Kaynaklı Alternatif Çözüm Mustafa Tekeli, Özlem Durmaz İncel İçerik Giriş Literatür Özeti Sistem Mimarisi / Metodoloji Öncül
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
DetaylıKübra Tural 1, Erhan Akdoğan 2. Manisa Celal Bayar Üniversitesi Yıldız Teknik Üniversitesi
Akıllı telefonların algılayıcılarının verilerini kullanarak Yapay Sinir Ağları ile İnsan Hareketlerinin Sınıflandırılması Classification of Human Movements with Artificial Neural Networks using Smartphone
DetaylıPİEZOELEKTRİK YAMALARIN AKILLI BİR KİRİŞİN TİTREŞİM ÖZELLİKLERİNİN BULUNMASINDA ALGILAYICI OLARAK KULLANILMASI ABSTRACT
PİEZOELEKTRİK YAMALARIN AKILLI BİR KİRİŞİN TİTREŞİM ÖZELLİKLERİNİN BULUNMASINDA ALGILAYICI OLARAK KULLANILMASI Uğur Arıdoğan (a), Melin Şahin (b), Volkan Nalbantoğlu (c), Yavuz Yaman (d) (a) HAVELSAN A.Ş.,
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
DetaylıYüz 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
DetaylıMobil Cihazlarda Görüntü İşleme İçin Bir Çözüm Önerisi
Mobil Cihazlarda Görüntü İşleme İçin Bir Çözüm Önerisi Muzaffer Tatlı, İsmail Serkan Üncü 2 1 Kahramanmaraş Sütçü İmam Üniversitesi, Bilgisayar Bölümü, Kahramanmaraş 2 Süleyman Demirel Üniversitesi, Elektrik-Elektronik
DetaylıKan Damarı Genişliği Değişiminin Ölçülmesinde Medikal Görüntü İşlemenin Uygulanması
Kan Damarı Genişliği Değişiminin Ölçülmesinde Medikal Görüntü İşlemenin Uygulanması Öğr. Gör. İsmail KAHRAMAN, Uzm. Vildan BAYRAM, Prof.Dr. Ertuğrul Ercan, Doç.Dr. Bahadır Kırılmaz Çanakkale 18 Mart Üniversitesi
DetaylıBulanık Mantık Tabanlı Uçak Modeli Tespiti
Bulanık Mantık Tabanlı Uçak Modeli Tespiti Hüseyin Fidan, Vildan Çınarlı, Muhammed Uysal, Kadriye Filiz Balbal, Ali Özdemir 1, Ayşegül Alaybeyoğlu 2 1 Celal Bayar Üniversitesi, Matematik Bölümü, Manisa
DetaylıK-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi
K-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi Erdal TAŞCI* Aytuğ ONAN** *Ege Üniversitesi Bilgisayar Mühendisliği Bölümü **Celal Bayar Üniversitesi
DetaylıAktivite tanımlama için en etkin vücut bölgelerinin belirlenmesi
Araştırma Makalesi BAUN Fen Bil. Enst. Dergisi, 20(2), 372-381, (2018) DOI: 10.25092/baunfbed.487066 J. BAUN Inst. Sci. Technol., 20(2), 372-381, (2018) Aktivite tanımlama için en etkin vücut bölgelerinin
DetaylıKaraciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması
Karaciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması 1 Emre DANDIL Bilecik Ş. Edebali Üniversitesi emre.dandil@bilecik.edu.tr +90228 214 1613 Sunum İçeriği Özet Giriş
DetaylıNaive Bayes Yöntemi ile Spam Mail Teşhisi Kübra KURNAZ
Naive Bayes Yöntemi ile Spam Mail Teşhisi 2 17574006-Kübra KURNAZ Yıldız Teknik Üniversitesi, Elektrik-Elektronik Fakültesi, Bilgisayar Mühendisliği Bölümü, Tezsiz Yüksek Lisans Bilgi Teknolojileri Özet
DetaylıT.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ EĞİTİM ÖĞRETİM YILI DERS KATALOĞU
T.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ - EĞİTİM ÖĞRETİM YILI DERS KATALOĞU Ders Kodu Bim Kodu Ders Adı Türkçe Ders Adı İngilizce Dersin Dönemi T Snf Açıl.Dönem P
DetaylıTürkçe Dokümanlar Ġçin Yazar Tanıma
Türkçe Dokümanlar Ġçin Yazar Tanıma Özcan KOLYĠĞĠT, Rıfat AġLIYAN, Korhan GÜNEL Adnan Menderes Üniversitesi, Matematik Bölümü Bölümü, Aydın okolyigit@gmail.com, rasliyan@adu.edu.tr, kgunel@adu.edu.tr Özet:
DetaylıGÖRÜNTÜSÜ ALINAN BİR NESNENİN REFERANS BİR NESNE YARDIMIYLA BOYUTLARININ, ALANININ VE AÇISININ HESAPLANMASI ÖZET ABSTRACT
GÖRÜNTÜSÜ ALINAN BİR NESNENİN REFERANS BİR NESNE YARDIMIYLA BOYUTLARININ, ALANININ VE AÇISININ HESAPLANMASI Hüseyin GÜNEŞ 1, Alper BURMABIYIK 2, Semih KELEŞ 3, Davut AKDAŞ 4 1 hgunes@balikesir.edu.tr Balıkesir
DetaylıBilişim Teknolojilerine Giriş
Bilişim Teknolojilerine Giriş Bilginin toplanması, işlenmesi, saklanması ve iletilmesini sağlayan teknolojilerin bütününe bilişim teknolojileri denir. Bilişim Teknolojisi Girilen verileri saklayan, işleyen,
DetaylıGiyilebilir Teknolojiler ve Solar Enerjili Şapka Uygulaması
Giyilebilir Teknolojiler ve Solar Enerjili Şapka Uygulaması 1 Necip Fazıl Bilgin, 2 Bülent Çobanoğlu and 3 Fatih Çelik 2 Faculty of Technology, Department of Mechatronic Engineering, Sakarya University,
DetaylıSPSS E GİRİŞ SPSS TE TEMEL İŞLEMLER. Abdullah Can
SPSS E GİRİŞ SPSS TE TEMEL İŞLEMLER SPSS in üzerinde işlem yapılabilecek iki ana ekran görünümü vardır. DATA VIEW (VERİ görünümü) VARIABLE VIEW (DEĞİŞKEN görünümü) 1 DATA VIEW (VERİ görünümü) İstatistiksel
DetaylıRCRCR KAVRAMA MEKANİZMASININ KİNEMATİK ANALİZİ Koray KAVLAK
Selçuk-Teknik Dergisi ISSN 130-6178 Journal of Selcuk-Technic Cilt, Sayı:-006 Volume, Number:-006 RCRCR KAVRAMA MEKANİZMASININ KİNEMATİK ANALİZİ Koray KAVLAK Selçuk Üniversitesi, Mühendislik-Mimarlık Fakültesi,
DetaylıWeb Server Sunucu Loglarının K-Komşu Algoritması ile İ ncelenmesi
Web Server Sunucu Loglarının K-Komşu Algoritması ile İ ncelenmesi İçindekiler 1 Özet... 2 2 Giriş... 3 3 Uygulama... 4 4 Sonuçlar... 6 1 1 Özet Web sunucu logları üzerinde veri madenciliği yapmanın temel
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
DetaylıKitle Kaynaklı ve Katılımcılı Algılama Konularına Genel Bakış ve Açık Noktalar
Kitle Kaynaklı ve Katılımcılı Algılama Konularına Genel Bakış ve Açık Noktalar Bilgin Koşucu, Özlem Durmaz İncel, Cem Ersoy NETLAB Boğaziçi Üniversitesi İçerik Giriş Uygulama alanları Kapsam Güncel çalışmalar
DetaylıİRİSTEN KİMLİK TANIMA SİSTEMİ
ÖZEL EGE LİSESİ İRİSTEN KİMLİK TANIMA SİSTEMİ HAZIRLAYAN ÖĞRENCİLER: Ceren KÖKTÜRK Ece AYTAN DANIŞMAN ÖĞRETMEN: A.Ruhşah ERDUYGUN 2006 İZMİR AMAÇ Bu çalışma ile, güvenlik amacıyla kullanılabilecek bir
DetaylıPamukkale Üniversitesi Mühendislik Bilimleri Dergisi Pamukkale University Journal of Engineering Sciences
Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi Pamukkale University Journal of Engineering Sciences Akıllı telefon algılayıcıları ve makine öğrenmesi kullanılarak ulaşım türü tespiti Transportation
DetaylıDÖRT ROTORLU BİR İNSANSIZ HAVA ARACININ İRTİFA KESTİRİMİ
VI. ULUSAL HAVACILIK VE UZAY KONFERANSI 28-30 Eylül 2016, Kocaeli Üniversitesi, Kocaeli DÖRT ROTORLU BİR İNSANSIZ HAVA ARACININ İRTİFA KESTİRİMİ İlkay Gümüşboğa 1 Anadolu Üniversitesi Havacılık ve Uzay
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
DetaylıKAHKAHA TANIMA İÇİN RASSAL ORMANLAR
KAHKAHA TANIMA İÇİN RASSAL ORMANLAR Heysem Kaya, A. Mehdi Erçetin, A. Ali Salah, S. Fikret Gürgen Bilgisayar Mühendisliği Bölümü Boğaziçi Üniversitesi / Istanbul Akademik Bilişim'14, Mersin, 05.02.2014
DetaylıSAUPORT V3 (2014) Öğrenci Kullanım Rehberi Uzaktan Eğitim Araştırma ve Uygulama Merkezi
SAUPORT V3 (2014) Öğrenci Kullanım Rehberi Uzaktan Eğitim Araştırma ve Uygulama Merkezi Bu ders içeriğinin basım, yayım ve satış hakları Sakarya Üniversitesi Araştırma ve Uygulama Merkezi ne aittir. "Uzaktan
Detaylı2015/2016 Bahar Yarıyılı Bitirme Çalışması Konuları. (Doç.Dr. M. Kemal GÜLLÜ)
2015/2016 Bahar Yarıyılı Bitirme Çalışması Konuları (Doç.Dr. M. Kemal GÜLLÜ) 1. Ses temelli malzeme tanıma Malzemelerin çarpma etkisi ile çıkarttıkları seslerin mikrofon ile bir PC ye alınması ve işaretten
DetaylıYazılım Mühendisliği Bölüm - 3 Planlama
1 Yazılım Mühendisliği Bölüm - 3 Planlama 2 3 4 Planlama 5 Yazılım geliştirme sürecinin ilk aşaması Başarılı bir proje geliştirebilmek için projenin tüm resminin çıkarılması işlemi Proje planlama aşamasında
DetaylıAkıllı Telefonlar ile Kullanıcıların Yaşam Tarzı Parametrelerinin Tespiti
Akıllı Telefonlar ile Kullanıcıların Yaşam Tarzı Parametrelerinin Tespiti Özet: Günümüzün akıllı telefonları içlerine gömülü sensörler sayesinde kullanıcıların günlük yaşamları hakkında birçok bilgiye
DetaylıBİYOMETRİK İRİS SINIFLANDIRMA SİSTEMLERİ
BİYOMETRİK İRİS SINIFLANDIRMA SİSTEMLERİ Emre DANDIL, K.İBRAHİM KAPLAN Akademik Bilişim 2013 İnternet ve bilgisayar teknolojilerinin etkin kullanılmaya başlanması ile birlikte, bazı kişisel bilgilere veya
DetaylıÇocukların. Büyüme ve Gelişmesinde. Hareketli Yaşamın Önemi
Çocukların Büyüme ve Gelişmesinde Çocuklara küçük yaşlardan itibaren fiziksel aktivite alışkanlığı kazandırmak ileriki yaşamlarında onların aktif bireyler olmalarını sağlar. Düzenli fiziksel aktivite alışkanlığı
DetaylıLED IŞIK KAYNAKLARININ RENK SICAKLIĞININ GÖRÜNTÜ İŞLEME TEKNİKLERİ KULLANILARAK BELİRLENMESİ. İsmail Serkan Üncü, İsmail Taşcı
LED IŞIK KAYNAKLARININ RENK SICAKLIĞININ GÖRÜNTÜ İŞLEME TEKNİKLERİ KULLANILARAK BELİRLENMESİ İsmail Serkan Üncü, İsmail Taşcı To The Sources Of Light s Color Tempature With Image Processing Techniques
DetaylıANKARA ÜNİVERSİTESİ A ÖĞRENCİ İŞLERİ DAİRE BAŞKANLIĞI
PROGRAM ADI : BİLGİSAYAR MÜHENDİSLİĞİ (İNGİLİZCE) 1.SINIF /1.YARIYIL* 1 COM101 COMPUTER PROGRAMMING I - - 4 2 6 5 9 2 COM113 INTRODUCTION TO COMPUTER SCIENCE - - 3 0 3 3 5 3 PHY0101 PHYSICS I - - 3 0 3
DetaylıT.C. Hitit Üniversitesi. Sosyal Bilimler Enstitüsü. İşletme Anabilim Dalı
T.C. Hitit Üniversitesi Sosyal Bilimler Enstitüsü İşletme Anabilim Dalı X, Y, Z KUŞAĞI TÜKETİCİLERİNİN YENİDEN SATIN ALMA KARARI ÜZERİNDE ALGILANAN MARKA DENKLİĞİ ÖĞELERİNİN ETKİ DÜZEYİ FARKLILIKLARININ
Detaylı127 - Twoing Algoritması ile Sınıflandırma Kalp Hastalığı Uygulaması MEHMET AKİF ERSOY ÜNİVERSİTESİ İLHAN UYSAL MEHMET BİLEN SAMİ ULUKUŞ
127 - Twoing Algoritması ile Sınıflandırma Kalp Hastalığı Uygulaması MEHMET AKİF ERSOY ÜNİVERSİTESİ İLHAN UYSAL MEHMET BİLEN SAMİ ULUKUŞ Veri Madenciliği : Bir sistemin veri madenciliği sistemi olabilmesi
DetaylıAYTUĞ ONAN CELAL BAYAR ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ SERDAR KORUKOĞLU EGE ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
Metin Sınıflandırmada Öznitelik Seçim Yöntemlerinin Değerlendirilmesi AYTUĞ ONAN CELAL BAYAR ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ SERDAR KORUKOĞLU EGE ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
DetaylıEğitim ve Öğretim Araştırmaları Dergisi Journal of Research in Education and Teaching Kasım 2017 Cilt: 6 Sayı: 4 ISSN:
UZAKTAN EĞİTİM DERSLERİNDE YILİÇİ ETKİNLİKLERİNİN ARTTIRILMASININ AKADEMİK BAŞARIYA ETKİLERİ Öğr. Gör. Dr. Serdar Solak Kocaeli Üniversitesi serdars@kocaeli.edu.tr Yrd. Doç. Dr. Umut Altınışık Kocaeli
DetaylıÖrüntü Tanıma (EE 448) Ders Detayları
Örüntü Tanıma (EE 448) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Örüntü Tanıma EE 448 Bahar 3 0 0 3 5 Ön Koşul Ders(ler)i Dersin Dili Dersin Türü Dersin
DetaylıMÜHENDİSLİK FAKÜLTESİ / ENSTİTÜSÜ / YÜKSEKOKULU BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ /ABD LİSANS PROGRAMI - 2 ( yılı öncesinde birinci
MÜHENDİSLİK FAKÜLTESİ / ENSTİTÜSÜ / YÜKSEKOKULU BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ /ABD LİSANS PROGRAMI - 2 (2016-17 yılı öncesinde birinci sınıfa başlayan öğrenciler için) BİRİNCİ YIL 1. Dönem CMPE113
DetaylıBOĞAZİÇİ UNIVERSITY KANDİLLİ OBSERVATORY and EARTHQUAKE RESEARCH INSTITUTE GEOMAGNETISM LABORATORY
Monthly Magnetic Bulletin May 2015 BOĞAZİÇİ UNIVERSITY KANDİLLİ OBSERVATORY and EARTHQUAKE RESEARCH INSTITUTE GEOMAGNETISM LABORATORY http://www.koeri.boun.edu.tr/jeomanyetizma/ Magnetic Results from İznik
DetaylıAkıllı Evde İnsan Eylemi Tanıma ve Yorumlama: Bir Etiket Toplama ve Veri Görselleştirme Uygulaması
Akıllı Evde İnsan Eylemi Tanıma ve Yorumlama: Bir Etiket Toplama ve Veri Görselleştirme Uygulaması Nezihe Pehlivan, Hande Alemdar, Can Tunca, Cem Ersoy Boğaziçi Üniversitesi, Bilgisayar Mühendisliği Bölümü,
DetaylıPOSITION DETERMINATION BY USING IMAGE PROCESSING METHOD IN INVERTED PENDULUM
POSITION DETERMINATION BY USING IMAGE PROCESSING METHOD IN INVERTED PENDULUM Melih KUNCAN Siirt Üniversitesi, Mühendislik-Mimarlık Fakültesi, Mekatronik Mühendisliği Bölümü, Siirt, TÜRKIYE melihkuncan@siirt.edu.tr
DetaylıSİNYAL TEMELLERİ İÇİN BİR YAZILIMSAL EĞİTİM ARACI TASARIMI A SOFTWARE EDUCATIONAL MATERIAL ON SIGNAL FUNDAMENTALS
SİNYAL TEMELLERİ İÇİN BİR YAZILIMSAL EĞİTİM ARACI TASARIMI Öğr. Gör. Hakan Aydogan Uşak Üniversitesi hakan.aydogan@usak.edu.tr Yrd. Doç. Dr. Selami Beyhan Pamukkale Üniversitesi sbeyhan@pau.edu.tr Özet
DetaylıİNSAN BİLGİSAYAR ETKİLEŞİMİ
İNSAN BİLGİSAYAR ETKİLEŞİMİ HCI ya Giriş HCI 2017 yılında 35-40 yaşlarında idi. HCI araştırmalarının ilk yıllarında araştırmalar resmi olmayan kullanımlar için daha çok teknik eğitimleri olmayan kullanıcılara
DetaylıUzaktan Eğitim Yönetim Sistemi Öğrenci Kullanım Rehberi Uzaktan Eğitim Araştırma ve Uygulama Merkezi
Uzaktan Eğitim Yönetim Sistemi Öğrenci Kullanım Rehberi Uzaktan Eğitim Araştırma ve Uygulama Merkezi Bu ders içeriğinin basım, yayım ve satış hakları Sakarya Üniversitesi Araştırma ve Uygulama Merkezi
DetaylıGenel Bilgiler FLI MAP. Koridor Tipi Çalışmalar. Geniş Alan Çalışmaları
FLI MAP Çeşitli helikopterlere monte edilebilen Fli Map in geliştirdiği taşınabilir lazer altimetre sistemi pazardaki hızlı, detaylı ve doğru veri toplama ihtiyaçlarını gidermek için geliştirilmiştir.
DetaylıKİŞİSEL KORUYUCU DONANIM KULLANIMI (Kişisel Koruyucu Ekipmanlar)
KİŞİSEL KORUYUCU DONANIM KULLANIMI (Kişisel Koruyucu Ekipmanlar) İÇERİK KKE LERİN GENEL ÖZELLİKLERİ KAFA KORUMA GÖZ KORUMA KULAK KORUMA SOLUNUM KORUMA EL KORUMA AYAK KORUMA DÜŞÜŞ ENGELLEYİCİLER VÜCUT KORUMA
DetaylıÇok Katmanlı Algılayıcı, K-NN ve C4.5 Metotlarıyla İstenmeyen E-postaların Tespiti
Çok Katmanlı Algılayıcı, K-NN ve C4.5 Metotlarıyla İstenmeyen E-postaların Tespiti Kadir Tekeli, Rıfat Aşlıyan Adnan Menderes Üniversitesi, Matematik Bölümü, Aydın kadir.tekeli@gmail.com, rasliyan@adu.edu.tr
DetaylıANKARA ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ
ANKARA ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ SANAL ARTIRILMIŞ VE AKILLI TEKNOLOJİLER (SAAT) LABORATUVARI SAAT Laboratuvarı Koordinatör: Yrd. Doç. Dr. Gazi Erkan BOSTANCI SAAT
DetaylıDB MARS Bilişim Teknolojileri ve Savunma Sanayi Ticaret Limited Şirketi
DB MARS Bilişim Teknolojileri ve Savunma Sanayi Ticaret Limited Şirketi GERÇEK ZAMANLI VERİ TOPLAMA, VERİ KAYIT, KONTROL VE İLETİŞİM SİSTEMİ Gerçek zamanlı veri toplama, veri kayıt ve iletişim sistemi;
Detaylı2015/2016 Bahar Yarıyılı Bitirme Çalışması Konuları. (Doç.Dr. M. Kemal GÜLLÜ)
2015/2016 Bahar Yarıyılı Bitirme Çalışması Konuları (Doç.Dr. M. Kemal GÜLLÜ) 1. Ses temelli malzeme tanıma Malzemelerin çarpma etkisi ile çıkarttıkları seslerin mikrofon ile bir PC ye alınması ve işaretten
DetaylıÜç Boyutlu Çerçeve Yapıların Statik Analizi için Geliştirilen Bir Bilgisayar Programı: YapAn05
Akademik Bilişim 10 - XII. Akademik Bilişim Konferansı Bildirileri Üç Boyutlu Çerçeve Yapıların Statik Analizi için Geliştirilen Bir Bilgisayar Programı: YapAn05 Dumlupınar Üniversitesi, İnşaat Mühendisliği
DetaylıÜç Boyutlu Grafik Teknolojilerinin Mobil Öğrenme Alanı ile Bütünleştirilmesi
Future Learning Future 2008 : e Learning Üç Boyutlu Grafik Teknolojilerinin Mobil Öğrenme Alanı ile Bütünleştirilmesi Eray HANGÜL eray.hangul@sandarta.com Tahir Emre KALAYCI tahir.kalayci@ege.edu.tr Aybars
DetaylıTensoval duo control. Bu ölçümlere güvenebilirsiniz. Ölçüm doğruluğu tıbbi olarak kanıtlanmış tansiyon aleti: Tensoval. duo control.
Tensoval duo control Bu ölçümlere güvenebilirsiniz. Ölçüm doğruluğu tıbbi olarak kanıtlanmış tansiyon aleti: Tensoval duo control Yeni Doğru ölçüm mümkündür. Tensoval duo control sayesinde dijital ölçülere
DetaylıBilgisayar Mühendisliği
Bilgisayar Mühendisliği Bülent Ecevit Üniversitesi Bilgisayar Mühendisliği Bölümü http://bilgisayar.beun.edu.tr İçerik Zonguldak Tanıtımı Üniversite Tanıtımı Mühendis Kimdir? Mühendisin Sorusu Bilgisayar
DetaylıFIRAT ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ/YAZILIM MÜHENDİSLİĞİ (DR)
FATİH ERTAM DOKTOR ÖĞRETİM ÜYESİ E-Posta Adresi fatih.ertam@firat.edu.tr Telefon (İş) Telefon (Cep) Faks Adres 4242370000-7640 5356514539 Fırat Üniversitesi Teknoloji Fakültesi B Blok Adli Bilişim Mühendisliği
DetaylıZamansal Veri Madenciliği ve Anomali Tespiti için Bir Uygulama
Zamansal Veri Madenciliği ve Anomali Tespiti için Bir Uygulama Mehmet Yavuz ONAT Yrd.Doç.Dr.Engin YILDIZTEPE Dokuz Eylül Üniversitesi, İstatistik Bölümü Akademik Bilişim 2015, Anadolu Üniversitesi, Eskişehir
DetaylıProf. Dr. Oğuzhan Urhan GYY Müh.Tas 3 ve Tez Konusu Önerileri
Prof. Dr. Oğuzhan Urhan 2018-2019 GYY Müh.Tas 3 ve Tez Konusu Önerileri Mobil platformlarda Derin Öğrenme (Deep Learning) uygulaması Geleneksel örüntü tanıma yaklaşımları yerine geçmeye başlayan derin
DetaylıBAŞKENT ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ BENZER SÜREÇLERDE ÜRETİLEN ÜRÜNLER İÇİN YAPAY ZEKA İLE ZAMAN TAHMİNİ SONER ŞÜKRÜ ALTIN
BAŞKENT ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ BENZER SÜREÇLERDE ÜRETİLEN ÜRÜNLER İÇİN YAPAY ZEKA İLE ZAMAN TAHMİNİ SONER ŞÜKRÜ ALTIN YÜKSEK LİSANS TEZİ 2011 BENZER SÜREÇLERDE ÜRETİLEN ÜRÜNLER İÇİN YAPAY
DetaylıModel-Tabanlı ve Rastgele Karma Yöntem
Android de Çökme Tespitini İyileştirme Amaçlı Model-Tabanlı ve Rastgele Karma Yöntem Yavuz Köroğlu Mustafa Efendioğlu Alper Şen Bilgisayar Mühendisliği Bölümü Boğaziçi Üniversitesi, İstanbul/Türkiye yavuz.koroglu@boun.edu.tr
DetaylıBİLGİSAYARLI TASARIM VE İMALAT YÖNTEMLERİ KULLANILARAK KRANK MİLİ İMALATI ÖZET ABSTRACT
BİLGİSAYARLI TASARIM VE İMALAT YÖNTEMLERİ KULLANILARAK KRANK MİLİ İMALATI Ömer PEKDUR 1, Can CANDAN 2, Davut AKDAŞ 3, Yaşar AKMAN 4, Sabri BIÇAKÇI 5 1 opekdur@gmail.com 6 ncı Ana Bakım Merkezi Komutanlığı,
DetaylıDoç.Dr. M. Mengüç Öner Işık Üniversitesi Elektrik-Elektronik Mühendisliği Bölümü oner@isikun.edu.tr
Doç.Dr. M. Mengüç Öner Işık Üniversitesi Elektrik-Elektronik Bölümü oner@isikun.edu.tr 1. Adı Soyadı : Mustafa Mengüç ÖNER 2. Doğum Tarihi : 01.02.1977 3. Unvanı : Doçent Dr. 4. Öğrenim Durumu : ÖĞRENİM
DetaylıBitirme Ödevi Sunumu PLATFORM BAĞIMSIZ BENZETİM PROGRAMI. Danışman : Yrd.Doç.Dr. D Feza BUZLUCA Gökhan Akın ŞEKER
Bitirme Ödevi Sunumu BERKELEY RISC I işlemcisi İÇİN PLATFORM BAĞIMSIZ BENZETİM PROGRAMI Danışman : Yrd.Doç.Dr. D Feza BUZLUCA 0495 0639 Sunum Planı Ödev konusu hakkında Berkeley RISC I işlemcisi hakkında
DetaylıACCURACY OF GPS PRECISE POINT POSITIONING (PPP)
i by Simge TEKİÇ B.S., Geodesy and Photogrammetry Engineering Yıldız Technical University, 2006 Submitted to the Kandilli Observatory and Earthquake Research Institute in partial fulfillment of the requirements
DetaylıTESTBOX Serisi Cihazlar ile Tarihi Bir Yapıda Kablosuz Yapısal Sağlık Takibi
TESTBOX Yapısal Sağlık Takibi (SHM) Uygulamaları Uygulama Notu AN-TR-401 TESTBOX Serisi Cihazlar ile Tarihi Bir Yapıda Kablosuz Yapısal Sağlık Takibi Anahtar Kelimeler: Yapısal Sağlık Takibi, Operasyonel
DetaylıAkıllı Ortamlarda Sensör Kontrolüne Etmen Tabanlı Bir Yaklaşım: Bir Jadex Uygulaması
Akıllı Ortamlarda Sensör Kontrolüne Etmen Tabanlı Bir Yaklaşım: Bir Jadex Uygulaması Özlem Özgöbek ozlem.ozgobek@ege.edu.tr Ege Üniversitesi Bilgisayar Mühendisliği Bölümü İZMİR Sunum Planı - Giriş - Benzer
DetaylıEğiticili (supervised) öğrenme: Sınıflandırma (classification) Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğu bilinir
Eğiticili (supervised) öğrenme: Sınıflandırma (classification) Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğu bilinir Eğiticisiz (unsupervised) öğrenme: Kümeleme (clustering) Hangi nesnenin hangi
DetaylıVERİ MADENCİLİĞİ VE SOSYAL AĞ ANALİZİ ARAŞTIRMA LABORATUVARI
BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ VERİ MADENCİLİĞİ VE SOSYAL AĞ ANALİZİ ARAŞTIRMA LABORATUVARI 10 Aralık 2011, Cumartesi Fen ve Mühendislik Alanlarındaki Çeşitli Araştırma Projelerinden Örneklemeler İçerik
DetaylıÖğr. Gör. Hakan YÜKSEL hakanyuksel@sdu.edu.tr SÜLEYMAN DEMİREL ÜNİVERSİTESİ. Akademik Bilişim 2013 1
Öğr. Gör. Hakan YÜKSEL hakanyuksel@sdu.edu.tr SÜLEYMAN DEMİREL ÜNİVERSİTESİ Akademik Bilişim 2013 1 İçerik Hareket Temelli İşlemler Temassız hareket algılayıcısı: Kinect Kinect Uygulamaları Kinect in getirdikleri
DetaylıElectronic Letters on Science & Engineering 11(1) (2015) Available online at www.e-lse.org
Electronic Letters on Science & Engineering 11(1) (2015) Available online at www.e-lse.org A Robot's Voice Recognition System Serkan Oncu 1, Orhan Er 2 1 Bozok University, Vocational School, 66200, Yozgat,
DetaylıBEMAK OTOMASYON TIC.LTD.STI. UCEVLER MH. 56. SK. AKNIL PLAZA NO 1B NILUFER BURSA - TURKEY - PHONE: FAX:
BEMAK OTOMASYON TIC.LTD.STI. UCEVLER MH. 56. SK. AKNIL PLAZA NO 1B NILUFER BURSA - TURKEY - PHONE: +90 224 443 56 06 FAX: +90 224 443 56 07 bemak@bemakotomasyon.com - www.bemakotomasyon.com - www.bemakelektromarket.com
DetaylıÇEVRESEL TEST HİZMETLERİ 2.ENVIRONMENTAL TESTS
ÇEVRESEL TEST HİZMETLERİ 2.ENVIRONMENTAL TESTS Çevresel testler askeri ve sivil amaçlı kullanılan alt sistem ve sistemlerin ömür devirleri boyunca karşı karşıya kalabilecekleri doğal çevre şartlarına dirençlerini
DetaylıYıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Şekil Tanıma Final Projesi. Selçuk BAŞAK 08501008
Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü Şekil Tanıma Final Projesi Selçuk BAŞAK 08501008 Not: Ödevi hazırlamak için geliştirdiğim uygulama ve kaynak kodları ektedir.
Detaylı2.1 Gri Düzey Eş Oluşum Matrisi ( GLCM) Gri düzey eş oluşum matrisi Haralick tarafından öne sürülmüştür [1]. Đstatistiksel doku analizi yöntemidir.
ÇELĐK YÜZEYLERĐN SINIFLANDIRILMASI * Cem ÜNSALAN ** Aytül ERÇĐL * Ayşın ERTÜZÜN *Boğaziçi Üniversitesi, Elektrik-Elektronik Mühendisliği Bölümü unsalan@boun.edu.tr **Boğaziçi Üniversitesi, Endüstri Mühendisliği
DetaylıAkıllı telefon. Akıllı Problar. Akıllı çalışma.
Akıllı telefon. Akıllı Problar. Akıllı çalışma. Testo Akıllı Problar: akıllı telefonlar için uyarlanmış, profesyonel Testo kalitesinde, kompakt ölçüm cihazları Akıllı Problar sıcaklık, nem, akış hızı ve
DetaylıKredi Onayı İçin Bir Sınıflandırma Algoritması Önerisi A Classification Algorithm Advice for Credit Approval
Kredi Onayı İçin Bir Sınıflandırma Algoritması Önerisi A Classification Algorithm Advice for Credit Approval İsmail Haberal Bilgisayar Mühendisliği Bölümü Başkent Üniversitesi ihaberal@baskent.edu.tr Umut
DetaylıVeri Madenciliği Yaklaşımı ile Mesleki Yönlendirme Sistemi
Veri Madenciliği Yaklaşımı ile Mesleki Yönlendirme Sistemi YRD. DOÇ. DR. HÜSEYİN GÜRÜLER MUĞLA SITKI KOÇMAN ÜNİVERSİTESİ, TEKNOLOJİ FAKÜLTESİ, BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ Meslek Seçimi Meslek Seçimi
DetaylıISSN: Yıl /Year: 2017 Cilt(Sayı)/Vol.(Issue): 1(Özel) Sayfa/Page: Araştırma Makalesi Research Article. Özet.
VII. Bahçe Ürünlerinde Muhafaza ve Pazarlama Sempozyumu, 04-07 Ekim 206 ISSN: 248-0036 Yıl /Year: 207 Cilt(Sayı)/Vol.(Issue): (Özel) Sayfa/Page: 54-60 Araştırma Makalesi Research Article Suleyman Demirel
DetaylıCep Telefonlarında Sağlık Bilişimi Uygulamaları
Cep Telefonlarında Sağlık Bilişimi Uygulamaları Medikal İnformatik AD, Dokuz Eylül Üniversitesi, Sağlık Bilimleri Enstitüsü, İzmir Hakan CENGİZ, Esra TAŞBAŞ, Oğuz DİCLE Giriş Mobil telefonların yaygınlaşması
DetaylıYıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Bilgisayarla Görme. Final
Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü Bilgisayarla Görme Final Harris ve Moravec Köşe Belirleme Metotları Selçuk BAŞAK 08501008 Not: Ödevi hazırlamak için geliştirdiğim
DetaylıBLM401 Mobil Cihazlar için ANDROİD İşletim Sistemi GÜVENLİK VE İZİNLER. BLM401 Dr.Refik SAMET
BLM401 Mobil Cihazlar için ANDROİD İşletim Sistemi GÜVENLİK VE İZİNLER BLM401 Dr.Refik SAMET 1 GİRİŞ (1/3) Güvenlik, verilerin veya bilgilerin saklanması, kullanılması ve taşınması esnasında bilgilerin
DetaylıAsansör firmaları için özel olarak geliştirilen takip yazılımı: Asansör Otomasyon tanıtım sunumu ve kullanım açıklamaları. / 25
Asansör firmaları için özel olarak geliştirilen takip yazılımı: Asansör Otomasyon tanıtım sunumu ve kullanım açıklamaları. 2 Bakım yerleri Android uygulama Ödemeler Raporlama Arızalar Faturalar Aylık bakım
DetaylıArtırılmış Gerçeklik Uygulamalarının Şehircilikte Kullanılması : İnceleme ve Ön Ürün
Muğla Sıtkı Koçman Üniversitesi Bilgisayar Mühendisliği Bölümü Artırılmış Gerçeklik Uygulamalarının Şehircilikte Kullanılması : İnceleme ve Ön Ürün Uğur Özcan, Aslıhan Arslan, Enis Karaarslan February
Detaylıİklim verisi kullanıcılarının karşılaştığı zorluklar ve çözüm önerileri. Ömer Lütfi Şen, Ozan Mert Göktürk ve Hasan Nüzhet Dalfes
İklim verisi kullanıcılarının karşılaştığı zorluklar ve çözüm önerileri Ömer Lütfi Şen, Ozan Mert Göktürk ve Hasan Nüzhet Dalfes İTÜ Avrasya Yer Bilimleri Enstitüsü İTÜ Avrasya Yer Bilimleri Enstitüsü
DetaylıYrd.Doç.Dr. Kamil ÖZCAN Öğr. Gör. Gökhan TURAN
Yrd.Doç.Dr. Kamil ÖZCAN Öğr. Gör. Gökhan TURAN kamilozcan@mehmetakif.edu.tr - gokhanturan@mehmetakif.edu.tr Mehmet Akif Ersoy Üniversitesi, Gölhisar Meslek Yüksekokulu, Bilgisayar Teknolojileri Bölümü,
DetaylıKARABÜK İÇİN DERECE-ZAMAN HESAPLAMALARI DEGREE-TIME CALCULATIONS FOR KARABÜK
KARABÜK İÇİN DERECE-ZAMAN HESAPLAMALARI Şaban PUSAT 1, Nuri TUNÇ 2, İsmail EKMEKÇİ 3 ve Yaşar YETİŞKEN 4 *1 Yıldız Teknik Üniversitesi, Makine Mühendisliği Bölümü, Beşiktaş, İstanbul 2 Meteoroloji Genel
DetaylıBIL684 Nöron Ağları Dönem Projesi
BIL684 Nöron Ağları Dönem Projesi SNNS Uygulama Parametrelerinin bir Örnek Aracılığı ile İncelenmesi Kerem ERZURUMLU A0064552 Bu rapor ile Bil684 Nöron Ağları dersi kapsamında gerçekleştirilmiş olan SNNS
Detaylıdesigned by Nurus D Lab teknik doküman
designed by Nurus D Lab teknik doküman Me Too, bedeni mükemmel şekilde tamamlar ve çalışma hayatındaki gereksinimlere akıllı yanıtlar verir. Her detayı teknoloji, deneyim ve özenle tasarlanan Me Too, yorgunluğu
DetaylıÇözümleri KONTROL MERKEZİ. İSBAK A.Ş., İstanbul Büyükşehir Belediyesi iştirakidir.
Çözümleri KONTROL MERKEZİ İSBAK A.Ş., İstanbul Büyükşehir Belediyesi iştirakidir. Trafik Kontrol Merkezi (TKM) Trafik Kontrol Merkezi; kentlerin her gün artan ulaşım problemlerinin çözümünde önemli bir
DetaylıDOĞRUDAN KATA ERİŞİM ÖZELLİKLİ ASANSÖR POZİSYON KONTROLÜ VE UYGULAMALARI
Asansör Sempozyumu 25-27 Eylül 2014 // İzmir 263 DOĞRUDAN KATA ERİŞİM ÖZELLİKLİ ASANSÖR POZİSYON KONTROLÜ VE UYGULAMALARI Altan Demir 1, Erhan Ongun 2 1,2 Mikosis Elektronik 1 altan@mikosis.com, 2 erhan@mikosis.com
DetaylıSÜREKLĠ OLASILIK DAĞILIMLARI
SÜREKLĠ OLASILIK DAĞILIMLARI Sayı ekseni üzerindeki tüm noktalarda değer alabilen değişkenler, sürekli değişkenler olarak tanımlanmaktadır. Bu bölümde, sürekli değişkenlere uygun olasılık dağılımları üzerinde
DetaylıPostmenopozal Kadınlarda Vücut Kitle İndeksinin Kemik Mineral Yoğunluğuna Etkisi
Özgün Araştırma / Original Investigation Postmenopozal Kadınlarda Vücut Kitle İndeksinin Kemik Mineral Yoğunluğuna Etkisi Effect of Body Mass Index on the Determination of Bone Mineral Density in Postmenopausal
DetaylıSahne Geçişlerinin Geometrik Tabanlı olarak Saptanması
Sahne Geçişlerinin Geometrik Tabanlı olarak Saptanması 1 Giriş Binnur Kurt, H. Tahsin Demiral, Muhittin Gökmen İstanbul Teknik Üniversitesi, Bilgisayar Mühendisliği Bölümü, Maslak, 80626 İstanbul {kurt,demiral,gokmen}@cs.itu.edu.tr
DetaylıOlasılık ve İstatistik nedir? Bilgisayar Mühendisliğindeki yeri
Olasılık ve İstatistik nedir? Bilgisayar Mühendisliğindeki yeri IST 108 Olasılık ve İstatistik Bahar 2016 Yrd. Doç. Dr. Ferhat Dikbıyık Bu sunumun bir kısmı Utah Üniversitesi nden Bilgisayar Bilimleri
DetaylıYAPAY SĠNĠR AĞLARININ EKONOMĠK TAHMĠNLERDE KULLANILMASI
P A M U K K A L E Ü N İ V E R S İ T E S İ M Ü H E N D İ S L İ K F A K Ü L T E S İ P A M U K K A L E U N I V E R S I T Y E N G I N E E R I N G C O L L E G E M Ü H E N D ĠS L ĠK B ĠL ĠM L E R ĠD E R G ĠS
DetaylıVERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr
VERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma
DetaylıYapay Sinir Ağları ile Web İçeriklerini Sınıflandırma. Yazarlar: Esra Nergis Güven, Hakan Onur ve Şeref Sağıroğlu. Sunan : Esra Nergis Güven
Yapay Sinir Ağları ile Web İçeriklerini Sınıflandırma Yazarlar: Esra Nergis Güven, Hakan Onur ve Şeref Sağıroğlu Sunan : Esra Nergis Güven İçerik Giriş Amaç ve Kapsam Sınıflandırma Geliştirilen Sistem
Detaylı