MEH535 Örüntü Tanıma

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "MEH535 Örüntü Tanıma"

Transkript

1 MEH535 Örünü Tanıma 4. Paramerik Sınıflandırma Doç.Dr. M. Kemal GÜLLÜ Elekronik ve Haberleşme Mühendisliği Bölümü web: hp://akademikpersonel.kocaeli.edu.r/kemalg/ E-posa: Paramerik Yoğunluk Kesirimi Paramerik Kesirim: Verilen eğiim kümesinden bir olasılıksal model kesirerek belirsizliği modelleme ve en iyi kararı verme problemi: Paramerik, yarı-paramerik ve paramerik olmayan yoğunluk kesirimi Paramerik sınıflandırmada örneklerden paramere kesirme (örn; Gauss modeli için or, değişini) X = { x } =1 N örnekleri x ~p(x) yoğunluğundan gelsin p(x θ) için bir yapı kabul edip X üzerinden θ yı kesirmek örn; N ( μ, σ 2 ) θ = { μ, σ 2 } paramereleri 2 1

2 Paramerik Yoğunluk Kesirimi Eğiim verisinden P(ω i ) ve P(x ω i ) sınıf yoğunluklarını kesirme problemi Eğer kesirilebilir ise P(ω i x) sonsalı hesaplanarak sınıf kararı verilebilir! En Büyük Olabilirlik Kesirimi (Maximum Likelihood Esimaion-MLE) Örnek veri kümesinin üm elemanları için olabilirliği en büyükleyen θ parameresi? 3 En Büyük Olabilirlik Kesirimi (MLE) Bağımsız ve eş dağılımlı (iid) örnek kümesi X = { x } =1 N x bilindik bir θ paramereli p(x θ) olasılık yoğunluğundan gelsin (x ~p(x θ)) Amaç: x nin olabildiğince p(x θ) dan örneklendiği θ parameresini bulmak x iid olduğundan, X kümesinin θ parameresi için olabilirliği (likelihood): l(θ X) = p(x θ) = p(x θ) Lecure Noes for E Alpaydın 2004 Inroducion o Machine Learning The MIT Press (V1.1) 4 2

3 En Büyük Olabilirlik Kesirimi (MLE) Veri kümesi hangi dağılımdan gelmiş olabilir? 5 En Büyük Olabilirlik Kesirimi (MLE) Log olabilirlik: L(θ X) = log l(θ X) = log p(x θ) MLE kesirici: θ * = argmax θ L(θ X) Örnek (Bernoulli D): iki durum x={0,1} P(x) = p x o (1 p o ) (1 x) L (p o X) = log p x o (1 p o ) (1 x ) dl (p o X)/dp o =0 MLE: p o = x / N Lecure Noes for E Alpaydın 2004 Inroducion o Machine Learning The MIT Press (V1.1) 6 3

4 En Büyük Olabilirlik Kesirimi (MLE) Örnek (Çok Terimli D): K>2 çıkı durumu P (x 1,x 2,...,x K ) = i p i x i L(p 1,p 2,...,p K X) = log i p i x i MLE: p i = x i / N Lecure Noes for E Alpaydın 2004 Inroducion o Machine Learning The MIT Press (V1.1) 7 En Büyük Olabilirlik Kesirimi (MLE) Gauss Dağılımı: px 2 1 x exp p(x) = N ( μ, σ 2 ) 1 x 2 exp p x Log Olabilirlik: L(μ,σ X) = -(N/2)log2π Nlogσ - (x -μ) 2 /2σ 2 μ ve σ 2 için MLE: m Lecure Noes for E Alpaydın 2004 Inroducion o Machine Learning The MIT Press (V1.1) N x s 2 x m 2 N 8 4

5 Kesirici Performansı Kesirici: d i = d(x i ) Yanlılık (Bias): b θ (d) = E[d] θ b θ (d) = 0 (yansız) Değişini (Variance): E[(d E[d]) 2 ] Or. Karesel Haa: r (d,θ) = E[(d-θ) 2 ] = (E[d]-θ) 2 + E[(d-E[d]) 2 ] = Bias 2 + Variance Lecure Noes for E Alpaydın 2004 Inroducion o Machine Learning The MIT Press (V1.1) 9 Kesirici Performansı Örnek: Oralama ve değişini kesiricilerinin yansızlığı m N x yansız s 2 x m 2 N yanlı 10 5

6 Bayes Kesirici θ parameresi ile ilgili önsel bilgi mevcu Bu bilgi kısılı sayıda örneke kesirim yaparken faydalı olabilir! θ, p(θ) önselli bir rassal değişken olsun Bayes kuralı: p(θ X) = p(x θ)p(θ)/p(x) Full: p(x X) = p(x θ) p(θ X) dθ Maximum a Poseriori (MAP): θ MAP = argmax θ p(θ X) Maximum Likelihood (ML): θ ML = argmax θ p(x θ) Bayes: θ Bayes = E[θ X] = θp(θ X)dθ Lecure Noes for E Alpaydın 2004 Inroducion o Machine Learning The MIT Press (V1.1) 11 Bayes Kesirici x ~N (θ,σ o2 ) ve θ~n (μ,σ 2 ) θ ML = m θ MAP = θ Bayes = E X N / 1/ N / 1/ / 1/ m N 0 Lecure Noes for E Alpaydın 2004 Inroducion o Machine Learning The MIT Press (V1.1) 12 6

7 Normal Dağılımlı Sınıflar için Bayes Sınıflandırıcıları: MAP karar kuralı: Çok Değişkenli Gauss Yoğunluğu (Mulivariae GD): MAP ayıraç fonksiyonu: 13 Sabi erimler aıldığında: Üsel ifadeden kurulmak için fonksiyonun logariması alındığında: Karesel ayıraç fonksiyonu (quadraic discriminan funcion) 14 7

8 DURUM-1: Öznielikler isaisiksel bağımsız ve değişiniler sabi (Σ i = σ 2 I) Göserim açıldığında: 15 Sabi x T x aıldığında: Ayıraç doğrusal olduğundan, karar sınırları (g i (x)=g j (x)) hiper düzlem (hyperplane) şeklindedir. Önseller eşi kabul edildiğinde En küçük uzaklık/en yakın oralama sınıflandırıcı (minimum disance/neares mean classifier) 16 8

9 En yakın oralama sınıflandırıcıda σ 2 = 1 alındığında uzaklık Euclidean uzaklığına dönüşmekedir. En yakın oralama sınıflandırıcı: 17 Örnek: 2-boyulu uzayda 3-sınıf problemi Sınıf bölgeleri 18 9

10 DURUM-2: Öznielikler isaisiksel bağımsız ve değişinileri farklı (Σ i = Σ, Σ: köşegen) x 2 [k] erimi sabi, aılabilir: 19 Ayıraç doğrusaldır Her eksenin mesafesi değişinisi ile normalize edilmişir Örnek: 20 10

11 DURUM-3: Değişiniler birbirinden, orak değişiniler sıfırdan farklı (Σ i = Σ, Σ: köşegen değil) log Σ erimi aıldığında: Karesel erim Mahalanobis Uzaklığı olarak adlandırılır. 21 Mahalanobis uzaklığı Σ -1 normunu kullanan bir vekör uzaklığıdır Σ -1 uzayda yayma fakörünü anımlar Σ = I durumunda Euclidean uzaklığına dönüşür 22 11

12 Ayıraçaki karesel erim açıldığında: x T Σ -1 x orak, aılabilir: Ayıraç doğrusal olduğundan karar sınırları hiper düzlemdir 23 Önsel olasılıklar eşi alındığında: Örnek: En küçük uzaklık (Mahalanobis) sınıflandırıcı 24 12

13 DURUM-4: Orak değişini marisleri farklı faka durum-1 deki yapıda (Σ i = σ i2 I) İfade karesel olduğundan karar sınırları da kareseldir (hyper-ellipses) 25 Örnek: 26 13

14 DURUM-5: Orak değişini marisleri farklı (Σ i farklı) Karar sınırları karesel: hiper-elips ya da hiper-parabol Ayıraçaki karesel göserim Mahalanobis uzaklığı ile oranılıdır 27 Örnek: 28 14

15 Sonuçlar: Normal dağılımlı sınıflar için Bayes sınıflandırıcı genel durumda karesel sınıflandırıcıdır Normal dağılımlı sınıflar için Bayes sınıflandırıcı eşi orak değişini marisi durumda doğrusal sınıflandırıcıdır En küçük Mahalanobis uzaklığı sınıflandırıcı en uygundur: Normal dağılımlı sınıflarda Eşi orak değişini marisinde Eşi önsellerde En küçük Euclidean uzaklığı sınıflandırıcı en uygundur: Normal dağılımlı sınıflarda Birim maris ile oranılı eşi orak değişini marisinde Eşi önsellerde 29 15

MEH535 Örüntü Tanıma. Örneklerden Sınıf Öğrenme

MEH535 Örüntü Tanıma. Örneklerden Sınıf Öğrenme MEH535 Örünü Tanıma 3. Deneimli Öğrenme Doç.Dr. M. Kemal GÜLLÜ Elekronik ve Haberleşme Mühendisliği Bölümü web: hp://akademikpersonel.kocaeli.edu.r/kemalg/ E-posa: kemalg@kocaeli.edu.r Örneklerden Sınıf

Detaylı

MEH535 Örüntü Tanıma. Karar Teorisi

MEH535 Örüntü Tanıma. Karar Teorisi MEH535 Örüntü Tanıma 2. Karar Teorisi Doç.Dr. M. Kemal GÜLLÜ Elektronik ve Haberleşme Mühendisliği Bölümü web: http://akademikpersonel.kocaeli.edu.tr/kemalg/ E-posta: kemalg@kocaeli.edu.tr Karar Teorisi

Detaylı

Veride etiket bilgisi yok Denetimsiz öğrenme (unsupervised learning) Neden gereklidir?

Veride etiket bilgisi yok Denetimsiz öğrenme (unsupervised learning) Neden gereklidir? MEH535 Örünü Tanıma 7. Kümeleme (Cluserng) Doç.Dr. M. Kemal GÜLLÜ Elekronk ve Haberleşme Mühendslğ Bölümü web: hp://akademkpersonel.kocael.edu.r/kemalg/ E-posa: kemalg@kocael.edu.r Verde eke blgs yok Denemsz

Detaylı

altında ilerde ele alınacaktır.

altında ilerde ele alınacaktır. YTÜ-İktisat İstatistik II Nokta Tahmin Yöntemleri 1 NOKTA TAHMİN YÖNTEMLERİ Şimdiye kadar verilmiş tahmin edicilerin sonlu örneklem ve asimptotik özelliklerini inceledik. Acaba bilinmeyen anakütle parametrelerini

Detaylı

MEH535 Örüntü Tanıma

MEH535 Örüntü Tanıma MEH535 Örüntü Tanıma 3. Denetimli Öğrenme Doç.Dr. M. Kemal GÜLLÜ Elektronik ve Haberleşme Mühendisliği Bölümü web: http://akademikpersonel.kocaeli.edu.tr/kemalg/ E-posta: kemalg@kocaeli.edu.tr Örneklerden

Detaylı

Makine Öğrenmesi 8. hafta

Makine Öğrenmesi 8. hafta Makine Öğrenmesi 8. hafa Takviyeli Öğrenme (Reinforcemen Learning) Q Öğrenme (Q Learning) TD Öğrenme (TD Learning) Öğrenen Vekör Parçalama (LVQ) LVQ2 LVQ-X 1 Takviyeli Öğrenme Takviyeli öğrenme (Reinforcemen

Detaylı

MEH535 Örüntü Tanıma. 6. Boyut Azaltımı (Dimensionality Reduction)

MEH535 Örüntü Tanıma. 6. Boyut Azaltımı (Dimensionality Reduction) MEH535 Örüntü anıma 6. Boyut Azaltımı (Dimensionality Reduction) Doç.Dr. M. Kemal GÜLLÜ Elektronik ve Haberleşme Mühendisliği Bölümü web: http://akademikpersonel.kocaeli.edu.tr/kemalg/ E-posta: kemalg@kocaeli.edu.tr

Detaylı

Normallik Varsayımı ve Ençok Olabilirlik Yöntemi

Normallik Varsayımı ve Ençok Olabilirlik Yöntemi Normallik Varsayımı ve Ençok Olabilirlik Yöntemi EO Açıklayıcı Örnekler Ekonometri 1 Konu 14 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial ShareAlike

Detaylı

IE 303T Sistem Benzetimi

IE 303T Sistem Benzetimi IE 303T Sistem Benzetimi 1 L E C T U R E 5 : O L A S I L I K T E K R A R 2 Review of the Last Lecture Random Variables Beklenen Değer ve Varyans Moment Kesikli Dağılımlar Bernoulli Dağılımı Binom Dağılımı

Detaylı

İstatistiksel Kavramların Gözden Geçirilmesi

İstatistiksel Kavramların Gözden Geçirilmesi İstatistiksel Kavramların Gözden Geçirilmesi İstatistiksel Çıkarsama Ekonometri 1 Konu 3 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial ShareAlike

Detaylı

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

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

Detaylı

Dolar Kurundaki Günlük Hareketler Üzerine Bazı Gözlemler

Dolar Kurundaki Günlük Hareketler Üzerine Bazı Gözlemler Dolar Kurundaki Günlük Harekeler Üzerine Bazı Gözlemler Türkiye Bankalar Birliği Ekonomi Çalışma Grubu Toplanısı 28 Nisan 2008, İsanbul Doç. Dr. Cevde Akçay Koç Finansal Hizmeler Baş ekonomis cevde.akcay@yapikredi.com.r

Detaylı

Hatalar Bilgisi ve İstatistik Ders Kodu: Kredi: 3 / ECTS: 5

Hatalar Bilgisi ve İstatistik Ders Kodu: Kredi: 3 / ECTS: 5 Ders Kodu: 0010070021 Kredi: 3 / ECTS: 5 Yrd. Doç. Dr. Serkan DOĞANALP Necmettin Erbakan Üniversitesi Harita Mühendisliği Bölümü Konya 07.01.2015 1 Giriş 2 Giriş Matematiksel istatistiğin konusu yığın

Detaylı

Bilgisayarla Görüye Giriş

Bilgisayarla Görüye Giriş Bilgisayarla Görüye Giriş Ders 7 SIFT ve Öznitelik Eşleme Alp Ertürk alp.erturk@kocaeli.edu.tr Panorama Oluşturma Görüntü mozaikleme, panorama oluşturma gibi tüm uygulamalar için öncelikle ilgili görüntülerin

Detaylı

Bilgisayarla Görüye Giriş

Bilgisayarla Görüye Giriş Bilgisayarla Görüye Giriş Ders 10 Nesne / Yüz Tespiti ve Tanıma Alp Ertürk alp.erturk@kocaeli.edu.tr Nesne Tespiti Belirli bir nesnenin sahne içindeki konumunun tespitidir Tespit edilecek nesne önceden

Detaylı

İL - İLÇE MERKEZLERİNDEKİ ÖLÜMLERE UYGULANMASI MORTALITY FORECASTING METHODS AND APPLICATION TO DEATHS IN PROVINCE - DISTRICT CENTERS OF TURKEY

İL - İLÇE MERKEZLERİNDEKİ ÖLÜMLERE UYGULANMASI MORTALITY FORECASTING METHODS AND APPLICATION TO DEATHS IN PROVINCE - DISTRICT CENTERS OF TURKEY ÖLÜM ORANI PROJEKSİYON YÖNTEMLERİ VE TÜRKİYE İL - İLÇE MERKEZLERİNDEKİ ÖLÜMLERE UYGULANMASI MORTALITY FORECASTING METHODS AND APPLICATION TO DEATHS IN PROVINCE - DISTRICT CENTERS OF TURKEY TUNA GENÇ Haceepe

Detaylı

Görüntü Sınıflandırma

Görüntü Sınıflandırma Görüntü Sınıflandırma Chapter 12 https://www.google.com.tr/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&uact=8&ved=0 CBwQFjAA&url=http%3A%2F%2Ffaculty.une.edu%2Fcas%2Fszeeman%2Frs%2Flect%2FCh%2 52012%2520Image%2520Classification.ppt&ei=0IA7Vd36GYX4Uu2UhNgP&usg=AFQjCNE2wG

Detaylı

MEH535 Örüntü Tanıma

MEH535 Örüntü Tanıma MEH535 Örüntü Tanıma 1. Örüntü Tanımaya Giriş Doç.Dr. M. Kemal GÜLLÜ Elektronik ve Haberleşme Mühendisliği Bölümü web: http://akademikpersonel.kocaeli.edu.tr/kemalg/ E-posta: kemalg@kocaeli.edu.tr Değerlendirme

Detaylı

4) Seyrek rastlanılan bir hastalık için belli bir zaman araalığında bu hastalığa yakalananların sayısının gözlenmesi,

4) Seyrek rastlanılan bir hastalık için belli bir zaman araalığında bu hastalığa yakalananların sayısının gözlenmesi, POĐSSON DAĞILIMI Poisson Dağılımı sürekli oramlarda (zaman, alan, hacim, ) kesikli sonuçlar veren ve aşağıda a),b),c) şıklarında belirilen özelliklere sahip deneylerin modellenmesinde kullanılan bir dağılım

Detaylı

BAYES ÖĞRENMESİ BİLECİK ÜNİVERSİTESİ. Araş. Gör. Nesibe YALÇIN. Yapay Zeka-Bayes Öğrenme

BAYES ÖĞRENMESİ BİLECİK ÜNİVERSİTESİ. Araş. Gör. Nesibe YALÇIN. Yapay Zeka-Bayes Öğrenme BAYES ÖĞRENMESİ Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ Yapay Zeka-Bayes Öğrenme 1 İÇERİK Bayes Teoremi Bayes Sınıflandırma Örnek Kullanım Alanları Avantajları Dezavantajları Yapay Zeka-Bayes Öğrenme

Detaylı

ÖDEV SORULARI Güz Yarıyılı Öğretim Üyesi: Prof. Dr. Sedef Kent

ÖDEV SORULARI Güz Yarıyılı Öğretim Üyesi: Prof. Dr. Sedef Kent LĐNEER CEBĐR ve UYGULMLRI DERSĐ ÖDEV SORULRI 9- Güz Yarıyılı Öğreim Üyesi: Prof. Dr. Sedef Ken Ödev ile ilgili açıklamalar:. Derse ai dör bölümden oluşan ödevlerin amamı buradadır. ncak ödevler konular

Detaylı

White ın Heteroskedisite Tutarlı Kovaryans Matrisi Tahmini Yoluyla Heteroskedasite Altında Model Tahmini

White ın Heteroskedisite Tutarlı Kovaryans Matrisi Tahmini Yoluyla Heteroskedasite Altında Model Tahmini Ekonomeri ve İsaisik Sayı:4 006-1-8 İSTANBUL ÜNİVERSİTESİ İKTİSAT FAKÜLTESİ EKONOMETRİ VE İSTATİSTİK DERGİSİ Whie ın Heeroskedisie Tuarlı Kovaryans Marisi Tahmini Yoluyla Heeroskedasie Alında Model Tahmini

Detaylı

ĐST 474 Bayesci Đstatistik

ĐST 474 Bayesci Đstatistik ĐST 474 Bayesci Đstatistik Ders Sorumlusu: Dr. Haydar Demirhan haydarde@hacettepe.edu.tr Đnternet Sitesi: http://yunus.hacettepe.edu.tr/~haydarde Đçerik: Olasılık kuramının temel kavramları Bazı özel olasılık

Detaylı

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix C: İstatistiksel Çıkarsama Doç.

Detaylı

Web Madenciliği (Web Mining)

Web 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

Detaylı

1-2 - * Bu Ders Notları tam olarak emin olmamakla birlikte 2012-2013 yıllarına aiitir.tekrardan Sn.Hakan Paçal'a çoook tsk ederiz...

1-2 - * Bu Ders Notları tam olarak emin olmamakla birlikte 2012-2013 yıllarına aiitir.tekrardan Sn.Hakan Paçal'a çoook tsk ederiz... 1-2 - * Bu Ders Notları tam olarak emin olmamakla birlikte 2012-2013 yıllarına aiitir.tekrardan Sn.Hakan Paçal'a çoook tsk ederiz... CABİR VURAL BAHAR 2006 Açıklamalar

Detaylı

Ayhan Topçu Accepted: January 2012. ISSN : 1308-7304 ayhan_topcu@hotmail.com 2010 www.newwsa.com Ankara-Turkey

Ayhan Topçu Accepted: January 2012. ISSN : 1308-7304 ayhan_topcu@hotmail.com 2010 www.newwsa.com Ankara-Turkey ISSN:136-3111 e-journal of New World Sciences Academy 212, Volume: 7, Number: 1, Aricle Number: 3A47 NWSA-PHYSICAL SCIENCES Received: December 211 Ayhan Toçu Acceed: January 212 Fahrein Arslan Series :

Detaylı

KONYA İLİ SICAKLIK VERİLERİNİN ÇİFTDOĞRUSAL ZAMAN SERİSİ MODELİ İLE MODELLENMESİ

KONYA İLİ SICAKLIK VERİLERİNİN ÇİFTDOĞRUSAL ZAMAN SERİSİ MODELİ İLE MODELLENMESİ KONYA İLİ SICAKLIK VERİLERİNİN ÇİFTDOĞRUSAL ZAMAN SERİSİ MODELİ İLE MODELLENMESİ İsmail KINACI 1, Aşır GENÇ 1, Galip OTURANÇ, Aydın KURNAZ, Şefik BİLİR 3 1 Selçuk Üniversiesi, Fen-Edebiya Fakülesi İsaisik

Detaylı

Kredi 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 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

Detaylı

SÜREKLİ OLASILIK DAĞILIŞLARI

SÜREKLİ OLASILIK DAĞILIŞLARI SÜREKLİ OLASILIK DAĞILIŞLARI Sürekli verilerin göstermiş olduğu dağılışa sürekli olasılık dağılışı denir. Sürekli olasılık dağılışlarının fonksiyonlarına yoğunluk fonksiyonu denilmekte ve bu dağılışlarla

Detaylı

Üç Boyutlu Uzayda Koordinat sistemi

Üç Boyutlu Uzayda Koordinat sistemi Üç Boyutlu Uzayda Koordinat sistemi Uzayda bir noktayı ifade edebilmek için ilk önce O noktasını (başlangıç noktası) ve bu noktadan geçen ve birbirine dik olan üç yönlü doğruyu seçerek sabitlememiz gerekir.

Detaylı

İç-Çarpım Uzayları ÜNİTE. Amaçlar. İçindekiler. Yazar Öğr. Grv. Dr. Nevin ORHUN

İç-Çarpım Uzayları ÜNİTE. Amaçlar. İçindekiler. Yazar Öğr. Grv. Dr. Nevin ORHUN İç-Çarpım Uzayları Yazar Öğr. Grv. Dr. Nevin ORHUN ÜNİTE Amaçlar Bu üniteyi çalıştıktan sonra; R n, P n (R), M nxn vektör uzaylarında iç çarpım kavramını tanıyacak ve özelliklerini görmüş olacaksınız.

Detaylı

İMKB NİN LATİN AMERİKA BORSALARIYLA İLİŞKİSİ ÜZERİNE ÇOK DEĞİŞKENLİ GARCH MODELLEMESİ

İMKB NİN LATİN AMERİKA BORSALARIYLA İLİŞKİSİ ÜZERİNE ÇOK DEĞİŞKENLİ GARCH MODELLEMESİ Sosyal Bilimler Dergisi 2010, (4), 25-32 İMKB NİN LATİN AMERİKA BORSALARIYLA İLİŞKİSİ ÜZERİNE ÇOK DEĞİŞKENLİ GARCH MODELLEMESİ Özlem YORULMAZ - Oya EKİCİ İsanbul Üniversiesi İkisa Fakülesi Ekonomeri Bölümü

Detaylı

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

MIT OpenCourseWare 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

YÖNEYLEM ARAŞTIRMASI - III

YÖNEYLEM ARAŞTIRMASI - III YÖNEYLEM ARAŞTIRMASI - III Prof. Dr. Cemalettin KUBAT Yrd. Doç. Dr. Özer UYGUN İçerik Quadratic Programming Bir karesel programlama modeli aşağıdaki gibi tanımlanır. Amaç fonksiyonu: Maks.(veya Min.) z

Detaylı

Konu 5. Bölüm 2 : Proje Değerlendirme ve Gözden Geçirme Tekniği (PERT) Üç zamanlı tahmin yaklaşımı. a : Faaliyetin iyimser gerçekleşme süresi

Konu 5. Bölüm 2 : Proje Değerlendirme ve Gözden Geçirme Tekniği (PERT) Üç zamanlı tahmin yaklaşımı. a : Faaliyetin iyimser gerçekleşme süresi Proje Yönetimi ölüm : Proje eğerlendirme ve özden eçirme Tekniği (PRT) Konu PRT Proje Planlamasında Olasılıksal Yaklaşım Üç zamanlı tahmin yaklaşımı a : aaliyetin iyimser gerçekleşme süresi m : aaliyetin

Detaylı

MARKOV ZİNCİRİ MONTE CARLO YÖNTEMİNİN DİNAMİK DOĞRUSAL MODELLERE UYGULANMASI

MARKOV ZİNCİRİ MONTE CARLO YÖNTEMİNİN DİNAMİK DOĞRUSAL MODELLERE UYGULANMASI MARKOV ZİNCİRİ MONTE CARLO YÖNTEMİNİN DİNAMİK DOĞRUSAL MODELLERE UYGULANMASI AN APPLICATION OF MARKOV CHAIN MONTE CARLO METHOD TO DYNAMIC LINEAR MODELS HATİCE YAĞMUR GÜRKAN Prof. Dr. GÜL ERGÜN Tez Danışmanı

Detaylı

Matematiksel Optimizasyon ve Yapay Öğrenme

Matematiksel Optimizasyon ve Yapay Öğrenme Matematiksel Optimizasyon ve Yapay Öğrenme İlker Birbil Sabancı Üniversitesi Mühendislik ve Doğa Bilimleri Fakültesi Endüstri Mühendisliği Programı Veri Bilimi İstanbul Buluşma 14 Şubat, 2017 Optimizasyon

Detaylı

Appendix B: Olasılık ve Dağılım Teorisi

Appendix B: Olasılık ve Dağılım Teorisi Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım

Detaylı

ANADOLU ÜNİVERSİTESİ BEKLENEN DEĞER. X beklenen değeri B[X] ile gösterilir. B[X] = İST 213 OLASILIK DERSİ BEKLENEN DEĞER VE MOMENTLER

ANADOLU ÜNİVERSİTESİ BEKLENEN DEĞER. X beklenen değeri B[X] ile gösterilir. B[X] = İST 213 OLASILIK DERSİ BEKLENEN DEĞER VE MOMENTLER ANADOLU ÜNİVERSİTESİ İST 213 OLASILIK DERSİ BEKLENEN DEĞER VE MOMENTLER DOÇ. DR. NİHAL ERGİNEL 2015 X beklenen değeri B[X] ile gösterilir. B[X] = BEKLENEN DEĞER Belli bir malzeme taşınan kolilerin ağırlıkları

Detaylı

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım Teorisi

Detaylı

KAHKAHA TANIMA İÇİN RASSAL ORMANLAR

KAHKAHA 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

Detaylı

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

MIT OpenCourseWare 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

SÜREKLİ RASSAL DEĞİŞKENLER

SÜREKLİ RASSAL DEĞİŞKENLER SÜREKLİ RASSAL DEĞİŞKENLER Sürekli Rassal Değişkenler Sürekli Rassal Değişken: Değerleriölçümyadatartımla elde edilen, bir başka anlatımla sayımla elde edilemeyen, değişkene sürekli rassal değişken denir.

Detaylı

RASGELE SÜREÇLER İ.Ü. ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ İLETİŞİM LABORATUVARI ARALIK, 2007

RASGELE SÜREÇLER İ.Ü. ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ İLETİŞİM LABORATUVARI ARALIK, 2007 RASGELE SÜREÇLER İ.Ü. ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ İLETİŞİM LABORATUVARI ARALIK, 007 1 Tekdüze Dağılım Bir X rasgele değişkenin, a ve b arasında tekdüze dağılımlı olabilmesi için olasılık yoğunluk

Detaylı

Kolektif Öğrenme Metotları

Kolektif Öğrenme Metotları Kolektif Öğrenme Metotları Kolektif öğrenme algoritmalarına genel bakış 1-Bagging 2-Ardışık Topluluklarla Öğrenme (Boosting) 3-Rastsal Altuzaylar 4-Rastsal Ormanlar 5-Aşırı Rastsal Ormanlar 6-Rotasyon

Detaylı

Matris Cebiriyle Çoklu Regresyon Modeli

Matris Cebiriyle Çoklu Regresyon Modeli Matris Cebiriyle Çoklu Regresyon Modeli Hüseyin Taştan Mart 00 Klasik Regresyon Modeli k açıklayıcı değişkenden oluşan regresyon modelini her gözlem i için aşağıdaki gibi yazabiliriz: y i β + β x i + β

Detaylı

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

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

Detaylı

Ders 4: Rastgele Değişkenler ve Dağılımları

Ders 4: Rastgele Değişkenler ve Dağılımları Ders 4: Rastgele Değişkenler ve Dağılımları Rastgele değişken kavramı Kesikli ve sürekli rastgele değişkenler İki boyutlu rastgele değişkenler Beklenen değer Varyans Örnek uzaydaki her elemanı bir sayıyla

Detaylı

Bu durumu, konum bazında bileşenlerini, yani dalga fonksiyonunu, vererek tanımlıyoruz : ) 1. (ikx x2. (d)

Bu durumu, konum bazında bileşenlerini, yani dalga fonksiyonunu, vererek tanımlıyoruz : ) 1. (ikx x2. (d) Ders 10 Metindeki ilgili bölümler 1.7 Gaussiyen durum Burada, 1-d de hareket eden bir parçacığın önemli Gaussiyen durumu örneğini düşünüyoruz. Ele alış biçimimiz kitaptaki ile neredeyse aynı ama bu örnek

Detaylı

PERGEL YAYINLARI LYS 1 DENEME-6 KONU ANALİZİ SORU NO LYS 1 MATEMATİK TESTİ KAZANIM NO KAZANIMLAR

PERGEL YAYINLARI LYS 1 DENEME-6 KONU ANALİZİ SORU NO LYS 1 MATEMATİK TESTİ KAZANIM NO KAZANIMLAR 2013-2014 PERGEL YAYINLARI LYS 1 DENEME-6 KONU ANALİZİ SORU NO LYS 1 MATEMATİK TESTİ A B KAZANIM NO KAZANIMLAR 1 1 / 31 12 32173 Üslü İfadeler 2 13 42016 Rasyonel ifade kavramını örneklerle açıklar ve

Detaylı

İstatistik I Ders Notları

İstatistik I Ders Notları İstatistik I Ders Notları Sürekli Rassal Değişkenler Hüseyin Taştan Kasım 2, 26 İçindekiler Sürekli Rassal Değişkenlerin Özellikleri 2 2 Olasılık Yoğunluk Fonksiyonu 2 Birikimli Olasılık Fonksiyonu 6 4

Detaylı

DERS BİLGİLERİ. Ders Kodu Yarıyıl T+U Saat Kredi AKTS İSTATİSTİKSEL KESTİRİM ESYE647 3+0 3 7

DERS BİLGİLERİ. Ders Kodu Yarıyıl T+U Saat Kredi AKTS İSTATİSTİKSEL KESTİRİM ESYE647 3+0 3 7 DERS BİLGİLERİ Ders Kodu Yarıyıl T+U Saat Kredi AKTS İSTATİSTİKSEL KESTİRİM ESYE647 3+0 3 7 Ön Koşul Dersleri ISE252 seviyesinde istatistik bilgisi. Dersin Dili Dersin Seviyesi Dersin Türü İngilizce Doktora

Detaylı

İSTATİSTİK I KAVRAMLARININ

İSTATİSTİK I KAVRAMLARININ YTÜ-İktisat İstatistik II İstatistik I Gözden Geçirme İSTATİSTİK I KAVRAMLARININ GÖZDEN GEÇİRİLMESİ Hüseyin Taştan Yıldız Teknik Üniversitesi, İktisat Bölümü, email: tastan@yildiz.edu.tr YTÜ-İktisat İstatistik

Detaylı

7. BÖLÜM İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI .= 1 1 + + Genel: Vektörler bölümünde vektörel iç çarpım;

7. BÖLÜM İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI .= 1 1 + + Genel: Vektörler bölümünde vektörel iç çarpım; İÇ ÇARPIM UZAYLARI 7. BÖLÜM İÇ ÇARPIM UZAYLARI Genel: Vektörler bölümünde vektörel iç çarpım;.= 1 1 + + Açıklanmış ve bu konu uzunluk ve uzaklık kavramlarını açıklamak için kullanılmıştır. Bu bölümde öklit

Detaylı

STATİK MÜHENDİSLİK MEKANİĞİ. Behcet DAĞHAN. Behcet DAĞHAN. Behcet DAĞHAN. Behcet DAĞHAN

STATİK MÜHENDİSLİK MEKANİĞİ. Behcet DAĞHAN. Behcet DAĞHAN. Behcet DAĞHAN.  Behcet DAĞHAN Statik Ders Notları Sınav Soru ve Çözümleri DAĞHAN MÜHENDİSLİK MEKANİĞİ STATİK MÜHENDİSLİK MEKANİĞİ STATİK İÇİNDEKİLER 1. GİRİŞ - Skalerler ve Vektörler - Newton Kanunları. KUVVET SİSTEMLERİ - İki Boutlu

Detaylı

Elektrik Devre Temelleri

Elektrik Devre Temelleri Elektrik Devre Temelleri 2. TEMEL KANUNLAR Doç. Dr. M. Kemal GÜLLÜ Elektronik ve Haberleşme Mühendisliği Kocaeli Üniversitesi Bu bölümde Ohm Kanunu Düğüm, dal, çevre 2.1. Giriş Kirchhoff Kanunları Paralel

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

DEĞİŞKENLER ARASINDAKİ GECİKMELİ İLİŞKİLER: Dağıtılmış Gecikme ve Otoregresiv Modeller

DEĞİŞKENLER ARASINDAKİ GECİKMELİ İLİŞKİLER: Dağıtılmış Gecikme ve Otoregresiv Modeller DEĞİŞKENLER ARASINDAKİ GECİKMELİ İLİŞKİLER: Dağıılmış Gecikme ve Ooregresiv Modeller 1 Zaman serisi modellerinde, bağımlı değişken Y nin zamanındaki değerleri, bağımsız X değişkenlerinin zamanındaki cari

Detaylı

İÇİNDEKİLER ÖNSÖZ Bölüm 1 SAYILAR 11 Bölüm 2 KÜMELER 31 Bölüm 3 FONKSİYONLAR

İÇİNDEKİLER ÖNSÖZ Bölüm 1 SAYILAR 11 Bölüm 2 KÜMELER 31 Bölüm 3 FONKSİYONLAR İÇİNDEKİLER ÖNSÖZ III Bölüm 1 SAYILAR 11 1.1. Sayı Kümeleri 12 1.1.1.Doğal Sayılar Kümesi 12 1.1.2.Tam Sayılar Kümesi 13 1.1.3.Rasyonel Sayılar Kümesi 14 1.1.4. İrrasyonel Sayılar Kümesi 16 1.1.5. Gerçel

Detaylı

Z = S n E(S n ) V ar(sn ) = S n nµ. S nn. n 1/2 n σ

Z = S n E(S n ) V ar(sn ) = S n nµ. S nn. n 1/2 n σ YTÜ-İktisat İstatistik II Merkezi Limit Teoremi 1 MERKEZİ LİMİT TEOREMİ CENTRAL LIMIT THEOREM X 1,X 2,...,X n herbirinin ortalaması µ ve varyansı σ 2 olan ve aynı dağılıma uyan n tane bağımsız r.d. olsun.

Detaylı

T.C. GAZİ ÜNİVERSİTESİ ENERJİ SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ ISI TRANSFER LABORATUVARI ISIL IŞINIM ÜNİTESİ

T.C. GAZİ ÜNİVERSİTESİ ENERJİ SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ ISI TRANSFER LABORATUVARI ISIL IŞINIM ÜNİTESİ T.C. GAZİ ÜNİVERSİTESİ ENERJİ SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ ISI TRANSFER LABORATUVARI ISIL IŞINIM ÜNİTESİ DENEY 1: ISI IÇIN TERS KARE KANUNU 1. DENEYİN AMACI: Bir yüzeydeki ışınım şiddetinin, yüzeyin

Detaylı

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

MIT OpenCourseWare 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

-ENFLASYON ROBUST ESTIMATION OF THE VECTOR AUTOREGRESSIVE MODEL: AN INVESTIGATION OF THE RELATIONSHIP BETWEEN ECONOMIC GROWTH AND INFLATION

-ENFLASYON ROBUST ESTIMATION OF THE VECTOR AUTOREGRESSIVE MODEL: AN INVESTIGATION OF THE RELATIONSHIP BETWEEN ECONOMIC GROWTH AND INFLATION Marmara Üniversiesi YIL 2010, SAYI II, S. 539-553 -ENFLASYON Öze Özlem YORULMAZ * ** - Anahar Kelimeler: ROBUST ESTIMATION OF THE VECTOR AUTOREGRESSIVE MODEL: AN INVESTIGATION OF THE RELATIONSHIP BETWEEN

Detaylı

KAMU PERSONEL SEÇME SINAVI ÖĞRETMENLİK ALAN BİLGİSİ TESTİ ORTAÖĞRETİM MATEMATİK ÖĞRETMENLİĞİ TG 4 ÖABT ORTAÖĞRETİM MATEMATİK Bu testlerin her hakkı saklıdır. Hangi amaçla olursa olsun, testlerin tamamının

Detaylı

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

MIT OpenCourseWare 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

IE 303T Sistem Benzetimi DERS 4 : O L A S I L I K T E K R A R

IE 303T Sistem Benzetimi DERS 4 : O L A S I L I K T E K R A R IE 303T Sistem Benzetimi DERS 4 : O L A S I L I K T E K R A R Geçen Ders Envanter yonetımı: Gazetecı problemı Rastsal Rakamlar Üret Talebi hesapla Geliri hesapla Toplam maliyeti hesapla Günlük ve aylık

Detaylı

Bölüm V Darbe Kod Modülasyonu

Bölüm V Darbe Kod Modülasyonu - Güz Bölüm V Dare Kod Modülasyonu emel Bilgiler Bi nerjisi Gürülü Gücü İlinisel lıcı Uygun Süzgeçli lıcı Bi Haa Olasılığı Semoller rası Girişim DKM ve Ha Kodlama DC veya Bilgisayardan sayısal daa k Semol

Detaylı

MIT Açık Ders Malzemesi İstatistiksel Mekanik II: Alanların İstatistiksel Fiziği 2008 Bahar

MIT Açık Ders Malzemesi İstatistiksel Mekanik II: Alanların İstatistiksel Fiziği 2008 Bahar MIT Açık Ders Malzemesi http://ocw.mit.edu 8.334 İstatistiksel Mekanik II: Alanların İstatistiksel Fiziği 008 Bahar Bu malzemeye atıfta bulunmak ve Kullanım Şartlarımızla ilgili bilgi almak için http://ocw.mit.edu/terms

Detaylı

3 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI

3 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI ÖNSÖZ İÇİNDEKİLER III Bölüm 1 İSTATİSTİK ve SAYISAL BİLGİ 11 1.1 İstatistik ve Önemi 12 1.2 İstatistikte Temel Kavramlar 14 1.3 İstatistiğin Amacı 15 1.4 Veri Türleri 15 1.5 Veri Ölçüm Düzeyleri 16 1.6

Detaylı

TEKİRDAĞ SOSYAL BİLİMLER LİSESİ 10. SINIF MATEMATİK DERSİ YILLIK PLANI

TEKİRDAĞ SOSYAL BİLİMLER LİSESİ 10. SINIF MATEMATİK DERSİ YILLIK PLANI 9 Eylül- Eylül 0-07 TEKİRDAĞ SOSYAL BİLİMLER LİSESİ 0. SINIF MATEMATİK DERSİ YILLIK PLANI Veri, Sayma ve Sayma. Olayların gerçekleşme sayısını toplama ve çarpma prensiplerini kullanarak hesaplar. Sıralama

Detaylı

DİKKAT! SORU KİTAPÇIĞINIZIN TÜRÜNÜ A OLARAK CEVAP KÂĞIDINIZA İŞARETLEMEYİ UNUTMAYINIZ. MATEMATİK SINAVI MATEMATİK TESTİ

DİKKAT! SORU KİTAPÇIĞINIZIN TÜRÜNÜ A OLARAK CEVAP KÂĞIDINIZA İŞARETLEMEYİ UNUTMAYINIZ. MATEMATİK SINAVI MATEMATİK TESTİ DİKKAT! SORU KİTAPÇIĞINIZIN TÜRÜNÜ A OLARAK CEVAP KÂĞIDINIZA İŞARETLEMEYİ UNUTMAYINIZ. MATEMATİK SINAVI MATEMATİK TESTİ 1. Bu testte 50 soru vardır.. Cevaplarınızı, cevap kâğıdının Matematik Testi için

Detaylı

Akış YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Akış YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ Akış Makine Öğrenmesi nedir? Günlük Hayatımızdaki Uygulamaları Verilerin Sayısallaştırılması Özellik Belirleme Özellik Seçim Metotları Bilgi Kazancı (Informaiton Gain-IG) Sinyalin Gürültüye Oranı: (S2N

Detaylı

DEÜ MÜHENDİSLİK FAKÜLTESİ FEN ve MÜHENDİSLİK DERGİSİ Cilt: 7 Sayı: 3 s. 31-36 Ekim 2005

DEÜ MÜHENDİSLİK FAKÜLTESİ FEN ve MÜHENDİSLİK DERGİSİ Cilt: 7 Sayı: 3 s. 31-36 Ekim 2005 DEÜ MÜHENDİSLİK FAKÜLTESİ FEN ve MÜHENDİSLİK DERGİSİ Cilt: 7 Sayı: 3 s. 31-36 Ekim 2005 PROSTAT HÜCRE ÇEKİRDEKLERİNİN SINIFLANDIRILMASINDA İSTATİSTİKSEL YÖNTEMLERİN VE YAPAY SİNİR AĞLARININ BAŞARIMI (PERFORMANCE

Detaylı

Fizik II Elektrik ve Manyetizma Manyetik Alan Kaynakları-1

Fizik II Elektrik ve Manyetizma Manyetik Alan Kaynakları-1 Ders Hakkında Fizik-II Elektrik ve Manyetizma Dersinin Amacı Bu dersin amacı, fen ve mühendislik öğrencilerine elektrik ve manyetizmanın temel kanunlarını lisans düzeyinde öğretmektir. Dersin İçeriği Hafta

Detaylı

2.1 Gri Düzey Eş Oluşum Matrisi ( GLCM) Gri düzey eş oluşum matrisi Haralick tarafından öne sürülmüştür [1]. Đstatistiksel doku analizi yöntemidir.

2.1 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

Detaylı

EEM HABERLEŞME TEORİSİ NİĞDE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ

EEM HABERLEŞME TEORİSİ NİĞDE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ EEM3006 - HABERLEŞME TEORİSİ NİĞDE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ EEM3006 - HABERLEŞME TEORİSİ Dersin Öğretim Elemanı: Yrd. Doç. Dr. Yasin KABALCI Ders Görüşme

Detaylı

Rastgele Süreçler. Rastgele süreç konsepti (Ensemble) Örnek Fonksiyonlar. deney. Zaman (sürekli veya kesikli) Ensemble.

Rastgele Süreçler. Rastgele süreç konsepti (Ensemble) Örnek Fonksiyonlar. deney. Zaman (sürekli veya kesikli) Ensemble. 1 Rastgele Süreçler Olasılık taması Rastgele Deney Çıktı Örnek Uzay, S (s) Zamanın Fonksiy onu (t, s) Olayları Tanımla Rastgele süreç konsepti (Ensemble) deney (t,s 1 ) 1 t Örnek Fonksiyonlar (t,s ) t

Detaylı

7. Ders Genel Lineer Modeller Singüler Modeller, Yanlış veya Bilinmeyen Kovaryanslar, Đlişkili Hatalar

7. Ders Genel Lineer Modeller Singüler Modeller, Yanlış veya Bilinmeyen Kovaryanslar, Đlişkili Hatalar 7. Ders Genel Lineer Modeller Singüler Modeller, Yanlış veya Bilinmeyen Kovaryanslar, Đlişkili Hatalar Y = X β + ε Lineer Modeli pekçok özel hallere sahiptir. Bunlar, ε nun dağılımına, Cov( ε ) kovaryans

Detaylı

PAMUKKALE ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ

PAMUKKALE ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ PAMUKKALE ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ BAYES AĞLARI KULLANARAK MEDİKAL TRANSTORASİK EKOKARDİYOGRAFİ VERİLERİNİN İŞLENMESİ VE TEŞHİS YAZILIMI GELİŞTİRİLMESİ YÜKSEK LİSANS TEZİ Bedia Sündüz KILIÇ

Detaylı

= e DIŞ MERKEZLİK HAZİNE-1 HAZİNE-2

= e DIŞ MERKEZLİK HAZİNE-1 HAZİNE-2 HAZİNE-1 HAZİNE-2 Bir eksen üzerinde verilen noktadan geçen ve eksen ile belirli açı yaparak dönen doğrunun oluşturduğu yüzeye konik yüzey denir. Konik yüzeyin değişik düzlemler ile arakesit kümeleri çember,

Detaylı

Murat MAZIBAŞ mmazibas@bddk.org.tr Bankacılık Düzenleme ve Denetleme Kurumu (BDDK) ÖZET

Murat MAZIBAŞ mmazibas@bddk.org.tr Bankacılık Düzenleme ve Denetleme Kurumu (BDDK) ÖZET İMKB Piyasalarındaki Volailienin Modellenmesi ve Öngörülmesi: Asimerik GARCH Modelleri ile bir Uygulama Mura MAZIBAŞ mmazibas@bddk.org.r Bankacılık Düzenleme ve Deneleme Kurumu (BDDK) ÖZET Çalışmada, 5

Detaylı

1. ÇÖZÜM YOLU: (15) 8 = = 13 13:2 = :2 = :2 = 1.2+1

1. ÇÖZÜM YOLU: (15) 8 = = 13 13:2 = :2 = :2 = 1.2+1 . ÇÖZÜM YOLU: (5) 8 =.8+5 = 3 3:2 = 6.2+ 6:2 = 3.2+0 3:2 =.2+ En son bölümden başlayarak kalanları sıralarız. (5) 8 = (0) 2 2. ÇÖZÜM YOLU: 8 sayı tabanında verilen sayının her basamağını, 2 sayı tabanında

Detaylı

SÜREKLĠ OLASILIK DAĞILIMLARI

SÜREKLĠ 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

Detaylı

LİSELERARASI ORTAK DENEME SINAVI

LİSELERARASI ORTAK DENEME SINAVI LİSELERARASI ORTAK DENEME SINAVI SINAV KURALLARI 1-) Sınavın süresi 5 saattir. Sağlıklı ve adil sonuçların elde edilebilmesi için süre kuralına özen gösterilmesi önemle rica olunur. 2-) Sınava katılan

Detaylı

OLS Yönteminin Asimptotik (Büyük Örneklem) Özellikleri SIRADAN EN KÜÇÜK KARELER (OLS) Asimptotik Özellikler: Tutarlılık. Asimptotik Özellikler

OLS Yönteminin Asimptotik (Büyük Örneklem) Özellikleri SIRADAN EN KÜÇÜK KARELER (OLS) Asimptotik Özellikler: Tutarlılık. Asimptotik Özellikler 1 SIRADAN EN KÜÇÜK KARELER (OLS) YÖNTEMİNİN ASİMPTOTİK ÖZELLİKLERİ Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge

Detaylı

LİNEER CEBİR ve MÜHENDİSLİK UYGULAMALARI (MEH111) Dersi Final Sınavı 1.Ö

LİNEER CEBİR ve MÜHENDİSLİK UYGULAMALARI (MEH111) Dersi Final Sınavı 1.Ö LİNEER CEBİR ve MÜHENDİSLİK UYGULAMALARI (MEH) Dersi Final Sınavı.Ö. 02.0.207 Ad Soyad : (25p) 2(25p) 3(25p) 4(25p) Toplam Numara : İmza : Kitap ve notlar kapalıdır. Yalnızca kalem, silgi, sınav kağıdı

Detaylı

12. Hafta Ders Notları GENEL TEKRAR

12. Hafta Ders Notları GENEL TEKRAR 12. Hafta Ders Notları GENEL TEKRAR A Veri Türleri Anakütle bir bütünü temsil ederken; örneklem, bir bütünün sadece bir kısmını temsil etmektedir. Anakütledeki gözlem sayısı N ile temsil edilirken; örneklemdeki

Detaylı

TÜRKİYE NÜFUSU İÇİN STOKASTİK ÖLÜMLÜLÜK MODELLERİ

TÜRKİYE NÜFUSU İÇİN STOKASTİK ÖLÜMLÜLÜK MODELLERİ Nüfusbilim Dergisi\Turkish Journal of Populaion Sudies, 2012, 34, 31-50 31 TÜRKİYE NÜFUSU İÇİN STOKASTİK ÖLÜMLÜLÜK MODELLERİ Ölümlülük ahminleri, demografi ve aküerya bilimlerinde önemli bir rol oynamakadır.

Detaylı

Math 103 Lineer Cebir Dersi Final Sınavı

Math 103 Lineer Cebir Dersi Final Sınavı Haliç Üniversitesi, Uygulamalı Matematik Bölümü Math 3 Lineer Cebir Dersi Final Sınavı 3 Araliık 7 Hazırlayan: Yamaç Pehlivan Başlama saati: : Bitiş Saati: 3:4 Toplam Süre: Dakika Lütfen adınızı ve soyadınızı

Detaylı

Teknolojik bir değişiklik veya üretim arttırıcı bir yatırımın sonucunda ihracatta, üretim miktarında vs. önemli artışlar olabilir.

Teknolojik bir değişiklik veya üretim arttırıcı bir yatırımın sonucunda ihracatta, üretim miktarında vs. önemli artışlar olabilir. YAPISAL DEĞİŞİKLİK Zaman serileri bazı nedenler veya bazı fakörler arafından ekilenerek zaman içinde değişikliklere uğrayabilirler. Bu değişim ikisadi kriz, ikisa poliikalarında yapılan değişiklik, eknolojik

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

DİKKAT! SORU KİTAPÇIĞINIZIN TÜRÜNÜ A OLARAK CEVAP KÂĞIDINIZA İŞARETLEMEYİ UNUTMAYINIZ. MATEMATİK SINAVI MATEMATİK TESTİ

DİKKAT! SORU KİTAPÇIĞINIZIN TÜRÜNÜ A OLARAK CEVAP KÂĞIDINIZA İŞARETLEMEYİ UNUTMAYINIZ. MATEMATİK SINAVI MATEMATİK TESTİ DİKKAT! SORU KİTAPÇIĞINIZIN TÜRÜNÜ A OLARAK CEVAP KÂĞIDINIZA İŞARETLEMEYİ UNUTMAYINIZ. MATEMATİK SINAVI MATEMATİK TESTİ. Bu testte 50 soru vardır.. Cevaplarınızı, cevap kâğıdının Matematik Testi için arılan

Detaylı

3. TAHMİN En Küçük Kareler (EKK) Yöntemi 1

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

Detaylı

2016 YILI AKTÜERLİK SINAVLARI: İSTATİSTİK OLASILIK

2016 YILI AKTÜERLİK SINAVLARI: İSTATİSTİK OLASILIK Soru 1 X rassal değişkeninin olasılık yoğunluk fonksiyonu x x, x> f ( x) = 0, dy. 1 werilmiş ve Y = rassal değişkeni tanımlamış ise, Y değişkenin 0< 1 X 1 y için olasılık yoğunluk fonksiyonu aşağıdaki

Detaylı

VERİ MADENCİLİĞİ. Karar Ağacı Algoritmaları: SPRINT algoritması Öğr.Gör.İnan ÜNAL

VERİ MADENCİLİĞİ. Karar Ağacı Algoritmaları: SPRINT algoritması Öğr.Gör.İnan ÜNAL VERİ MADENCİLİĞİ Karar Ağacı Algoritmaları: SPRINT algoritması Öğr.Gör.İnan ÜNAL SPRINT Algoritması ID3,CART, ve C4.5 gibi algoritmalar önce derinlik ilkesine göre çalışırlar ve en iyi dallara ayırma kriterine

Detaylı

A İSTATİSTİK. 1. nc r, n tane nesneden her defasında r tanesinin alındığı (sıralama önemsiz) kombinasyonların sayısını göstermektedir.

A İSTATİSTİK. 1. nc r, n tane nesneden her defasında r tanesinin alındığı (sıralama önemsiz) kombinasyonların sayısını göstermektedir. . nc r, n tane nesneden her defasında r tanesinin alındığı (sıralama önemsiz) kombinasyonların sayısını göstermektedir. Buna göre, n C r + n C r toplamı aşağıdakilerden hangisine eşittir? A) n + C r B)

Detaylı

Lineer Dönüşümler ÜNİTE. Amaçlar. İçindekiler. Yazar Öğr. Grv.Dr. Nevin ORHUN

Lineer Dönüşümler ÜNİTE. Amaçlar. İçindekiler. Yazar Öğr. Grv.Dr. Nevin ORHUN Lineer Dönüşümler Yazar Öğr. Grv.Dr. Nevin ORHUN ÜNİTE 7 Amaçlar Bu üniteyi çalıştıktan sonra; Vektör uzayları arasında tanımlanan belli fonksiyonları tanıyacak, özelliklerini öğrenecek, Bir dönüşümün,

Detaylı

Örnek...3 : Aşağıdaki ifadelerden hangileri bir dizinin genel terim i olabilir? Örnek...4 : Genel terimi w n. Örnek...1 : Örnek...5 : Genel terimi r n

Örnek...3 : Aşağıdaki ifadelerden hangileri bir dizinin genel terim i olabilir? Örnek...4 : Genel terimi w n. Örnek...1 : Örnek...5 : Genel terimi r n DİZİLER Tanım kümesi pozitif tam sayılar kümesi olan her fonksiyona dizi denir. Örneğin f : Z + R, f (n )=n 2 ifadesi bir dizi belirtir. Diziler değer kümelerine göre adlandırılırlar. Dizinin değer kümesi

Detaylı

İÇİNDEKİLER 1. GİRİŞ...

İÇİNDEKİLER 1. GİRİŞ... İÇİNDEKİLER 1. GİRİŞ... 1 1.1. Regresyon Analizi... 1 1.2. Uygulama Alanları ve Veri Setleri... 2 1.3. Regresyon Analizinde Adımlar... 3 1.3.1. Problemin İfadesi... 3 1.3.2. Konu ile İlgili Potansiyel

Detaylı