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

Ebat: px
Şu sayfadan göstermeyi başlat:

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

Transkript

1 ORACLE DATA MINER İLE KREDİ ÖDEMELERİ ÜZERİNE BİR VERİ MADENCİLİĞİ UYGULAMASI BİTİRME ÖDEVİ Aslı Pınar YAPICI Ayşegül ÖZEL Cemal AYÇA Anabilim Dalı: MATEMATİK MÜHENDİSLİĞİ Tez Danışmanı: Prof. Dr. Ulviye BAŞER ILGAZ MAYIS 2010

2 ÖNSÖZ Bu çalışmayı hazırlamamızda bize yol gösteren Sayın Hocamız Prof. Dr. Ulviye BAŞER ILGAZ a, bizden yardımını ve desteğini hiçbir zaman esirgemeyen Sayın Hocamız Yard. Doç. Dr. Ahmet KIRIŞ a, müşteri bilgilerini bize güvenerek paylaşmakta sakınca görmeyen özel finans kuruluşu çalışanlarına, arkadaşlarımıza ve hayatımız boyunca bize sevgi, güven ve her türlü desteği veren ailelerimize en içten teşekkürlerimizi sunarız. Mayıs, 2010 Aslı Pınar YAPICI Ayşegül ÖZEL Cemal AYÇA ii

3 3

4 İÇİNDEKİLER Sayfa ÖZET v 1. GİRİŞ Kredi talepleri ve değerlendirme 1 2. VERİ MADENCİLİĞİ Tanım Tarihsel Gelişim Kullanım Alanları Veri Madenciliği Modelleri Veri Madenciliği Uygulamaları için Temel Adımlar Temel Veri Madenciliği Problemleri ve Çözüm Yöntemleri ORACLE DATA MINER Erişim ODM Ana Ekranı Veri Aktarımı İstatistik İşlemleri Veri Temizleme ve Hazırlama İşlemleri Veri Madenciliği Etkinlikleri TEMEL KAVRAMLAR VE MATEMATİKSEL ALTYAPI Naive Bayes Yöntemi Geliştirilmiş Bayesian Ağlar Yöntemi (Adaptive Bayes Network ABN) Özelliklerin Önem Sıralaması (Attribute Importance- AI) UYGULAMA VE SONUÇLAR Veri Tablosunun Hazırlanması Model Oluşturma Modelin Testi Modelin Uygulanması Sonuçlar ve Yorumlar 75 KAYNAKLAR 79 4

5 ÖZET Bu çalışmada özel bir finans kuruluşunun müşterilerinin kredi izleme süreçleri üzerine bir veri madenciliği uygulaması yapılmıştır. Bu uygulama ile kredi ödeme süreçleri kanuni takip ile biten müşterilerin yüksek doğrulukla tahmin edilmesi ve ortak yönlerinin bulunması amaçlanmaktadır. Kanuni takibe giden müşterilerin tahmin edilmeye çalışılmasının nedeni, bu müşterilerin ödemelerini zamanında yapmayarak firmayı en zor durumda bırakmış sınıf olmasıdır. Bu müşterilerin tahmini başarılarak firmanın gördüğü zarar en aza indirilebilir. Bu amaçla firmadan müşterilerin demografik bilgileri ve ödeme süreçlerindeki davranışlarını anlatan kodlar alınmış, veriler düzenlenerek tablolar oluşturulmuştur. Müşteriler kanuni takibe gidenler ve gitmeyenler olarak sınıflandırılarak problem veri madenciliği sınıflandırma modeline uygun hale getirilmiştir. Bu problemi çözmek için de sınıflandırma modelinin algoritmalarından biri olan ve temel olarak Naive Bayes yöntemini esas alan Adaptive Bayes Network algoritması seçilmiştir. Veri madenciliği uygulamasını gerçekleştirmek için Oracle veritabanının 10g sürümü ve üzerine Oracle Data Miner paket programı yüklenmiştir. Daha sonra oluşturulan tablolar veritabanına aktarılmış ve gerekli modeller oluşturulmuştur. Bu modeller yardımıyla da istenilen doğrulukta tahminler elde edilmiş ve yorumlanmıştır. 5

6 1. GİRİŞ Gelişen teknoloji ve tüm Dünya ülkelerinde bilgisayarın yaygın kullanılması elektronik ortamda saklanan veri miktarında büyük bir artış meydana getirmiştir. Bilgi miktarının her 20 ayda bir iki katına çıkması veritabanı sayısında hızlı bir artışa neden olmaktadır. Birçok farklı bilim dallarından toplanan veriler, hava tahmini simülasyonu, sanayi faaliyet testleri, süpermarket alışverişi, banka kartları kullanımı, telefon aramaları gibi veriler, daha büyük veritabanlarında kayıt altına alınmaktadır. Veri tabanında data birikiminin artarak devam etmesinin bir nedeni de yüksek kapasiteli işlem yapabilme gücünün ucuzlamasıdır. Bu datalardan elde edilecek bilgiler doğrultusunda iş dünyasında şirket stratejileri belirlenir. Bitirme projesi kapsamında da özel bir finans kuruluşunun, müşterilerinin kredi taleplerini değerlendirirken stratejiler geliştirmesi amaçlanmıştır. 1.1 Kredi Talepleri ve Değerlendirme Bu bitirme projesi kapsamında; veri madenciliği uygulaması ile, özel bir finans kuruluşundan geçmişte kredi almış müşterilerin ödeme/ödememe durumları üzerine model oluşturulmuş ve gelecekte hangi tür müşterilerin riskli müşteri olabileceği test datası üzerinde yüksek tahminle tespit edilmiştir. Kredi talepleri değerlendirilirken hangi aşamalardan geçildiği ve veri madenciliği uygulamasına neden gereksinim duyulduğu bir süreç dahilinde aşağıda ifade edilmektedir. Kredi talepleri değerlendirilirken ilk olarak analiz yapılır. Kredi analizi, yalnız kredi isteminde bulunan firmanın mali tablolarının incelenmesini değil, ilgili firmanın geçmiş ve en önemlisi gelecekteki performans sonuçlarını etkilemiş ve etkileyebilecek tüm etmenlerin değerlendirilmesini içerir. Kredi analizi süreci tamamlandıktan sonra bir kredi müşterisine, belirli bir süre için verilecek belirli tutardaki kredinin taşıdığı risk saptanmaya çalışılmaktadır. Aslında her kredi enflasyon riski ve geri ödenmeme olasılığı şeklinde özetleyebileceğimiz iki temel risk taşır [1]. Enflasyon riski, kredinin verildiği tarih ile geri döndüğü tarih arasında para değerinin değişmesi nedeniyle uğranabilecek kayıptır. Ticaret 6

7 bankaları, aracı kurumlar, daha açık bir ifadeyle geniş kitlelerden mevduat ve/veya diğer isimler altında topladıkları fonları kredilendirme faaliyetlerinde kullanan kurumlar için, enflasyon riski fazla önemsenmeyebilir. Ancak geri dönmeme olasılığı bankaların ve finans kuruluşlarının ciddi olarak dikkate almaları gereken bir etmendir. Kredilerin ödenmemesi/ödenememesi durumları bankaların ve finans kuruluşlarının farklı kademelerinde değerlendirilmektir. Kredilerin ödenememesi; 1) Kredi alan firmanın üretmiş olduğu mal ve hizmetlere olan talepteki değişmeler, 2) Kredi alan firmanın rekabet gücünün zayıflaması, 3) Hükümetlerin, kredi alan firmaların ödemelerini güçleştirecek politikalar izlemesi gibi ekonomik sebeplerden kaynaklanıyorsa, bankanın denetim kurulunda oluşturulan risk tabloları ile değerlendirilir. Kredilerin ödenmemesi ise bizi tüketicinin davranışlarını incelemek zorunda bırakmaktadır. Günümüzde geliştirilen yazılımlar ile tüketicinin her gün ne şekilde banka ile ilişkili olduğu kodlar atanarak veri tabanında tutulabilmektedir. Veri tabanında tutulan bu bilgilerden uygun programlarla hangi tür bilgilerin elde edilmesi gerektiğine bankaların IT Risk Yönetim Birimi karar vermektedir. Risk Yönetimi Birimi, borçlunun kredi sözleşmesine uygun olarak yükümlülüklerini yerine getirme kapasitesinin olup olmadığını saptamayı hedeflemektedir. Aynı zamanda hangi tür müşteriye firmanın finansman gereksinimine uygun düşecek tutar, vade ve koşullarda kredi verilmesi gerektiğini belirlemek istemektedir. Bitirme projesinde, bu hedefler doğrultusunda alınan datalar üzerinde model oluşturulmuştur. Bu model krediyi ödeme süresince finans kuruluşu tarafından verilen kodlar ve demografik özelliklerine göre kurulmuş ve krediyi alan hangi tip müşterilerin kanuni takibe düşüp düşmeyeceği belirlenmesi istenmiştir. Kurumun, müşterilerinin ödeme durumlarına göre atadığı kodlar içerisinde kanuni takibe düşüp düşmeyeceğine karar vermemizi sağlayan kodlar sınırlıdır. Bunlar; OG: (Ödeme gelmedi kodu): Tüketicinin ödeme yapması gereken vade gününden 5 iş günü sonra ödeme yapmadığı durumda aldığı koddur. GO: (Geç ödeme kodu): Tüketicinin ödeme yapması gereken vade gününden sonra ödeme yapması durumunda aldığı koddur. 7

8 GA: (Gecikme adayı kodu): Tüketicinin ödeme yapması gereken vade gününden hemen sonra ödeme yapmaması durumunda aldığı koddur. IT: (İdari takip kodu): Tüketicinin ödeme yapmadığı tutar 1,5 taksit tutarını geçerse idari takibe düştüğünü belirten koddur. IT*: (İdari takip öncesi beklemede kodu): Tüketicinin 1,5 vade tutarının altında borcunun bulunması durumunda aldığı koddur KT: (Kanuni takip kodu): İdari takibe düşen tüketicinin 45 gün içerisinde hiçbir ödeme yapmaması durumunda aldığı koddur. Modeli oluşturmadan önce, demografik özellikler içerisinde farklı sektörlere göre farklı kredi türlerinin verildiği saptanmıştır. Model oluşturulurken tüm tüketici kredileri sektör bazlı değerlendirilmek üzere otomotiv ve dayanıklı tüketim kredileri olarak 2 kısma ayrıldı Dayanıklı tüketim ve otomotiv kredileri Beyaz eşya, mobilya, elektrikli ev aletleri gibi dayanıklı tüketim malları ile otomobil, konut alımı gibi menkul veya gayrimenkul bir malın satın alınması için her türlü nakit ihtiyacını gidermek amacıyla kullanılan kredilerin tümü tüketici kredileridir. Projede kullanılan krediler çoğunlukla otomotiv sektörüne yönelik olduğundan yani finans kuruluşunun müşteri portföylerinin çoğunluğunu otomotiv müşterileri oluşturduğundan bitirme projesinde de model, bu sektör üzerinden kurulmuştur. 8

9 2. VERİ MADENCİLİĞİ Günümüzde kullanılan veri tabanı yönetim sistemleri eldeki verilerden sınırlı çıkarımlar yaparken geleneksel çevrimiçi işlem sistemleri (on-line transaction processing systems) de bilgiye hızlı, güvenli erişimi sağlamaktadır. Fakat ikisi de eldeki verilerden analizler yapıp anlamlı bilgiler elde etme imkanını sağlamakta yetersiz kalmışlardır. Verilerin yığınla artması ve anlamlı çıkarımlar elde etme ihtiyacı arttıkça uzmanlar Knowledge Discovery in Databases (KDD) adı altında çalışmalarına hız kazandırmışlardır. Bu çalışmalar sonucunda da veri madenciliği (Data Mining) kavramı doğmuştur. Veri madenciliğinin temel amacı, çok büyük veri tabanlarındaki ya da veri ambarlarındaki veriler arasında bulunan ilişkiler, örüntüler, değişiklikler, sapma ve eğilimler, belirli yapılar gibi bilgilerin matematiksel teoriler ve bilgisayar algoritmaları kombinasyonları ile ortaya çıkartılması ve bunların yorumlanarak değerli bilgilerin elde edilmesidir. 2.1 Tanım İlişkisel veri tabanı sistemleriyle ulaşılan veriler tek başına bir anlam ifade etmezken veri madenciliği teknolojisi bu verilerden anlamlı bilgi üretilmede öncü rol oynamaktadır. Aşağıda bazı veri madenciliği tanımlarına yer verilmektedir. 1. Veri madenciliği; veritabanında bilgi keşfi (KDD), eldeki verilerden önceden bilinmeyen fakat potansiyel olarak yararlı olabilecek bilgileri çıkarmaktır. Bu kümeleme, veri özetlemesi, öğrenme sınıflama kuralları, değişikliklerin analizi ve sapmaların tespiti gibi birçok farklı teknik bakış açısını içine alır. [2]. 2. Veri madenciliği, otomatik veya yarı otomatik çözüm araçları (tools) ile büyük ölçeklerdeki verinin anlamlı yapılar ve kurallar keşfetmek üzere araştırılması (exploration) ve analiz edilmesidir. [3]. 9

10 3. Veri madenciliği çok büyük tabanları içindeki veriler arasındaki bağlantılar ve örüntüleri araştırarak, gizli kalmış yararlı olabilecek verilerden değerli bilginin çıkarılması sürecidir. [4]. 4. Veri Madenciliği, büyük veri ambarlarından daha önceden bilinmeyen, doğru ve eyleme geçirilebilir bilgiyi ayrıştırma ve çok önemli kararların alınması aşamasında ayrıştırılan bu bilgiyi kullanma sürecidir. [5]. Yukarıdaki tanımları toplayıp veri madenciliği kavramına ek bir tanım daha getirilebilir. Veri madenciliği; matematiksel yöntemler yardımıyla, biriken veri yığınları içerisinde bulunan dataların birbirleriyle ilişkisini ortaya çıkartmak için yapılan analiz ve kurulan modeller sonucunda elde edilecek bilgi keşfi sürecidir. Veri madenciliğinin, disiplinler arası bir teknoloji olarak dört ana başlıktan oluştuğu kabul edilmektedir. Bunlar sınıflama, kategori etme, tahmin etme ve görüntülemedir. Bu dört temel dışında istatistik, makine bilgisi, veritabanları ve yüksek performanslı işlem gibi temelleri de içerir. 2.2 Tarihsel Gelişim Veri madenciliğinin kavram olarak oluşması 1960 lı yıllara kadar dayanmaktadır. Bu dönemlerde veri taraması (data dredging), veri yakalanması (data fishing) gibi isimler verilmiş ve bilgisayar yardımıyla gerekli sorgulama (query) yapıldığında istenilen bilginin elde edilebileceği düşünülmüştür. Fakat 1990 lar geleneksel istatistiksel yöntemlerinin yerine algoritmik bilgisayar modülleri ile veri analizinin gerçekleştirilebileceğinin kabul edildiği yıllar olmuştur. Veri madenciliğinin tarihsel süreci Tablo1.1 de gösterilmiştir [6]. 10

11 Tablo 1.1 : Veri madenciliğinin tarihsel gelişimi 2.3 Kullanım Alanları Tarihsel süreç, gelişen teknoloji ile veri madenciliğinin işlevliğini etkin bir şekilde sürdürdüğünü göstermektedir. Veriler çok hızlı bir şekilde toplanabilmekte, depolanabilmekte, işlenebilmekte ve bilgi olarak kurumların hizmetine sunulabilmektedir. Günümüzde bilgiye hızlı erişim, firmaların sürekli yeni stratejiler geliştirip etkili kararlar almalarını sağlayabilmektedir. Bu süreçte araştırmacılar, büyük hacimli ve dağınık veri setleri üzerinde firmalara gerekli bilgi keşfini daha hızlı gerçekleştirebilmeleri için veri madenciliği üzerine çalışmalar yapmışlardır. Tüm bu çalışmalar doğrultusunda veri madenciliği günümüzde yaygın bir kullanım alanı bulmuştur. Hangi alanlarda veri madenciliğinin kullanıldığı belli bir şablon dahilinde aşağıda verilmiştir Perakende/ Pazarlama Mevcut müşterilerin elde tutulması, yeni müşterilerin kazanılması, Tüketicilerin demografik karakteristikleri arasında örüntü elde edilmesi, E-posta kampanyalarına hangi tip müşterilerin tepki verebileceğinin tahmin edilmesi, 11

12 Pazar analizi yapılarak piyasaya sürülecek bir ürüne verilecek tepkilerin tahmin edilmesi, Bankacılık Kredi kartı kullanımı sonucunda dolandırıcılık durumlarının tespit edilmesi, Bankaya sadık müşteri portföyünün oluşturulması, Hangi kullanıcı gruplarının kredi kartı harcamalarını yüksek tuttuğunun belirlenmesi, Farklı finansal göstergeler arasındaki gizli korelasyonların bulunması, Tarihsel pazar verileri analiz edilerek belirli kuralların tespit edilmesi, Sağlık hizmetleri ve sigortacılık Sigorta poliçesi üzerinden ödenecek para analizinin yapılması, Hangi tip müşterilerin hangi tür sigorta poliçesi alacağının tahmin edilmesi, Riskli müşterilerin davranışlarının tespit edilmesi, Dolandırıcılık davranışlarının tespit edilmesi, Tıp Hasta tepkilerinin tahmin edilip karakterize edilmesi, Farklı hastalıklar üzerinde yapılan başarılı tıbbi tedavilerin tanımlanması, Demografik ve tarihi veriler ışığında bölgelerin incelenerek yayılması, muhtemel hastalıkların potansiyel risklerinin tahmin edilmesi, Ulaştırma Hangi tip araçların uzun ya da kısa dağıtım kanallarında yol alacağının belirlenmesi, Yük modeli analizinin yapılıp yükleme durumunun saptanması, Eğitim Hangi tip öğrenci için hangi tür eğitim modelinin uygulanması gerektiğinin belirlenip eğitimde başarıyı artırıcı durumların saptanması, 12

13 Öğretmen-ortam-öğrenci ilişkisi içerisinde verimlilik artışını sağlayacak değişikliklerin tespit edilmesi, Ekonomi Eldeki ekonomik verilerden tespitler çıkartılıp, eğilim ve düzensizliklerin tespit edilmesi, Geçmiş yılların Gayri Safi Milli Hasıla (GSMH) verileri göz önünde tutularak yeni dönem ülke ekonomisi için ekonomik politikalar oluşturulması ve faiz, enflasyon oranı gibi veriler hakkında senaryo testi tahmininin yapılması, Güvenlik Uzaktan algılama ile yüksek çözünürlükte elde edilen görüntü datasını değerlendirerek düşman kuvvetlerin nerelerde hangi araç ve teçhizatlarda yoğunlaştığı tespit edilip konuşlanmaya uygun arazi tiplerinin belirlenmesi, Anahtar kelimelerin tespit edilip İnternet te taranarak lehte ve aleyhte propaganda yapan sayfaların belirlenmesi, Kuvvetli bir istihbarat ağına sahip olup haberleşme araçlarını takip ederek terörist faaliyetlerinin belirlenmesi, Elektronik ticaret e-crm uygulamalarının yönetimi, Web sayfalarına yapılan ziyaretlerin çözümlenmesi. 2.4 Veri Madenciliği Modelleri IBM tarafından veri işleme operasyonları için iki çeşit model tanımlanmıştır Doğrulama modeli Doğrulama modeli kullanıcıdan bir hipotez alarak testler yapar ve bu hipotezin geçerliliğini araştırır. 13

14 2.4.2 Keşif modeli Sistem bu modelde önemli bilgileri gizli veriden otomatik olarak elde eder. Veri başka hiçbir aracıya ihtiyaç duymadan yaygın olarak kullanılan modeller, genelleştirmeler ile ayıklanır. 2.5 Veri Madenciliği Uygulamaları İçin Temel Adımlar Veri madenciliği uygulamalarında sırasıyla takip edilmesi gereken temel aşamalar aşağıda sistematik biçimde verilmiştir Uygulama alanının ortaya konulması Bu ilk adımda veri madenciliğinin hangi alan ve hangi amaç için yapılacağı tespit edilir Hedef veri grubu seçimi Belirlenen amaç doğrultusunda bazı kriterler belirlenir. Bu kriterler çerçevesinde aynı veya farklı veritabanlarından veriler toplanarak hedef (target) veri grubu elde edilir Model seçimi Veri madenciliği probleminin seçimi datalar üzerinden belirlenir. (Sınıflandırma, Kümeleme, Birliktelik Kuralları, Şablonların ve İlişkilerin Yorumlanması v.b.) Ön işleme Bu aşamada seçilen veriler ayıklanarak silinir, eksik veri alanları üzerine stratejiler geliştirilir. Veriler tekrardan düzenlenip tutarlı bir hale getirilir. Bu aşamada yapılan işlem data temizleme ve data birleştirme olarak bilinen uyumlandırma işlemidir. Veri birleştirme (bütünleştirme), farklı veri tabanlarından ya da kaynaklarından elde edilen verilerin birlikte değerlendirmeye alınabilmesi için farklı türdeki verilerin tek türe dönüştürülebilmesi demektir. Bu süreç Şekil 2.1 de gösterilmektedir. 14

15 Şekil 2.1 : Ön işleme süreci Veri indirgeme Çözümleme işlemi veri madenciliği uygulamalarında uzun sürebilmektedir. İşlem yapılırken eksik ya da uygun olmayan verilerin oluşturduğu tutarsız verilerle karşılaşılabilir. Bu gibi durumlarda verinin söz konusu sorunlardan arındırılması gerekmektedir. Çözümlemeden elde edilecek sonuçta bir değişiklik olmuyorsa veri sayısı ya da değişkenlerin sayısında azaltmaya gidilir. Veri indirgeme çeşitli biçimlerde yapılabilir. Bu yöntemler Şekil 2.2 de gösterilmiştir [7]. Şekil 2.2 : Veri indirgeme yöntemleri Veriyi indirirken bu verileri çok boyutlu veri küpleri biçimine dönüştürmek söz konusu olabilir. Böylece çözümler sadece belirlenen boyutlara göre yapılır. Veriler 15

16 arasında seçme işlemi yapılarak da veri tabanından veriler silinip boyut azaltılması yapılır Veri dönüştürme Verileri direkt veri madenciliği çözümlerine katmak çoğu zaman uygun olmayabilir. Değişkenlerin ortalama ve varyansları birbirlerinden çok farklıysa büyük ortalama ve varyansa sahip değişkenlerin diğer değişkenler üzerindeki etkisi daha fazla olur. Bu nedenle bir dönüşüm yöntemi uygulanarak değişkenlerin normalleştirilmesi ya da standartlaşması uygun yoldur Algoritmanın belirlenmesi Bu aşamada indirgenmiş veriye ve kullanılacak modele hangi algoritmanın uygulanacağına karar verilir. Mümkünse bu algoritmanın seçimine uygun veri madenciliği yazılımı seçilir değilse oluşturulan algoritmaya uygun programlar yazılır Yorumlama ve doğrulama Uygulama sonucunda elde edilen veriler üzerine yorumlama yapılır, bu yorumların test verileri üzerinden doğrulanması hedeflenir. Doğruluğu onaylanan bu yorumlar gizli bilgiye ulaşıldığını göstermektedir. Elde edilen bu bilgiler çoğu kez grafiklerle desteklenir. 2.6 Temel Veri Madenciliği Problemleri ve Çözüm Yöntemleri Veri madenciliği uygulaması gerektiren problemlerde, farklı veri madenciliği algoritmaları ile çözüme ulaşılmaktadır. Veri madenciliği görevleri iki başlık altında toplanmaktadır. - Eldeki verinin genel özelliklerinin belirlenmesidir. - Kestirimci/Tahmin edici veri madenciliği görevleri, ulaşılabilir veri üzerinde tahminler aracılığıyla çıkarımlar elde etmek olarak tanımlanmıştır. Veri madenciliği algoritmaları aşağıda açıklanmaktadır. 16

17 2.6.1 Karakterize etme (Characterization) Veri karakterizasyonu hedef sınıfındaki verilerin seçilmesi, bu verilerin genel özelliklerine göre karakteristik kuralların oluşturulması olayıdır. Örnek: Perakende sektöründe faaliyet gösteren, uluslararası ABC şirketinin binlerce kurumsal müşterisi olsun. ABC şirketinin pazarlama biriminde, büyük kurumsal müşterilere yönelik kampanyalar için her yıl düzenli olarak bu şirketten 10 milyon TL ve üstü alım yapan kurumsal müşteriler hedeflenmektedir. Veritabanından hedef grup belirlenerek genelleme yapılır ve genel kurallar oluşturulur Ayrımlaştırma (Discrimination) Belirlenen hedef sınıfa karşıt olan sınıf elemanlarının özellikleri arasında karşılaştırma yapılmasını sağlayan algoritmadır. Karakterize etme metodundan farkı mukayese yöntemini kullanmasıdır. Örnek: ABC kurumsal müşterilerinden her yıl 10 milyon TL ve üstü alışveriş yapan fakat geri ödeme konusunda riskli olan müşteri grubunun belirlenmesi Sınıflandırma (Classification) Sınıflandırma, veri tabanlarındaki gizli örüntüleri ortaya çıkarabilmek için veri madenciliği uygulamalarında sıkça kullanılan bir yöntemdir. Verilerin sınıflandırılması için belirli bir süreç izlenir. Öncelikle var olan veritabanının bir kısmı eğitim amaçlı kullanılarak sınıflandırma kurallarının oluşturulması sağlanır. Bu kurallar kullanılarak veriler sınıflandırılır. Bu veriler sınıflandırıldıktan sonra eklenecek veriler bu sınıflardan karakteristik olarak uygun olan kısma atanır. Sınıflandırma problemleri için Oracle Data Miner (ODM) ın uyumlu olduğu çözüm yöntemleri Naive Bayes (NB), Karar Destek Vektörleri (SVM), Karar Ağaçları ve Adaptive Bayes Network(ABN) dir. Örnek: XYZ şirketi müşterilerinin alım durumlarını göz önünde bulundurarak, alım gücüne göre Yüksek, Orta, Düşük şeklinde sınıflandırır. Müşterilerinin risk durumlarını sınıflandırmak için de Risksiz, Riskli, Çok Riskli şeklinde etiketlerle sınıflandırılabilir. 17

18 2.6.4 Tahmin etme (Prediction) Kayıt altında tutulan geçmiş verilerin analizi sonucu elde edilen bilgiler gelecekte karşılaşılacak aynı tarz bir durum için tahmin niteliği taşıyacaktır. Örneğin ABC şirketi geçen yılın satışlarını bölge bazlı sınıflandırmış ve bu sene için bir trend analizi yaparak her bölgede oluşacak talebi tahmin etmiştir. Bu tür problemler için ODM nin kullandığı regresyon analizi yöntemi SVM dir Birliktelik kuralları (Association rules) Birliktelik kuralları gerek birbirini izleyen gerekse de eş zamanlı durumlarda araştırma yaparak, bu durumlar arasındaki ilişkilerin tanımlanmasında kullanılır. Bu modelin yaygın olarak Market Sepet Analizi uygulamalarında kullanıldığı bilinmektedir. Örneğin bir süpermarkette X ürününden alan müşterilerin büyük bir kısmı Y ürününden de almıştır. Birliktelik kuralı ile bu durum ortaya çıkarılarak, süpermarketin X ve Y ürününü aynı veya yakın raflara koyması sağlanır. ODM bu problem sınıfı için de Birliktelik Kuralları modelini kullanmaktadır Kümeleme (Clustering) Yapı olarak sınıflandırmaya benzeyen kümeleme metodunda birbirine benzeyen veri grupları aynı tarafta toplanarak kümelenmesi sağlanır. Sınıflandırma metodunda sınıfların kuralları, sınırları ve çerçevesi belli ve datalar bu kriterlere göre sınıflara atanırken kümeleme metodunda sınıflar arası bir yapı mevcut olup, benzer özellikte olan verilerle yeni gruplar oluşturmak asıl hedeftir. Verilerin kendi aralarındaki benzerliklerinin göz önüne alınarak gruplandırılması yöntemin pek çok alanda uygulanabilmesini sağlamıştır. Örneğin, pazarlama araştırmalarında, desen tanımlama, resim işleme ve uzaysal harita verilerinin analizinde kullanılmaktadır. Tüm bu uygulama alanlarında kullanılması, ODM nin desteklediği K-means ve O-Cluster kümeleme yöntemleri ile mümkün kılınmıştır Aykırı değer analizi (Outlier analysis) İstisnalar veya sürpriz olarak tespit edilen aykırı veriler, bir sınıf veya kümelemeye tabii tutulamayan veri tipleridir. Aykırı değerler bazı uygulamalarda atılması gereken değerler olarak düşünülürken bazı durumlarda ise çok önemli bilgiler olarak değerlendirilebilmektedir. 18

19 Örneğin markette müşterilerin hep aynı ürünü iade etmesi bu metodun araştırma konusu içine girer. ODM; temizleme, eksik değer, aykırı değer analizi gibi birçok yöntemi veri hazırlama aşaması içine almakta ve desteklemektedir Zaman serileri (Time series) Yapılan veri madenciliği uygulamalarında kullanılan veriler çoğunlukla statik değildir ve zamana bağlı olarak değişmektedir. Bu metot ile bir veya daha fazla niteliğin belirli bir zaman aralığında, eğilimindeki değişim ve sapma durumlarını inceler. Belirlenen zaman aralığında ölçülebilir ve tahmin edilen/beklenen değerleri karşılaştırmalı olarak inceler ve sapmaları tespit eder. Örneğin ABC şirketinin Ocak-Haziran 2009 dönemi için önceki yılın satış miktarları göz önünde tutularak bir hedef ortaya konulmuştur ve 2009 değerleri karşılaştırmalı olarak incelenerek sapma miktarı belirlenir. ODM her ne kadar çeşitli histogramlarla kullanıcıya görsel destek sağlasa da tam anlamıyla bu tür problemleri desteklememektedir Veri görüntüleme (Visualization) Bu metot, çok boyutlu özelliğe sahip verilerin içerisindeki karmaşık bağlantıların/bağıntıların görsel olarak yorumlanabilme imkanını sağlar. Verilerin birbirleriyle olan ilişkilerini grafik araçları görsel ya da grafiksel olarak sunar. ODM zaman serilerinde olduğu gibi histogramlarla bu metodu desteklemektedir Yapay sinir ağları (Artificial neural networks) Yapay sinir ağları insan beyninden esinlenilerek geliştirilmiş, ağırlıklı bağlantılar aracılığıyla birbirine bağlanan işlem elemanlarından oluşan paralel ve dağıtılmış bilgi işleme yapılarıdır. Yapay sinir ağları öğrenme yoluyla yeni bilgiler türetebilme ve keşfedebilme gibi yetenekleri hiçbir yardım almadan otomatik olarak gerçekleştirebilmek için geliştirilmişlerdir. Yapay sinir ağlarının temel işlevleri arasında veri birleştirme, karakterize etme, sınıflandırma, kümeleme ve tahmin etme gibi veri madenciliğinde de kullanılan metotlar mevcuttur. Yüz ve plaka tanıma sistemleri gibi teknolojiler yapay sinir ağları kullanılarak geliştirilen teknolojilerdendir. 19

20 Genetik algoritmalar (Genetic algorithms) Genetik algoritmalar doğada gözlemlenen evrimsel sürece benzeyen, genetik kombinasyon, mutasyon ve doğal seçim ilkelerine dayanan bir arama ve optimizasyon yöntemidir. Genetik algoritmalar parametre ve sistem tanılama, kontrol sistemleri, robot uygulamaları, görüntü ve ses tanıma, mühendislik tasarımları, yapay zeka uygulamaları, fonksiyonel ve kombinasyonel eniyileme problemleri, ağ tasarım problemleri, yol bulma problemleri, sosyal ve ekonomik planlama problemleri için diğer eniyileme yöntemlerine kıyasla daha başarılı sonuçlar vermektedir Karar ağaçları (Decision trees) Ağaç yapıları esas itibariyle kural çıkarma algoritmaları olup, veri kümelerinin sınıflanması için if-then tipinde kullanıcının rahatlıkla anlayabileceği kurallar inşa edilmesinde kullanılırlar. Karar ağaçlarında veri kümesini sınıflamak için Classification and Regression Trees (CART) ve Chi Square Automatic Interaction Detection (CHAID) şeklinde iki yöntem kullanılmaktadır Kural çıkarma (Rules induction) İstatistiksel öneme sahip yararlı if-else kurallarının ortaya çıkarılması problemlerini inceler. 20

21 3. ORACLE DATA MINER Bu bölümde Oracle Data Miner programı anlatılacaktır. Bunun için ilk olarak Oracle Data Mining ve Oracle Data Miner (ODM) kavramları açıklanmalıdır. Oracle Data Mining, Oracle veritabanı üzerinde çalışan ve kullanıcıların incelemeye uygun tahmini bilgiler üretmesine olanak tanıyan yardımcı bir özelliktir. Kullanıcılar, Oracle 10g Veritabanında gömülü data mining (veri arama) işlevini kullanarak verilerinde gizlenmiş düzen ve bilgileri bulabilirler [8]. Oracle Data Miner (ODM) ise kullanıcılara, değerli gizli bilgileri, şablonları ve yeni kavrayışları bulabilmeleri için yardımcı olan bir grafiksel kullanıcı ara yüzüdür. Bu ara yüz, kullanıcılara, büyük çaplı veriler üzerinde değişik amaçlara yönelik modeller oluşturma, bu modelleri test etme ve değişik veriler üzerinde uygulama yapma imkanı tanır. Oracle Data Mining işlemi, Oracle10g ve Oracle 11g sürümleri tarafından desteklenmektedir. Bu nedenle sunucu üzerine Oracle10g veritabanı, istemciye ise ODM paketi yüklenerek veritabanına erişim sağlanmıştır. 3.1 Erişim ODM programının veritabanına bağlanırken karşımıza gelen ekranlar Şekil 3.1 de gösterilmiştir. ODM ilk kez çalıştırıldığında bazı erişim bilgilerinin girilmesi gerekmektedir. 21

22 Şekil 3.1 : ODM erişim ekranları 3.2 ODM Ana Ekranı ODM programının genel görünüşü aşağıdaki gibidir. Sol tarafta yer alan Navigator kısmından modeller, tablolar, testler, sonuçlar ve görevlere erişim sağlanır. Şekil 3.2 : ODM ana ekranı Mining Activities katmanında kullanıcılar tarafından oluşturulan build, test ve apply aktiviteleri görüntülenmektedir. 22

23 Şekil 3.3 : ODM de aktivitelerin gösterimi Data Sources katmanı, veritabanında bulunan kullanıcılar ve bu kullanıcılara ait tablo ve görünümleri içermektedir. Belirtmek gerekir ki Oracle Data Mining işlemine erişim hakkı sadece kurulum sırasında tanımlanan DMUSER1 kullanıcısına verilmiştir. Bu sebeple üzerinde veri madenciliği çalışması yapılacak tabloların sadece bu kullanıcı ile bağlanılarak veritabanına aktarımı mümkün olabilir. Şekil 3.4 : ODM de kullanıcıların gösterimi 23

24 Şekil 3.5 : ODM de tabloların gösterimi 3.3 Veri Aktarımı ODM ana ekranında Data Import yolu ile veritabanına dışarıdan veri aktarımı yapılabilir. Bu yolla text formatındaki (.txt) tablolar veritabanına aktarılarak üzerlerinde çalışma imkanı sağlanır. Şekil 3.6 : ODM ye veri aktarımı 24

25 Şekil 3.7 : ODM ye veri aktarımı 1. aşama, aktarılacak tablonun seçimi Şekil 3.8 : ODM ye veri aktarımı 2. aşama, tabloda ayracın belirlenmesi 25

26 Şekil 3.9 : ODM ye veri aktarımı 3. aşama, veri tiplerinin belirlenmesi Veritabanında herhangi bir tablo görüntülenip, sağ üst köşede bulunan export tuşuna basılarak ilgili tablo dışarı aktarılabilir. Bu yolla dışarı alınan tablo yine text formatında (.txt dosyası) olacaktır. Şekil 3.10 : ODM ye aktarılan tablonun görünümü 26

27 3.4 İstatistik İşlemleri ODM de herhangi bir tablo ile ilgili istatistiksel verileri görmek için tablonun format özelliklerinden birini seçmek gerekir. Böylece herhangi bir sütunun maksimum, minimum değerleri, ortalaması, standart sapması, varyansı ve dağıtılmış değerlerin histogramla gösterilmesi sağlanabilir. Histogram, sonuç tablosundaki verilerin sütun grafiğine aktarılması ile oluşan sütun grafikleridir. Bu işlem, veri madenciliği yapılacak tablo hakkında bilgi sahibi olmak için gereklidir. ODM de bu amaca yönelik bazı ekran çıktıları Şekil 3.11 ve Şekil 3.12 de verilmiştir. Şekil 3.11 : ODM de bir tablonun istatistiksel verileri Şekil 3.12 : ODM deki bir tablonun bir sütunu için histogram örneği 27

28 3.5 Veri Temizleme ve Hazırlama İşlemleri Veri madenciliği işlemini gerçekleştirmenin öncesinde veri temizliği yapmak gerekmektedir. Bu veri temizliği, ODM nin sağladığı değişik fonksiyonlarla yapılır. Bu adım çok kritiktir ve veri madenciliği sürecinin başarılı ya da başarısız olmasında önemli bir rol üstlenir. Veri temizleme işleminde, farklı veri tipleri farklı teknikleri gerektirdiği için, dikkatli bir yaklaşım gerektirmektedir. Veri temizleme eksik, hatalı, çelişkili ve ekstrem kayıtların ortaya çıkarılmasını içerir. Ekstrem kayıtlar, tipik değerlerden önemli ölçüde farklı olan değerlerdir. Örnek olarak, bir kişinin boyunu tanımlayan parametrenin 3 metreye eşit olduğu bir durum gösterilebilir. Eksik kayıtlar ise, veri giriş sistemlerindeki hataların sonuçları olabilir. Eksik verilerin sistematik bir hataya yol açıp açmayacağı kontrol edilmelidir. Örnek olarak, hız ölçüm cihazı arızalanmış ve ölçüm yapmayı bu nedenle durdurmuş olabilir. Hatalı ya da tamamlanmamış veriler bir kere tespit edildiğinde, analizden çıkarılmalı ya da düzeltilmelidir [9]. Ayrıca bir özelliğin, taksit tutarları gibi çok sayıda farklı kayıt içermesi durumunda bu bilgiden daha iyi yararlanmak amacıyla yüksek, orta, düşük gibi gruplara ayrılarak yeni değerler verilebilir. Bazı veri madenciliği algoritmaları, özellikler nümerik olduğunda bu özelliklerin çok farklı değerler almasına karşı duyarlıdır. Örneğin yaş genelde 100 den küçük iken, gelir milyon mertebesinde değerler alabilmektedir. Bu durumda belirli hesaplamalar için gelir sütununun yaş sütununa göre değer ölçüsünden dolayı çok önemli olduğu gibi bir yanılgı ortaya çıkmaktadır. Oysa hem gelir hem de yaş sütunundaki değerler normalizasyon ile aralığına çekilerek birbirleri ile karşılaştırılabilir. ODM bir sütunun nümerik değerlerini belirli bir aralığa göreceli ağırlıkları ile orantılı olarak taşımak için bir normalizasyon fonksiyonu sağlar [10]. Ayrıca verinin model oluşturma ve oluşturulan modelin test edilmesi için bölünmesi gerekebilir. Buna benzer bazı veri hazırlama aşamalarının ekran çıktıları aşağıda verilmiştir. 28

29 Şekil 3.13 : Verinin model ve test tablolarına ayrılması işleminin 1. aşaması Şekil 3.14 : Verinin model ve test tablolarına ayrılması işleminin 2. aşaması 29

30 Şekil 3.15 : Verinin model ve test tablolarına ayrılması işleminin 3. aşaması 3.6 Veri Madenciliği Etkinlikleri Bu bölümde model oluşturma, oluşturulan modeli test etme ve modelin yeni veriye uygulanarak sonuçların elde edilmesi aşamaları anlatılacaktır Model oluşturma Burada; uygulanacak veri madenciliği problemi, bunun çözümü için geçerli algoritmalar, uygulanacak veri kümesi ve ilgili diğer parametreler seçilerek model oluşturulur. ODM de veriler temizlendikten ve değişkenler yeniden düzenlendikten sonra veri madenciliği modeli oluşturulur. Bir veri madenciliği projesinde model oluşturulurken hedeflerin neler olduğu ve hangi tip verilerle nasıl bir veri madenciliği görevini gerçekleştireceği belirlenmelidir. Örneğin projenin; bir sınıflandırma (classification) mı yoksa birliktelik (Association, Market Basket Analyse) projesi mi olacağı gerçeğinden yola çıkılarak model oluşturulmalıdır. Şekil 3.16 : ODM de model oluşturma yöntemi, fonksiyon tipi seçimi 30

31 Şekil 3.17 : Algoritma seçimi Şekil 3.18 : Model oluşturma, 1. aşama 31

32 Şekil 3.19 : Model oluşturma, 2. aşama Şekil 3.19 da verilen ekran model oluşturmanın en önemli adımıdır. Burada hangi sütunun tahmin edilmek istendiği ve bu tahminin diğer hangi sütunlarla yapılacağı seçilmektedir. Dolayısıyla burada tahmini etkilemeyecek olan, örneğin talep numarası gibi sütunlar girdi olarak seçilmemeli, sadece tahmini etkileyebilecek sütunların seçilmesine özen gösterilmelidir. 32

33 Şekil 3.20 : Gelişmiş ayarlar, Sample sekmesi Şekil 3.21 : Gelişmiş ayarlar, Discretize sekmesi 33

34 Şekil 3.22 : Gelişmiş ayarlar, Split sekmesi Şekil 3.23 : Gelişmiş ayarlar, Build sekmesi 34

35 Şekil 3.24 : Gelişmiş ayarlar, Test Metrics sekmesi Yukarıdaki ekran çıktıları ile model oluşturma işlemi tamamlanır. Model oluşturmanın sonuç ekran çıktısı Şekil 3.25 te verilmiştir. 35

36 Şekil 3.25 : Model oluşturma sürecinin son hali Model oluşturmak veri madenciliği için çok önemli bir aşamadır. Bu aşamada öncelikle hangi tip veriyle, hangi tip veri madenciliği görevinin gerçekleşeceği çok iyi anlaşılmalı ve buna uygun algoritmalar seçilmelidir Modelin uygulanması Bu bölümde veri madenciliği probleminin son adımı olarak bir önceki adımda elde edilen modelin yeni veri kümesine uygulanması adımları verilecektir. Bu aşamada oluşturulan model kullanılarak tahminleme yapılır. Tahminleme yapılabilmesi için hazırlanmış bir model ve kurgulanmak için hazır bir senaryoya ihtiyaç vardır. Örneğin, finans kuruluşlarının müşterilerine kredi vermek için yaptığı inceleme senaryosunu düşündüğümüzde, kredi riski üzerine hazırlanmış bir model vardır. Şekil 3.26 : ODM de modelin uygulanması 36

37 Şekil 3.27 : Uygulama 1. aşama, uygulama yapılacak modelin seçimi Yukarıdaki ekranda daha önce oluşturulan hangi modelin uygulamasının yapılacağı, aşağıdaki ekranda ise hangi veriye uygulanacağı seçilmektedir. Şekil 3.28 : Uygulama 2. aşama, uygulama yapılacak tablonun seçimi 37

38 Şekil 3.29 : Uygulama 3. aşama, sonuç tablosunda gösterilecek sütunların seçimi Şekil 3.30 : Uygulama 4. aşama, tahmini yapacak olan aktivitenin seçimi 38

39 Şekil 3.31 : Uygulama 5. aşama, tahmin yönteminin seçimi Şekil 3.32 : Uygulama 6. aşama, aktivitenin isminin belirlenmesi 39

40 Şekil 3.33 : Uygulama sürecinin son hali Uygulama ekranının son adımı Şekil 3.33 te verilmiştir. Burada sonuç ekranından Result a basılarak elde edilen sonuçlar görülebilir. Şekil 3.34 : Uygulama sonuç tablosu Sonuç ekranında, görülmesi istenenerek seçilen sütunların yanısıra, tahmin (prediction) ve bu tahminin gerçekleşme olasılığı (probability) olmak özere iki ek sütun yer almaktadır. Burada daha önceden sonuçları varolan bir veri kümesi 40

41 üzerinde uygulama gerçekleştirildiği için, hem tahmin hem de gerçekte müşterinin hangi değeri aldığı (KT_OLUS) görülebilmektedir. Bu bölümde amaç sadece ODM yi tanıtmak olduğu için, sonuçlar üzerinde durulmamış ve yeni sonuçların elde edilmesi ve bunların yorumlanması işlemleri 5. bölüme bırakılmıştır. 41

42 4. TEMEL KAVRAMLAR VE MATEMATİKSEL ALTYAPI Bu bölümde veri kümesine uygulamak üzere seçilen sınıflandırma modeli Geliştirilmiş Bayesian Ağlar ın (Adaptive Bayes Network) açıklanması için öncesinde bu modelin kullandığı Naive Bayes yönteminin matematiksel altyapısından bahsedilmiştir. 4.1 Naive Bayes Yöntemi Sınıflandırma problemlerinin çözümünde kullanılan Naive Bayes yöntemi temel olarak olasılık teorisini kullanmaktadır. Bu bölümde önce yöntemin teorisi, sonrasında da yöntemle ilgili küçük örnekler verilmiştir Temel kavramlar Olasılık: Bir olayın olabilirliğinin ölçüsüdür, [0-1] arasında değer alabilir, PA ( ) ile gösterilir ve PA ( ) 1, A olayının mutlaka gerçekleşeceğini PA ( ) 0, A olayının gerçekleşmesinin mümkün olmadığını ifade eder. Vektör: Burada kullanacağımız anlamıyla bir vektör x { x1, x2, x3,..., xm 1, x m} şeklinde m elemanı ile belirlenen ve i. elemanı x i ile verilen bir büyüklüktür. Veri madenciliği uygulanacak olan veri kümesi aşağıda gösterilen tablonun formatındadır. Tabloda her satır (her kayıt) bir vektör ( x i ) olarak düşünülür, x i vektörünün j. elemanı i. kaydın A j sütunundaki değerine karşı gelir. Son sütun (B) yani y vektörü, veri madenciliği ile tahmin edilmek istenen hedef özelliktir. Dolayısıyla n kayıt ve (m+1) sütundan oluşan bir tabloda her biri m boyutlu n tane belirleyici x i vektörü ve bir tane hedef sütun (B), yani y vektörü vardır. 42

43 Şekil 4.1 : Bir veri kaydı örneği Teori Naive Bayes yöntemi ile sınıflandırma koşullu olasılık hesabına dayanmaktadır. Şekil 4.1 de görüldüğü üzere tüm değerleri belirli geçmiş bir veri kümesinde, B yani sonuç sütunu, diğer A, ( i 1,..., m ) sütunlarına bağlı kabul edilerek, i PB ( b A a,...( i 1,..., m )), olasılıkları hesaplanır, burada j 1,..., s ve j i ik k 1,..., mi dir. Bu ifade ile, her biri m i tane farklı gruptan oluşan A i sütunları a ik değerlerini aldıklarında, bu A i sütunlarına bağlı olarak, B sütununda bulunan s tane farklı grubun b j değerlerinden her birini alma olasılıkları hesaplanmaktadır. Geçmiş veri kümesi yardımıyla hesaplanan bu olasılıklar, yeni gelecek verinin hangi gruba dahil edileceğinin, yani B sütununun tahmininde kullanılacaktır. Konuyu anlaşılır kılmak için, tahmin edici sütun önce bir tane, A 1, sonra iki tane, A 1, A 2 alınarak, B sütununun bunlara bağlı olasılıkları hesaplanarak problem basitleştirilmiş daha sonra ise m sütun alınarak problem genelleştirilmiştir. Öncelikle koşullu olasılık kavramının açıklanması gerekmektedir. A ve B iki olay olmak üzere, bu olayların olma olasılıkları PA ( ) ve PB ( ) ile verilir. Eğer A ve B olaylarının gerçekleşmesi birbirine bağlı değilse, bu iki olayın birlikte olma olasılığı 43

44 PAB (, ) PA ( ) PB ( ) (0.1) ile verilir. Örneğin A olayı, o gün havanın yağmurlu olması ve B olayı ise atılan bir madeni paranın yazı gelme olasılığı ise, bu iki olay birbirinden bağımsızdır ve bu iki olayın birlikte olma olasılıkları her bir olayın olma olasılıklarının çarpımına eşittir. Eğer A ve B olayları birbirine bağlı ise, bu iki olayın birlikte olma olasılıkları; A nın olma olasılığı ile A dan sonra B nin olma olasılığının çarpımı ile yani PAB (, ) PAPB ( ) ( A) (0.2) veya B nin olma olasılığı ile B den sonra A nın olma olasılığının çarpımı ile yani PAB (, ) PBPAB ( ) ( ) (0.3) ile verilir. Dolayısıyla buradan (0.2) ve (0.3) denklemleri birbirine eşitlenerek, A olayından sonra B olayının olma olasılığı PBPA ( ) ( B) PB ( A) (0.4) PA ( ) ile verilir. Örneğin A olayı havanın yağmurlu olması, B olayı ise Ali nin balığa çıkma olayı ise, B olayının A olayına bağlı olduğu açıktır ve A olayından sonra B olayının olma olasılığı yani hava yağmurlu iken Ali nin balığa çıkma olayı (0.4) ifadesiyle hesaplanır. Bir olayın olması ve olmaması olasılıkları toplamı PB ( ) PB ( ) 1 dir. Burada üst indisi B olayının değilini göstermektedir. Dolayısıyla Ali hava yağmurlu iken balığa çıktığı gibi, yağmur yağmazken de balığa çıkabilir, yani bir B olayına bağlı olarak A olayının olma olasılığı PA ( ) PAB (, ) PAB (, ) PBPA ( ) ( B) PB ( ) PA ( B ) (0.5) şeklinde verilir. Bu ifade, (0.4) te kullanılırsa, PBPA ( ) ( B) PB ( A) PBPA ( ) ( B) PB ( ) PA ( B ) (0.6) elde edilir. Eğer A ve B olayları farklı değerler alabiliyorsa, örneğin Ali nin balığa çıkması (b 1 ), işe gitmesi (b 2 ), spor yapması (b 3 ) gibi üç farklı B olayı varsa bu durumda PB ( b1) PB ( b2) PB ( b3) 1 dir. (0.5) ifadesine benzer bir şekilde bu kez A olayı r tane ayrık a k ve B olayı s tane ayrık b j değeri alıyorsa; 44

45 s s k ( k),( j) j ( k) ( j) (0.7) P A a P A a B b P B b P A a B b j 1 j 1 elde edilir. (0.7) ifadesi (0.4) te yerine yazıldığında ise, j ( k) ( j) P B bk P A ( B bk) P B b P A a B b P ( B b ) ( A a ) j k s k 1 (0.8) elde edilir. (0.8) ifadesinin A ve B olaylarının ikiden fazla değer alabildikleri durum için (0.6) ifadesinin genelleştirilmiş hali olduğu açıktır. Bu ifade Şekil.4.1 de verilen tabloda B sonuç sütununu tahmin edici tek bir A 1 sütunu olması halinde B sütununun alabileceği değerlerin olasılıklarının hesaplanmasında kullanılır. Ancak gerçek hayatta sadece biri tahmin edici, diğeri hedef sütun olmak üzere iki sütun olması değil, hedef sütunu tahmin edici birçok sütun bulunması beklenir. Bu nedenle (0.8) ifadesinde A gibi sadece bir tahmin edici sütun yerine m tane A i sütunu olduğunu ve bunların her birinin r i tane bağımsız değer alabildiği yani örneğin A 1 sütunu r 1 5, A 2 sütunu r 2 3 farklı değer alabildiğini varsayalım. Bu durumda (0.8) ifadesinde A yerine A1, A2,..., A m gibi m tane olay alınırsa; 1 2 m P B bj P A1 a1j, A 1 2 a2 j,..., A 2 m amj B b m j s P B bk P A1 a1j, A 1 2 a2 j,..., A 2 m amj B b m k P B b A a, A a,..., A a j 1 1j 2 2 j m mj k 1 (0.9) ifadesi elde edilir. Tahmin edici her sütunun yani her A i olayının birbirinden bağımsız olduğu kabulü yapılırsa, sonuç olarak PB ( b) PA ( a B b) k i iji k i 1 k 1 1j1 2 2j2 m mjm m PB ( b A a, A a,..., A a ) m PB ( b) PA ( a B b) (0.10) r i iji r rb r B i 1 ifadesi elde edilir. Burada j 1,..., m ve k 1,..., s için bu olasılık değerleri i i hesaplanmalıdır, ayrıca rb B terimi hedef sütunun alabileceği tüm farklı değerler üzerinde toplam alınacağını ifade etmektedir [10]. r 45

46 4.1.3 Örnekler Örnek 1) Tek boyut için: Yapılan bir anket sonucunda 1000 deneğin gelir durumları düşük, orta, iyi ve yüksek olarak gruplanmış ve Ev sahibi olup olmadıkları ise ikinci bir sütunda Tablo 4.1a da ki gibi belirtilmiş olsun. Her ne kadar, ODM bu olasılık hesaplarını arka planda otomatik olarak işleyip kullanıcıya sadece sonucu bildirse de, burada amaç doğrultusunda arka planda neler döndüğü açıklanmıştır. Burada kısaltma amacıyla Gelir=G, Evet=E, Hayır=H şeklinde sembolize edilecektir. Tablo 4.1a verisinden elde edilen her farklı gruptaki kişi sayısı Tablo.4.1b ile gösterilmiştir. Tablo 4.1a : Gelir-Mülk ilişkisi Tablo 4.1b : Her gruptaki kişi sayısı Gelir Düşük Orta Yüksek İyi İyi.. Ev Evet Evet Hayır Hayır Evet.. Gelir Ev=E Ev=H Düşük Orta İyi Yüksek Tablo 4.1b yardımıyla sözü edilen olasılıklar (0.8) ifadesi kullanılarak; olarak hesaplanabilir. Burada bu sonuçlar çok daha kolay bir şekilde Tablo 4.1b den de görülmektedir. Fakat hem hedef özelliğin ikiden fazla hem de kestirimci özellik sayısının birden fazla olduğu durumlarda tablodan okuma zorlaşacak ve yukarıdaki formülün uygulanması gerekecektir. Benzer şekilde diğer olasılıklar da hesaplanarak; 46

47 yazılabilir. Yukarıdaki hesaplamaların ODM nin elde ettiği sonuçlarla karşılaştırılabilmesi için Naive Bayes modeli oluşturulurken Discretize, Sample ve Split adımları atlanmalı, Cost Matrix seçeneği de kaldırılmalıdır. Ayrıca normalde ODM de model oluşturulurken Apply aktivitesinde kullanılan tablo Build aktivitesinde kullanılandan farklı olmalıdır, çünkü Apply aktivitesindeki amaç yeni veri için tahmin kolonunun oluşturulmasıdır. Fakat burada sadece sonuçların doğruluğunun görülmesi amaçlandığından Apply aktivitesi de aynı tabloya uygulanmıştır. Aşağıda ODM nin bu örneğe uygulanması sonucu elde edilen ekran çıktısı verilmiş, sonuçların aynı olduğu gözlenmiştir. 47

48 Şekil 4.2 : Örnek 1 in ekran çıktıları ODM, Naive Bayes yöntemiyle sınıflandırmaya mümkün olan her durum için olasılıkları hesaplayarak bir model oluşturup, bu modeli yukarıdaki gibi aynı tablo üzerinde veya yeni kayıtların durumunu tespit için kullanmaktadır. Modelin doğruluğunun test edilmesi amacıyla formüllerle yapılacak işlemlerde aynı veri ve hesaplanan olasılıklar kullanılarak yeni tahmin tablosu oluşturulabilir. Örneğin geliri düşük olanın ev sahibi olma olasılığı olarak hesaplandığı için tahmin evet ve sonucun güvenilirliği dir. Geliri orta olan kişinin ev sahibi olma olasılığı ise olduğu için modelin tahmini hayır ve sonucun güvenilirliği olacaktır. Bu şekilde işleme devam edilerek tüm tablo yeniden oluşturulur. 48

49 Tablo 4.2 : Tablo 4.1a nın yapılan hesaplamalarla elde edilen test sonuçları Gelir Ev Tahmin Güvenilirlik Düşük Evet Evet Orta Evet Hayır Yüksek Hayır Evet İyi Hayır Evet İyi Evet Evet Modelin tüm güvenilirliği ise gerçek değerler ile tahmini değerlerin karşılaştırılması sonucu elde edilen aşağıdaki güvenilirlik matrisi ile verilebilir. Tablo 4.3 : Güvenilirlik matrisi E H E H Tablo 4.3 te görülen güvenilirlik matrisinde satırlar gerçek değerleri, sütunlar ise tahmin sonuçlarını göstermektedir. Örneğin gerçekte evi varken, modelin de evet yani evi var olarak tahmin ettiği kayıt sayısı 440 (doğru), gerçekte evi varken modelin hayır olarak tahmin ettiği kayıt sayısı (yanlış) 100 dür. Dolayısıyla matrisin köşegeni doğru kayıt sayısını, köşegen dışı ise yanlış kayıt sayısını göstermektedir. Buradan modelin doğruluğu olarak elde edilir. Modelin güvenilirliği ODM kullanılarak da hesaplanabilir. Ancak ODM ile model oluştururken verinin bir kısmını model, bir kısmını test için ayırma zorunluluğundan dolayı yukarıdaki veri %60 oranında model, %40 oranında test için ayrılarak ODM den elde edilen güvenilirlik sonucu aşağıdaki ekran çıktısında verilmiştir. Model, formüllerle hesaplanan duruma göre daha az veri kullandığı için güvenilirliğin biraz daha kötü çıkması doğaldır. 49

50 Şekil 4.3 : Örnek 1 in ODM ile güvenilirliği Örnek 2) İki Boyut için: Yapılan bir anket sonucunda 100 deneğin gelir durumları Düşük, Orta ve Yüksek ; üniversite mezunu olup olmamaları ise Evet ve Hayır olarak belirlenmiş ve bu özelliklerdeki deneklerin haftalık televizyon izleme süreleri ise İzlemiyor, haftada 5 saatten az izliyorsa Az, 5 saatten fazla izliyorsa Çok olarak belirlenip 3. bir sütunda verilmiş olsun (Tablo 4.4). Kayıtların dağılımı Tablo 4.5 te verilmiştir. Tablo 4.4 : Model Verisi Gelir Eğitim Tv izleme Yüksek Hayır İzlemiyor Orta Evet Az Düşük Evet Az Orta Hayır Çok Düşük Hayır Çok Tablo 4.5 : Kayıt Dağılımları Gelir Eğitim Tv izleme Kayıt Sayısı Düşük Hayır İzlemiyor 5 Düşük Evet İzlemiyor 1 Orta Hayır İzlemiyor 0 Orta Evet İzlemiyor 1 Yüksek Hayır İzlemiyor 1 Yüksek Evet İzlemiyor 4 Düşük Hayır Az 3 Düşük Evet Az 6 Orta Hayır Az 21 Orta Evet Az 10 Yüksek Hayır Az 6 Yüksek Evet Az 15 Düşük Hayır Çok 0 Düşük Evet Çok 2 Orta Hayır Çok 0 Orta Evet Çok 1 Yüksek Hayır Çok 4 Yüksek Evet Çok 20 50

51 Tablo 4.5 yardımıyla üniversite mezunlarının gelir verileri de kullanılarak televizyon izleme süreleri (0.10) ifadesiyle belirlenmeye çalışılmıştır. Burada iki belirleyici özellik olduğundan (0.10) ifadesi bu tabloya uygun formda yazılmalıdır. Burada T=Tv izleme, G=Gelir, E=Eğitim, D=Düşük, Y=Yüksek, O=Orta, İ=İzlemiyor, A=Az, Ç=Çok u ifade etmektedir. (0.10) ifadesi örneğe uygulandığında, sonucu elde edilir. Bu sonuca göre geliri düşük ve üniversite mezunu olmayan kişiler %38.85 olasılıkla televizyon izlemeyen gruptan olacaktır. Benzer şekilde diğer bazı olasılıklar da hesaplanırsa; P( T İ G O, E H ) P( T İ G Y, E Evet ) P( T A G Y, E Evet ) P( T İ G D, E Evet ) P( T Ç G O, E H ) P( T İ G Y, E H ) Yukarıdaki hesaplamalarla ODM nin elde ettiği sonuçları karşılaştırmak için aşağıda ODM nin bu örneğe uygulanması sonucu elde edilen ekran çıktısı verilmiştir ve yukarıdaki sonuçlarla tutarlı olduğu görülmektedir. 51

52 Şekil 4.4 : Örnek 2 nin ekran çıktıları 4.2 Geliştirilmiş Bayesian Ağlar Yöntemi (Adaptive Bayes Network ABN) Veri kümesine uygulanmak üzere seçilen Geliştirilmiş Bayesian Ağlar yöntemi, Naive Bayes yöntemi gibi olasılık hesabına dayanır. ABN, ODM ye özel, Naive Bayes e göre daha iyi sonuç veren bir yöntemdir. NB yöntemine göre en önemli avantajı, burada hangi kolonların sonuç kolonuna daha çok etki ettiği, hangi kolonların sonucu belirlemede gereksiz olduğu hatta gürültü teşkil ettiğinin saptanarak sadece sonuca etkili kolonların yardımıyla bir model oluşturmasıdır. Kolonların sonuca etkisinin belirlenerek, önemine göre sıralanması ODM de Attribute Importance AI adı verilen işlemler bütünü ile yapılır. AI ın 52

53 açıklanması bir sonraki bölümde verilmiştir. ABN yöntemi AI hesaplamasını içerdiğinden ayrıca AI uygulanmasını gerektirmez. ABN yöntemi kullanıcıya üç ayrı model oluşturma seçeneği sunar. Bunlar; Naive Bayes Build, Multi Feature Build ve Single Feature Build dir. Naive Bayes Build, NB yönteminin aynısıdır. Multi Feature Build yönteminin uygulama sistematiği ise şu şekildedir; 1. AI formunu kullanarak her özellik için bir önem derecesi belirleyerek, önem derecelerine göre özellikleri sıralar. 2. Verilmiş parametre değerlerini ve sıralı listeden kullanıcı tarafından belirlenen ilk (NB predictors) kadar özelliği alarak bir NB modeli oluşturur. 3. ABN, eklenen yeni özelliklerin sayısı modelin doğruluğunu artırmadığı ana kadar bir döngüye girer. a. Yeni model oluşturma işleminin her aşamasında yani her bir özellik modele eklendiğinde, bir önceki adımla (temel NB modeliyle ve o özellik eklenmeden önceki özellikleri içeren modelle) karşılaştırarak test eder. b. Eğer modelin doğruluğunda hiçbir gelişme olmamış ise o özellik göz ardı edilir. NB predictors a girilen sayı kadar özellik denendiğinde durur. 4. (3) döngüsü bittiği anda, artık doğruluğu artırmayacak veya kullanıcının tercih ettiği kadar özellik işleme katılmış, bu özelliklerle model oluşturulmuş olur. Aynı zamanda modelin inşa zamanına sınırlama getirilebilir. Modeli oluşturmak için harcanan zaman kullanıcı tarafından belirlenen bu değeri aştığı anda modelin inşası o andaki işlemi tamamlayıp, bir sonraki en uygun noktada bitirilir. Single Feature Build yönteminde ise sınıflandırma modeli oluşturulmaz, sadece AI önem sıralamasında en üstteki özellik ile ilişkili kurallar oluşturulur. 4.3 Özelliklerin Önem Sıralaması (Attribute Importance- AI) ODM nin kullanıcılarına sunduğu AI, her özelliğin yani her tahmin edici sütunun sonuç sütunu üzerinde etkisini ölçerek elde edilen ölçüm değerlerine göre tahmin edici sütunları önem sırasına göre sıralayan bir uygulamadır. Sınıflandırma modellerinde, özellikle tahmin edici sütun sayısının çok fazla olduğu durumlarda, birçok sütunun hedef sütun üzerinde etkisi olmayabilir hatta bu sütunlar modelin doğruluğuna negatif etki edebilir. Negatif etkisi olan kolonların AI ile belirlenip modelden çıkarılması modelin doğruluğunu artırır. 53

İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK MÜHENDİSLİĞİ PROGRAMI

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

Detaylı

İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK MÜHENDİSLİĞİ PROGRAMI

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

Detaylı

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

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

Detaylı

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

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

Detaylı

İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK MÜHENDİSLİĞİ PROGRAMI

İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK MÜHENDİSLİĞİ PROGRAMI İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK MÜHENDİSLİĞİ PROGRAMI ORACLE DATA MINER İLE SİGORTA SATIN ALAN MÜŞTERİLERİN TAHMİNİ ÜZERİNE BİR VERİ MADENCİLİĞİ UYGULAMASI BİTİRME ÖDEVİ Görkem

Detaylı

Web Madenciliği (Web Mining)

Web Madenciliği (Web Mining) Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimli Öğrenmenin Temelleri Karar Ağaçları Entropi ID3 Algoritması C4.5 Algoritması Twoing

Detaylı

VERİ MADENCİLİĞİNE BAKIŞ

VERİ MADENCİLİĞİNE BAKIŞ VERİ MADENCİLİĞİNE BAKIŞ İçerik Veri Madenciliği Neden Veri Madenciliği? Veri ve Veri Madenciliğinin Önemi Günümüzde Kullanılan Veri Madenciliğinin Çeşitli İsimleri Veri Madenciliği Nedir? Neden Veri Madenciliği?

Detaylı

İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK MÜHENDİSLİĞİ PROGRAMI

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

Detaylı

1. Oracle Data Miner 11g Release 2 Kurulumu Aşamaları

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

Detaylı

VERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr

VERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr VERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma

Detaylı

Web Madenciliği (Web Mining)

Web Madenciliği (Web Mining) Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimsiz Öğrenmenin Temelleri Kümeleme Uzaklık Fonksiyonları Öklid Uzaklığı Manhattan

Detaylı

ENROUTEPLUS TA YAPILMASI GEREKENLER

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

Detaylı

MIKROSAY YAZILIM ve BİLGİSAYAR SAN. TİC. A.Ş

MIKROSAY YAZILIM ve BİLGİSAYAR SAN. TİC. A.Ş MIKROSAY YAZILIM ve BİLGİSAYAR SAN. TİC. A.Ş TEOSMETER OTOMATİK SAYAÇ İZLEME SİSTEMİ Emrah KÜÇÜKALİ Rev1 (27/10/2004) SİSTEMİN AMACI Teosmeter Otomatik Sayaç İzleme Sistemi özellikle haberleşmeli dijital

Detaylı

Veri Madenciliği Yöntemleriyle İGDAŞ Çağrı Merkezi Veri Analizi VE Kalite Fonksiyon Yayılımı Yöntemiyle Süreç İyileştirme Çalışması

Veri Madenciliği Yöntemleriyle İGDAŞ Çağrı Merkezi Veri Analizi VE Kalite Fonksiyon Yayılımı Yöntemiyle Süreç İyileştirme Çalışması Veri Madenciliği Yöntemleriyle İGDAŞ Çağrı Merkezi Veri Analizi VE Kalite Fonksiyon Yayılımı Yöntemiyle Süreç İyileştirme Çalışması Nilay Kurşunoğlu, PwC Yönetim Danışmanlığı Biz Kimiz? Orhan Cem Sorumlu

Detaylı

Ücret Bütçe Simülasyonu

Ücret Bütçe Simülasyonu DESTEK DOKÜMANI Ürün Bölüm : Bordro Plus : Ücret Bütçe Simülasyonu Ücret Bütçe Simülasyonu İnsan Kaynakları Ücret Simülasyonu Genel bütçeye hazırlık için IK bölümlerinin ücret ve bordro maliyetlerini senaryolaştırabileceği

Detaylı

UZAKTAN EĞİTİM MERKEZİ

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

Detaylı

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

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

Detaylı

LKS2. Kredi Kartı Uygulamaları

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

Detaylı

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

PARALEL VERİ MADENCİLİĞİ ALGORİTMALARI. BAŞARIM 09, 15-18 Nisan 2009, ODTÜ, Ankara PARALEL VERİ MADENCİLİĞİ ALGORİTMALARI BAŞARIM 09, 15-18 Nisan 2009, ODTÜ, Ankara Veri Madenciliğine Genel Bir Bakış Veri Madenciliğinin Görevleri Sınıflama Seri Sınıflama Algoritmaları Paralel Sınıflama

Detaylı

Excel de Pivot Tablolar Tasarım ve Kullanımı

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

Detaylı

Yaşanmış Tecrübe Paylaşımı Önce Test Et Sonra Kodla XP Pratiği

Yaşanmış Tecrübe Paylaşımı Önce Test Et Sonra Kodla XP Pratiği TBD 21. Ulusal Bilişim Kurultayı Sunumu Yaşanmış Tecrübe Paylaşımı Önce Test Et Sonra Kodla XP Pratiği Hasan ÖZKESER Bimar Bilgi İşlem Hizmetleri Aş. 5 Ekim 2004 ODTÜ Kültür ve Kongre Merkezi, Ankara 2004

Detaylı

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

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

Detaylı

FATURA ŞABLONU TASARLAMA KILAVUZU

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

Detaylı

Basel II: Bankacılık sektöründe değişim rüzgarları. 4 Mayıs 2006

Basel II: Bankacılık sektöründe değişim rüzgarları. 4 Mayıs 2006 Basel II: Bankacılık sektöründe değişim rüzgarları 4 Mayıs 2006 Basel II: Bankacılık sektöründe değişim rüzgarları İçsel Derecelendirme Modeli Kurulumu KOBİKredileri Açısından Skorkart Uygulamaları Derecelendirme

Detaylı

2. Oracle Data Miner İle Örnek Bir Veri Madenciliği Çalışması

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

Detaylı

DESTEK DOKÜMANI. Tablolu Malzeme Sınıfları

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

Detaylı

Genel Açıklama: Bu çalışmanın kullanıcılarıma yararlı olmasını temenni ederiz. Saygılarımızla, 15 Ekim 2012 Datasoft Yazılım

Genel Açıklama: Bu çalışmanın kullanıcılarıma yararlı olmasını temenni ederiz. Saygılarımızla, 15 Ekim 2012 Datasoft Yazılım Datasoft Yazılım Personel Bordrosu Programı Kanuni Raporlar Menüsünde Aynı Đşyeri Đçin Birden Fazla Aylık Prim ve Hizmet Belgesi XML Dosyasını Bir Defada Hazırlayıp, SGK E-Bildirge Sitesine Gönderilmesini

Detaylı

AKIŞ ŞEMASI AKIŞ ŞEMASI AKIŞ ŞEMASI ŞEKİLLERİ GİRİŞ

AKIŞ ŞEMASI AKIŞ ŞEMASI AKIŞ ŞEMASI ŞEKİLLERİ GİRİŞ GİRİŞ AKIŞ ŞEMASI Bir önceki ünitede algoritma, bilgisayarda herhangi bir işlem gerçekleştirmeden ya da program yazmaya başlamadan önce gerçekleştirilmesi düşünülen işlemlerin belirli bir mantık ve plan

Detaylı

Süreç Yönetimi. Logo

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

Detaylı

Birliktelik Kuralları Analizi. Yard. Doç. Dr. Derya BİRANT Prof. Dr. Alp KUT

Birliktelik Kuralları Analizi. Yard. Doç. Dr. Derya BİRANT Prof. Dr. Alp KUT İş Zekası Çözümleri için i Çok Boyutlu Birliktelik Kuralları Analizi Yard. Doç. Dr. Derya BİRANT Prof. Dr. Alp KUT İçerik 1 Veri Madenciliği 2 Birliktelik Kuralları Analizi 3 Uygulama 4 Algoritma 5 Sonuçlar

Detaylı

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

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

Detaylı

PARALOG SÜT PROGRAMLARINDA ROTA ĐCMALĐ

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

Detaylı

VERİ MADENCİLİĞİ (Birliktelik Kuralları) Yrd.Doç.Dr. Kadriye ERGÜN

VERİ MADENCİLİĞİ (Birliktelik Kuralları) Yrd.Doç.Dr. Kadriye ERGÜN VERİ MADENCİLİĞİ (Birliktelik Kuralları) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Birliktelik Kurallarının Tanımı Destek ve Güven Ölçütleri Apriori Algoritması Birliktelik Kuralları (Association

Detaylı

TURKCELL HİZMETLERİ. Kullanım Bilgileri. LOGO Kasım 2014

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

Detaylı

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

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

Detaylı

İş Zekâsı Sistemi Projesi

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

Detaylı

Ücret Simülasyonu LOGO

Ücret Simülasyonu LOGO Ücret Simülasyonu LOGO KASIM 2011 İçindekiler Ücret Bütçe Simülasyonu...3 Senaryo Kanun Parametreleri...4 Senaryo Kanun Parametresi Bilgileri...5 Senaryo Sanal Sicil Kartları...7 Sanal Sicil Bilgileri...8

Detaylı

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

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

Detaylı

1. VERİ TABANI KAVRAMLARI VE VERİ TABANI OLUŞTUMA

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

Detaylı

Ücret Simülasyonu Nasıl Yapılır?

Ücret Simülasyonu Nasıl Yapılır? Ücret Simülasyonu Nasıl Yapılır? Logo İnsan Kaynakları Ücret Simülasyonu Genel bütçeye hazırlık için IK bölümlerinin ücret ve bordro maliyetlerini senaryolaştırabileceği bir modüldür. Ücret simülasyonu

Detaylı

TAPU VE KADASTRO BİLGİ SİSTEMİ

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

Detaylı

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

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

Detaylı

SPSS E GİRİŞ SPSS TE TEMEL İŞLEMLER. Abdullah Can

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

Detaylı

VERİ TABANI UYGULAMALARI

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

Detaylı

Algoritma Geliştirme ve Veri Yapıları 2 Veri Modelleri. Mustafa Kemal Üniversitesi

Algoritma 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

Detaylı

Yükleme Emrinde bulunan belge numarası, kamyon plaka numarası ve şoför adının irsaliyeye taşınması,

Yükleme Emrinde bulunan belge numarası, kamyon plaka numarası ve şoför adının irsaliyeye taşınması, SEVK VE YÜKLEME EMRİ YENİLİKLERİ Amaç ve Fayda Sevk ve Yükleme Emrine bağlı işlemlerde yapılan yenilikler ile; Yükleme Emri oluştururken stok bakiye kontrolü, Yükleme Emri Oluşturulurken stoktan ayrılan

Detaylı

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

Konular. VERİ MADENCİLİĞİ Giriş. Problem Tanımı. Veri Madenciliği: Tarihçe. Veri Madenciliği Nedir? Bilgi Keşfi VERİ MADENCİLİĞİ Giriş Yrd. Doç. Dr. Şule Gündüz Öğüdücü 1 2 Problem Tanımı Veri Madenciliği: Tarihçe teknolojinin gelişimiyle bilgisayar ortamında ve veritabanlarında tutulan veri miktarının da artması

Detaylı

Sistem Geliştirme Yaşam Döngüsü (The Systems Development Life Cycle) (SDLC)

Sistem Geliştirme Yaşam Döngüsü (The Systems Development Life Cycle) (SDLC) Sistem Geliştirme Yaşam Döngüsü (The Systems Development Life Cycle) (SDLC) Sistem analistlerinin ve kullanıcı faaliyetlerinin spesifik döngüsünün kullanılmasıyla En iyi geliştirilmiş sistemin oluşmasını

Detaylı

SİSTEM ANALİZİ ve TASARIMI. ÖN İNCELEME ve FİZİBİLİTE

SİSTEM ANALİZİ ve TASARIMI. ÖN İNCELEME ve FİZİBİLİTE SİSTEM ANALİZİ ve TASARIMI ÖN İNCELEME ve FİZİBİLİTE Sistem Tasarım ve Analiz Aşamaları Ön İnceleme Fizibilite Sistem Analizi Sistem Tasarımı Sistem Gerçekleştirme Sistem Operasyon ve Destek ÖN İNCELEME

Detaylı

PERFORMANS YÖNETĐMĐ. Hedefe Odaklı Çalışma ve Yetkinlik Yönetimi.

PERFORMANS YÖNETĐMĐ. Hedefe Odaklı Çalışma ve Yetkinlik Yönetimi. PERFORMANS YÖNETĐMĐ Kurumların yapısına uygun performans yönetimi sistemini esnek yapı sayesinde Đnsan Kaynakları uygulaması içinde tanımlayarak takip edebilme Performans kayıtlarını yöneticilere e-posta

Detaylı

Uygulama İş Akış Kaydında Koşul Tanımlamaları

Uygulama İş Akış Kaydında Koşul Tanımlamaları İŞ AKIŞ YÖNETİMİ YENİLİKLERİ Amaç ve Fayda İş Akış Kayıtlarında yapılan değişiklikler ile; İş akış kayıtlarının koşula bağlı tanımlanabilmesi, İş akış kaydında bulunan açık işlerin farklı iş akış kaydına

Detaylı

İÇİNDEKİLER. BÖLÜM 1 Değişkenler ve Grafikler 1. BÖLÜM 2 Frekans Dağılımları 37

İÇİNDEKİLER. BÖLÜM 1 Değişkenler ve Grafikler 1. BÖLÜM 2 Frekans Dağılımları 37 İÇİNDEKİLER BÖLÜM 1 Değişkenler ve Grafikler 1 İstatistik 1 Yığın ve Örnek; Tümevarımcı ve Betimleyici İstatistik 1 Değişkenler: Kesikli ve Sürekli 1 Verilerin Yuvarlanması Bilimsel Gösterim Anlamlı Rakamlar

Detaylı

Veritabanı, Veri Madenciliği, Veri Ambarı, Veri Pazarı

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

Detaylı

VERİ MADENCİLİĞİ VE SOSYAL AĞ ANALİZİ ARAŞTIRMA LABORATUVARI

VERİ 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

Detaylı

Merkezi Eğilim ve Dağılım Ölçüleri

Merkezi Eğilim ve Dağılım Ölçüleri Merkezi Eğilim ve Dağılım Ölçüleri Soru Öğrencilerin derse katılım düzeylerini ölçmek amacıyla geliştirilen 16 soruluk bir test için öğrencilerin ilk 8 ve son 8 soruluk yarılardan aldıkları puanlar arasındaki

Detaylı

Tanımlayıcı İstatistikler. Yrd. Doç. Dr. Emre ATILGAN

Tanımlayıcı 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,

Detaylı

CARİ HESAP ANALİSTİ. Seçilmiş olan cariyi burada görebilirsiniz.

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

Detaylı

CAEeda ÇÖZÜMÜ YAPILMIŞ NACA 0012 KANADI İÇİN 2B ÇİZİM EĞİTİM NOTU. EDA Tasarım Analiz Mühendislik

CAEeda ÇÖZÜMÜ YAPILMIŞ NACA 0012 KANADI İÇİN 2B ÇİZİM EĞİTİM NOTU. EDA Tasarım Analiz Mühendislik CAEeda TM ÇÖZÜMÜ YAPILMIŞ NACA 0012 KANADI İÇİN 2B ÇİZİM EĞİTİM NOTU EDA Tasarım Analiz Mühendislik 1. Kapsam Çözümü yapılmış *.pos.edf dosyasında bulunan çözümağını al. Sonlu eleman modeli üzerinde bulunan

Detaylı

Beklenti Anketi ne İlişkin Yöntemsel Açıklama

Beklenti Anketi ne İlişkin Yöntemsel Açıklama Beklenti Anketi ne İlişkin Yöntemsel Açıklama İstatistik Genel Müdürlüğü Reel Sektör Verileri Müdürlüğü İçindekiler I- Amaç... 3 II- Kapsam... 3 III- Yöntem... 3 IV- Tanımlar ve Hesaplamalar... 3 V- Yayımlama...

Detaylı

Grafik Hazırlama Aracı

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

Detaylı

VERİ KAYNAKLARI. Bilgi sisteminin öğelerinden biride veri

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

Detaylı

MEKTUP BASIMI VE SMS GÖNDERME

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

Detaylı

İş Analitiği'ne Netezza ile Yüksek Performans Katın

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

Detaylı

2. SÜREKLİ DENETİME İLİŞKİN GENEL BİLGİLER

2. SÜREKLİ DENETİME İLİŞKİN GENEL BİLGİLER İÇİNDEKİLER İÇİNDEKİLER... v TABLO LİSTESİ... xi ŞEKİL LİSTESİ... xiii KISALTMALAR... xiv 2. SÜREKLİ DENETİME İLİŞKİN GENEL BİLGİLER... 4 2.1. SÜREKLİ DENETİMİN TANIMI... 4 2.2. SÜREKLİ DENETİM İLE GELENEKSEL

Detaylı

TANIMLAYICI İSTATİSTİKLER

TANIMLAYICI 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

Detaylı

MUĞLA SITKI KOÇMAN ÜNİVERSİTESİ. ECTS Info Pack. ECTS Bilgi Paketi Çalışmaları. Bilgi İşlem Daire Başkanlığı YAZILIM-WEB GRUBU

MUĞLA SITKI KOÇMAN ÜNİVERSİTESİ. ECTS Info Pack. ECTS Bilgi Paketi Çalışmaları. Bilgi İşlem Daire Başkanlığı YAZILIM-WEB GRUBU MUĞLA SITKI KOÇMAN ÜNİVERSİTESİ ECTS Info Pack ECTS Bilgi Paketi Çalışmaları YAZILIM-WEB GRUBU 2013 B i l g i İ ş l e m D a i r e B a ş k a n l ı ğ ı MUĞLA SITKI KOÇMAN ÜNİVERSİTESİ BİLGİ İŞLEM DAİRE BAŞKANLIĞI

Detaylı

AGSoft Vade Farkı Hesaplama Programı

AGSoft Vade Farkı Hesaplama Programı Programın Kullanımı AGSoft Vade Farkı Hesaplama Programı Genel: Değişik tarihlerdeki vadeleri olan borç ve alacakların ortalama vadelerinin hesaplandığı ve girilen vade farkı oranına göre işlem tarihinde

Detaylı

AVĐVASA da Veri Madenciliği Reşat Fırat ERSĐN Stratejik Planlama ve ĐşGeliştirme Birim Yöneticisi

AVĐVASA da Veri Madenciliği Reşat Fırat ERSĐN Stratejik Planlama ve ĐşGeliştirme Birim Yöneticisi AVĐVASA da Veri Madenciliği Reşat Fırat ERSĐN Stratejik Planlama ve ĐşGeliştirme Birim Yöneticisi AvivaSA Bir emeklilik ve hayat sigortası şirketi 1 Kasım 2007. Ak Emeklilik A.Ş. ve Aviva Hayat ve Emeklilik

Detaylı

Stoklarınız ile ilgili tüm hareket ve detaylara menüler arasında gezmeden ulaşabilirsiniz.

Stoklarınız ile ilgili tüm hareket ve detaylara menüler arasında gezmeden ulaşabilirsiniz. OFİS Mikro Perakende Çözümleri 1 MİKRO OFİS SERİSİ Küçük ve orta ölçekteki perakende firmaları için hazırlanan programları, perakende satış noktalarının belkemiği olan satış noktası terminalleri (POSlarla),

Detaylı

Datasoft Yazılım Genel Muhasebe Programı Defter Dökümleri Kılavuzu

Datasoft Yazılım Genel Muhasebe Programı Defter Dökümleri Kılavuzu Datasoft Yazılım Genel Muhasebe Programı Defter Dökümleri Kılavuzu Uygulamanın Đçeriği: Gümrük ve Ticaret Bakanlığı ile Maliye Bakanlığı 19 Aralık 2012 tarih ve 28502 sayılı Resmi gazetede yayınladığı

Detaylı

AGSoft Rotatif Kredi Hesaplama Programı

AGSoft Rotatif Kredi Hesaplama Programı Programın Kullanımı AGSoft Rotatif Kredi Hesaplama Programı Genel: Bankaların belirli limit ve teminat (genellikle vadeli çek) karşılığında kullandırdıkları ve rotatif adı verilen kredilerin kullanılan

Detaylı

İŞ ANALİZİ ve YETKİNLİK MODELLEME

İŞ ANALİZİ ve YETKİNLİK MODELLEME İŞ ANALİZİ ve YETKİNLİK MODELLEME PozitifİK tarafından hazırlanmıştır. Tüm hakları saklıdır. YOURLOGO ÜRÜN VE HİZMETLERİMİZ 2 Projenin Amacı Projenin amacı, fonksiyonel bir yaklaşımla Kiptaş taki tüm pozisyonların

Detaylı

GO PLUS ÜRÜN FARK DOKÜMANI

GO PLUS ÜRÜN FARK DOKÜMANI 2014 GO PLUS ÜRÜN FARK DOKÜMANI LOGO Business Solutions 1/20/2014 GO PLUS ÜRÜN FARKLARI 2.23 Sürümüyle Gelen Yeni Özellikler 1. Kredi Kartı Fiş Tahsilatı - Firma Kredi Kartı Fiş Ödemesi Pencerelerinde

Detaylı

1 Barkomatik Barkod Otomasyon Sistemi 2009-2013

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

Detaylı

TIGER PLUS ÜRÜN FARK DOKÜMANI

TIGER PLUS ÜRÜN FARK DOKÜMANI 2014 TIGER PLUS ÜRÜN FARK DOKÜMANI LOGO Business Solutions 1/20/2014 TIGER PLUS ÜRÜN FARKLARI 2.23 SÜRÜMÜYLE GELEN YENİ ÖZELLİKLER 1. Kredi Kartı Fiş Tahsilatı - Firma Kredi Kartı Fiş Ödemesi Pencerelerinde

Detaylı

Tüm işletmeler UMS 7 kapsamında, UFRS lere göre hazırlanan mali tablolarının bir parçası olarak nakit akım tablosu hazırlamak zorundadırlar.

Tüm işletmeler UMS 7 kapsamında, UFRS lere göre hazırlanan mali tablolarının bir parçası olarak nakit akım tablosu hazırlamak zorundadırlar. UMS 7 Standarda (standardın ilgili paragraflarına referans verilmiştir) Nakit Akım Tablosu Kontrol listesinin bu kısmı nakit akım tablosunun nasıl hazırlaması gerektiğini açıklayan UMS 7 ye yöneliktir.

Detaylı

UFRS ANALİZ DOKÜMANI

UFRS ANALİZ DOKÜMANI UFRS ANALİZ DOKÜMANI Versiyon 7.0.7 MatriksMatriksMatriksMatriksMa 25.10.2013 triksmat Bilgi Dağıtım Hizmetleri A.Ş. riksmatriksmatriksmatriksmatriksiksmatr iksmatriksmatriksmatriksmatriksmatriks İÇİNDEKİLER

Detaylı

ÖZEL EGE İLKÖĞRETİM OKULU

ÖZEL EGE İLKÖĞRETİM OKULU ÖZEL EGE İLKÖĞRETİM OKULU 4.SINIF MATEMATİK DERSİ PROJESİ PROJE KONUSU : GRAFİKLER, KULLANIM ALANLARI VE GRAFİK UYGULAMALARI HAZIRLAYANLAR : Egem ERASLAN F.Sarper TEK Göktürk ERBAYSAL Mert KAHVECİ ÖNSÖZ

Detaylı

MAK 210 SAYISAL ANALİZ

MAK 210 SAYISAL ANALİZ MAK 210 SAYISAL ANALİZ BÖLÜM 6- İSTATİSTİK VE REGRESYON ANALİZİ Doç. Dr. Ali Rıza YILDIZ 1 İSTATİSTİK VE REGRESYON ANALİZİ Bütün noktalardan geçen bir denklem bulmak yerine noktaları temsil eden, yani

Detaylı

Makine Öğrenmesi 3. hafta

Makine Öğrenmesi 3. hafta Makine Öğrenmesi 3. hafta Entropi Karar Ağaçları (Desicion Trees) ID3 C4.5 Sınıflandırma ve Regresyon Ağaçları (CART) Karar Ağacı Nedir? Temel fikir, giriş verisinin bir kümeleme algoritması yardımıyla

Detaylı

Veri Ambarından Veri Madenciliğine

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

Detaylı

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

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

Detaylı

CEN 416 DATA MINING DERSİ PROJESİ ÖĞRENCİLER 080909090 AHMET AKAN 050600707 MEHMET BAKAN

CEN 416 DATA MINING DERSİ PROJESİ ÖĞRENCİLER 080909090 AHMET AKAN 050600707 MEHMET BAKAN CEN 416 DATA MINING DERSİ PROJESİ ÖĞRENCİLER 080909090 AHMET AKAN 050600707 MEHMET BAKAN 1 1. Veri nedir? Veri madenciliği nedir? Veri; işlenmemiş, gerçek ya da enformasyon parçacığına verilen addır. Yani

Detaylı

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

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

Detaylı

SİSTEM ANALİZİ VE TASARIMI. Sistem Analizi -Bilgi Sistemleri-

SİSTEM ANALİZİ VE TASARIMI. Sistem Analizi -Bilgi Sistemleri- SİSTEM ANALİZİ VE TASARIMI Sistem Analizi -Bilgi Sistemleri- Bilgi Sistemi Bilgi sistemi, karar vericiler için verileri işleyerek bilgi sağlayan çoğunlukla bilgisayara dayalı sistemlerdir. Bilgi sistemi

Detaylı

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

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

Detaylı

28.06.2012 tarihli Bankaların İç Sistemleri Hakkında Yönetmelik in Risk Yönetimine İlişkin Düzenlemeleri

28.06.2012 tarihli Bankaların İç Sistemleri Hakkında Yönetmelik in Risk Yönetimine İlişkin Düzenlemeleri 28.06.2012 tarihli Bankaların İç Sistemleri Hakkında Yönetmelik in Risk Yönetimine İlişkin Düzenlemeleri Yönetici Özeti: 28.06.2012 tarihinde yayımlanan Bankaların İç Sistemleri Hakkında Yönetmelik ile

Detaylı

3.2. Raster Veriler. Satırlar. Sütunlar. Piksel/hücre büyüklüğü

3.2. Raster Veriler. Satırlar. Sütunlar. Piksel/hücre büyüklüğü 3.2. Raster Veriler Satırlar Piksel/hücre büyüklüğü Sütunlar 1 Görüntü formatlı veriler Her piksel için gri değerleri kaydedilmiştir iki veya üç bant (RGB) çok sayıda bant Fotoğraf, uydu görüntüsü, ortofoto,

Detaylı

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

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

Detaylı

TrizSOFT. S.P.A.C Altı Sigma Danışmanlık

TrizSOFT. S.P.A.C Altı Sigma Danışmanlık 2009 TrizSOFT S.P.A.C Altı Sigma Danışmanlık İçerik Tanıtım... 3 TRIZ nedir?... 3 Çelişkiler Matrisi... 4 Parametreler... 5 Prensipler... 6 İnovasyon Haritası... 7 Radar Şeması... 8 Ürün Karşılaştırma...

Detaylı

Veri Madenciliği Projelerinin Yaşam Döngüsü - 1

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

Detaylı

MUHASEBECĐ PAKETĐNDE B FORMLARINININ DÜZENLENMESĐ

MUHASEBECĐ PAKETĐNDE B FORMLARINININ DÜZENLENMESĐ MUHASEBECĐ PAKETĐNDE B FORMLARINININ DÜZENLENMESĐ Ürün Grubu Kategori Versiyon Önkoşulu [X] Entegre@6 (Muhasebeci Paketi) [X] Yeni Fonksiyon @6 4.0.12 Seti ve 4.0.10 Onaylı Sürüm Uygulama 6 Şubat 2008

Detaylı

BASEL II. RİSK AĞIRLIK FONKSİYONLARI (Beklenmeyen Kayıplar)

BASEL II. RİSK AĞIRLIK FONKSİYONLARI (Beklenmeyen Kayıplar) BASEL II RİSK AĞIRLIK FONKSİYONLARI (Beklenmeyen Kayıplar) Temerrüde düşmemiş krediler için Basel II düzenlemelerinde Korelasyon Katsayısı, Vade ayarlaması, Sermaye Yükümlülüğü oranı, Sermaye yükümlülüğü

Detaylı

TAPU VE KADASTRO BİLGİ SİSTEMİ

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

Detaylı

Uluslararası Finansal Raporlama Standartlarının İlk Uygulaması

Uluslararası Finansal Raporlama Standartlarının İlk Uygulaması UFRS 1 Standarda (standardın ilgili paragraflarına referans verilmiştir) UFRS 1.20A UFRS 1.25B Uluslararası Finansal Raporlama Standartlarının İlk Uygulaması Kontrol listesinin bu kısmı, bir işletmenin

Detaylı

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

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

Detaylı

CARRIER ve ENERJİ VERİML

CARRIER ve ENERJİ VERİML Carrier HAP e20 programı ile yapılan enerji simülasyonlarında yılın 8.760 saatlik hava verileri kullanılarak gerçek bir saatlik enerji analizi gerçekleştirilir. Program, bina ısı akışını hesaplamak için

Detaylı

T.C. KIRIKKALE ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ YAPAY SİNİR AĞLARI. Doç.Dr. Necaattin BARIŞÇI FİNAL PROJESİ

T.C. KIRIKKALE ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ YAPAY SİNİR AĞLARI. Doç.Dr. Necaattin BARIŞÇI FİNAL PROJESİ T.C. KIRIKKALE ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ YAPAY SİNİR AĞLARI Doç.Dr. Necaattin BARIŞÇI YAPAY SİNİR AĞLARI İLE KORONER ARTER HASTALIĞI RİSK Öğrenci : SİNEM ÖZDER Numarası : 118229001004

Detaylı

PERSONEL TAKİP SİSTEMİ

PERSONEL TAKİP SİSTEMİ PERSONEL TAKİP SİSTEMİ PERSONEL TAKİP 1.0 1- PROGRAMIN AMACI : Bu Program Personellerin Giriş Çıkışlarını Yorumlayarak Puantaj Oluşturmak için Tasarlanmıştır. Personellerin Giriş Ve Çıkışlarında Yapmaları

Detaylı

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

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

Detaylı