MEH535 Örüntü Tanıma. Karar Teorisi

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "MEH535 Örüntü Tanıma. Karar Teorisi"

Transkript

1 MEH535 Örüntü Tanıma 2. Karar Teorisi Doç.Dr. M. Kemal GÜLLÜ Elektronik ve Haberleşme Mühendisliği Bölümü web: E-posta: Karar Teorisi Doğru karar vermek 2 1

2 Karar Teorisi Olabilirlik Oran Testi Ele alınan bir x ölçümünü sınıflandırma problemi için kabul edilebilir bir sezgisel karar kuralı: Ölçülen x özniteliği tarafından sağlanan kanıtın daha benzer olduğu sınıfı seç Matematiksel olarak, her sınıfın P(ω i x) sonsal olasılığını bul ve içlerinden en büyük olasılığı veren sınıfı seç 2 sınıf problemi için karar kuralı: Daha sade şekilde: 3 Karar Teorisi Olabilirlik Oran Testi Bayes Kuralı uygulandığında P(x) kararda etkili olmadığından atılabilir! Λ(x) olabilirlik oranı (likelihood ratio); karar kuralı da olabilirlik oran testi (likelihood ratio test) olarak adlandırılır. Not: Eğer P(ω i x) sonsalı hesaplanmak isteniyor ise P(x) gereklidir. 4 2

3 Karar Teorisi Olabilirlik Oran Testi Örnek: Aşağıdaki sınıf koşullu olasılık yoğunlukları üzerinden LRT ile karar kuralı oluşturmak isteniyor (önseller eşit) LRT: İşaretler değiştirilip log alındığında: Sonuçta: 5 Karar Teorisi Olabilirlik Oran Testi Örnek: Önsel olasılıkların eşit olmadığı durum (P(ω 1 )= 2P(ω 2 ) ) LRT: Eşik sağa kaydı. Yorum? 1 x e x x10 2 e In x In2 x 4 x x x 4 x 10 2In

4 Karar Teorisi Hata Olasılığı İkili hipotez durumunda bölgeler ve kararlar (Van Trees): 7 Karar Teorisi Hata Olasılığı Karar kuralının performansı hata olasılığı (P[error]) ile değerlendirilir Sınıf koşullu olasılıkları: Örn; 2 sınıf probleminde: 8 4

5 Karar Teorisi Hata Olasılığı Eşit önsel olasılıklı 2 sınıf problemindeki karar kuralı için hata olasılığı: 9 Karar Teorisi Hata Olasılığı LRT karar kuralı ne derecede iyi? P[error], sonsal hata üzerinden ele alındığında En uygun karar kuralı, her x için P[error x] olasılığını en küçükleyecektir. ω j kararı verildiğinde her x noktasında P[error x ] değeri P[ω i x ] olasılığına eşittir ALT: Arbitrary Likelihood ratio Test 10 5

6 Karar Teorisi Hata Olasılığı Herhangi bir x değeri için LRT karar kuralı daima daha düşük P[error x ] e sahip olacaktır Dolayısıyla, x-ekseni üzerinden integral alındığında LRT daha düşük P[error] vermektedir. Verilen bir problem için en küçük hata olasılığı LRT ile elde edilir. Bu hata olasılığı Bayes Hata Oranı (Bayes Error Rate) olarak bilinir ve sınıflandırıcının yapabileceğinin EN İYİSİDİR 11 Karar Teorisi Bayes Riski Hatalı sınıflandırma cezası her zaman eşit olmayabilir. Örn; Kanser hastasına hasta değil tanısı koymak diğer durumla karşılaştırıldığında ciddi sorun oluşturacaktır. Farklı risk durumları C ij ile gösterilen bir maliyet fonksiyonu (cost func.) ile gösterilir C ij, ω j sınıfı doğru iken ω i sınıfına karar verme maliyetidir Bayes Riski (2-sınıf için): 12 6

7 Karar Teorisi Bayes Riski Bayes riskini en küçükleyecek karar kuralı ne olmalı? Risk: Olabilirlik 13 Karar Teorisi Bayes Riski Risk ifadesinde olabilirlik toplamı kullandığında Bayes riski: Tüm integraller R 1 bölgesinde tanımlandığında: 14 7

8 Karar Teorisi Bayes Riski Bayes riskini en küçükleme (ilk 2 terim R 1 de tanımlı değil, atılır): R 1 i seç eğer: LRT 15 Karar Teorisi Bayes Riski Örnek: 2-sınıf probleminde, Yoğunluklar? LR? için hata olasılığını en küçükleyen karar kuralı? 16 8

9 Karar Teorisi LRT Türevleri Bayes Ölçütü: En Büyük Sonsal (Maximum A Posteriori - MAP) Ölçütü: En Büyük Olabilirlik (Maximum Likelihood - ML) Ölçütü: 17 Karar Teorisi LRT Türevleri Neyman-Pearson Ölçütü: Algılama-kestirim teorisinde kullanılır ve LRT de bir sınıfın hata olasılığını sabit tutarak, diğer sınıfın hata olasılığını en küçüklemeye çalışır. Örn; balık sınıflandırma probleminde somonların levrek olarak hatalı sınıflandırılması için devletin koyduğu %1 sınırını geçmeyecek şekilde diğer durumun hata olasılığını en küçükle Önsellerin bilgisine ve bir maliyet fonksiyonuna gerek yoktur Minimax Ölçütü: Oyun teorisinde kullanılır ve Bayes ölçütünden çıkartılmıştır. En büyük Bayes riskini en küçüklemeyi hedefler Önsellerin bilgisine gerek yoktur ancak bir maliyet fonksiyonu gerekir 18 9

10 Karar Teorisi Minimum Hata Kuralı Çoklu Sınıf Problemi için hata olasılığını en küçükleyen karar kuralı: Doğru atama yapma olasılığı: Hata olasılığı: Hata olasılığını en küçükleme Doğru atama olasılığını en büyükleme: 19 Karar Teorisi Minimum Hata Kuralı P[correct] olasılığını en büyüklemek için integralinin her birinin en büyüklenmesi gerekmektedir Bu integral, en büyük P[ω i x] i veren ω i sınıfı seçilerek en büyüklenebilir 20 10

11 Karar Teorisi Minimum Hata Kuralı Çoklu sınıf problemi için en küçük Bayes riski: α i : ω i sınıfını seçme kararı α(x) : x özniteliklerini ω i : α(x) {α 1,α 2,, α c } sınıflarına eşleyen toplam karar kuralı olsun x i ω i sınıfına atama koşullu riski : α(x) karar kuralı ile ilişkilendirilen Bayes riski: 3 x 21 Karar Teorisi Ayırtaç Fonksiyonları g i (x), i=1,,c ayırtaç fonksiyonları ile sınıflandırma: Temel Karar Kuralları ve ayırtaç fonksiyonları: 22 11

MEH535 Örüntü Tanıma

MEH535 Örüntü Tanıma MEH535 Örünü Tanıma 4. Paramerik Sınıflandırma Doç.Dr. M. Kemal GÜLLÜ Elekronik ve Haberleşme Mühendisliği Bölümü web: hp://akademikpersonel.kocaeli.edu.r/kemalg/ E-posa: kemalg@kocaeli.edu.r Paramerik

Detaylı

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

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

Detaylı

MEH535 Örüntü Tanıma

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

Detaylı

Ders 6: Sürekli Olasılık Dağılımları

Ders 6: Sürekli Olasılık Dağılımları Ders 6: Sürekli Olasılık Dağılımları Normal Dağılım Standart Normal Dağılım Binom Dağılımına Normal Yaklaşım Düzgün (uniform) Dağılım Üstel Dağılım Dağılımlar arası ilişkiler Bir rastgele değişkenin, normal

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

MEH535 Örüntü Tanıma

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

Detaylı

Doğan Can, Murat Saraçlar. Bebek, İstanbul. 9 Mart, 2009

Doğan Can, Murat Saraçlar. Bebek, İstanbul. 9 Mart, 2009 Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması Doğan Can, Murat Saraçlar Elektrik Elektronik Mühendisliği Bölümü Boğaziçi Üniversitesi Bebek, İstanbul 9 Mart, 2009 Bir Bakışta GDSKT

Detaylı

İleri Diferansiyel Denklemler

İleri 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

Detaylı

KANITA DAYALI LABORATUVAR TIBBI İLE İLİŞKİLİ HESAPLAMALAR. Doç.Dr. Mustafa ALTINIŞIK ADÜTF Biyokimya AD 2005

KANITA DAYALI LABORATUVAR TIBBI İLE İLİŞKİLİ HESAPLAMALAR. Doç.Dr. Mustafa ALTINIŞIK ADÜTF Biyokimya AD 2005 KANITA DAYALI LABORATUVAR TIBBI İLE İLİŞKİLİ HESAPLAMALAR Doç.Dr. Mustafa ALTINIŞIK ADÜTF Biyokimya AD 2005 1 Kanıta dayalı tıp Kanıta dayalı tıp, hekimlerin günlük kararlarını, mevcut en iyi kanıtın ışığında,

Detaylı

ĐST 474 Bayesci Đstatistik

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

Detaylı

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

CEVAP ANAHTARI. Tempo Testi D 2-B 3-A 4-A 5-C 6-B 7-B 8-C 9-B 10-D 11-C 12-D 13-C 14-C

CEVAP ANAHTARI. Tempo Testi D 2-B 3-A 4-A 5-C 6-B 7-B 8-C 9-B 10-D 11-C 12-D 13-C 14-C 01. BÖLÜM: FONKSİYONLARLA İLGİLİ UYGULAMALAR - 1 1-E 2-D 3-C 4-E 5-B 6-C 7-C 8-B 9-C 10-D 11-C - 2 1-D 2-E 3-C 4-D 5-E 6-E 7-C 8-D 9-E 10-B - 3 1-E 2-A 3-B 4-D 5-A 6-E 7-E 8-C 9-C 10-C 11-C 1-A 2-B 3-E

Detaylı

MAK 210 SAYISAL ANALİZ

MAK 210 SAYISAL ANALİZ MAK 210 SAYISAL ANALİZ BÖLÜM 2- HATA VE HATA KAYNAKLARI Doç. Dr. Ali Rıza YILDIZ 1 GİRİŞ Bir denklemin veya problemin çözümünde kullanılan sayısal yöntem belli bir giriş verisini işleme tabi tutarak sayısal

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

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

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

Detaylı

İstatistik ve Olasılık

İstatistik ve Olasılık İstatistik ve Olasılık Rastgele Değişkenlerin Dağılımları I Prof. Dr. İrfan KAYMAZ Ders konusu Bu derste; Rastgele değişkenlerin tanımı ve sınıflandırılması Olasılık kütle fonksiyonu Olasılık yoğunluk

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

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

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

Detaylı

BÖLÜM 1: YAşAM ÇÖzÜMLEMEsİNE GİRİş... 1

BÖLÜM 1: YAşAM ÇÖzÜMLEMEsİNE GİRİş... 1 ÖN SÖZ...iii BÖLÜM 1: Yaşam Çözümlemesine Giriş... 1 1.1. Giriş... 1 1.2. Yaşam Süresi... 2 1.2.1. Yaşam süresi verilerinin çözümlenmesinde kullanılan fonksiyonlar... 3 1.2.1.1. Olasılık yoğunluk fonksiyonu...

Detaylı

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

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

Detaylı

EME Sistem Simülasyonu. Giriş. Olasılık Dağılımı. Rassal Degiskenler

EME Sistem Simülasyonu. Giriş. Olasılık Dağılımı. Rassal Degiskenler EME 3105 1 Giriş Sistem Simülasyonu Önümüzdeki hafta simulasyon girdilerinin modellenmesinde kullanılan kesikli ve sürekli Simulasyonda İstatistiksel Modeller-I Ders 4 dağılımlar hatırlatılacaktır. Rassal

Detaylı

BİYOİSTATİSTİK Olasılıkta Temel Kavramlar Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH

BİYOİSTATİSTİK Olasılıkta Temel Kavramlar Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH BİYOİSTTİSTİK Olasılıkta Temel Kavramlar Yrd. Doç. Dr. slı SUNER KRKÜLH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim D. Web: www.biyoistatistik.med.ege.edu.tr 1 OLSILIK Olasılık; Tablo

Detaylı

AKT201 Matematiksel İstatistik I Yrd. Doç. Dr. Könül Bayramoğlu Kavlak

AKT201 Matematiksel İstatistik I Yrd. Doç. Dr. Könül Bayramoğlu Kavlak AKT20 Matematiksel İstatistik I 207-208 Güz Dönemi AKT20 MATEMATİKSEL İSTATİSTİK I ÖDEV 6 Son Teslim Tarihi: 29 Aralık 207 Cuma, Saat: 5:00 (Ödevlerinizi Arş. Gör. Ezgi NEVRUZ a elden teslim ediniz.) (SORU

Detaylı

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

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

Detaylı

Zeki Optimizasyon Teknikleri

Zeki 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:

Detaylı

Appendix C: İstatistiksel Çıkarsama

Appendix 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

Detaylı

YTÜ İktisat Bölümü EKONOMETRİ I Ders Notları

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

Detaylı

Markov Zinciri Monte Carlo Yaklaşımı. Aktüeryal Uygulamaları

Markov Zinciri Monte Carlo Yaklaşımı. Aktüeryal Uygulamaları Markov Zinciri Monte Carlo Yaklaşımı ve Aktüeryal Uygulamaları ŞİRZAT ÇETİNKAYA Aktüer Sistem Araştırma Geliştirme Bölümü AKTÜERLER DERNEĞİ 2.0.20080 2008 - İSTANBUL Sunum Planı. Giriş 2. Bayesci Metodun

Detaylı

GÜVEN ARALIKLARI ve İSTATİSTİKSEL ANLAMLILIK. Ankara Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı

GÜVEN ARALIKLARI ve İSTATİSTİKSEL ANLAMLILIK. Ankara Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı GÜVEN ARALIKLARI ve İSTATİSTİKSEL ANLAMLILIK Ankara Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı Kestirim Pratikte kitle parametrelerinin doğrudan hesaplamak olanaklı değildir. Bunun yerine

Detaylı

Risk ve Belirsizlik. 1. Karar Analizleri 2. Karar Ağaçları 3. Oyun Teorisi. Karar Verme Aşamasındaki Bileşenler

Risk ve Belirsizlik. 1. Karar Analizleri 2. Karar Ağaçları 3. Oyun Teorisi. Karar Verme Aşamasındaki Bileşenler Risk ve Belirsizlik Altında Karar Verme KONU 6 1. Karar Analizleri 2. Karar Ağaçları 3. Oyun Teorisi i Karar Verme Aşamasındaki Bileşenler Gelecekte gerçekleşmesi mümkün olan olaylar Olası Durumlar şeklinde

Detaylı

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

2.1 Gri Düzey Eş Oluşum Matrisi ( GLCM) Gri düzey eş oluşum matrisi Haralick tarafından öne sürülmüştür [1]. Đstatistiksel doku analizi yöntemidir. ÇELĐK YÜZEYLERĐN SINIFLANDIRILMASI * Cem ÜNSALAN ** Aytül ERÇĐL * Ayşın ERTÜZÜN *Boğaziçi Üniversitesi, Elektrik-Elektronik Mühendisliği Bölümü unsalan@boun.edu.tr **Boğaziçi Üniversitesi, Endüstri Mühendisliği

Detaylı

Aşağı Link MC-CDMA Sistemlerinde Kullanılan PIC Alıcının EM-MAP Tabanlı Olarak İlklendirilmesi

Aşağı Link MC-CDMA Sistemlerinde Kullanılan PIC Alıcının EM-MAP Tabanlı Olarak İlklendirilmesi IEEE 15. Sinyal İşleme ve İletişim Uygulamaları Kurultayı - 2007 Aşağı Link MC-CDMA Sistemlerinde Kullanılan PIC Alıcının EM-MAP Tabanlı Olarak İlklendirilmesi Hakan Doğan 1,Erdal Panayırcı 2, Hakan Ali

Detaylı

İstatistik ve Olasılık

İstatistik ve Olasılık İstatistik ve Olasılık KORELASYON ve REGRESYON ANALİZİ Doç. Dr. İrfan KAYMAZ Tanım Bir değişkenin değerinin diğer değişkendeki veya değişkenlerdeki değişimlere bağlı olarak nasıl etkilendiğinin istatistiksel

Detaylı

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

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

Detaylı

MAK 210 SAYISAL ANALİZ

MAK 210 SAYISAL ANALİZ MAK 210 SAYISAL ANALİZ BÖLÜM 7- SAYISAL TÜREV Doç. Dr. Ali Rıza YILDIZ 1 GİRİŞ İntegral işlemi gibi türev işlemi de mühendislikte çok fazla kullanılan bir işlemdir. Basit olarak bir fonksiyonun bir noktadaki

Detaylı

ALGORİTMA ANALİZİ. Cumhuriyet Üniversitesi Bilgisayar Mühendisliği Bölümü

ALGORİTMA ANALİZİ. Cumhuriyet Üniversitesi Bilgisayar Mühendisliği Bölümü ALGORİTMA ANALİZİ Cumhuriyet Üniversitesi Bilgisayar Mühendisliği Bölümü 2 Yürütme Zamanı (Running Time) Algoritmanın belirli bir işleme veya eyleme kaç kez gereksinim duyulduğunu gösteren bağıntıdır ve

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

Mühendislik Mekaniği Statik. Yrd.Doç.Dr. Akın Ataş

Mühendislik Mekaniği Statik. Yrd.Doç.Dr. Akın Ataş Mühendislik Mekaniği Statik Yrd.Doç.Dr. Akın Ataş Bölüm 10 Eylemsizlik Momentleri Kaynak: Mühendislik Mekaniği: Statik, R. C.Hibbeler, S. C. Fan, Çevirenler: A. Soyuçok, Ö. Soyuçok. 10. Eylemsizlik Momentleri

Detaylı

altında ilerde ele alınacaktır.

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

Detaylı

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

MATEMATiKSEL iktisat

MATEMATiKSEL 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

Detaylı

SIRA İSTATİSTİKLERİ VE UYGULAMA ALANLARINDAN BİR ÖRNEĞİN DEĞERLENDİRMESİ

SIRA İSTATİSTİKLERİ VE UYGULAMA ALANLARINDAN BİR ÖRNEĞİN DEĞERLENDİRMESİ Sıra İstatistikleri ve Uygulama Alanlarından Bir Örneğin Değerlendirmesi 89 SIRA İSTATİSTİKLERİ VE UYGULAMA ALANLARINDAN BİR ÖRNEĞİN DEĞERLENDİRMESİ Esin Cumhur PİRİNÇCİLER Araş. Gör. Dr., Çanakkale Onsekiz

Detaylı

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

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

Detaylı

Akdeniz Üniversitesi

Akdeniz Üniversitesi F. Ders Tanıtım Formu Dersin Adı Öğretim Dili Akdeniz Üniversitesi İSTATİSTİKSEL ANALİZ I Türkçe Dersin Verildiği Düzey Ön Lisans ( ) Lisans (*) Yüksek Lisans( ) Doktora ( ) Eğitim Öğretim Sistemi Örgün

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

A. Regresyon Katsayılarında Yapısal Kırılma Testleri

A. Regresyon Katsayılarında Yapısal Kırılma Testleri A. Regresyon Katsayılarında Yapısal Kırılma Testleri Durum I: Kırılma Tarihinin Bilinmesi Durumu Kırılmanın bilinen bir tarihte örneğin tarihinde olduğunu önceden bilinmesi durumunda uygulanır. Örneğin,

Detaylı

Uzaktan Algılama Uygulamaları

Uzaktan Algılama Uygulamaları Aksaray Üniversitesi Uzaktan Algılama Uygulamaları Doç.Dr. Semih EKERCİN Harita Mühendisliği Bölümü sekercin@aksaray.edu.tr 2010-2011 Bahar Yarıyılı Uzaktan Algılama Uygulamaları GÖRÜNTÜ İŞLEME TEKNİKLERİ

Detaylı

KAHKAHA TANIMA İÇİN RASSAL ORMANLAR

KAHKAHA TANIMA İÇİN RASSAL ORMANLAR KAHKAHA TANIMA İÇİN RASSAL ORMANLAR Heysem Kaya, A. Mehdi Erçetin, A. Ali Salah, S. Fikret Gürgen Bilgisayar Mühendisliği Bölümü Boğaziçi Üniversitesi / Istanbul Akademik Bilişim'14, Mersin, 05.02.2014

Detaylı

ERCİYES ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ SİVİL HAVACILIK ANABİLİM DALI YENİ DERS ÖNERİSİ/ DERS GÜNCELLEME

ERCİYES ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ SİVİL HAVACILIK ANABİLİM DALI YENİ DERS ÖNERİSİ/ DERS GÜNCELLEME / DERS GÜNCELLEME Dersin Kodu SHA 615 Dersin Adı İSTATİSTİKSEL SİNYAL İŞLEME Yarıyılı GÜZ Dersin İçeriği: Olasılık ve olasılıksal süreçlerin gözden geçirilmesi. Bayes kestirim kuramı. Büyük olabilirlik

Detaylı

Elektrik Devre Temelleri

Elektrik Devre Temelleri Elektrik Devre Temelleri 3. TEMEL KANUNLAR-2 Doç. Dr. M. Kemal GÜLLÜ Elektronik ve Haberleşme Mühendisliği Kocaeli Üniversitesi ÖRNEK 2.5 v 1 ve v 2 gerilimlerini bulun. (KGK) 1 PROBLEM 2.5 v 1 ve v 2

Detaylı

Kısıtsız Optimizasyon OPTİMİZASYON Kısıtsız Optimizasyon

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

Detaylı

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

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

Detaylı

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

TANI TESTLERINE GIRIŞ & ROC ANALİZİ

TANI TESTLERINE GIRIŞ & ROC ANALİZİ TANI TESTLERINE GIRIŞ & ROC ANALİZİ Yrd.Doç.Dr. Selçuk Korkmaz Trakya Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı Turcosa Analitik Çözümlemeler selcukorkmaz@gmail.com ÇOCUK NEFROLOJİ DERNEĞİ

Detaylı

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

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

Detaylı

İleri Diferansiyel Denklemler

İleri 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

Detaylı

KAHRAMANMARAŞ SÜTÇÜ İMAM ÜNİVERSİTESİ EĞİTİM ÖĞRETİM YILI FEN-EDEBİYAT FAKÜLTESİ MATEMATİK BÖLÜMÜ BİRİNCİ VE İKİNCİ ÖĞRETİM DERSLERİ

KAHRAMANMARAŞ SÜTÇÜ İMAM ÜNİVERSİTESİ EĞİTİM ÖĞRETİM YILI FEN-EDEBİYAT FAKÜLTESİ MATEMATİK BÖLÜMÜ BİRİNCİ VE İKİNCİ ÖĞRETİM DERSLERİ I. YARIYIL Adı Teori Uygulama KSU MT101 Analiz I 6 4 2 5 7 MT107 Soyut Matematik I 4 4 0 4 5 MT109 Analitik Geometri I 4 4 0 4 5 FZ173 Fizik I 4 4 0 4 4 OZ101 Türk Dili I 2 2 0 2 2 OZ121 Ingilizce I 2

Detaylı

Rastgele Değişkenlerin Dağılımları. Mühendislikte İstatistik Yöntemler

Rastgele Değişkenlerin Dağılımları. Mühendislikte İstatistik Yöntemler Rastgele Değişkenlerin Dağılımları Mühendislikte İstatistik Yöntemler Ayrık Rastgele Değişkenler ve Olasılık Dağılımları Yapılan çalışmalarda elde edilen verilerin dağılışı ve dağılış fonksiyonu her seferinde

Detaylı

MAK 210 SAYISAL ANALİZ

MAK 210 SAYISAL ANALİZ MAK 210 SAYISAL ANALİZ BÖLÜM 8- SAYISAL İNTEGRASYON 1 GİRİŞ Mühendislikte sık karşılaşılan matematiksel işlemlerden biri integral işlemidir. Bilindiği gibi integral bir büyüklüğün toplam değerinin bulunması

Detaylı

RİSK ANALİZİ VE AKTÜERYAL MODELLEME MAYIS 2015

RİSK ANALİZİ VE AKTÜERYAL MODELLEME MAYIS 2015 RİSK ANALİZİ VE AKTÜERYAL MODELLEME MAYIS 2015 SORU 2: Motosiklet sigortası pazarlamak isteyen bir şirket, motosiklet kaza istatistiklerine bakarak, poliçe başına yılda ortalama 0,095 kaza olacağını tahmin

Detaylı

Matematiksel Optimizasyon ve Yapay Öğrenme

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

Detaylı

İleri Diferansiyel Denklemler

İleri 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

Detaylı

DERS BİLGİLERİ Ders Kodu Yarıyıl T+U Saat Kredi AKTS Çok Değişkenli İstatistik EKO428 Bahar Ön Koşul Dersin Dili

DERS BİLGİLERİ Ders Kodu Yarıyıl T+U Saat Kredi AKTS Çok Değişkenli İstatistik EKO428 Bahar Ön Koşul Dersin Dili DERS BİLGİLERİ Ders Kodu Yarıyıl T+U Saat Kredi AKTS Çok Değişkenli İstatistik EKO428 Bahar 3+0 3 3 Ön Koşul Yok Dersin Dili Türkçe Dersin Seviyesi Lisans Dersin Türü Seçmeli Dersi Veren Öğretim Elemanı

Detaylı

Örneklemden elde edilen parametreler üzerinden kitle parametreleri tahmin edilmek istenmektedir.

Örneklemden elde edilen parametreler üzerinden kitle parametreleri tahmin edilmek istenmektedir. ÇIKARSAMALI İSTATİSTİKLER Çıkarsamalı istatistikler, örneklemden elde edilen değerler üzerinde kitleyi tanımlamak için uygulanan istatistiksel yöntemlerdir. Çıkarsamalı istatistikler; Tahmin Hipotez Testleri

Detaylı

Bilgisayarla Görüye Giriş

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

Detaylı

2. Klasik Kümeler-Bulanık Kümeler

2. Klasik Kümeler-Bulanık Kümeler 2. Klasik Kümeler-Bulanık Kümeler Klasik Küme Teorisi Klasik kümelerde bir nesnenin bir kümeye üye olması ve üye olmaması söz konusudur. Bu yaklaşıma göre istediğimiz özelliğe sahip olan bir birey, eleman

Detaylı

ANADOLU ÜNİVERSİTESİ. ENM 317 MÜHENDİSLİK İSTATİSTİĞİ İYİ UYUM TESTİ Prof.Dr. Nihal ERGİNEL

ANADOLU ÜNİVERSİTESİ. ENM 317 MÜHENDİSLİK İSTATİSTİĞİ İYİ UYUM TESTİ Prof.Dr. Nihal ERGİNEL ANADOLU ÜNİVERSİTESİ ENM 317 MÜHENDİSLİK İSTATİSTİĞİ İYİ UYUM TESTİ Prof.Dr. Nihal ERGİNEL İYİ UYUM TESTİ Rassal değişkenin olasılık yoğunluk fonksiyonunun ve parametresinin bilinmediği, ancak belirli

Detaylı

Yıldız Teknik Üniversitesi Endüstri Mühendisliği Bölümü KARAR TEORİSİ MARKOV SÜREÇLERİ. Markov Analizi

Yıldız Teknik Üniversitesi Endüstri Mühendisliği Bölümü KARAR TEORİSİ MARKOV SÜREÇLERİ. Markov Analizi Yıldız Teknik Üniversitesi Endüstri Mühendisliği Bölümü KARAR TEORİSİ MARKOV SÜREÇLERİ Doç. Dr. İhsan KAYA Markov Analizi Markov analizi, bugün çalışan bir makinenin ertesi gün arızalanma olasılığının

Detaylı

1.58 arasındaki her bir değeri alabileceği için sürekli bir

1.58 arasındaki her bir değeri alabileceği için sürekli bir 7.SUNUM Hatırlanacağı gibi, kesikli rassal değişkenler sonlu (örneğin; 0, 1, 2,...,10) veya sayılabilir sonsuzlukta (örneğin; 0, 1, 2,...) değerler alabilmektedir. Fakat birçok uygulamada, rassal değişkenin

Detaylı

Ders #15 için okuma: Bölümler 3.4, 3.5, 3.6 ve 3.7 (3.baskıda, Bölümler 3.4, 3.5, 3.6, 3.7 ve 3.8) Değerlik Bağı Teorisi.

Ders #15 için okuma: Bölümler 3.4, 3.5, 3.6 ve 3.7 (3.baskıda, Bölümler 3.4, 3.5, 3.6, 3.7 ve 3.8) Değerlik Bağı Teorisi. 5.111 Ders Özeti #14 Bugün için okuma: Bölüm 3.8 (3. Baskıda 3.9) Lewis Teorisinin Sınırları, Bölüm 3.9 (3. Baskıda 3.10) Molekül Orbitalleri, Bölüm 3.10 (3. Baskıda 3.11) Ġki Atomlu Moleküllerin Elektron

Detaylı

Matematik Ders Notları. Doç. Dr. Murat Donduran

Matematik Ders Notları. Doç. Dr. Murat Donduran Matematik Ders Notları Doç. Dr. Murat Donduran Mart 18, 28 2 İçindekiler 1 Tanımlı Integral Uygulamaları 5 1.1 Olasılık.............................. 5 3 4 İÇINDEKILER Bölüm 1 Tanımlı Integral Uygulamaları

Detaylı

(AYIRIM) DENLİ. Emre KUZUGÜDENL. Doç.Dr.Serdar CARUS

(AYIRIM) DENLİ. Emre KUZUGÜDENL. Doç.Dr.Serdar CARUS DİSKRİMİNANT ANALİZİ (AYIRIM) Emre KUZUGÜDENL DENLİ Doç.Dr.Serdar CARUS Bu analiz ile; Bir bireyin hangi gruptan geldiği (p değişkeni kullanarak, bireyi uygun bir gruba atar ) Her bir değişkenin atama

Detaylı

LYS Y ĞRU MTMTİK TSTİ. u testte Matematik ile ilgili 0 soru vardır.. evaplarınızı, cevap kâğıdının Matematik Testi için ayrılan kısmına işaretleyiniz.. u testteki süreniz 7 dakikadır.., y reel sayılar

Detaylı

13. Olasılık Dağılımlar

13. Olasılık Dağılımlar 13. Olasılık Dağılımlar Mühendislik alanında karşılaşılan fiziksel yada fiziksel olmayan rasgele değişken büyüklüklerin olasılık dağılımları için model alınabilecek çok sayıda sürekli ve kesikli fonksiyon

Detaylı

FİZİK 4. Ders 10: Bir Boyutlu Schrödinger Denklemi

FİZİK 4. Ders 10: Bir Boyutlu Schrödinger Denklemi FİZİK 4 Ders 10: Bir Boyutlu Schrödinger Denklemi Bir Boyutlu Schrödinger Denklemi Beklenen Değer Kuyu İçindeki Parçacık Zamandan Bağımsız Schrödinger Denklemi Kare Kuyu Tünel Olayı Basit Harmonik Salınıcı

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

İleri Diferansiyel Denklemler

İleri 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

Detaylı

Örneklem Dağılımları & Hipotez Testleri Örneklem Dağılımı

Örneklem Dağılımları & Hipotez Testleri Örneklem Dağılımı Örneklem Dağılımları & Hipotez Testleri Örneklem Dağılımı Ortalama veya korelasyon gibi istatistiklerin dağılımıdır Çıkarımsal istatistikte örneklem dağılımı temel fikirlerden biridir. Çıkarımsal istatistik

Detaylı

KOCAELİ ÜNİVERSİTESİ ELEKTRONİK VE HABERLEŞME MÜHENDİSLİĞİ BÖLÜMÜ 2018/2019 GYY BİTİRME ÇALIŞMASI ÖNERİ FORMU. (Doç.Dr. M.

KOCAELİ ÜNİVERSİTESİ ELEKTRONİK VE HABERLEŞME MÜHENDİSLİĞİ BÖLÜMÜ 2018/2019 GYY BİTİRME ÇALIŞMASI ÖNERİ FORMU. (Doç.Dr. M. KOCAELİ ÜNİVERSİTESİ ELEKTRONİK VE HABERLEŞME MÜHENDİSLİĞİ BÖLÜMÜ 2018/2019 GYY BİTİRME ÇALIŞMASI ÖNERİ FORMU (Doç.Dr. M. Kemal GÜLLÜ) Derinlik kamerası ile alınan modellerin birleştirilmesi Derinlik kamerası,

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

IE 303T Sistem Benzetimi

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

Detaylı

Hatalar ve Bilgisayar Aritmetiği

Hatalar ve Bilgisayar Aritmetiği Hatalar ve Bilgisayar Aritmetiği Analitik yollardan çözemediğimiz birçok matematiksel problemi sayısal yöntemlerle bilgisayarlar aracılığı ile çözmeye çalışırız. Bu şekilde Sayısal yöntemler kullanarak

Detaylı

İŞLETME ORTAK DOKTORA PROGRAMI DERS İÇERİKLERİ GÜZ DÖNEMİ DERS PROGRAMI

İŞLETME ORTAK DOKTORA PROGRAMI DERS İÇERİKLERİ GÜZ DÖNEMİ DERS PROGRAMI İŞLETME ORTAK DOKTORA PROGRAMI DERS İÇERİKLERİ GÜZ DÖNEMİ DERS PROGRAMI Dersin Kodu Kredisi Dersin Niteliği İŞL 601 Pazarlama Teorileri 3 Zorunlu İŞL 603 Finansman Teorisi 3 Zorunlu İŞL 605 Uluslararası

Detaylı

İkiden Çok Grup Karşılaştırmaları

İkiden Çok Grup Karşılaştırmaları İkiden Çok Grup Karşılaştırmaları Bir onkoloji kliniğinde göğüs kanseri tanısı almış kadınlar arasından histolojik evrelerine göre 17 şer kadın seçilerek sağkalım süreleri (ay) alınmıştır. HİSTLOJİK EVRE

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

DERS 2 : BULANIK KÜMELER

DERS 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

Detaylı

Fiziksel bir olayı incelemek için çeşitli yöntemler kullanılır. Bunlar; 1. Ampirik Bağıntılar 2. Boyut Analizi, Benzerlik Teorisi 3.

Fiziksel bir olayı incelemek için çeşitli yöntemler kullanılır. Bunlar; 1. Ampirik Bağıntılar 2. Boyut Analizi, Benzerlik Teorisi 3. Fiziksel bir olayı incelemek için çeşitli yöntemler kullanılır. Bunlar; 1. Ampirik Bağıntılar 2. Boyut Analizi, Benzerlik Teorisi 3. Benzetim Yöntemi (Analoji) 4. Analitik Yöntem 1. Ampirik Bağıntılar:

Detaylı

Mühendislik Mekaniği Dinamik. Yrd.Doç.Dr. Akın Ataş

Mühendislik Mekaniği Dinamik. Yrd.Doç.Dr. Akın Ataş Mühendislik Mekaniği Dinamik Yrd.Doç.Dr. Akın Ataş Bölüm 17 Rijit Cismin Düzlemsel Kinetiği; Kuvvet ve İvme Kaynak: Mühendislik Mekaniği: Dinamik, R.C.Hibbeler, S.C.Fan, Çevirenler: A. Soyuçok, Ö. Soyuçok.

Detaylı

İleri Diferansiyel Denklemler

İleri 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

Detaylı

DOKUZ EYLÜL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRLÜĞÜ DERS/MODÜL/BLOK TANITIM FORMU. Dersin Orjinal Adı: Pattern Recognition

DOKUZ EYLÜL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRLÜĞÜ DERS/MODÜL/BLOK TANITIM FORMU. Dersin Orjinal Adı: Pattern Recognition Dersi Veren Birim: Fen Bilimleri Enstitüsü Dersin Türkçe Adı: Örüntü Tanıma Dersin Orjinal Adı: Pattern Recognition Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora) Lisansüstü Dersin Kodu: CSE

Detaylı

Prof.Dr.F.Nejat EKMEKCİ, Prof. Dr. Yusuf YAYLI, BAHAR

Prof.Dr.F.Nejat EKMEKCİ, Prof. Dr. Yusuf YAYLI, BAHAR MAT 114 LİNEER CEBİR ( İSTATİSTİK, ASTRONOMİ ve UZAY BİLİMLERİ) Hafta 8: İç Çarpım Prof.Dr.F.Nejat EKMEKCİ, Prof. Dr. Yusuf YAYLI, Doç.Dr.İsmail GÖK 2017-2018 BAHAR İç Çarpım Tanım 23: V bir reel vektör

Detaylı

Yatırım Analizi ve Portföy Yönetimi 6. Hafta

Yatırım Analizi ve Portföy Yönetimi 6. Hafta Yatırım Analizi ve Portföy Yönetimi 6. Hafta Dr. Mevlüt CAMGÖZ 1 Dr. Mevlüt CAMGÖZ İçerik Karakteristik Doğru ve Beta Katsayısı Karakteristik Doğrunun Tahmini Beta Katsayısının Hesaplanması Agresif ve

Detaylı

AST416 Astronomide Sayısal Çözümleme - II. 2. Temel İstatistik Kavramlar ve Dağılımlar

AST416 Astronomide Sayısal Çözümleme - II. 2. Temel İstatistik Kavramlar ve Dağılımlar AST416 Astronomide Sayısal Çözümleme - II 2. Temel İstatistik Kavramlar ve Dağılımlar Bu derste neler öğreneceksiniz? Sıklık Dağılımı ve Olasılık Dağılımı Olasılık ve Kümüatif Dağılım Fonksiyonları Dağılım

Detaylı

Lys x 2 + y 2 = (6k) 2. (x 2k) 2 + y 2 = (2k 5) 2 olduğuna göre x 2 y 2 =? Cevap: 14k 2

Lys x 2 + y 2 = (6k) 2. (x 2k) 2 + y 2 = (2k 5) 2 olduğuna göre x 2 y 2 =? Cevap: 14k 2 1. 1 =? Lys 1 7. x + y = (6k) (x k) + y = (k 5) olduğuna göre x y =?. 6 a.b = ise a + 1 b. b 1 a =? 1k 8. x ve y birbirinden farklı pozitif gerçel sayılar olmak üzere, x y y x. x.y = (x y) ise x y =?.

Detaylı

doğrudur? Veya test, sağlıklı dediği zaman hangi olasılıkla doğrudur? Bu soruların yanıtları

doğrudur? Veya test, sağlıklı dediği zaman hangi olasılıkla doğrudur? Bu soruların yanıtları DÖNEM III HALK SAĞLIĞI-ADLİ TIP-BİYOİSTATİSTİK-TIP TARİHİ VE ETİK Ders Kurulu Başkanı : Prof. Dr. Günay SAKA TANI TESTLERİ (30.04.2014 Çrş. Y. ÇELİK) Duyarlılık (Sensitivity) ve Belirleyicilik (Specificity)

Detaylı

7. HAFTA DERS NOTLARI İKTİSADİ MATEMATİK MİKRO EKONOMİK YAKLAŞIM. Yazan SAYIN SAN

7. HAFTA DERS NOTLARI İKTİSADİ MATEMATİK MİKRO EKONOMİK YAKLAŞIM. Yazan SAYIN SAN 7. HAFTA DERS NOTLARI İKTİSADİ MATEMATİK MİKRO EKONOMİK YAKLAŞIM Yazan SAYIN SAN SAN / İKTİSADİ MATEMATİK / 2 A.7. MALİYET TEORİSİ: YENİDEN Sabit Maliyetler (FC): Üretim miktarından bağımsız olan maliyetleri

Detaylı

Leyla Bugay Doktora Nisan, 2011

Leyla Bugay Doktora Nisan, 2011 ltanguler@cu.edu.tr Çukurova Üniversitesi, Matematik Bölümü Doktora 2010913070 Nisan, 2011 Yarıgrup Teorisi Nedir? Yarıgrup teorisi cebirin en temel dallarından biridir. Yarıgrup terimi ilk olarak 1904

Detaylı

Olasılık Teorisi ve İstatistik (MATH392) Ders Detayları

Olasılık Teorisi ve İstatistik (MATH392) Ders Detayları Olasılık Teorisi ve İstatistik (MATH392) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Uygulama Laboratuar Kredi AKTS Saati Saati Saati Olasılık Teorisi ve İstatistik MATH392 Güz 4 0 0 4 7 Ön Koşul Ders(ler)i

Detaylı

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

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

Detaylı

Görüntü Sınıflandırma

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

Detaylı