MAKİNE ÖĞRENMESİ NİN EKONOMİ ARAŞTIRMALARINDA KULLANIMI

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "MAKİNE ÖĞRENMESİ NİN EKONOMİ ARAŞTIRMALARINDA KULLANIMI"

Transkript

1 MAKİNE ÖĞRENMESİ NİN EKONOMİ ARAŞTIRMALARINDA KULLANIMI Bige Küçükefe 1 MACHINE LEARNING STUDIES IN ECONOMICS Öz Günümüzde daha büyük veri setleri, standart doğrusal modele göre daha karmaşık ilişkilerin modellenmesini sağlamaktadır. Giderek artan ölçekteki verilerin işlenip değerlendirilmesi süreçlerinde çeşitli yöntemlerden yararlanılmaktadır. Makine öğrenmesinin amacı, bilgisayarları belirli bir problemi çözmek için örnek veriler veya geçmiş deneyimler kullanması için programlamaktır. Makine Öğrenmesi Modelleri (MLM) ilk olarak bilgisayar mühendisliği alanında ve veri biliminde kullanılsa da son dönemde ekonomide uygulamaları gittikçe artmaktadır. Ekonomide tahmin problemlerinde yaygın olarak kullanılan MLM özellikle perakende, sağlık, enerji, finans için de uygundur. Bu çalışmada MLM in ekonomide nasıl kullanıldığına ilişkin bir literatür taraması yapılmaktadır. Anahtar Kelimeler: Makine Öğrenmesi, Makine Öğrenmesi Modelleri, Ekonomi JEL Kodu: C52, C55, D83 Abstract Today, larger data sets provide for modeling more complex relationships than standard linear models. Various methods are used in the processes of evaluating the increasingly meaningful data. The purpose of the machine learning is to program the computers to use an example or past experience to solve a specific problem. Although Machine Learning Models (MLM) are used primarily in the field of computer engineering and data science, applications in economics are increasing in recent years. Widely used in econometric estimation problems, MLM is especially suitable for retail, health, energy and finance. In this study, a literature search is made on how MLM is used in the economy. Key Words: Machine Learning, Machine Learning Models, Economics Jel Codes: C52, C55, D83 1 Öğr. Gör. Dr., Namık Kemal Üniversitesi, M.Ereğlisi MYO, bkucukefe@nku.edu.tr 1

2 1. Giriş Makine öğrenmesi (ML) Yapay Zeka nın alt bir koludur. Temel prensibi verileri alarak öğrenme faaliyetini kendi kendine gerçekleştirmesidir. İnsanlar ve bilgisayarların öğrenme sürecindeki en temel farklılık, insanların geçmiş deneyimlerinden öğrenebilmesidir. Bilgisayarlar ise daha çok komutları izlerler. Bilgisayarların veriyi işleyebilmesi için komutların açık olarak yazılması gerekir. Yapay zeka ise bilgisayarların bazı amaçları gerçekleştirebilmek için akıllı dediğimiz yolları kullanabilmesidir ve yapay zeka, makine öğrenmesinden kapsam olarak daha geniştir. Yapay zeka daha çok insanların yaptıkları işleri robot bilgisayarların yapmasına çalışılmasıdır. Örneğin sürücüsüz kendi kendine giden otomobiller. ML yapay zekayı gerçekleştirmeye yarayan araçlardan biridir ve en kullanışlı olanıdır. ML bilgisayarların açıkça programlanmadan verilerden bilgileri ortaya çıkarabileceğini öngörür. Bu konuda ilk çalışmalardan biri Alan Turing in 1950 yılında yayınladığı Hesap Yapan Makine ve Zeka (Computing Machinery and Intelligence) isimli makalesidir. Bu makalede makineler düşünebilir mi? sorusunu sorar ve konuyu açıklamak için bir benzetme oyunu (Imitation Game) tarif eder. Oyunda amaç bilgisayarın insan olduğuna hakimi ikna etmesine dayanır. Oyunun üç katılımcısı bulunur. Hakim konumunda bir insan, diğer bir insan ve bir bilgisayar. Bir terminal aracılığıyla hakim gerçek insan ve bilgisayarla konuşur ve hangi tepkinin bilgisayardan geldiğine karar verir. Eğer hakim bilemezse bilgisayar kazanır. Bu oyun her yıl yapılan Loebne Prize adı verilen yarışmanın temelini oluşturur. Arthur Samuel (1959) ML i Açıkça programlama yapılmadan bilgisayarların öğrenme yeteneğini ortaya çıkaran çalışmalardır şeklinde tanımlamaktadır. Arthur Samuel IBM de 2

3 çalışırken bilgisayarın oynayabildiği dama oyununu geliştirmiştir. Dama basit bir oyundur ancak bir programın öğrenebileceği bir strateji gerektirir. Tom M. Mitchell (1997) in ML tanımı çalışmalarda sıklıkla kullanılır. Bazı amaçları (T) gerçekleştirmek için P performansı ile çalışan bir program, deneyimleri sonucunda (E), P ile ölçülen performansını arttırarak amaçları gerçekleştiriyorsa öğrenebildiği söylenebilir. Kısaca bir bilgisayar programının ML olabilmesi için deneyim ile birlikte performansta bir artış gözlemlenmelidir. Örnek: Dama oyunu E: Oynanan birçok dama oyunu T: Dama oyuncularının amacı P: Programın diğer oyunda yenmesi olasılığı Bu örnekte bir ML programının oynanan dama oyunları ile birlikte bilgisayarın kazanma olasılığının artması beklenir. 2. Makine Öğrenmesinde Algoritma Türleri Genelde ML problemleri iki ana sınıflandırmaya tabi tutulur. Gözetimli Öğrenme (Supervised Learning) ve Gözetimsiz Öğrenme (Unsupervised Learning) Gözetimli Öğrenme (Supervised Learning): Gözetimli öğrenme ya da kontrollü öğrenme, verilen X girdi kümesinden istenen Y çıktı kümesinin elde edilmesi için bir fonksiyon öğrenilmesidir. Gözetimli öğrenmede etiketlenmiş bir eğitim verisi vardır. Eğitim verisinde her bir örnek için girdi ve çıktılar bulunur. Bu girdi ve çıktı arasında da bir bağlantı 3

4 olduğu varsayılır. Gözetimli öğrenmede veri setinde doğru çıktının nasıl olması gerektiği konusunda bir bilgimiz vardır. Gözetimli öğrenmede, öğrenilmek istenen kavram ile ilgili toplanan gözlemler bir eğitim kümesi olarak öğreniciye verilir. Eğitim kümesinde her örnek için istenen çıktı değerleri de verilir. Bu bilgiler kullanılarak giriş ve çıkış arasında bir ilişki oluşturulur. Oluşturulan ilişki kullanılarak gelecekte karşılaşılacak X gözlemlerinin karşılık geldiği Y' çıktıları tahmin edilebilir. Gözetimli öğrenme problemleri regresyon ve sınıflandırma olmak üzere ikiye ayrılır. Regresyon problemlerinde girdi değişkenlerini bazı sürekli fonksiyonlara haritalamaya çalışılır. Sınıflandırmada ise sınıflar ayrıktır. Girdi değişkenlerini ayrı kategorilere haritalamaya çalışılır. Her bir gözleme bir sınıf atanır. Örneğin twitter verisi şu şekildedir: - Manga nın yeni albümüne gerçekten çok bayıldım. - Fenerbahçe Beşiktaş ı 2-0 yendi # - Ben ki her nisan bir yaş daha genç- Orhan Veli Gözetimli öğrenmede her bir tweetin çıktıların daha sonra hangi sınıfta olduğunu bulabilmek için eğitim verisinde sınıfların belirlenmesi gerekmektedir. - Müzik Manga nın yeni albümüne gerçekten çok bayıldım. - Spor Fenerbahçe Beşiktaş ı 2-0 yendi # - Edebiyat Ben ki her nisan bir yaş daha genç- Orhan Veli 4

5 Bu eğitim verileri daha sonra yeni verilerin sınıflandırılması için kullanılır. Aşağıdaki şekilde makine öğrenmesi gözetimli öğrenme sınıflandırma algoritmasının aşamaları görülmektedir. Eğitim Verisi Makine Öğrenmesi Algoritması Yeni Veri Tahmin Edici Model Tahmin Şekil 1Makine Öğrenmesi Gözetimli Öğrenme Sınıflandırma Algoritmasının Aşamaları Örnek 1: Emlak piyasasında bulunan evlerin yüzölçümleri veri iken bu evlerin fiyatlarını tahmin etmeye çalışma MLM Burada fiyat devamlı bir fonksiyon olduğu için bu bir regresyon problemidir. Örnek 2: Örnek 1 deki regresyon problemi eğer istenilen fiyat düzeyinde hangi ev satılır hangisi satılmaz şeklinde sorulursa bir sınıflandırma problemine dönüşür. Burada evleri, fiyatlarını temel alarak iki farklı kategoriye ayırmış oluruz. 5

6 Örnek 3: Kişilerin fotoğrafına bakarak yaşlarını tahmin etmek bir regresyon problemidir. Örnek 4: Tümörlü bir hastanın tümörünün iyi huylu mu yoksa kötü huylu mu olduğunu tahmin etmek bir sınıflandırma problemidir Gözetimsiz Öğrenme (Unsupervised Learning): Gözetimli öğrenmede X girdi kümesini gözlemlendiği gibi Y çıktısı da gözlemlenir. Gözetimsiz öğrenmede ise sadece X girid kümesi üzerinde durulur. X ile ilişkili bir Y kümesi olmadığı için, Y çıktısı tahmin edilmeye çalışılmaz. Gözetimsiz öğrenme araştırmacılara sonuçları hakkında bilgi sahibi olunmayan problemlerin yapısı hakkında bir fikir sahibi olma imkânı verir. Amaç eldeki ölçümler hakkında bilgiler keşfetmektir. Örneğin eldeki gözlemleri alt gruplara ayırma imkanı araştırılır ya da verilerin bilgi verici şekilde gözlemlenmesine çalışılır. Problemler içindeki bu yapıyı ortaya çıkarabilmek için X verileri arasındaki ilişkiden yararlanılır. Kümeleme (Clustering) Örneği: farklı gen ele alındığında yaşam süresi, bulundukları yer, hayattaki rolleri gibi değişik değişkenlerle bağlantılı olarak bazı alt gruplara ayrılabilir mi sorusu gözetimsiz öğrenmenin kümeleme örneğidir. Kümeleme İçermeyen (Non Clustering) Örnek: Kaotik bir ortamdan elde edilen seslerin yapısının bulunması. Bu seslerde konuşma ya da müzik ayrıştırılabilir. Konuşmalardaki farklı diller ortaya çıkarılabilir. Bu durum Kokteyl parti algoritması olarak da bilinir. Makine Öğrenmesinde kullanılan diğer başlıca algoritma türleri şunlardır: BAYESYEN (Bayesian) KARAR AĞAÇLARI (Decision Tree) BOYUT AZALTMA (Dimensionality Reduction) 6

7 ÖRNEK TEMELLİ (Instance Based) KÜMELEME (Clustering) DERİN ÖĞRENME (Deep Learning) TOPLULUK (Ensemble) SİNİR AĞLARI (Neural Networks) DÜZENLEME (Regularization) KURAL TABANLI SİSTEM (Rule System) REGRESYON (Regression) 3. Makine Öğrenmesinin Uygulama Alanları ML in başlıca araştırma konusu deneyim ile otomatik olarak gelişen bilgisayar sistemlerini nasıl yapabiliriz ve bütün öğrenme süreçlerini yöneten temel yasalar nelerdir sorularına yanıt vermektir. Bu sorulardaki öğrenme amaçlarının kapsamı çok geniştir. Kendi deneyimlerinden hareket etmesini öğrenebilen otonom robotların tasarlanması, geçmişteki medikal kayıtlarından verileri nasıl kullanarak hastaların en iyi cevap verebileceği tedavinin bulunması, arama motorlarının kullanıcının ilgi alanını hemen gösterebilmesi bugün ML ile mümkündür. Bu konuların yanında gmail e gelen spamları ayırdetme, Apple ın Siri hizmetinde olduğu gibi ses tanıma, yüz tanıma, kişilerin el yazılarını ayırt etme, hava durumu tahmini, internette ürünlerin tanıtımında hedef tüketici kitlesine ulaşarak reklamı, e-ticarette, perakende satışta kullanımı, akıllı telefonlardaki birçok özellik ML ile geliştirilmiştir. Bu örneklerin birçoğunda bir eşleştirme problemi vardır. Amazon ya da Netflix de beğenebileceğimiz kitap ya da filmler bize önerilmeye çalışılır. İnternet ile birlikte iletişim ağı 7

8 gelişirken seçenekler artmaktadır. Burada Makine öğrenmesi internetteki her bir ürüne tek tek bakmadan aranılanın bulunmasını sağlar. Burada ML ile arz ve talep bir araya gelerek ekonominin işlemesi de kolaylaşmış olur. Bir internet sayfası açıldığında bazı reklamlar da ekranda görünür. Bu reklamlar MLM sayesinde kişinin ilgi alanına göre ekrana gelmektedir. İyi bir ML programı bu reklama tüketicinin bakma olasılığı ile doğru orantılıdır. Burada ML üretici ve tüketiciyi bir araya getirerek işlem maliyetlerini de düşürücü bir etki yapmaktadır. ML in kullanıldığı bir alan da hisse senedi piyasası ve döviz fiyatları hakkında yapılan tahminlerdir. Bir ekonomi piyasasında fiyatların belirlenmesi çok karmaşıktır ve tahmini de çok zordur. Ancak fiyatlarda artış ya da azalış olacağının tahmininde, yüzde 50 olasılığı yüzde 51 e çıkarmanın bile yatırımcıların kar maksimizasyonunda etkisi büyük olacaktır. Bunu yaparken geleneksel nedensellik içeren ekonometrik modellerin çok ilerisine gidilerek lineer olmayan modellerle bütün bireylerden elde edilebilen bilgi kullanılır. Bu geleneksel ekonometride kullanılan verilerden çok daha büyük kapsamlı olmaktadır ve bu nedenle büyük verinin işlenebileceği araştırma yöntemlerine ihtiyaç duyulur. İnternette bireyin her bir tıklaması bir bilgidir. Örneğin Sullivan (2012) ın çalışmasında Google ın endekslediği web sitesi sayısı 30 trilyondur. Google ın ilan ettiği istatistiklere göre (2017) bir günde Google arama motorunda her saniyede , bir günde ise 3.5 milyar sorgulama yapılmaktadır. ML algoritmaları lineer olmayan ve normal olmayan analizlerde geleneksel yöntemlere göre çok daha doğru sonuç verir. Parametrik olmayan yöntemlerle yapılan bu tür çalışmalar giderek artmaktadır. Karar ağaçları, sinir ağları, derin öğrenme gibi ML teknikleri karmaşık ilişkileri incelemede çok etkilidir. 4. Ekonometride Veri Analizi 8

9 Hal R. Varian (2013) e göre istatistik ve ekonometride veri analizi dört bölüme ayrılır. 1) Tahmin (prediction) 2) Özetleme (summarization ) 3) Kestirim (estimation) 4) Hipotez testi. ML öncelikle tahmin ile ilgilidir. Yakın ilişki içinde olduğu Veri Madenciliği de özetleme ile ilgilenir. Ekonometristler ve istatistikçiler genellikle veriden nasıl bilgi elde edebileceklerine bakarlar. Birçok ekonometrist özetleme için günümüzde lineer regresyon analizini kullanır. ML ise verideki lineer olmayan ilişkileri özetleyebilecek kullanışlı araçları mevcuttur. Ekonomik uygulamalarda en çok regresyon benzeri araçlar kullanılmaktadır. İstatistiksel tahmin probleminde bazı x değişkenleri veri iken (x=x1,..xp) y nin koşullu dağılımını anlamaya çalışır. Tahmin yaparken de koşullu dağılımın ortalama ve medyan kullanılır. ML de ise x değişkenleri genellikle tahminciler veya özellikler olarak adlandırılır. Daha önce Y ve x için gözlemlenmiş veriler vardır. ML de yapılmak istenen x in yeni değerleri için y nin iyi bir tahminini yapmaktır. Burada iyi kavramı artıkların karelerinin toplamı ya da artıkların mutlak değerlerinin ortalaması gibi kayıp fonksiyonlarını minimize etmeyi anlatır. Bir tahmin probleminde geleneksel yöntemlerde bir ekonomist ilk olarak lineer veya lojistik regresyon kullanırken veri sayısı çok fazla iken lineer metotlar daha iyi bir seçim olabilir. Sinir ağlarının, derin öğrenmenin destek vektör makinelerinin kullandığı yöntemler şunlardır (Hastie vd. (2009)): 1) sınıflandırma ve regresyon ağaçları (CART), 2) rastgele orman (random forests) ve 3) cezalandırılmış regresyon (penalized regression, LASSO, LARS ve elastik netler) 5. Ekonomi Ve Finansman Alanlarında ML Kullanılarak Yapılmış Çalışmalar Yu vd. (2014) Bankruptcy prediction using Extreme Laerning Machine and financial expertise isimli çalışmasında LOO-IELM (Leave-one-out Extreme Laerning Machine) kullanarak iflasları tahmin etmeye çalışmıştır. İflasları, finansal oran metodolojisi kullanarak 9

10 tahmin etmeye çalışan geniş bir literatür bulunmaktadır. Bu çalışmada ise bir LOO-IELM ve Combo metodu birleştirilerek toplu bir model oluşturulmuştur. Çalışmada oluşturulan algoritmanın iyi bir tahmin yaptığı söylenmektedir. Bajari vd. (2015) ML yöntemleriyle talep tahmininin etkinliğini araştırmışlardır. Son 10 yılda tüketici davranışlarını bilgisayar bilimi ve istatistik kullanarak modelleyen birçok çalışma olmuştur. Çalışmalar firmaların perakende satışları, sağlık sektörü ve iş kararlarını geliştirmek için kullanılan internet endüstrisi alanlarındadır ve analizlerde büyük veri (big data) kullanılmıştır. Bu makalede ML metotları ile standart ekonometrik yöntemler karşılaştırılmıştır. 8 farklı model talebi belirlerken kullanılabilir: Lineer regresyon, koşullu logit, ve 6 ML yöntemi analizlerinde uygulamışlardır. Sonuç olarak ML modellerinin standart lineer regresyon modeline göre çalışmada çok daha doğru sonuçlar vermiştir. T. Maehara vd. (2015) nin Budget Allocation Problem with Multiple Advertisers: A Game Theoretic View isimli makalelerinde firmaların reklam verirken etkili ve verimli bütçe tahsisi yapması amaçlanmıştır. Bu amaçla her bir medya kanalını etkili kullanarak, müşterilerin veri bütçesini bu kanallar arasında nasıl paylaştıracağını bulmayı hedefleyerek bir model oluşturur. Patel vd. (2014), hisse senedi ve hisse senedi fiyat endeksi hareketlerini ML teknikleri ile tahmin etmeye çalışır. Hisse senedi piyasasını tahmin etmeye çalışan çok çalışma olsa da belirsizliklerin fazla olması sebebiyle piyasanın kestirimi güçtür. Bu çalışmada Yapay Sinir Ağları (ANN), Destek Vektör Makinası (SVM), rastgele orman (random forests) ve naive Bayes in iki yaklaşımı uygulanarak sonuçlar karşılaştırılmıştır. En zayıf tahmin naive Bayes ile gerçekleştirilirken, rastgele orman (random forests) %83,56 doğruluk payı ile en iyi tahminin gerçekleştiği modeldir. 10

11 Galindo ve Tamayo (2000), 1980 ve 1990 ların finansal krizleri ile birlikte yeniden dikkat çekmeye başlayan finansal aracıların risk değerlendirmesini ML modelleri ile gerçekleştirmiştir. Bu sayede 9000 den fazla modeli çalışmalarında uygulayabilmişlerdir. CART karar ağaçları modelinde 2000 eğitim verisi kullanılmış ve %8.31 hata oranı ile en iyi tahmin gerçekleşmiştir. Gan (2013), geniş bir portföyün minimum miktarı garantilenmiş değişken anüitelerin değerlemelerinde ML modellerinden yararlanmışlardır. Piyasa değerini ve risklerini hesaplamak için de novel yöntemini kullanmışlardır. Monte Carlo yönteminin ML ile karşılaştırıldığı çalışmada ML yöntemi portföydeki her bir sözleşme için piyasa değerlemesi ve riskleri doğru bir şekilde hesaplamada çok daha etkin olduğu sonucuna varılmıştır. 6. Sonuç Gelişen bilgisayar teknolojileri ve internet sayesinde büyük verileri elde edebildiğimiz günümüzde, standart regresyon ve nedensellik yöntemleri ekonomik analizler için yetersiz kalmaktadır. Giderek artan ölçekteki verilerin işlenip değerlendirilmesi süreçlerinde makine öğrenmesi yöntemi parametrik yöntemlerden parametrik olmayan yöntemlere bir geçiş sağlamaktadır. Makine öğrenmesinin amacı, bilgisayarları belirli bir problemi çözmek için örnek veriler veya geçmiş deneyimler kullanması için programlamaktır. Bu çalışmada Makine öğrenmesi yönteminin ekonomide hangi alanlarda kullanıldığı konusunda bir literatür taraması yapılmaktadır. KAYNAKÇA 11

12 Bajari, P., Nekipelov, D., Ryan, S. P., Yang M. (2015), Machine Learning Methods For Demand Estimation, JournalAmerican Economic Review, 105, 5, Liran Einav & Jonathan Levin (2014), Economics in the Age of Big Data, Science, 346(6210), Galindo J. & Tamayo P. (2000), Credit Risk Assessment Using Statistical and Machine Learning: Basic Methodology and Risk Modeling Applications, Computational Economics, 15: Gan, G., Application of Data Clustering and Machine Learning in Variable Annuity Valuation. Insurance: Mathematics and Economics, 53, Hastie, T., Tibshirani, R., Friedman J. (2009), The Elements of Statistical Learning: Data Mining, Inference, and Prediction, SpringerVerlag, (2 Baskı.), URL Maehara, T., Yabe, A., Kawarabayashi, K. (2015) nin Budget Allocation Problem with Multiple Advertisers: A Game Theoretic View, Proceedings of the 32 nd International Conference on Machine Learning, Lille, France, JMLR: W&CP volume 37. Mitchell, T., M., (1997), Machine Learning, McGraw Hill. Patel vd. (2014), Predicting Stock And Stock Price Index Movement Using Trend Deterministic Data Preparation And Machine Learning Technics, Expert Systems with Applications, 42(2015),

13 Samuel A. L., (1959) Some Studies in Machine Learning Using the Game of Checkers, IBM Journal of Research and Development, V:3, Issue: 3, p. 210 Yu, Q., Yoan, M., Séverin, E., Lendasse, A. (2014), Bankruptcy prediction using Extreme Laerning Machine and financial expertise, Journal Neurocomputing, Doi: /j.neucom , 128,

Büyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data)

Büyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data) Büyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data) M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Bu dersin sunumları, The Elements of Statistical Learning: Data

Detaylı

Büyük Veri ve Endüstri Mühendisliği

Büyük Veri ve Endüstri Mühendisliği Büyük Veri ve Endüstri Mühendisliği Mustafa Gökçe Baydoğan Endüstri Mühendisliği Bölümü Boğaziçi Üniversitesi İstanbul Yöneylem Araştırması/Endüstri Mühendisliği Doktora Öğrencileri Kolokyumu 21-22 Nisan

Detaylı

Mekatronik Mühendisliği Uygulamalarında Yapay Zekâ. Makine Öğrenmesi. Erhan AKDOĞAN, Ph.D.

Mekatronik Mühendisliği Uygulamalarında Yapay Zekâ. Makine Öğrenmesi. Erhan AKDOĞAN, Ph.D. Mekatronik Mühendisliği Uygulamalarında Yapay Zekâ Makine Öğrenmesi Erhan AKDOĞAN, Ph.D. Bu ders notunun hazırlanmasında Dr. U.Orhan ve Banu Diri nin ders notlarından yararlanılmıştır. Makine öğrenmesi

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

İSTATİSTİKSEL DARALTICI (SHRINKAGE) MODEL VE UYGULAMALARI * A Statistical Shrinkage Model And Its Applications*

İSTATİSTİKSEL DARALTICI (SHRINKAGE) MODEL VE UYGULAMALARI * A Statistical Shrinkage Model And Its Applications* Ç.Ü. Fen Bilimleri Enstitüsü Yıl:010 Cilt:-1 İSTATİSTİKSEL DARALTICI (SHRINKAGE) MODEL VE UYGULAMALARI * A Statistical Shrinkage Model And Its Applications* Işıl FİDANOĞLU İstatistik Anabilim Dalı Fikri

Detaylı

QUANTILE REGRESYON * Quantile Regression

QUANTILE REGRESYON * Quantile Regression QUANTILE REGRESYON * Quantile Regression Fikriye KURTOĞLU İstatistik Anabilim Dalı Olcay ARSLAN İstatistik Anabilim Dalı ÖZET Bu çalışmada, Lineer Regresyon analizinde kullanılan en küçük kareler yöntemine

Detaylı

ÖZGEÇMİŞ. 1. Adı Soyadı : Kamile ŞANLI KULA İletişim Bilgileri : Ahi Evran Üniversitesi, Fen Edebiyat Fakültesi, Adres Matematik Bölümü, KIRŞEHİR

ÖZGEÇMİŞ. 1. Adı Soyadı : Kamile ŞANLI KULA İletişim Bilgileri : Ahi Evran Üniversitesi, Fen Edebiyat Fakültesi, Adres Matematik Bölümü, KIRŞEHİR Resim ÖZGEÇMİŞ 1. Adı Soyadı : Kamile ŞANLI KULA İletişim Bilgileri : Ahi Evran Üniversitesi, Fen Edebiyat Fakültesi, Adres Matematik Bölümü, KIRŞEHİR Telefon : 386 280 45 50 Mail : kskula@ahievran.edu.tr

Detaylı

Makine Öğrenmesi İle Duygu Analizinde Veri Seti Performansı

Makine Öğrenmesi İle Duygu Analizinde Veri Seti Performansı Makine Öğrenmesi İle Duygu Analizinde Veri Seti Performansı Hatice NİZAM İstanbul Üniversitesi Bilgisayar Mühendisliği Bölümü haticenizam@outlook.com Saliha Sıla AKIN ERS Turizm Yazılım Şirketi, Bilgisayar

Detaylı

MONTE CARLO BENZETİMİ

MONTE CARLO BENZETİMİ MONTE CARLO BENZETİMİ U(0,1) rassal değişkenler kullanılarak (zamanın önemli bir rolü olmadığı) stokastik ya da deterministik problemlerin çözümünde kullanılan bir tekniktir. Monte Carlo simülasyonu, genellikle

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

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

Eğitim seti (training set) sınıflandırma modelinin elde edileceği kayıtları içerir

Eğitim seti (training set) sınıflandırma modelinin elde edileceği kayıtları içerir sınıflandırma: temel kavramlar, karar ağaçları ve model değerlendirme Sınıflandırma : Tanım Eğitim seti (training set) sınıflandırma modelinin elde edileceği kayıtları içerir Eğitim setindeki her kayıt

Detaylı

Yapı Kredi Bankası Ar-Ge Çalışmaları Araştırma, Vizyon ve Uygulama. Eğitmen: Onur AĞIN

Yapı Kredi Bankası Ar-Ge Çalışmaları Araştırma, Vizyon ve Uygulama. Eğitmen: Onur AĞIN Yapı Kredi Bankası Ar-Ge Çalışmaları Araştırma, Vizyon ve Uygulama Eğitmen: Onur AĞIN 2016 Biz Kimiz? Kuruluş 9Eylül 2013 14 Kişilik bir Takım 11 Ar-Ge Mühendisi 2 Ar-Ge Koordinatörü 1 Müdür Yenilik Prototip

Detaylı

Karaciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması

Karaciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması Karaciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması 1 Emre DANDIL Bilecik Ş. Edebali Üniversitesi emre.dandil@bilecik.edu.tr +90228 214 1613 Sunum İçeriği Özet Giriş

Detaylı

Olasılık ve İstatistik nedir? Bilgisayar Mühendisliğindeki yeri

Olasılık ve İstatistik nedir? Bilgisayar Mühendisliğindeki yeri Olasılık ve İstatistik nedir? Bilgisayar Mühendisliğindeki yeri IST 108 Olasılık ve İstatistik Bahar 2016 Yrd. Doç. Dr. Ferhat Dikbıyık Bu sunumun bir kısmı Utah Üniversitesi nden Bilgisayar Bilimleri

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

Yrd. Doç. Dr. A. Burak İNNER

Yrd. 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 Regresyon o EnKüçük Kareler Yöntemi Doğru Uydurma

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

VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN

VERİ 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

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

2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI Tanım

2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI Tanım 2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI 2.1. Tanım Regresyon analizi, bir değişkenin başka bir veya daha fazla değişkene olan bağımlılığını inceler. Amaç, bağımlı değişkenin kitle ortalamasını, açıklayıcı

Detaylı

Fatih Kölmek. ICCI 2012-18.Uluslararası Enerji ve Çevre Fuarı ve Konferansı 25 Nisan 2012, İstanbul, Türkiye

Fatih Kölmek. ICCI 2012-18.Uluslararası Enerji ve Çevre Fuarı ve Konferansı 25 Nisan 2012, İstanbul, Türkiye Fatih Kölmek ICCI 2012-18.Uluslararası Enerji ve Çevre Fuarı ve Konferansı 25 Nisan 2012, İstanbul, Türkiye Türkiye Elektrik Piyasası Dengeleme ve Uzlaştırma Mekanizması Fiyat Tahmin Modelleri Yapay Sinir

Detaylı

Yapay Sinir Ağları ile Web İçeriklerini Sınıflandırma. Yazarlar: Esra Nergis Güven, Hakan Onur ve Şeref Sağıroğlu. Sunan : Esra Nergis Güven

Yapay Sinir Ağları ile Web İçeriklerini Sınıflandırma. Yazarlar: Esra Nergis Güven, Hakan Onur ve Şeref Sağıroğlu. Sunan : Esra Nergis Güven Yapay Sinir Ağları ile Web İçeriklerini Sınıflandırma Yazarlar: Esra Nergis Güven, Hakan Onur ve Şeref Sağıroğlu Sunan : Esra Nergis Güven İçerik Giriş Amaç ve Kapsam Sınıflandırma Geliştirilen Sistem

Detaylı

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

MÜFREDAT DERS LİSTESİ

MÜFREDAT DERS LİSTESİ MÜFREDAT DERS LİSTESİ MÜHENDİSLİK FAK. / BİLGİSAYAR MÜHENDİSL / 2010 BİLGİSAYAR MÜHENDİSLİĞİ Müfredatı 0504101 Matematik I Calculus I 1 GÜZ 4 5 Z 0504102 Genel Fizik I General Physics I 1 GÜZ 4 4 Z 0504103

Detaylı

2012-2013 EĞİTİM ÖĞRETİM YILINDAN İTİBAREN GEÇERLİ OLACAK NEVŞEHİR ÜNİVERSİTESİ İKTİSADİ VE İDARİ BİLİMLER FAKÜLTESİ İKTİSAT-İ.Ö

2012-2013 EĞİTİM ÖĞRETİM YILINDAN İTİBAREN GEÇERLİ OLACAK NEVŞEHİR ÜNİVERSİTESİ İKTİSADİ VE İDARİ BİLİMLER FAKÜLTESİ İKTİSAT-İ.Ö I. YIL YY KODU Z/S DERSİN ADI DERSİN İNGİLİZCE ADI HAFTALIK DERS SAATI ECTS KREDİSİ İKTİÖ-101 Z Davranış Bilimleri Introduction to Behavioral Sciences 3+0-3 3 İKTİÖ-103 Z Genel Muhasebe-I Financial Accounting

Detaylı

BCA605 Bilgisayar Oyunlarında Yapay Zeka

BCA605 Bilgisayar Oyunlarında Yapay Zeka BCA605 Bilgisayar Oyunlarında Yapay Zeka Ders 1 : Genel Tanıtım Zümra Kavafoğlu Hakkımda Araştırma Alanları Bilgisayar Grafiği ve Animasyonu Fizik-tabanlı Animasyon Karakter Animasyonu Bilgisayar Animasyonu

Detaylı

Yapay Sinir Ağları ve Yüksek Enerji Fiziği Uygulamaları

Yapay Sinir Ağları ve Yüksek Enerji Fiziği Uygulamaları Yapay Sinir Ağları ve Yüksek Enerji Fiziği Uygulamaları Ece Akıllı Université de Genève 12 Eylül 2016 CERN TR E. Akıllı (UNIGE) Yapay Sinir Ağları 12.09.2016 1 / 18 Akış 1 Makine Ogrenimi 2 Yapay Sinir

Detaylı

VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN

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

Detaylı

SOSYAL BİLİMLER ENSTİTÜSÜ/İŞLETME ANABİLİM DALI (DR) SOSYAL BİLİMLER ENSTİTÜSÜ/İŞLETME ANABİLİM DALI (YL) (TEZLİ)

SOSYAL BİLİMLER ENSTİTÜSÜ/İŞLETME ANABİLİM DALI (DR) SOSYAL BİLİMLER ENSTİTÜSÜ/İŞLETME ANABİLİM DALI (YL) (TEZLİ) SONER AKKOÇ DOÇENT Adres ÖZGEÇMİŞ YÜKSEKÖĞRETİM KURULU Dumlupınar Üniversitesi Uygulamalı Bilimler Yüksekokulu Evliya Çelebi Yerleşkesi KÜTAHYA 10.04.2014 Telefon E-posta 2742652031-4631 Doğum Tarihi 26.11.1978

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

ALP OĞUZ ANADOLU LİSESİ EĞİTİM ÖĞRETİM YILI BİLGİSAYAR BİLİMİ DERSİ 2.DÖNEM 2.SINAV ÖNCESİ ÇALIŞMA SORULARI VE YANITLARI

ALP OĞUZ ANADOLU LİSESİ EĞİTİM ÖĞRETİM YILI BİLGİSAYAR BİLİMİ DERSİ 2.DÖNEM 2.SINAV ÖNCESİ ÇALIŞMA SORULARI VE YANITLARI ALP OĞUZ ANADOLU LİSESİ 2017-2018 EĞİTİM ÖĞRETİM YILI BİLGİSAYAR BİLİMİ DERSİ 2.DÖNEM 2.SINAV ÖNCESİ ÇALIŞMA SORULARI VE YANITLARI Doğru yanıtlar kırmızı renkte verilmiştir. 1. Problemlerin her zaman sıradan

Detaylı

A. SCI ve SCIE Kapsamındaki Yayınlar

A. SCI ve SCIE Kapsamındaki Yayınlar A. SCI ve SCIE Kapsamındaki Yayınlar A.1. Erilli N.A., Yolcu U., Egrioglu E., Aladag C.H., Öner Y., 2011 Determining the most proper number of cluster in fuzzy clustering by using artificial neural networks.

Detaylı

T.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ EĞİTİM ÖĞRETİM YILI DERS KATALOĞU

T.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ EĞİTİM ÖĞRETİM YILI DERS KATALOĞU T.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ - EĞİTİM ÖĞRETİM YILI DERS KATALOĞU Ders Kodu Bim Kodu Ders Adı Türkçe Ders Adı İngilizce Dersin Dönemi T Snf Açıl.Dönem P

Detaylı

VERİ MADENCİLİĞİ önemsiz olmayan, gizli, önceden bilinmeyen, potansiyel olarak kullanışlı

VERİ MADENCİLİĞİ önemsiz olmayan, gizli, önceden bilinmeyen, potansiyel olarak kullanışlı Veri Madenciliği, örüntü tanıma, istatistik ve matematiksel yöntemlerin kullanımıyla devasa miktardaki güncel ya da geçmiş veri içerisinden ilgi çekici ( önemsiz olmayan, gizli, önceden bilinmeyen, potansiyel

Detaylı

Bilkent Üniversitesi Bilgisayar Mühendisliği Bölümü. Bilgisayar Mühendisliği

Bilkent Üniversitesi Bilgisayar Mühendisliği Bölümü. Bilgisayar Mühendisliği Bilkent Üniversitesi Bilgisayar Mühendisliği Bölümü Bilgisayar Mühendisliği Bilgisayar Mühendisliği Günümüzde, finans, tıp, sanat, güvenlik, enerji gibi bir çok sektör, bilgisayar mühendisliğindeki gelişimlerden

Detaylı

Veri Bilim - Yapay Öğrenme Yaz Okulu, 2017 Matematiksel Temeller ve Vaka Çalışmaları

Veri 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

Detaylı

Uzaktan Algılama Teknolojileri

Uzaktan 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

Detaylı

CBS ve Coğrafi Hesaplama

CBS 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

Detaylı

YBS Ansiklopedi. Skorlama Algoritmaları 1 (Scoring Algorithms 1) Amine YEŞİLYURT 1, Şadi Evren ŞEKER Giriş

YBS Ansiklopedi. Skorlama Algoritmaları 1 (Scoring Algorithms 1) Amine YEŞİLYURT 1, Şadi Evren ŞEKER Giriş YBS Ansiklopedi www.ybsansiklopedi.com Cilt 5, Sayı 1, Mayıs 2018 Skorlama Algoritmaları 1 (Scoring Algorithms 1) Amine YEŞİLYURT 1, Şadi Evren ŞEKER 2 1. Gebze Teknik Üniversitesi, Bilgisayar Mühendisliği

Detaylı

Eğiticili (supervised) öğrenme: Sınıflandırma (classification) Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğu bilinir

Eğiticili (supervised) öğrenme: Sınıflandırma (classification) Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğu bilinir Eğiticili (supervised) öğrenme: Sınıflandırma (classification) Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğu bilinir Eğiticisiz (unsupervised) öğrenme: Kümeleme (clustering) Hangi nesnenin hangi

Detaylı

Kurumsal Şeffaflık, Firma Değeri Ve Firma Performansları İlişkisi Bist İncelemesi

Kurumsal Şeffaflık, Firma Değeri Ve Firma Performansları İlişkisi Bist İncelemesi T.C İSTANBUL ÜNİVERSİTESİ Sosyal Bilimler Enstitüsü İşletme Anabilim Dalı Finans Bilim Dalı Yüksek Lisans Tezi Özeti Kurumsal Şeffaflık, Firma Değeri Ve Firma Performansları İlişkisi Bist İncelemesi Prof.

Detaylı

Tedarik Zinciri Yönetiminde Yapay Zeka Teknikler

Tedarik Zinciri Yönetiminde Yapay Zeka Teknikler Tedarik Zinciri Yönetiminde Yapay Zeka Teknikler Doç.Dr.Mehmet Hakan Satman mhsatman@istanbul.edu.tr İstanbul Üniversitesi 2014.10.22 Doç.Dr.Mehmet Hakan Satmanmhsatman@istanbul.edu.tr Tedarik Zinciri

Detaylı

Dersin Yürütülmesi Hakkında

Dersin Yürütülmesi Hakkında Ders Kodu Teorik Uygulama Lab. İnsan Bilgisayar Etkileşimi Ulusal Kredi Öğretim planındaki AKTS 482031100001203 2 0 0 2 5 Dersin Yürütülmesi Hakkında Bu dersten en iyi şekilde faydalanmak ve başarılı olmak

Detaylı

Concept Learning. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ. Yapay Zeka - Kavram Öğrenme

Concept Learning. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ. Yapay Zeka - Kavram Öğrenme Concept Learning Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ 1 İÇERİK Öğrenme Metotları Kavram Öğrenme Nedir? Terminoloji Find-S Algoritması Candidate-Elimination Algoritması List-Then Elimination Algoritması

Detaylı

Gözetimli & Gözetimsiz Öğrenme

Gözetimli & Gözetimsiz Öğrenme Bölüm 5. Sınıflandırma 1 http://ceng.gazi.edu.tr/~ozdemir Gözetimli & Gözetimsiz Öğrenme Predictive Data Mining vs. Descriptive Data Mining Gözetimli (Supervised) öğrenme= sınıflandırma (clasification)

Detaylı

BAŞKENT ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ BENZER SÜREÇLERDE ÜRETİLEN ÜRÜNLER İÇİN YAPAY ZEKA İLE ZAMAN TAHMİNİ SONER ŞÜKRÜ ALTIN

BAŞKENT ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ BENZER SÜREÇLERDE ÜRETİLEN ÜRÜNLER İÇİN YAPAY ZEKA İLE ZAMAN TAHMİNİ SONER ŞÜKRÜ ALTIN BAŞKENT ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ BENZER SÜREÇLERDE ÜRETİLEN ÜRÜNLER İÇİN YAPAY ZEKA İLE ZAMAN TAHMİNİ SONER ŞÜKRÜ ALTIN YÜKSEK LİSANS TEZİ 2011 BENZER SÜREÇLERDE ÜRETİLEN ÜRÜNLER İÇİN YAPAY

Detaylı

DERS BİLGİLERİ. Ders Adı Kodu Yarıyıl T+U Saat İŞL YL 501

DERS BİLGİLERİ. Ders Adı Kodu Yarıyıl T+U Saat İŞL YL 501 Müfredat I. Yarıyıl Bilimsel Araştırma Yöntemleri Ders Adı Kodu Yarıyıl T+U Saat İŞL YL 501 Kredi AKTS Güz 3 3 6 Dili Seviyesi Yüksek Lisans Türü Zorunlu Amacı Öğrencilerin bilim ve bilim felsefesi konusunda

Detaylı

Genetik Algoritmalar. Bölüm 1. Optimizasyon. Yrd. Doç. Dr. Adem Tuncer E-posta:

Genetik 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.

Detaylı

Zamansal Veri Madenciliği ve Anomali Tespiti için Bir Uygulama

Zamansal Veri Madenciliği ve Anomali Tespiti için Bir Uygulama Zamansal Veri Madenciliği ve Anomali Tespiti için Bir Uygulama Mehmet Yavuz ONAT Yrd.Doç.Dr.Engin YILDIZTEPE Dokuz Eylül Üniversitesi, İstatistik Bölümü Akademik Bilişim 2015, Anadolu Üniversitesi, Eskişehir

Detaylı

Türkçe Dokümanlar Ġçin Yazar Tanıma

Türkçe Dokümanlar Ġçin Yazar Tanıma Türkçe Dokümanlar Ġçin Yazar Tanıma Özcan KOLYĠĞĠT, Rıfat AġLIYAN, Korhan GÜNEL Adnan Menderes Üniversitesi, Matematik Bölümü Bölümü, Aydın okolyigit@gmail.com, rasliyan@adu.edu.tr, kgunel@adu.edu.tr Özet:

Detaylı

ISTATISTIK VE OLASILIK SINAVI EKİM 2016 WEB SORULARI

ISTATISTIK VE OLASILIK SINAVI EKİM 2016 WEB SORULARI SORU- 1 : ISTATISTIK VE OLASILIK SINAVI EKİM 2016 WEB SORULARI X ve Y birbirinden bağımsız iki rasgele değişken olmak üzere, sırasıyla aşağıdaki moment çıkaran fonksiyonlarına sahiptir: 2 2 M () t = e,

Detaylı

YÖNETİM BİLİŞİM SİSTEMLERİ BÖLÜMÜ YENİ DERS MÜFREDATI (1) FAKÜLTESİ: İŞLETME FAKÜLTESİ / BUSINESS SCHOOL

YÖNETİM BİLİŞİM SİSTEMLERİ BÖLÜMÜ YENİ DERS MÜFREDATI (1) FAKÜLTESİ: İŞLETME FAKÜLTESİ / BUSINESS SCHOOL (3) SINIFI: 1. Yıl Güz Dönemi MIS101 BİLGİSAYAR PROGRAMLAMA 1 COMPUTER PROGRAMMING 1 Z 3-0 4 BUS101 BİLİM VE TEKNOLOJİ TARİHİ HISTORY OF SCIENCE AND TECHNOLOGY Z 3-0 4 BUS103 İŞLETMECİLER İÇİN MATEMATİK

Detaylı

Revolution I TDL101 Z Türk Dili I Turkish Language I TOPLAM Tarihi II

Revolution I TDL101 Z Türk Dili I Turkish Language I TOPLAM Tarihi II (NORMAL ÖĞRETİM) I. YIL I BF101 Z Genel İşletme Introduction to Business I 3+0-3 4 BF103 Z Mikro İktisada Giriş Introduction to Microeconomics 3+0-3 3 BF105 Z Genel Muhasebe-I Financial Accounting I 3+0-3

Detaylı

Veri ve Metin Madenciliği

Veri ve Metin Madenciliği Veri ve Metin Madenciliği Zehra Taşkın Veri Madenciliği Bir kutu toplu iğne İçine 3 boncuk düşürdünüz Nasıl alacağız? Fikirler? Veri Madenciliği Data Information Knowledge Veri madenciliği; Büyük yoğunluklu

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

Revolution I TDLİÖ101 Z Türk Dili I Turkish Language I TOPLAM Tarihi II

Revolution I TDLİÖ101 Z Türk Dili I Turkish Language I TOPLAM Tarihi II (İKİNCİ ÖĞRETİM) I. YIL I BFİÖ101 Z Genel İşletme Introduction to Business I 3+0-3 4 BFİÖ103 Z Mikro İktisada Giriş Introduction to Microeconomics 3+0-3 3 BFİÖ105 Z Genel Muhasebe-I Financial Accounting

Detaylı

2001 ve 2008 Yılında Oluşan Krizlerin Faktör Analizi ile Açıklanması

2001 ve 2008 Yılında Oluşan Krizlerin Faktör Analizi ile Açıklanması 2001 ve 2008 Yılında Oluşan Krizlerin Faktör Analizi ile Açıklanması Mahmut YARDIMCIOĞLU Özet Genel anlamda krizler ekonominin olağan bir parçası haline gelmiştir. Sıklıkla görülen bu krizlerin istatistiksel

Detaylı

İçindekiler. Ön Söz... xiii

İçindekiler. Ön Söz... xiii İçindekiler Ön Söz.................................................... xiii Bölüm 1 İstatistiğe Giriş....................................... 1 1.1 Giriş......................................................1

Detaylı

127 - Twoing Algoritması ile Sınıflandırma Kalp Hastalığı Uygulaması MEHMET AKİF ERSOY ÜNİVERSİTESİ İLHAN UYSAL MEHMET BİLEN SAMİ ULUKUŞ

127 - Twoing Algoritması ile Sınıflandırma Kalp Hastalığı Uygulaması MEHMET AKİF ERSOY ÜNİVERSİTESİ İLHAN UYSAL MEHMET BİLEN SAMİ ULUKUŞ 127 - Twoing Algoritması ile Sınıflandırma Kalp Hastalığı Uygulaması MEHMET AKİF ERSOY ÜNİVERSİTESİ İLHAN UYSAL MEHMET BİLEN SAMİ ULUKUŞ Veri Madenciliği : Bir sistemin veri madenciliği sistemi olabilmesi

Detaylı

Örüntü Tanıma (EE 448) Ders Detayları

Örüntü Tanıma (EE 448) Ders Detayları Örüntü Tanıma (EE 448) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Örüntü Tanıma EE 448 Bahar 3 0 0 3 5 Ön Koşul Ders(ler)i Dersin Dili Dersin Türü Dersin

Detaylı

YZM 3217 YAPAY ZEKA DERS#10: KÜMELEME

YZM 3217 YAPAY ZEKA DERS#10: KÜMELEME YZM 317 YAPAY ZEKA DERS#10: KÜMELEME Sınıflandırma (Classification) Eğiticili (supervised) sınıflandırma: Sınıflandırma: Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğunu bilinir Eğiticisiz (unsupervised)

Detaylı

KIRIKKALE ÜNİVERSİTESİ FEN-EDEBIYAT FAKÜLTESİ İSTATİSTİK BÖLÜMÜ LİSANS PROGRAMI

KIRIKKALE ÜNİVERSİTESİ FEN-EDEBIYAT FAKÜLTESİ İSTATİSTİK BÖLÜMÜ LİSANS PROGRAMI KIRIKKALE ÜNİVERSİTESİ FEN-EDEBIYAT FAKÜLTESİ İSTATİSTİK BÖLÜMÜ LİSANS PROGRAMI Kırıkkale Üniversitesi Fen-Edebiyat Fakültesi İstatistik Bölümü Lisans Programı, Kırıkkale Üniversitesi Önlisans ve Lisans

Detaylı

KİNETİK MODEL PARAMETRELERİNİN BELİRLENMESİNDE KULLANILAN OPTİMİZASYON TEKNİKLERİNİN KIYASLANMASI

KİNETİK MODEL PARAMETRELERİNİN BELİRLENMESİNDE KULLANILAN OPTİMİZASYON TEKNİKLERİNİN KIYASLANMASI KİNETİK MODEL PARAMETRELERİNİN BELİRLENMESİNDE KULLANILAN OPTİMİZASYON TEKNİKLERİNİN KIYASLANMASI Hatice YANIKOĞLU a, Ezgi ÖZKARA a, Mehmet YÜCEER a* İnönü Üniversitesi Mühendislik Fakültesi Kimya Mühendisliği

Detaylı

Courses Offered in the PhD Program

Courses Offered in the PhD Program Courses Offered in the PhD Program Compulsory Courses Course Code Course Title Dersin Adı PUBF 601 Advanced Topics in Public Finance Kamu Maliyesinde İleri Düzey Konular Elective Courses Course Code Course

Detaylı

Destekçi Vektör Makineleri. Destekçi Vektör Makineleri(Support Vector Machines)

Destekçi Vektör Makineleri. Destekçi Vektör Makineleri(Support Vector Machines) Destekçi Vektör Makineleri Destekçi Vektör Makineleri(Support Vector Machines) Değişkenler arasındaki örüntülerin bilinmediği veri setlerindeki sınıflama problemleri için önerilmiş bir makine öğrenmesi

Detaylı

BÜYÜK VERI UYGULAMALARı DERS 7. Doç. Dr. Yuriy Mishchenko

BÜYÜK VERI UYGULAMALARı DERS 7. Doç. Dr. Yuriy Mishchenko 1 BÜYÜK VERI UYGULAMALARı DERS 7 Doç. Dr. Yuriy Mishchenko PLAN Azure ML hizmeti kullanılmasına bir pratik giriş 2 3 MS AZURE ML 4 MS AZURE ML Azure Microsoft tarafından sağlanan bulut hesaplama hizmetleri

Detaylı

Yard. Doç. Dr. İrfan DELİ. Matematik

Yard. Doç. Dr. İrfan DELİ. Matematik Unvanı Yard. Doç. Dr. Adı Soyadı İrfan DELİ Doğum Yeri ve Tarihi: Çivril/Denizli -- 06.04.1986 Bölüm: E-Posta Matematik irfandeli20@gmail.com, irfandeli@kilis.edu.tr AKADEMİK GELİŞİM ÜNİVERSİTE YIL Lisans

Detaylı

BİLECİK ŞEYH EDEBALİ ÜNİVERSİTESİ AKADEMİK ÖZGEÇMİŞ FORMU

BİLECİK ŞEYH EDEBALİ ÜNİVERSİTESİ AKADEMİK ÖZGEÇMİŞ FORMU BİLECİK ŞEYH EDEBALİ ÜNİVERSİTESİ AKADEMİK ÖZGEÇMİŞ FORMU KİŞİSEL BİLGİLER Adı Soyadı Tolga YÜKSEL Ünvanı Birimi Doğum Tarihi Yrd. Doç. Dr. Mühendislik Fakültesi/ Elektrik Elektronik Mühendisliği 23.10.1980

Detaylı

Bulanık Mantık Tabanlı Uçak Modeli Tespiti

Bulanık Mantık Tabanlı Uçak Modeli Tespiti Bulanık Mantık Tabanlı Uçak Modeli Tespiti Hüseyin Fidan, Vildan Çınarlı, Muhammed Uysal, Kadriye Filiz Balbal, Ali Özdemir 1, Ayşegül Alaybeyoğlu 2 1 Celal Bayar Üniversitesi, Matematik Bölümü, Manisa

Detaylı

MÜHENDİSLİK FAKÜLTESİ-ELEKTRIK-ELEKTRONIK MÜHENDİSLİĞİ BÖLÜMÜ DERS BİLGİLERİ. Adı Kodu Dili Türü Yarıyıl. Doç. Dr. Nedim Tutkun

MÜHENDİSLİK FAKÜLTESİ-ELEKTRIK-ELEKTRONIK MÜHENDİSLİĞİ BÖLÜMÜ DERS BİLGİLERİ. Adı Kodu Dili Türü Yarıyıl. Doç. Dr. Nedim Tutkun ENSTİTÜ/FAKÜLTE/YÜKSEKOKUL ve PROGRAM: MÜHENDİSLİK FAKÜLTESİ-ELEKTRIK-ELEKTRONIK MÜHENDİSLİĞİ BÖLÜMÜ DERS BİLGİLERİ Adı Kodu Dili Türü Yarıyıl T+U Saati Kredi AKTS Olasılık ve İstatistik EEM284 Türkçe

Detaylı

MÜHENDİSLİK FAKÜLTESİ / ENSTİTÜSÜ / YÜKSEKOKULU BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ /ABD LİSANS PROGRAMI - 1 ( yılı ve sonrasında birinci

MÜHENDİSLİK FAKÜLTESİ / ENSTİTÜSÜ / YÜKSEKOKULU BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ /ABD LİSANS PROGRAMI - 1 ( yılı ve sonrasında birinci MÜHENDİSLİK FAKÜLTESİ / ENSTİTÜSÜ / YÜKSEKOKULU BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ /ABD LİSANS PROGRAMI - 1 (2016-17 yılı ve sonrasında birinci sınıfa başlayan öğrenciler için) BİRİNCİ YIL 1. Dönem

Detaylı

İSTATİSTİK VE OLASILIK SORULARI

İSTATİSTİK VE OLASILIK SORULARI İSTATİSTİK VE OLASILIK SORULARI SORU 1 Meryem, 7 arkadaşı ile bir voleybol maçına katılmayı planlamaktadır. Davet ettiği arkadaşlarından herhangi bir tanesinin EVET deme olasılığı 0,8 ise, en az 3 arkadaşının

Detaylı

YAPAY SİNİR AĞI KULLANARAK DEPREM EĞİLİMİNİN KESTİRİMİ. Umut FIRAT

YAPAY SİNİR AĞI KULLANARAK DEPREM EĞİLİMİNİN KESTİRİMİ. Umut FIRAT YAPAY SİNİR AĞI KULLANARAK DEPREM EĞİLİMİNİN KESTİRİMİ Umut FIRAT ufirat@yahoo.com Öz: Depremler yeryüzünde en çok yıkıma neden olan doğal afetlerdir. Bu durum, depremlerin önceden tahmin edilmesi fikrini

Detaylı

MÜHENDİSLİK FAKÜLTESİ / ENSTİTÜSÜ / YÜKSEKOKULU BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ /ABD LİSANS PROGRAMI - 2 ( yılı öncesinde birinci

MÜHENDİSLİK FAKÜLTESİ / ENSTİTÜSÜ / YÜKSEKOKULU BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ /ABD LİSANS PROGRAMI - 2 ( yılı öncesinde birinci MÜHENDİSLİK FAKÜLTESİ / ENSTİTÜSÜ / YÜKSEKOKULU BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ /ABD LİSANS PROGRAMI - 2 (2016-17 yılı öncesinde birinci sınıfa başlayan öğrenciler için) BİRİNCİ YIL 1. Dönem CMPE113

Detaylı

Veri ve Metin Madenciliği. Zehra

Veri ve Metin Madenciliği. Zehra Veri ve Metin Madenciliği Zehra Taşkın @zehrataskin Büyük Veri https://www.youtube.com/watch?v=tzxmjbl-i4y Veri Madenciliği Bir kutu toplu iğne İçine 3 boncuk düşürdünüz Nasıl alacağız? Veri Madenciliği

Detaylı

ÖZGEÇMİŞ. 1. Adı Soyadı : Olcay Taner Yıldız. 2. Doğum Tarihi : 15.05.1976. 3. Unvanı : Doç. Dr. 4. Öğrenim Durumu :

ÖZGEÇMİŞ. 1. Adı Soyadı : Olcay Taner Yıldız. 2. Doğum Tarihi : 15.05.1976. 3. Unvanı : Doç. Dr. 4. Öğrenim Durumu : ÖZGEÇMİŞ 1. Adı Soyadı : Olcay Taner Yıldız 2. Doğum Tarihi : 15.05.1976 3. Unvanı : Doç. Dr. 4. Öğrenim Durumu : Derece Alan Üniversite Yıl Lisans Bilgisayar Mühendisliği Boğaziçi Üniversitesi 1997 Y.

Detaylı

Naive Bayes Yöntemi ile Spam Mail Teşhisi Kübra KURNAZ

Naive Bayes Yöntemi ile Spam Mail Teşhisi Kübra KURNAZ Naive Bayes Yöntemi ile Spam Mail Teşhisi 2 17574006-Kübra KURNAZ Yıldız Teknik Üniversitesi, Elektrik-Elektronik Fakültesi, Bilgisayar Mühendisliği Bölümü, Tezsiz Yüksek Lisans Bilgi Teknolojileri Özet

Detaylı

ÖZGEÇMİŞ. Dağıtılmış Gecikmeli Modellerin Analizi ve Firma Verilerine Uygulanması, Prof. Dr. Ali Hakan Büyüklü

ÖZGEÇMİŞ. Dağıtılmış Gecikmeli Modellerin Analizi ve Firma Verilerine Uygulanması, Prof. Dr. Ali Hakan Büyüklü ÖZGEÇMİŞ Adı Soyadı: Ferda Yerdelen Tatoğlu Doğum Tarihi: 25 07 1978 Öğrenim Durumu: Derece Bölüm/Program Üniversite Yıl Lisans Ekonometri İstanbul Üniversitesi 1998 Y. Lisans Ekonometri İstanbul Universitesi

Detaylı

Yrd. Doç. Dr. Mehmet Güçlü

Yrd. Doç. Dr. Mehmet Güçlü Dersin Adı DERS ÖĞRETİM PLANI Ekonometri I Dersin Kodu ECO 301 Dersin Türü (Zorunlu, Seçmeli) Dersin Seviyesi (Ön Lisans, Lisans, Yüksek Lisans, Doktora) Dersin AKTS Kredisi 6 Haftalık Ders Saati 4 Haftalık

Detaylı

YÖK TEZLERİ PROJE KELİME TARAMASI

YÖK TEZLERİ PROJE KELİME TARAMASI YÖK TEZLERİ PROJE KELİME TARAMASI YÖK Tezleri Proje Kelimesi Taraması Sonuçları Toplam Çalışma Sayısı 1833 İncelenen 1673 İlgisiz 372 Toplam İncelenen 1301 X Projesi 720 Proje Yönetimi 123 Yatırım Projeleri

Detaylı

Veri Madenciliği Yaklaşımı ile Mesleki Yönlendirme Sistemi

Veri Madenciliği Yaklaşımı ile Mesleki Yönlendirme Sistemi Veri Madenciliği Yaklaşımı ile Mesleki Yönlendirme Sistemi YRD. DOÇ. DR. HÜSEYİN GÜRÜLER MUĞLA SITKI KOÇMAN ÜNİVERSİTESİ, TEKNOLOJİ FAKÜLTESİ, BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ Meslek Seçimi Meslek Seçimi

Detaylı

2018 YILI BİRİNCİ SEVİYE AKTÜERLİK SINAVLARI İSTATİSTİK VE OLASILIK 29 NİSAN 2018

2018 YILI BİRİNCİ SEVİYE AKTÜERLİK SINAVLARI İSTATİSTİK VE OLASILIK 29 NİSAN 2018 2018 YILI BİRİNCİ SEVİYE AKTÜERLİK SINAVLARI İSTATİSTİK VE OLASILIK 29 NİSAN 2018 Sigortacılık Eğitim Merkezi (SEGEM) tarafından hazırlanmış olan bu sınav sorularının her hakkı saklıdır. Hangi amaçla olursa

Detaylı

ÖZGEÇMİŞ. Derece Alan Üniversite Yıl Lisans İktisat Orta Doğu Teknik Üniversitesi 1991 Yüksek Lisans İktisat Bilkent Üniversitesi 1994

ÖZGEÇMİŞ. Derece Alan Üniversite Yıl Lisans İktisat Orta Doğu Teknik Üniversitesi 1991 Yüksek Lisans İktisat Bilkent Üniversitesi 1994 ÖZGEÇMİŞ 1. Adı Soyadı: Sıdıka Başçı 2. Doğum Tarihi: 1 Ocak 1970 3. Unvanı: Yardımcı Doçent 4. Öğrenim Durumu: Derece Alan Üniversite Yıl Lisans İktisat Orta Doğu Teknik Üniversitesi 1991 Yüksek Lisans

Detaylı

Bulanık Kümeler ve Sistemler. Prof. Dr. Nihal ERGİNEL

Bulanık Kümeler ve Sistemler. Prof. Dr. Nihal ERGİNEL Bulanık Kümeler ve Sistemler Prof. Dr. Nihal ERGİNEL İçerik 1. Giriş, Temel Tanımlar ve Terminoloji 2. Klasik Kümeler-Bulanık Kümeler 3. Olasılık Teorisi-Olabilirlik Teorisi 4. Bulanık Sayılar-Üyelik Fonksiyonları

Detaylı

YÖNEYLEM ARAŞTIRMASI - I

YÖNEYLEM ARAŞTIRMASI - I YÖNEYLEM ARAŞTIRMASI - I 1/19 İçerik Yöneylem Araştırmasının Dalları Kullanım Alanları Yöneylem Araştırmasında Bazı Yöntemler Doğrusal (Lineer) Programlama, Oyun Teorisi, Dinamik Programlama, Tam Sayılı

Detaylı

ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ DÖNEM PROJESİ TAŞINMAZ DEĞERLEMEDE HEDONİK REGRESYON ÇÖZÜMLEMESİ. Duygu ÖZÇALIK

ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ DÖNEM PROJESİ TAŞINMAZ DEĞERLEMEDE HEDONİK REGRESYON ÇÖZÜMLEMESİ. Duygu ÖZÇALIK ANKARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ DÖNEM PROJESİ TAŞINMAZ DEĞERLEMEDE HEDONİK REGRESYON ÇÖZÜMLEMESİ Duygu ÖZÇALIK GAYRİMENKUL GELİŞTİRME VE YÖNETİMİ ANABİLİM DALI ANKARA 2018 Her hakkı saklıdır

Detaylı

REGRESYON ANALİZİ VE UYGULAMA. Yrd. Doç. Dr. Hidayet Takcı

REGRESYON 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

Detaylı

VERİ MADENCİLİĞİNİN GÖREVLERİ

VERİ MADENCİLİĞİNİN GÖREVLERİ VERİ MADENCİLİĞİNİN GÖREVLERİ VERİ MADENCİLİĞİNİN GÖREVLERİ Classification (Sınıflandırma) Karakterizasyon (Betimleme) Regression (İlişki Çıkarımı) Clustering (Kümeleme) Association (İlişki Analizi) Forecasting

Detaylı

ÖZGEÇMİŞ VE ESERLER LİSTESİ

ÖZGEÇMİŞ VE ESERLER LİSTESİ ÖZGEÇMİŞ VE ESERLER LİSTESİ ÖZGEÇMİŞ Adı Soyadı: Emin AVCI Doğum Tarihi: 20.07.1976 Öğrenim Durumu: Derece Bölüm/Program Üniversite Yıl Lisans İngilizce İşletme Bölümü Marmara Üniversitesi 1994-1998 Yüksek

Detaylı

Türkiye deki İş Kazalarının Box-Jenkins Tekniği ile İncelenmesi. Doç. Dr. Arzu ALTIN YAVUZ Ar. Gör. Barış ERGÜL Ar. Gör. Ebru GÜNDOĞAN AŞIK

Türkiye deki İş Kazalarının Box-Jenkins Tekniği ile İncelenmesi. Doç. Dr. Arzu ALTIN YAVUZ Ar. Gör. Barış ERGÜL Ar. Gör. Ebru GÜNDOĞAN AŞIK Türkiye deki İş Kazalarının Box-Jenkins Tekniği ile İncelenmesi Doç. Dr. Arzu ALTIN YAVUZ Ar. Gör. Barış ERGÜL Ar. Gör. Ebru GÜNDOĞAN AŞIK Sunu Planı Giriş Bu bölümde İş Sağlığı ve Güvenliği ile ilgili

Detaylı

Herkes bir yerden başlar...

Herkes bir yerden başlar... Herkes bir yerden başlar... Başlıklar 1. Robot Akademide Neler Yapıyoruz. 2. Neden Robotik! 3. Derslerimizi Nasıl Planlıyoruz. 4. Öğrencilerimizin Kazanımları Nelerdir.? 5. Her Öğrencimiz Bizim İçin Değerlidir.

Detaylı

Mekatronik Mühendisliği Uygulamalarında Yapay Zekâ. Ders 1- Yapay Zekâya Giriş. Erhan AKDOĞAN, Ph.D.

Mekatronik Mühendisliği Uygulamalarında Yapay Zekâ. Ders 1- Yapay Zekâya Giriş. Erhan AKDOĞAN, Ph.D. Mekatronik Mühendisliği Uygulamalarında Yapay Zekâ Ders 1- Yapay Zekâya Giriş Erhan AKDOĞAN, Ph.D. Yapay Zekâ nedir?! İnsanın düşünme ve karar verme yeteneğini bilgisayarlar aracılığı ile taklit etmeye

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

Karar ağaçları overfitting e karşı çok hassastır. Birkaç alternatif karar ağacı oluşturulur ve sonuçta oylama yapılarak karar verilir.

Karar ağaçları overfitting e karşı çok hassastır. Birkaç alternatif karar ağacı oluşturulur ve sonuçta oylama yapılarak karar verilir. Entropy Bir veri setindeki bozukluğu ifade eder. pi her sınıf için etiketlenen verilerin oranını gösterir. karar ağaçlarında kullanılır. Karar ağaçları (Decision Tree) Makine öğrenmesi kullanılarak, sınıflamaya

Detaylı

ANKARA ÜNİVERSİTESİ A ÖĞRENCİ İŞLERİ DAİRE BAŞKANLIĞI

ANKARA ÜNİVERSİTESİ A ÖĞRENCİ İŞLERİ DAİRE BAŞKANLIĞI PROGRAM ADI : BİLGİSAYAR MÜHENDİSLİĞİ (İNGİLİZCE) 1.SINIF /1.YARIYIL* 1 COM101 COMPUTER PROGRAMMING I - - 4 2 6 5 9 2 COM113 INTRODUCTION TO COMPUTER SCIENCE - - 3 0 3 3 5 3 PHY0101 PHYSICS I - - 3 0 3

Detaylı

bitık MOBİL TİCARET UYGULAMASI ABDULLAH ÇİÇEKCİ

bitık MOBİL TİCARET UYGULAMASI ABDULLAH ÇİÇEKCİ bitık MOBİL TİCARET UYGULAMASI ABDULLAH ÇİÇEKCİ - 150110046 İÇERİK Uygulama ve uygulamaya ilişkin temel kavramların tanıtımı Uygulamanın yapısı Ön yüz Veritabanı Web Servisler K-Means Algoritması ile kategori

Detaylı

Topluluk Algoritması Destekli Yarı-eğiticili Öğrenme Semi-supervised Learning Based on Ensemble Algorithm

Topluluk Algoritması Destekli Yarı-eğiticili Öğrenme Semi-supervised Learning Based on Ensemble Algorithm Topluluk Algoritması Destekli Yarı-eğiticili Öğrenme Semi-supervised Learning Based on Ensemble Algorithm Abdulkadir Şeker 1, Mehmet Fatih Amasyalı 2 1 Bilgisayar Mühendisliği Bölümü, Cumhuriyet Üniversitesi,

Detaylı

ANKARA ÜNİVERSİTESİ A ÖĞRENCİ İŞLERİ DAİRE BAŞKANLIĞI

ANKARA ÜNİVERSİTESİ A ÖĞRENCİ İŞLERİ DAİRE BAŞKANLIĞI Dersin ön koşulu var mı? ***** İntibak Dersi mi? **** TOPLAM SAAT ** AKTS Kredisi ** ANKARA ÜNİVERSİTESİ A PROGRAM ADI : BİLGİSAYAR MÜHENDİSLİĞİ (İNGİLİZCE).SINIF /.YARIYIL* ANADAL EĞİTİM PROGRAMI ZORUNLU

Detaylı

RÜZGAR ENERJİSİ KAYNAĞI VE BELİRSİZLİK

RÜZGAR ENERJİSİ KAYNAĞI VE BELİRSİZLİK 4. İzmir Rüzgâr Sempozyumu // 28-30 Eylül 2017 // İzmir RÜZGAR ENERJİSİ KAYNAĞI VE BELİRSİZLİK Prof. Dr. Barış Özerdem İzmir Ekonomi Üniversitesi Havacılık ve Uzay Mühendisliği Bölümü baris.ozerdem@ieu.edu.tr

Detaylı