Matematiksel Optimizasyon ve Yapay Öğrenme
|
|
- Çağatay Görgülü
- 7 yıl önce
- İzleme sayısı:
Transkript
1 Matematiksel Optimizasyon ve Yapay Öğrenme İlker Birbil Sabancı Üniversitesi Mühendislik ve Doğa Bilimleri Fakültesi Endüstri Mühendisliği Programı Veri Bilimi İstanbul Buluşma 14 Şubat, 2017
2 Optimizasyon Önceden belirlenmiş kısıtlar altında bir fonksiyonun en büyük ya da en küçük değerini bulmak. Bu konuşmada problemin düzgünce tanımlı olduğunu varsayacağız. Yani bir minimum (ya da maksimum) noktasının olduğu problemlerle ilgileneceğiz. Şekil: Leibniz in 1684 makalesi İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 1 / 30
3 TANIMLAR
4 Matematiksel Programlama Modeli Genel bir optimizasyon (eniyileme) problemi şu şekilde gösterilebilir: enküçükle f (x) öyle ki c j(x) = 0, j E, c j(x) 0, j I. (1) Burada x R n vektörü ile karar değişkenleri (bilinmeyenler), f : R n R ile amaç fonksiyonu, c j : R n R, j E I ile de kısıtlar gösterilmiştir. Not Bir enbüyükleme problemi kolayca enküçükleme problemine dönüştürülebilir: max f (x) = min{ f (x)}. İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 2 / 30
5 Örnek İki kısıtlı bir matematiksel model şu şekilde 1 verilmiş olsun: Burada enküçükle f (x) öyle ki x 2 1 x 2 0, x 1 + x 2 2. x = [ x1 x 2 ] [ c1(x), c(x) = c 2(x) f (x) = (x 1 2) 2 + (x 2 1) 2 ] [ = x x 2 x 1 x ], I = {1, 2}, E =. 1 Nocedal, J., Wright, S. J., Numerical Optimization, 2. Basım, New York:Springer, İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 3 / 30
6 Örnek (devam) İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 4 / 30
7 Dışbükey Küme Tanım S R n kümesinin dışbükey (convex) olması için S kümesinden herhangi iki noktayı birleştiren doğru parçasının tamamının S kümesinde olması gerekir. Matematiksel olarak gösterirsek, her x, y S çifti ve tüm α [0, 1] değerleri için olmalıdır. αx + (1 α)y S İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 5 / 30
8 Dışbükey Fonksiyon Tanım f ( ) ile gösterilen bir fonksiyonun dışbükey olması için tanım kümesinin dışbükey olması ve bu kümeden seçilen herhangi x, y çifti için f ( ) grafiğinin (x, f (x)) ve (y, f (y)) noktalarını birleştiren doğru parçasının altında kalması gerekir. Matematiksel olarak ifade edersek, her x, y ve tüm α [0, 1] değerleri için eşitsizliği sağlanmalıdır. f (αx + (1 α)y) αf (x) + (1 α)f (y) f(x) 4 (4, f(4)) (1, f(1)) x İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 6 / 30
9 Dışbükeylik Hakkında Bir f ( ) fonksiyonunun içbükey (concave) olması, f ( ) fonksiyonunun dışbükey olduğunu gösterir. Dışbükey bir fonksiyon ile yazılan kısıtsız problemlerde lokal minimum noktası, global minimum noktası olur. Eğer bir kısıt şeklinde bir eşitsizlikse ve dışbükey fonksiyonlar ile oluşturulmuşsa, ortaya çıkan olurlu alan da dışbükey bir kümedir. Kabaca söylemek gerekirse, pek çok durumda dışbükey fonksiyonlar ile çalışıldığında minimum noktasını belirlemek için kullanılan gerek şartlar aynı zamanda yeter şartlar olurlar. Dışbükey fonksiyonlar, lokal olarak daha karmaşık ve dışbükey olmayan fonksiyonların yaklaşık gösteriminde kullanılırlar. İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 7 / 30
10 Dışbükeylik Hakkında (devam) En başta (1) ile gösterdiğimiz matematiksel programlama modelinde amaç fonksiyonu f ( ) dışbükeyse, eşitlik c j( ), j E kısıtları doğrusalsa, ve eşitsizlik fonksiyonları c j( ), j I içbükeyse, elde edilen model dışbükey optimizasyon modeli olur. İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 8 / 30
11 Kısıtsız Optimizasyon Kısıtsız optimizasyon problemlerinde eşitlikler ve eşitsizlikler yoktur. Yani (1) modelinde I E olarak alınır. Bu durumda model kısaca min x R n olarak yazılabilir. Birinci türevi elde etmek için n boyutun her birine göre kısmi türev alınarak gradyant (gradient) vektörü elde edilir: 2 f (x) = f (x) = f (x) f (x) x 1 f (x) x 2. f (x) x n. İkinci türevleri ise Hesyan (Hessian) matrisini verecektir: 2 f (x) x 1 x f (x) x f (x) x 2 x 1. 2 f (x) x n x 1 2 f (x) x f (x) x n x f (x) x 1 x n 2 f (x) x 2 x n. 2 f (x) x 2 n. İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 9 / 30
12 Lokal ve Global Optimizasyon İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 10 / 30
13 ÖRNEK YAPAY ÖĞRENME PROBLEMLERİ
14 İkili Sınıflandırma Elimizde N tane veri noktası olduğunu düşünelim; x (k) R n, k = 1,..., N. Her veri noktası için iki etiketten biri verilmiş; y (k) { 1, 1}, k = 1,..., N. Amaç bu veriyi iki kümeye ayıracak şekilde çok boyutlu bir düzlem bulmak. Her k = 1,..., N için şu ifadeleri kullanalım: } θ x (k) c 1 = y (k) = 1 θ x (k) c 1 = y (k) (θ x (k) c)y (k) = 1. = 1 Bu durumda yapmamız gereken, verilen bir c değerine göre θ vektörünü hesaplamaktır. İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 11 / 30
15 Kümeleme - İkili Sınıflandırma θ x (k) c 1 = y (k) = 1 θ x (k) c 1 = y (k) = 1 } (θ x (k) c)y (k) = 1. İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 12 / 30
16 Kümeleme - İkili Sınıflandırma (devam) Optimizasyon modelimiz için önce amaç fonksiyonunu oluşturalım: l k(θ) = max{0, 1 (θ x (k) c)y (k) }. Bu fonksiyona literatürde menteşe kayıp fonksiyonu (hinge loss function) da denmektedir. Modelimiz min J λ (θ) = 1 N N l k(θ) + λ 2 θ 2. k=1 haline gelir. Modelin en sonuna eklediğimiz terim aşırı uyum (overfitting) sorunundan kaçınmak için eklenmiştir. Burada λ değeri dışarıdan verilen bir parametredir. Bu problem amaç fonksiyonundaki max işleci yüzünden türevlenebilir değildir. Ancak bu model, kısıtlar yardımıyla dışbükey optimizasyon problemine dönüştürülebilir. İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 13 / 30
17 Kümeleme - İkili Sınıflandırma (devam) Dışbükey optimizasyon modeli için önce yardımcı değişkenler z k = max{0, 1 (θ x (k) c)y (k) }, k = 1,..., N olarak tanımlanır. Ardından kısıtlı modelimiz şu şekilde yazılır: enküçükle N k=1 zk + λ 2 θ 2 1 N öyle ki z k 1 (θ x (k) c)y (k), k = 1,..., N; z k 0, k = 1,..., N. Literatürde bu ikili sınıflandırma yaklaşımına destek vektör makinesi (support vector machine) denmektedir. İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 14 / 30
18 Ses İşleme Veri: Milisaniyelik kayıtlar (çerçeveler); (x (k), y (k) ), k = 1,..., N. Burada x (k) R n öznitelikler, y (k) C ses etiketleri. Amaç: Öznitelikleri bilinen yeni bir kaydı doğru şekilde etiketlemek. İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 15 / 30
19 Kümeleme - Ses İşleme Her etikete bir ağırlık vektörü, θ l R n, l C verilir. Kolaylık olması için C n boyutlarında bir θ matrisi tanımlarız. Her k çerçevesine j etiketi atanması için hesaplanan olasılık { } P y (k) = j x (k) exp ((θ j ) x (k) ) ; θ = l C exp ((θl ) x (k) ) olarak verilir. Bu durumda ölçekli log-benzerlik fonksiyonu 1 N N 1{y (k) exp ((θ j ) x (k) ) = j} log l C exp ((θl ) x (k) ) k=1 j C } {{ } l k (θ) şeklinde yazılır. Buradaki 1 gösterge işleci, içerisindeki ifade doğru ise 1, aksi halde 0 çevirir., İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 16 / 30
20 Kümeleme - Ses İşleme (devam) Şimdi örneklem ortalaması yaklaşımı (sample average approximation) fonksiyonunu yazabiliriz: J(θ) = 1 N l k(θ). N Bu durumda maksimum benzerlik kestirimcisi (maximum likelihood estimator) ise θ = arg k=1 max θ R C n J(θ) olarak bulunur. Enbüyükleme probleminden, enküçüklemeye geçerken de basitçe fonksiyonu -1 ile çarparız. Kısacası, çözmemiz gereken model şu şekilde yazılabilir: min J(θ). θ R C n İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 17 / 30
21 Tavsiye Sistemi Veri: İzleyicilerin farklı filmlere verdikleri puanları gösteren bir seyrek (sparse) matris (Y). Amaç: İzleyiciler ile filmleri belirli sayıda türe göre gruplamak ve ilgilerine göre izleyecilere film tavsiye etmek. İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 18 / 30
22 Tavsiye Sistemi - Matrisleri Çarpanlarına Ayırma İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 19 / 30
23 Tavsiye Sistemi - Matrisleri Çarpanlarına Ayırma (devam) Bu yaklaşım ile çözeceğimiz optimizasyon modeli şu şekilde yazılır: min X 1,X 2 Y X 1X 2 2 F. İlk bakışta karışık gözükse de, aslında amaç fonksiyonu her veri noktası için karesel sapmaların toplamına karşılık gelmektedir. Üç izleyici ve iki filmli basit bir örnek bu noktayı gösterecektir: 2 min x 1,...,x 5 y 1 y 2 y 3 y 4 y 5 y 6 }{{} Y x 1 x 2 x 3 } {{ } X 1 ( ) x4 x 5 }{{} X 2 F = min x 1,...,x 5 (y 1 x 1x 4) (y 6 x 3x 5) 2 İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 20 / 30
24 SIK KULLANILAN ÇÖZÜM YÖNTEMLERİ
25 Problemlerin Ortak Yapısı Şu ana kadar konuştuğumuz kısıtsız yapay öğrenme modelleri, genel bir formda şeklinde yazılabilirler. min x R n f (x) = min x R n N f k(x) Bu formda bir optimizasyon modeli çözmeyi gerektiren diğer yapay öğrenme yaklaşımlarına birkaç örnek verebiliriz: Lojistik bağlanım (regression) Derin öğrenme (deep learning) Çok katmanlı yapay sinir ağları (multilayer artificial neural networks) k=1 İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 21 / 30
26 Problemlerin Ortak Yapısı (devam) Amaç fonksiyonumuzu tekrar yazalım f (x) = N f k(x). k=1 Bu fonksiyonun minumum noktasını bulmak için bir önceki dersteki çözüm yöntemlerini kullanabiliriz. Bunun için amaç fonksiyonunun türevine ihtiyacımız olacak: f (x) = N f k(x). k=1 Yapay öğrenme problemlerinin önemli bir kısmında N değeri veri boyutuna bağlıdır. O nedenle N kolayca oldukça büyük bir sayı olur. Dolayısıyla her seferinde türev hesabı yapmanın hesaplama zamanı açısından maliyeti yüksektir. İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 22 / 30
27 Kısıtsız Optimizasyon Algoritmaları Bu algoritmalarda bir dizi adım hesaplanır: x 0, x 1, x 2,.... Çoğu zaman başlangıç noktası x 0 kullanıcı tarafından belirlenir. Her adımda algoritma f ( ), f ( ) ya da 2 f (.) fonksiyonlarını kullanır. Pek çok algoritmada {f (x i)} i=0 dizisi monoton olarak azalır. Ancak monoton olmayan algoritmalar da mevcuttur. Kısıtsız optimizasyon için iki temel strateji vardır: doğru arama (line search) ve güven bölgesi (trust region). İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 23 / 30
28 Doğru Arama Algoritmaları Gradyant İniş x k+1 = x i α i f (x i) Newton Algoritması x k+1 = x i α i 2 f (x i) 1 f (x i) Newton-benzeri Algoritmalar x k+1 = x i α ib 1 i f (x i) Hesaplamalı Tarifler I: Newton ve Benzeri Metodlar, Matematik Dünyası, 2016 Burada α i ile gösterilen adım boyu (step-length), yapay öğrenme camiasında öğrenme hızı (learning rate) olarak bilinir. İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 24 / 30
29 Çözüme Yakınsama Hızları İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 25 / 30
30 Rassal Gradyant Yöntemleri Rassal yöntemler, her seferinde türevin tamamını hesaplamak yerine sadece bir kısmını rassal olarak seçip hesaplarlar. Rassal olarak seçilen kısımları K {1,..., N} kümesi olarak gösterirsek, gradyant iniş algoritmasının adımları şu şekilde yazılabilir: x i+1 = x i α i f k(x) Literatürde K kümesindeki eleman sayısına göre farklı yöntemler denenmiştir: k K K = 1, rassal gradyant iniş (stochastic gradient descent) K < N, mini-yığın rassal gradyant iniş (mini-batch gradient descent) K = N, yığın gradyant iniş (batch gradient descent). Dikkat edilirse son seçenekte rassalık yok ve bu şekilde koşturulan algoritma radyant iniş algoritmasının aynısı. İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 26 / 30
31 Rassal Gradyant Yöntemleri (devam) Rassal gradyant yöntemlerini uygulamak için x i+1 = x i α i f k(x) döngüsünde adım boyu α i değerini de belirlememiz gerek. Bu yöntemler adım boyunu arama algoritmaları ile hesaplamak yerine, adım boyunu azalan bir dizi olarak düşünürler. Yakınsaklık analizleri adım boyu dizisinin şu şartları sağlaması gerektiğini göstermiştir: k K Uygulamada α i 0 ve i α i = α i =. i=1 ɛ i dizisi için ɛ = 10 4 alarak alınabilir. İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 27 / 30
32 Hessian Approximated Multiple Subsets Iteration MAKALE: KOD:
33 MB-GD HAMSI Average Final RMSE Value Dataset Algorithm schedule HOGWILD COLOR COLOR-B STRATA STRATA-B det mb-gd stoc (25 seconds) det HAMSI stoc det mb-gd stoc (250 seconds) det HAMSI stoc det mb-gd stoc (500 seconds) det HAMSI stoc M ratings 6040 users movies 10M ratings users movies 20M ratings users movies İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 28 / 30
34 MB-GD HAMSI RMSE M Wallclock Time [s] RMSE M Wallclock Time [s] RMSE M HAMSI Mini-batch GD Wallclock Time [s] İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 29 / 30
35 Sonuç ve Ortak Çalışma Olanakları Pek çok yapay öğrenme algoritmasında farklı optimizasyon yöntemleri kullanılır. Problemlerin yapısına uygun bir optimizasyon yöntemi uygulamak önemlidir. Gradyant inişine dayalı algoritmalar oldukça yavaş yakınsarlar. Yakınsama hızı ikinci derece bilginin tahmini ile hızlandırılabilir. Büyük veri uygulamaları için paralel ve dağıtık gerçekleme üzerinde durmak gereklidir. HAMSI farklı problemlerin çözümünde kullanıldıkça, çok daha iyi hale gelebilir. Optimizasyon ile birlikte veri mahremiyetinin garanti edilmesi: Privacy Preserving HAMSI? İlker Birbil (Sabancı Üniversitesi) Veri Bilim İstanbul 30 / 30
Kısıtsız Optimizasyon OPTİMİZASYON Kısıtsız Optimizasyon
OPTİMİZASYON Bu bölümde çok değişkenli kısıtsız optimizasyon problemlerinin çözüm yöntemleri incelenecektir. Bu bölümde anlatılacak yöntemler, kısıtlı optimizasyon problemlerini de çözebilmektedir. Bunun
DetaylıKONU 4: DOĞRUSAL PROGRAMLAMA MODELİ İÇİN ÇÖZÜM YÖNTEMLERİ I
KONU 4: DOĞRUSAL PROGRAMLAMA MODELİ İÇİN ÇÖZÜM YÖNTEMLERİ I 4.1. Dışbükeylik ve Uç Nokta Bir d.p.p. de model kısıtlarını aynı anda sağlayan X X X karar değişkenleri... n vektörüne çözüm denir. Eğer bu
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Ara sınav - 25% Ödev (Haftalık) - 10% Ödev Sunumu (Haftalık) - 5% Final (Proje Sunumu) - 60% - Dönem sonuna kadar bir optimizasyon tekniğiyle uygulama geliştirilecek (Örn:
DetaylıDOĞRUSAL OLMAYAN PROGRAMLAMA -I-
DOĞRUSAL OLMAYAN PROGRAMLAMA -I- Dışbükeylik / İçbükeylik Hazırlayan Doç. Dr. Nil ARAS Anadolu Üniversitesi, Endüstri Mühendisliği Bölümü İST38 Yöneylem Araştırması Dersi 0-0 Öğretim Yılı Doğrusal olmayan
DetaylıEM302 Yöneylem Araştırması 2 Doğrusal Olmayan Programlamaya Giriş. Dr. Özgür Kabak
EM302 Yöneylem Araştırması 2 Doğrusal Olmayan Programlamaya Giriş Dr. Özgür Kabak Doğrusal Olmayan Programlama Eğer bir Matematiksel Programlama modelinin amaç fonksiyonu ve/veya kısıtları doğrusal değil
DetaylıYÖNEYLEM ARAŞTIRMASI - III
YÖNEYLEM ARAŞTIRMASI - III Prof. Dr. Cemalettin KUBAT Yrd. Doç. Dr. Özer UYGUN İçerik Bu bölümde eşitsizlik kısıtlarına bağlı bir doğrusal olmayan kısıta sahip problemin belirlenen stasyoner noktaları
DetaylıYÖNEYLEM 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
DetaylıT.C. DOKUZ EYLÜL ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ EKONOMETRİ ANABİLİM DALI EKONOMETRİ DOKTORA PROGRAMI
T.C. DOKUZ EYLÜL ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ EKONOMETRİ ANABİLİM DALI EKONOMETRİ DOKTORA PROGRAMI Genişletilmiş Lagrange Yöntemi Hazırlayan: Nicat GASIM Öğretim Üyesi Prof. Dr. İpek Deveci KARAKOÇ
DetaylıEM302 Yöneylem Araştırması 2 Çok değişkenli DOP ların çözümü. Dr. Özgür Kabak
EM302 Yöneylem Araştırması 2 Çok değişkenli DOP ların çözümü Dr. Özgür Kabak Doğrusal olmayan programlama Tek değişkenli DOP ların çözümü Uç noktaların analizi Altın kesit Araması Çok değişkenli DOP ların
DetaylıEŞİTLİK KISITLI TÜREVLİ YÖNTEMLER
EŞİTLİK KISITLI TÜREVLİ YÖNTEMLER LAGRANGE YÖNTEMİ Bu metodu incelemek için Amaç fonksiyonu Min.z= f(x) Kısıtı g(x)=0 olan problemde değişkenler ve kısıtlar genel olarak şeklinde gösterilir. fonksiyonlarının
DetaylıHafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti
Hafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr
DetaylıDOĞRUSAL OLMAYAN PROGRAMLAMA -II- Tek değişkenli doğrusal olmayan karar modelinin çözümü
DOĞRUSAL OLMAYAN PROGRAMLAMA -II- Tek değişkenli doğrusal olmayan karar modelinin çözümü Hazırlayan Doç. Dr. Nil ARAS Anadolu Üniversitesi, Endüstri Mühendisliği Bölümü İST8 Yöneylem Araştırması Dersi
Detaylıaltında 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
DetaylıMETASEZGİSEL YÖNTEMLER
METASEZGİSEL YÖNTEMLER Ara sınav - 30% Ödev (Haftalık) - 20% Final (Proje Sunumu) - 50% - Dönem sonuna kadar bir optimizasyon tekniğiyle uygulama geliştirilecek (Örn: Zaman çizelgeleme, en kısa yol bulunması,
DetaylıYrd. Doç. Dr. A. Burak İNNER
Yrd. Doç. Dr. A. Burak İNNER Kocaeli Üniversitesi Bilgisayar Mühendisliği Yapay Zeka ve Benzetim Sistemleri Ar-Ge Lab. http://yapbenzet.kocaeli.edu.tr DOĞRUSAL OLMAYAN (NONLINEAR) DENKLEM SİSTEMLERİ Mühendisliğin
DetaylıMATEMATiKSEL iktisat
DİKKAT!... BU ÖZET 8 ÜNİTEDİR BU- RADA İLK ÜNİTE GÖSTERİLMEKTEDİR. MATEMATiKSEL iktisat KISA ÖZET KOLAY AOF Kolayaöf.com 0362 233 8723 Sayfa 2 içindekiler 1.ünite-Türev ve Kuralları..3 2.üniteTek Değişkenli
DetaylıMatris 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
DetaylıGenetik Algoritmalar. Bölüm 1. Optimizasyon. Yrd. Doç. Dr. Adem Tuncer E-posta:
Genetik Algoritmalar Bölüm 1 Optimizasyon Yrd. Doç. Dr. Adem Tuncer E-posta: adem.tuncer@yalova.edu.tr Optimizasyon? Optimizasyon Nedir? Eldeki kısıtlı kaynakları en iyi biçimde kullanmak olarak tanımlanabilir.
DetaylıGenel Graf Üzerinde Mutlak 1-merkez
Genel Graf Üzerinde Mutlak 1-merkez Çözüm yöntemine geçmeden önce bazı tanımlara ihtiyaç vardır. Dikkate alınan G grafındaki düğümleri 1 den n e kadar numaralandırın. Uzunluğu a(i, j)>0 olarak verilen
Detaylıİleri Yöneylem Araştırması Uygulamaları Tam Sayılı Programlama
İleri Yöneylem Araştırması Uygulamaları Tam Sayılı Programlama Dr. Özgür Kabak 2016-2017 Güz } Gerçek hayattaki bir çok problem } tam sayılı değişkenlerin ve } doğrusal kısıt ve amaç fonksiyonları ile
DetaylıOptimal Kontrol. Optimizasyonun Temelleri
Optimal Kontrol Bölüm 4 Optimizasyonun Temelleri Ibrahim Beklan Küçükdemiral Hakan Yazıcı Yıldız Teknik Üniversitesi, Istanbul, Türkiye 13 Aralık 2014 Küçükdemiral, Yazıcı (Y.T.Ü) Bölüm 4 13 Aralık 2014
DetaylıOPTİMİZASYON TEKNİKLERİ. Kısıtsız Optimizasyon
OPTİMİZASYON TEKNİKLERİ Kısıtsız Optimizasyon Giriş Klasik optimizasyon yöntemleri minimum veya maksimum değerlerini bulmak için türev gerektiren ve gerektirmeyen teknikler olarak bilinirler. Bu yöntemler
DetaylıLYS MATEMATİK DENEME - 1
LYS MATEMATİK DENEME - BU SORULAR FİNAL EĞİTİM KURUMLARI TARAFINDAN SAĞLANMIŞTIR. İZİNSİZ KOPYALANMASI VE ÇOĞALTILMASI YASAKTIR, YAPILDIĞI TAKDİRDE CEZAİ İŞLEM UYGULANACAKTIR. LYS MATEMATİK TESTİ. Bu testte
DetaylıSimpleks Yönteminde Kullanılan İlave Değişkenler (Eşitliğin yönüne göre):
DP SİMPLEKS ÇÖZÜM Simpleks Yöntemi, amaç fonksiyonunu en büyük (maksimum) veya en küçük (minimum) yapacak en iyi çözüme adım adım yaklaşan bir algoritma (hesaplama yöntemi) dir. Bu nedenle, probleme bir
Detaylı0.1 Zarf Teoremi (Envelope Teorem)
Ankara Üniversitesi, Siyasal Bilgiler Fakültesi Prof. Dr. Hasan Şahin 0.1 Zarf Teoremi (Envelope Teorem) Bu kısımda zarf teoremini ve iktisatta nasıl kullanıldığını ele alacağız. bu bölüm Chiang 13.5 üzerine
DetaylıTRAKYA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MAKİNA MÜHENDİSLİĞİ ANABİLİM DALI DOKTORA PROGRAMI ŞEKİL TANIMA ÖDEV 2 KONU : DESTEK VEKTÖR MAKİNELERİ
TRAKYA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MAKİNA MÜHENDİSLİĞİ ANABİLİM DALI DOKTORA PROGRAMI ŞEKİL TANIMA ÖDEV 2 KONU : DESTEK VEKTÖR MAKİNELERİ Kenan KILIÇASLAN Okul No:1098107203 1. DESTEK VEKTÖR MAKİNELER
DetaylıTÜREV VE UYGULAMALARI
TÜREV VE UYGULAMALARI A R, a A ve f de A da tanımlı bir fonksiyon olsun. Eğer f(x) f(a) lim x a x a limiti veya x=a+h koymakla elde edilen f(a+h) f(a) lim h 0 h Bu türev f (a), df dx limiti varsa f fonksiyonu
DetaylıYAZILI SINAV SORU ÖRNEKLERİ MATEMATİK
YAZILI SINAV SORU ÖRNEKLERİ MATEMATİK SORU 1: Aşağıdaki grafik, bir okuldaki spor yarışmasına katılan öğrencilerin yaşa göre dağılışını göstermektedir. Öğrenci sayısı 5 3 9 10 1 14 Yaş 1.1: Yukarıdaki
DetaylıVeri Bilim - Yapay Öğrenme Yaz Okulu, 2017 Matematiksel Temeller ve Vaka Çalışmaları
Veri Bilim - Yapay Öğrenme Yaz Okulu, 2017 Matematiksel Temeller ve Vaka Çalışmaları Boğaziçi Üniversitesi, TETAM, Kandilli, İstanbul Konu ve Kapsam Bu yaz okulunda veri bilim ve yapay öğrenme alanında
DetaylıKümeler arası. Küme içi. uzaklıklar. maksimize edilir. minimize edilir
Kümeleme Analizi: Temel Kavramlar ve Algoritmalar Kümeleme Analizi Nedir? Her biri bir dizi öznitelik ile, veri noktalarının bir kümesi ve noktalar arasındaki benzerliği ölçen bir benzerlik ölçümü verilmiş
Detaylıf(x) ve g(x) reel sayılarda tanımlı iki fonksiyon olmak üzere, x > k olacak şekilde bir k vardır öyle ki,
Algoritma Karmaşıklığı ve Büyük O Gösterimi (Big O Notation) Yazdığımız bir algoritmanın doğru çalıştığından emin olmakla birlikte bu algoritmayı, daha önce yazılmış ve aynı sonucu veren başka algoritmalarla
DetaylıYÖNEYLEM ARAŞTIRMASI - III
YÖNEYLEM ARAŞTIRMASI - III Prof. Dr. Cemalettin KUBAT Yrd. Doç. Dr. Özer UYGUN İçerik Hessien Matris-Quadratik Form Mutlak ve Bölgesel Maksimum-Minimum Noktalar Giriş Kısıtlı ve kısıtsız fonksiyonlar için
DetaylıTesadüfi Değişken. w ( )
1 Tesadüfi Değişken Tesadüfi değişkenler gibi büyük harflerle veya gibi yunan harfleri ile bunların aldığı değerler de gibi küçük harflerle gösterilir. Tesadüfi değişkenler kesikli veya sürekli olmak üzere
DetaylıOPTİMİZASYON TEKNİKLERİ-2. Hafta
GİRİŞ OPTİMİZASYON TEKNİKLERİ-2. Hafta Mühendislik açısından bir işin tasarlanıp, gerçekleştirilmesi yeterli değildir. İşin en iyi çözüm yöntemiyle en verimli bir şekilde yapılması bir anlam ifade eder.
DetaylıGENETİK ALGORİTMALARA GİRİŞ (II) BİNARİ KODLANMIŞ GA
GENETİK ALGORİTMALARA GİRİŞ (II) BİNARİ KODLANMIŞ GA Nedim TUTKUN Düzce Üniversitesi Elektrik Elektronik Mühendisliği Bölümü nedimtutkun@duzce.edu.tr Düzce Üniversitesi Elektrik&Elektronik Mühendisliği
DetaylıFEN FAKÜLTESİ MATEMATİK BÖLÜMÜ YAZ OKULU DERS İÇERİGİ. Bölümü Dersin Kodu ve Adı T P K AKTS
Bir Dönemde Okutulan Ders Saati MAT101 Genel I (Mühendislik Fakültesi Bütün Bölümler, Fen Fakültesi Kimya ve Astronomi Bölümleri) 1 Kümeler, reel sayılar, bir denklem veya eşitsizliğin grafiği 2 Fonksiyonlar,
DetaylıAppendix C: İstatistiksel Çıkarsama
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix C: İstatistiksel Çıkarsama
DetaylıYTÜ 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.
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Genetik Algoritma (Genetic Algorithm) Doç.Dr. M. Ali Akcayol Genetik Algoritma 1970 li yıllarda John Holland tarafından geliştirilmiştir. 1989 yılında David E. Goldberg Genetik
DetaylıDOĞU AKDENİZ ÜNİVERSİTESİ MATEMATİK BÖLÜMÜ 23. LİSELERARASI MATEMATİK YARIŞMASI
DOĞU AKDENİZ ÜNİVERSİTESİ MATEMATİK BÖLÜMÜ 23. LİSELERARASI MATEMATİK YARIŞMASI BİREYSEL YARIŞMA SORULARI CEVAPLARI CEVAP KAĞIDI ÜZERİNE YAZINIZ. SORU KİTAPÇIĞINI KARALAMA MAKSATLI KULLANABİLİRSİNİZ 1
DetaylıMakine Öğrenmesi 2. hafta
Makine Öğrenmesi 2. hafta Uzaklığa dayalı gruplandırma K-means kümeleme K-NN sınıflayıcı 1 Uzaklığa dayalı gruplandırma Makine öğrenmesinde amaç birbirine en çok benzeyen veri noktalarını aynı grup içerisinde
DetaylıYÖNEYLEM ARAŞTIRMASI - III
YÖNEYLEM ARAŞTIRMASI - III Prof. Dr. Cemalettin KUBAT Yrd. Doç. Dr. Özer UYGUN İçerik (Eşitlik Kısıtlı Türevli Yöntem) Bu metodu incelemek için Amaç fonksiyonu Min.z= f(x) Kısıtı g(x)=0 olan problemde
Detaylı1. Hafta Uygulama Soruları
. Hafta Uygulama Soruları ) x ekseni, x = doğrusu, y = x ve y = x + eğrileri arasında kalan alan nedir? ) y = x 3 ve y = 4 x 3 parabolleri arasında kalan alan nedir? 3) y = x, x y = 4 eğrileri arasında
DetaylıLYS GENEL KATILIMLI TÜRKİYE GENELİ ONLİNE DENEME SINAVI
LYS GENEL KATILIMLI TÜRKİYE GENELİ ONLİNE DENEME SINAVI LYS- MATEMATİK (MF-TM). Bu testte Matematik ile ilgili soru vardır.. Cevaplarınızı, cevap kâğıdının Matematik Testi için arılan kısmına işaretleiniz..
DetaylıYZM ALGORİTMA ANALİZİ VE TASARIM DERS#9: AÇGÖZLÜ ALGORİTMALAR
YZM 3207- ALGORİTMA ANALİZİ VE TASARIM DERS#9: AÇGÖZLÜ ALGORİTMALAR Aç Gözlü (Hırslı) Algoritmalar (Greedy ) Bozuk para verme problemi Bir kasiyer 48 kuruş para üstünü nasıl verir? 25 kuruş, 10 kuruş,
DetaylıBÜYÜK VERI UYGULAMALARı DERS 3. Doç. Dr. Yuriy Mishchenko
1 BÜYÜK VERI UYGULAMALARı DERS 3 Doç. Dr. Yuriy Mishchenko BÜYÜK VERI ÇERÇEVESI Mevcut, genel biçim ve çeşitli veriler Bir genel veri modelleme yaklaşımı SAKLI İLİŞKİLER İş kararları MAKİNE ÖĞRENME 2 BÜYÜK
DetaylıYrd. Doç. Dr. A. Burak İNNER Bilgisayar Mühendisliği
Yrd. Doç. Dr. A. Burak İER Bilgisayar Mühendisliği Algoritma Analizi İçerik: Temel Kavramlar Yinelemeli ve Yinelemesiz Algoritma Analizi Asimptotik otasyonlar Temel Kavramlar Algoritma: Bir problemin çözümüne
DetaylıHESSİEN MATRİS QUADRATİK FORM MUTLAK ve BÖLGESEL MAKS-MİN NOKTALAR
HESSİEN MATRİS QUADRATİK FORM MUTLAK ve BÖLGESEL MAKS-MİN NOKTALAR Kısıtlı ve kısıtsız fonksiyonlar için maksimum veya minimum (ekstremum) noktalarının belirlenmesinde diferansiyel hesabı kullanarak çeşitli
DetaylıBu tanım aralığı pozitif tam sayılar olan f(n) fonksiyonunun değişim aralığı n= 1, 2, 3,, n,
DİZİLER Tamamen belirli bir kurala göre sıralanmış sayılar topluluğuna veya kümeye Dizi denir. Belirli bir kurala göre birbiri ardınca gelen bu sayıların her birine dizinin terimi ve hepsine birden dizinin
Detaylı; k = 1; 2; ::: a (k)
Analiz III Ara S nav 2 Kas m 2 x k = ; 2 ; :::; ; k = ; 2; ::: olmak üzere (x k ) R dizisi veriliyor. ; dizi ise (x k ) dizisi de yak nsak olur. Ispatlay n z. 2 ; :::; 2 A; B R olsun. A B ise A B olur
Detaylıdoğrusal programlama DOĞRUSAL PROGRAMLAMA (GENEL)
DOĞRUSAL PROGRAMLAMA (GENEL) Belirli bir amacın gerçekleşmesini etkileyen bazı kısıtlayıcı koşulların ve bu kısıtlayıcı koşulların doğrusal eşitlik ya da eşitsizlik biçiminde verilmesi durumunda amaca
DetaylıKISITLI OPTİMİZASYON
KISITLI OPTİMİZASYON SİMPLEKS YÖNTEMİ Simpleks Yöntemi Simpleks yöntemi iteratif bir prosedürü gerektirir. Bu iterasyonlar ile gerçekçi çözümlerin olduğu bölgenin (S) bir köşesinden başlayarak amaç fonksiyonunun
DetaylıCBS ve Coğrafi Hesaplama
Yıldız Teknik Üniversitesi CBS ve Coğrafi Hesaplama 2. Bölüm Yrd. Doç. Dr. Alper ŞEN Harita Mühendisliği Bölümü Kartografya Anabilim Dalı web: http://www.yarbis.yildiz.edu.tr/alpersen/ E mail: alpersen@yildiz.edu.tr
Detaylıİleri Diferansiyel Denklemler
MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferansiyel Denklemler 2009 Bahar Bu bilgilere atıfta bulunmak veya kullanım koşulları hakkında bilgi için http://ocw.mit.edu/terms web sitesini ziyaret
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Tabu Arama (Tabu Search) Doç.Dr. M. Ali Akcayol Tabu Arama 1986 yılında Glover tarafından geliştirilmiştir. Lokal minimum u elimine edebilir ve global minimum u bulur. Değerlendirme
Detaylı... ROBOTİK VE KODLAMA EĞİTİMİ ÇERÇEVESİNDE ÖĞRETİM YILI BİLİŞİM TEKNOLOJİLERİ DERSİ ÜNİTELENDİRİLMİŞ YILLIK DERS PLANI
... ROBOTİK VE KODLAMA EĞİTİMİ ÇERÇEVESİNDE 2018 2019 ÖĞRETİM YILI BİLİŞİM TEKNOLOJİLERİ DERSİ ÜNİTELENDİRİLMİŞ YILLIK DERS PLANI Hazırlayan : Özel Öğretim Kurumları Birliği (ÖZKURBİR) Dersin Adı : Bilişim
DetaylıTİPİK MODELLEME UYGULAMALARI
MODELLEME Matematik modelleme yaklaşımı sistemlerin daha iyi anlaşılması, analiz edilmesi ve tasarımının etkin ve ekonomik bir yoludur. Modelleme karmaşık parametrelerin belirlenmesi için iyi tanımlamalara
DetaylıOPTIMIZASYON Bir Değişkenli Fonksiyonların Maksimizasyonu...2
OPTIMIZASYON.... Bir Değişkenli Fonksiyonların Maksimizasyonu.... Türev...3.. Bir noktadaki türevin değeri...4.. Maksimum için Birinci Derece Koşulu...4.3. İkinci Derece Koşulu...5.4. Türev Kuralları...5
DetaylıVERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Kümeleme İşlemleri Kümeleme Tanımı Kümeleme Uygulamaları Kümeleme Yöntemleri Kümeleme (Clustering) Kümeleme birbirine
Detaylıİç-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.
DetaylıModelleme bir sanattan çok bir Bilim olarak tanımlanabilir. Bir model kurucu için en önemli karar model seçiminde ilişkileri belirlemektir.
MODELLEME MODELLEME Matematik modelleme yaklaşımı sistemlerin daha iyi anlaşılması, analiz edilmesi ve tasarımının etkin ve ekonomik bir yoludur. Modelleme karmaşık parametrelerin belirlenmesi için iyi
DetaylıDİZGE TABANLI BİLEŞEN DENEMELERİNİN TASARIMINDA BEKLENEN DİZGE YAŞAM SÜRESİNİN MODELLENMESİ 1
DİZGE TABANLI BİLEŞEN DENEMELERİNİN TASARIMINDA BEKLENEN DİZGE YAŞAM SÜRESİNİN MODELLENMESİ 1 Emre YAMANGİL Orhan FEYZİOĞLU Süleyman ÖZEKİCİ Galatasaray Üniversitesi Galatasaray Üniversitesi Koç Üniversitesi
DetaylıCebirsel Fonksiyonlar
Cebirsel Fonksiyonlar Yazar Prof.Dr. Vakıf CAFEROV ÜNİTE 4 Amaçlar Bu üniteyi çalıştıktan sonra; polinom, rasyonel ve cebirsel fonksiyonları tanıyacak ve bu türden bazı fonksiyonların grafiklerini öğrenmiş
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimsiz Öğrenmenin Temelleri Kümeleme Uzaklık Fonksiyonları Öklid Uzaklığı Manhattan
DetaylıAyrık Fourier Dönüşümü
Ayrık Fourier Dönüşümü Tanım: 0 n N 1 aralığında tanımlı N uzunluklu bir dizi x[n] nin AYRIK FOURIER DÖNÜŞÜMÜ (DFT), ayrık zaman Fourier dönüşümü (DTFT) X(e jω ) nın0 ω < 2π aralığında ω k = 2πk/N, k =
DetaylıAlgoritmalar ve Karmaşıklık
Algoritmalar ve Karmaşıklık Ders 11 Algoritma Ayrık matematikte karşılaşılan bir çok problem sınıfı mevcuttur. Örneğin, verilen tamsayı grubu içindeki en büyük olanının bulunması, verilen bir kümenin bütün
DetaylıÖğr. Elemanı: Dr. Mustafa Cumhur AKBULUT
Ünite 10: Regresyon Analizi Öğr. Elemanı: Dr. Mustafa Cumhur AKBULUT 10.Ünite Regresyon Analizi 2 Ünitede Ele Alınan Konular 10. Regresyon Analizi 10.1. Basit Doğrusal regresyon 10.2. Regresyon denklemi
Detaylı5. Salih Zeki Matematik Araştırma Projeleri Yarışması PROJENİN ADI DİZİ DİZİ ÜRETEÇ PROJEYİ HAZIRLAYAN ESRA DAĞ ELİF BETÜL ACAR
5. Salih Zeki Matematik Araştırma Projeleri Yarışması PROJENİN ADI DİZİ DİZİ ÜRETEÇ PROJEYİ HAZIRLAYAN ESRA DAĞ ELİF BETÜL ACAR ÖZEL BÜYÜKÇEKMECE ÇINAR KOLEJİ 19 Mayıs Mah. Bülent Ecevit Cad. Tüyap Yokuşu
DetaylıBilgisayar Programlamaya Giriş I KAREKÖK BULMA Acaba hesap makinesi bir sayının karekökünü nasıl buluyor? başlangıç değeri olmak üzere,
KAREKÖK BULMA Acaba hesap makinesi bir sayının karekökünü nasıl buluyor? başlangıç değeri olmak üzere, dizisi değerine yakınsar. Yani; olur. Burada birinci sorun başlangıç değerinin belirlenmesidir. İkinci
DetaylıDOĞRUSAL PROGRAMLAMADA DUALİTE (DUALITY)
DOĞRUSAL PROGRAMLAMADA DUALİTE (DUALITY) 1 DOĞRUSAL PROGRAMLAMADA İKİLİK (DUALİTE-DUALITY) Doğrusal programlama modelleri olarak adlandırılır. Aynı modelin değişik bir düzende oluşturulmasıyla Dual (İkilik)
DetaylıTek Değişkenli Optimizasyon OPTİMİZASYON. Gradient Tabanlı Yöntemler. Bisection (İkiye Bölme) Yöntemi
OPTİMİZASYON Gerçek hayatta, çok değişkenli optimizasyon problemleri karmaşıktır ve nadir olarak problem tek değişkenli olur. Bununla birlikte, tek değişkenli optimizasyon algoritmaları çok değişkenli
DetaylıEM302 Yöneylem Araştırması 2. Dr. Özgür Kabak
EM302 Yöneylem Araştırması 2 Dr. Özgür Kabak TP Çözümü TP problemlerinin çözümü için başlıca iki yaklaşım vardır kesme düzlemleri (cutting planes) dal sınır (branch and bound) tüm yaklaşımlar tekrarlı
DetaylıTP SORUNLARININ ÇÖZÜMLERİ
TP SORUNLARININ ÇÖZÜMLERİ (Bu notlar Doç.Dr. Şule Önsel tarafıdan hazırlanmıştır) TP problemlerinin çözümü için başlıca iki yaklaşım vardır. İlk geliştirilen yöntem kesme düzlemleri (cutting planes) olarak
DetaylıNÜMER IK ANAL IZ. Nuri ÖZALP. Sabit Nokta ve Fonksiyonel Yineleme. Bilimsel Hesaplama Matemati¼gi
NÜMER IK ANAL IZ Bilimsel Hesaplama Matemati¼gi Nuri ÖZALP Sabit Nokta ve Fonksiyonel Yineleme Nuri ÖZALP (Ankara Üni.) NÜMER IK ANAL IZ BÖLÜM 3 7! Sabit Nokta ve Fonksiyonel Yineleme 1 / 23 Sabit Nokta
DetaylıElemanter fonksiyonlarla yaklaşım ve hata
Elemanter fonksiyonlarla yaklaşım ve hata Prof. Dr. Erhan Coşkun Karadeniz Teknik Üniversitesi, Fen Fakültesi Matematik Bölümü Kasım, 2018 e 5 Kasım, 2018 1 / 48 Elemanter fonksiyonlarla yaklaşım ve hata
DetaylıSİMPLEKS ALGORİTMASI! ESASLARI!
Fen ilimleri Enstitüsü Endüstri Mühendisliği Anabilim Dalı ENM53 Doğrusal Programlamada İleri Teknikler SİMPLEKS ALGORİTMASI ESASLARI Hazırlayan: Doç. Dr. Nil ARAS AÇIKLAMA n n u sununun hazırlanmasında,
Detaylı8.04 Kuantum Fiziği Ders X. Schrödinger denk. bir V(x) potansiyeli içinde bir boyutta bir parçacığın hareketini inceler.
Schrödinger denklemi Schrödinger denk. bir V(x) potansiyeli içinde bir boyutta bir parçacığın hareketini inceler. Köşeli parantez içindeki terim, dalga fonksiyonuna etki eden bir işlemci olup, Hamilton
Detaylıii) S 2LW 2WH 2LW 2WH S 2WH 2LW S 3( x 1) 5( x 2) 5 3x 3 5x x Maliye Bölümü EKON 103 Matematik I / Mart 2018 Proje 2 CEVAPLAR C.1) C.
C.1) x1 x 1 4 4( x1) x 6 4x 4 x 6 x 46 x Maliye Bölümü EKON 10 Matematik I / Mart 018 Proje CEVAPLAR C.) i) S LW WH LW WH S LW WH S W W W S L H W ii) S LW WH WH LW S WH LW S W W W S H L W C.) ( x1) 5(
DetaylıDERS 2 : BULANIK KÜMELER
DERS 2 : BULNIK KÜMELER 2.1 Gİriş Klasik bir küme, kesin sınırlamalarla verilen bir kümedir. Örneğin, klasik bir küme aşağıdaki gibi belirtilebilir: = { x x > 6 }, Kapalı sınır noktası burada 6 dır.burada
DetaylıMakine 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
DetaylıMIT Açık Ders Malzemeleri Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında bilgi almak için
MIT Açık Ders Malzemeleri http://ocw.mit.edu Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında bilgi almak için http://ocw.mit.edu/terms veya http://www.acikders.org.tr adresini ziyaret
Detaylı8.Konu Vektör uzayları, Alt Uzaylar
8.Konu Vektör uzayları, Alt Uzaylar 8.1. Düzlemde vektörler Düzlemdeki her noktası ile reel sayılardan oluşan ikilisini eşleştirebiliriz. Buna P noktanın koordinatları denir. y-ekseni P x y O dan P ye
DetaylıÇok-öbekli Veri için Aradeğerlemeci Ayrışım
Interpolative Decomposition for Data with Multiple Clusters Çok-öbekli Veri için Aradeğerlemeci Ayrışım İsmail Arı, A. Taylan Cemgil, Lale Akarun. Boğaziçi Üniversitesi, Bilgisayar Mühendisliği 25 Nisan
DetaylıREGRESYON ANALİZİ VE UYGULAMA. Yrd. Doç. Dr. Hidayet Takcı
REGRESYON ANALİZİ VE UYGULAMA Yrd. Doç. Dr. Hidayet Takcı htakci@cumhuriyet.edu.tr Sunum içeriği Bu sunumda; Lojistik regresyon konu anlatımı Basit doğrusal regresyon problem çözümleme Excel yardımıyla
DetaylıDoğrusal Denklem Sistemlerini Cebirsel Yöntemlerle Çözme. 2 tişört + 1 çift çorap = 16 lira 1 tişört + 2 çift çorap = 14 lira
2 tişört + 1 çift çorap = 16 lira 1 tişört + 2 çift çorap = 14 lira 1 16 soruluk bir testte 5 ve 10 puanlık sorular bulunmaktadır. Soruların tamamı doğru cevaplandığında 100 puan alındığına göre testte
Detaylı1203608-SIMÜLASYON DERS SORUMLUSU: DOÇ. DR. SAADETTIN ERHAN KESEN. Ders No:5 Rassal Değişken Üretimi
1203608-SIMÜLASYON DERS SORUMLUSU: DOÇ. DR. SAADETTIN ERHAN KESEN Ders No:5 RASSAL DEĞIŞKEN ÜRETIMI Bu bölümde oldukça yaygın bir biçimde kullanılan sürekli ve kesikli dağılımlardan örneklem alma prosedürleri
DetaylıİÇİNDEKİLER 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
DetaylıMIT Açık Ders Malzemeleri Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında bilgi almak için
MIT Açık Ders Malzemeleri http://ocw.mit.edu Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında bilgi almak için http://ocw.mit.edu/terms veya http://www.acikders.org.tr adresini ziyaret
DetaylıPERGEL 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
DetaylıİÇİNDEKİLER ÖNSÖZ Bölüm 1 KÜMELER Bölüm 2 SAYILAR
İÇİNDEKİLER ÖNSÖZ III Bölüm 1 KÜMELER 11 1.1. Küme 12 1.2. Kümelerin Gösterimi 13 1.3. Boş Küme 13 1.4. Denk Küme 13 1.5. Eşit Kümeler 13 1.6. Alt Küme 13 1.7. Alt Küme Sayısı 14 1.8. Öz Alt Küme 16 1.9.
DetaylıMIT 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.
DetaylıEkonometri I VARSAYIMLARI
Ekonometri I ÇOK DEĞİŞKENLİ REGRESYON MODELİNİN VARSAYIMLARI Hüseyin Taştan Temmuz 23, 2006 İçindekiler 1 Varsayım MLR.1: Parametrelerde Doğrusallık 1 2 Varsayım MLR.2: Rassal Örnekleme 1 3 Varsayım MLR.3:
DetaylıPARÇACIK SÜRÜ OPTİMİZASYONU BMÜ-579 METASEZGİSEL YÖNTEMLER YRD. DOÇ. DR. İLHAN AYDIN
PARÇACIK SÜRÜ OPTİMİZASYONU BMÜ-579 METASEZGİSEL YÖNTEMLER YRD. DOÇ. DR. İLHAN AYDIN 1995 yılında Dr.Eberhart ve Dr.Kennedy tarafından geliştirilmiş popülasyon temelli sezgisel bir optimizasyon tekniğidir.
DetaylıOlimpiyat Soruları. sonuçları tekrar fonksiyonda yerine koyup çıkan tüm sonuçları toplayan program (iterasyon sayısı girilecek)
HAZIRLAYAN MUSA DEMIRELLI BISHKEK KYRGYZ TURKISH BOYS HIGH SCHOOL education.online.tr.tc compsources0.tripod.com Olimpiyat Soruları 1- Bir diziyi ters çeviren algoritma ve program 2- Bir diziyi sıralayan
Detaylı4. HAFTA BLM323 SAYISAL ANALİZ. Okt. Yasin ORTAKCI.
4. HAFTA BLM33 SAYISAL ANALİZ Okt. Yasin ORTAKCI yasinortakci@karabuk.edu.tr Karabük Üniversitesi Uzaktan Eğitim Uygulama ve Araştırma Merkezi BLM33 DOĞRUSAL OLMAYAN (NONLINEAR) DENKLEM SİSTEMLERİ Mühendisliğin
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Sınıflandırıcıların Değerlendirilmesi Skorlar Karışıklık matrisi Accuracy Precision Recall
Detaylıx e göre türev y sabit kabul edilir. y ye göre türev x sabit kabul edilir.
TÜREV y= f(x) fonksiyonu [a,b] aralığında tanımlı olsun. Bu aralıktaki bağımsız x değişkenini h kadar arttırdığımızda fonksiyon değeri de buna bağlı olarak değişecektir. Fonksiyondaki artma miktarını değişkendeki
DetaylıMat Matematik II / Calculus II
Mat - Matematik II / Calculus II Çalışma Soruları Çok Değişkenli Fonksiyonlar: Seviye eğri ve yüzeyler, Limit ve süreklilik wolframalpha.com uygulamasında bir fonksiyonun tanım kümesini bulmak için: x
DetaylıUzaktan Algılama Teknolojileri
Uzaktan Algılama Teknolojileri Ders 11 Hiperspektral Görüntülerde Kümeleme ve Sınıflandırma Alp Ertürk alp.erturk@kocaeli.edu.tr Sınıflandırma Sınıflandırma işleminin amacı, her piksel vektörüne bir ve
DetaylıÇekişmeli Üretici Ağlar Kullanarak Dış Mekan Görüntülerinin Geçici Niteliklerini Düzenleme
Çekişmeli Üretici Ağlar Kullanarak Dış Mekan Görüntülerinin Geçici Niteliklerini Düzenleme Adjusting Transient Attributes of Outdoor Images using Generative Adversarial Networks Levent Karacan, Aykut Erdem,
Detaylı