İçerik Tabanlı İstenmeyen SMS Filtreleme için Mobil Uygulama Geliştirilmesi ve Sınıflandırma Algoritmalarının Karşılaştırılması
|
|
- Kelebek Erçetin
- 6 yıl önce
- İzleme sayısı:
Transkript
1 İçerik Tabanlı İstenmeyen SMS Filtreleme için Mobil Uygulama Geliştirilmesi ve Sınıflandırma Algoritmalarının Karşılaştırılması Onur KARASOY Muğla Sıtkı Koçman Üniversitesi Bilgi İşlem Dairesi Başkanlığı Muğla, Türkiye Serkan BALLI Muğla Sıtkı Koçman Üniversitesi Bilişim Sistemleri Mühendisliği Bölümü Muğla, Türkiye Özet Bu çalışmada, metin madenciliğine dayalı içerik tabanlı sınıflandırma işlemi yapılarak spam (istenmeyen) SMS mesajları filtreleyebilen mobil uygulama geliştirilmesi hedeflenmiştir. Mobil telefona gelen tüm mesajlar analiz edilip özellik çıkarımları yapılarak, spam olup olmadığına göre etiketlenmektedir. Heterojen mesaj veri tabanı oluşturmak için, farklı bölgelerden farklı yaş gruplarına ait insanlardan mesajlar toplanmıştır. Toplanan mesajlar, özellik çıkarımları kullanılarak üç farklı sınıflandırması ile analiz edilmiş ve elde edilen sonuçlar tartışılmıştır. Anahtar Kelimeler: Spam Sms, Kısa Mesaj Filtreleme, Metin Madenciliği, Sınıflandırma, Mobil Uygulama, Random Forest, Bagging, Random Subspace. Developing Mobile Application for Content Base Spam SMS Filtering and Comparison of Classification Algorithms Abstract The aim of this paper is to develop a mobile application for spam SMS filtering with content base classification process founded on text mining. All incoming messages are analyzed with feature extraction and labeled if the message is spam or not. To create a heterogenic dataset, messages are collected from people who live in different regions and with different age groups. The collected messages are analyzed with three different algorithms using extracted features and results are discussed. Keywords: Spam Sms, Sms Filtering, Text Mining, Classification, Mobile Application, Random Forest, Bagging, Random Subspace. kullanımı kolay olması sebebiyle özellikle reklamların, promosyonların ve duyuruların 1. GİRİŞ alıcılara ulaştırılmasında kullanılacak yöntemlerin başında gelmektedir. İstenmeyen e- Mobil iletişimde çok sık kullanılan iletişim postalar üzerine uzun zamandır çalışılmış ve bileşenlerinden bir tanesi kısa mesaj servisidir birçok filtreleme tekniği geliştirilmiştir. E-posta (Short Message Service-SMS). Bu yüzden e- sağlayıcıları bu filtreleme yöntemlerini posta iletişiminde olduğu gibi reklam ve başka kullanıcılarına sunmaktadır. E-postalardaki amaçlarla kullanıcının izni olmadan rahatsız istenmeyen mesaj önleme tekniklerinin tamamını edici mesaj gönderenlerin hedefi haline gelmiş mobil telefonlarda kullanmak, gerek işlem ve giderek büyüyen bir problem olarak kapasitesi gerekse işlem hızının önemi göz hayatımızda yer almaktadır [1]. SMS, ucuz ve önüne alındığında makul bir çözüm olamamakla September 17-18, 2016 Malatya/TURKEY 47
2 birlikte, yapılan çalışmalarda filtreleme işlemi için yüksek işlem gücüne sahip işlemcilerin bile gerekli olduğu vurgulanmıştır [2]. Spam mesajlara çoğunlukla doğu ülkelerinde rastlanmaktadır. Kore ve Çin gibi bazı ülkelerde spam SMS trafiği spam e-posta trafiğinden daha çoktur. Çünkü batı ülkelerinde spam SMS göndermek oldukça maliyetli bir işlemdir [3]. Alınan spam mesajlar sadece alıcıları rahatsız etmekle kalmayıp gerçekten okunması gereken acil mesajları da görmelerine dolaylı olarak engel olmaktadır. Literatürde yapılmış çalışmalarda filtreleme için, içerik tabanlı, gönderici tabanlı veya beraber kullanılan filtreleme yöntemleri kullanılmaktadır.[4] Najadat vd. yaptıkları çalışmada SMS metinlerinden oluşturdukları sözcük vektörüne göre 12 farklı metot ile spam mesaj tespiti yapmışlardır. Çalışmada, Discriminative Multinomial Naïve Bayes yönteminin en iyi sonuç olduğu sonucuna varılmıştır.[5] Deng vd. tarafından yapılan çalışmada, Naive Bayes Sınıflandırması kullanılarak kullanıcının kendi telefonunda sınıflandırma işleminin yapılması sağlanmaktadır. Kullanıcıdan alınan bilgilere göre, sistem yeniden eğitilerek belirli zamanlarda kullanıcının telefonundaki uygulama güncellenmekte ayrıca aldığı dönütlerle spam mesaj gönderen kullanıcılar belirlenip filtreleme başarısı arttırılmaktadır.[6] Yadav vd. içerik tabanlı filtrelemelerde sık kullanılan Bayesian yöntemle, anahtar kelimelerin birer özellik olarak kullanıldığı kullanıcıdan da bilgileri alınarak bu anahtar kelimelerin ağırlıklarının değiştirilebildiği bir istenmeyen SMS filtreleme uygulaması geliştirmişlerdir.[7] Zhang ve Wang yaptıkları çalışmada Bayesain yöntemi ve anahtar kelime kullanılmıştır ve sisteme ayrıca blacklist (kara liste) ve whitelist(beyaz liste) özellikleri eklenerek SMS filtreleme işlemi gerçekleştirilmiştir.[8] Joe ve Shim in yaptıkları çalışma ise 3 modüle bölünerek gerçekleştirilmiştir. İlk aşama anahtar kelimelerden vektör oluşturulmuştur. Bu oluşturulan vektörden ağırlıklarına göre anahtar kelimeler seçilmiştir. Öğrenme aşamasında SVM yöntemi kullanılarak sınıflandırma işlemi yapılmış ve son olarak göndericinin telefon rehberinde kayıtlı olup olmadığı bilgisi ile mesajın spam olup olmadığı sonucuna ulaşılmıştır. Önceki yapılan çalışmalarda mesajlar spam veya normal mesajlar olarak sınıflandırılmıştır. Bu çalışmada filtreleme işlemi iki sınıf için (spam, normal) ve üç sınıf için (spam, normal, bildiri) üç farklı yöntemle (Random Forest, Bagging, RandomSubSpace) analiz edilmiş ve sonuçlar karşılaştırılmıştır. 2. SINIFLANDIRMA METOTLARI 2.1. Rasgele Orman (Random Forest) Rasgele orman algoritması Breiman tarafından geliştirilen bir ensemble(topluluk) algoritmasıdır [9]. Birçok karar ağaçlarından oluşmaktadır. Bu yöntem esnasında rasgele ormandaki her bir ağaç için veri setinden örneklem seçilir ve seçilenlerin 2/3 ü ağaç oluşturmada kullanılır ve sınıflandırılır. Bu sınıflamalar hata oranlarına göre oy alırlar. Rasgele orman algoritması ise yapı içerisindeki tüm ağaçlardan en çok oy alanın sınıflamasını seçer[10]. Rasgele orman algoritması Şekil 1 de gösterilmiştir [11] Bagging Bagging algoritması Leo Breiman tarafından geliştirilmiş bir yöntemdir [12]. Bagging veya bootstrap aggregating olarak bilinen bu yöntem sınıflandırma ve regresyon problemleri ile kullanılabilmektedir. Varyansı azaltarak tahmin kabiliyetini geliştirmektedir[13]. Bagging Yöntemi, N örnekten oluşan eğitim veri setinden yine N örnekli bir eğitim seti, yerine koymalı rastgele seçimle üretilir. Bu işlemden sonra eğitim örneklerinin bazıları yeni üretilen eğitim veri kümesinde yer almazken bazıları birden fazla kez yer alabilir. Topluluktaki temel öğrenicilerin her biri bu şekilde üretilmiş birbirinden farklı örnekler içeren eğitim kümeleriyle eğitilirler ve sonuçları çoğunluk oylaması ile birleştirilir [14]. September 17-18, 2016 Malatya/TURKEY 48
3 2.3. Random Subspace (Rasgele Alt Uzay) Random Subspace algoritması, Öğrenici uzay topluluğundaki her bir öğreniciyi, özelliklerin tamamını kullanmak yerine rasgele seçim yönetimi ile alt eğitim setleri oluşturup eğitmeyi hedefler. Ho, bu özellik seçiminde toplam özellik sayısının yarısının kullanılmasını önermiştir. Öğreniciler yeni oluşturulan eğitim setleri ile eğitilir ve farklı kararlar birleştirilerek son karar oluşturulur [15]. Şekil2 de Random Subspace çalışma prensibi örneği gösterilmiştir [16]. Şekil 1 Rasgele Orman Algoritması Akış Şeması 3. VERİLERİN HAZIRLANMASI İçerik tabanlı SMS filtrelemede mesajın yapısının yanında kullanılan dilde önemlidir. Aynı filtreleme yöntemi farklı dillerde farklı sonuçlar verebilir. Açık olarak ulaşılabilecek SMS veri setleri arasında Türkçe veri seti olmadığından bu çalışma için yeni SMS veri seti oluşturulmuştur SMS Veri seti SMS lerin doğru analizi için veri setini oluşturmada farklı bölgelerden farklı yaş gruplarından toplam 5333 adet Türkçe kısa mesaj toplanmıştır. Tablo 1 de gösterildiği gibi bu mesajların 3144 tanesi spam mesaj 1476 tanesi bildiri, 713 tanesi normal mesajdır. Şekil 2 Random Subspace Çalışma Prensibi TABLO 1 VERİ SETİ MESAJ DAĞILIMLARI SPAM BİLDİRİ NORMAL MESAJ MESAJI MESAJ September 17-18, 2016 Malatya/TURKEY 49
4 TABLO 2 ÖRNEK MESAJLAR VE ÖZELLİKLERİ Mesaj ML MU MUp MP ME SA NA BA MTİp DOGA ile BASBASA KAZDAGI TERMAL ,669 0, Sp RESORT SPA OTELDE TAM PANSiYON PLUS 3 GECE 4GUN KiSi BASI TOPLAM 290TL 0-6 YAS COCUK UCRETSiZ Kusura bakma ben gec yazmisim kardesim :) No minibusteyim ;) okulda gorusuruz :) TV+ Cep Basic Paketi (SES) aboneliginiz Bi tarihinde isteginizle iptal edilmistir. Faturaniza yansitilacak ucret kullandiginiz sure uzerinden hesaplanacaktir. *Kısaltmalar : ML = Mesaj Uzunluğu MU = URL Durumu MUp = Mesajdaki Büyük Harf Yoğunluğu MP = Mesajdaki noktala işareti yoğunluğu ME = Mesajdaki Duygusal İfadeler (Emojiler) SA = Mesajın Spam Anahtar Kelimelerine göre Ağırlığı NA = Mesajın Normal Anahtar Kelimelerine göre Ağırlığı BA = Mesajın Bildiri Anahtar Kelimelerine göre Ağırlığı MTip = Mesajın Sınıfı Sp = Spam Mesaj No = Normal Mesaj Bi = Bildiri Mesajı 3.2. Verilerin Hazırlanışı ve Özelliklerin belirlenmesi kardesim İsteğinizle kardeş istek Toplanan mesajlar yapısal olarak incelendikten sonra sınıfların kendilerine ait yapısal özellikleri incelenmiş ve öne çıkan farklar birer özellik olarak seçilmiştir. Tablo 2 de gösterilen mesajlardan da fark edileceği gibi büyük harf, noktalama işaretleri, url durumu, duygusal ifadeler mesajları birbirinden ayırmada etkili olabilecek özelliklerdir. Veri setinde üç sınıf için en sık geçen kelimeler toplanmış ve ilk 60 kelimeye sıklık durumuna göre 1 den 60 a kadar puanlar verilmiştir. Bu puanlama sistemine göre her mesaj için 3 ayrı sınıfa göre mesaj ağırlıkları hesaplanmıştır. Anahtar kelimeler belirlenirken mesajlarla ilgili Türkçe karakter problemi ve kelimelerin farklı çekim ekleri almış hallerini ayırt edebilmek için Zemberek[17] adlı doğal dil işleme kütüphanesini kullanılmıştır. Bu kütüphane sayesinde Tablo 3 te de gösterildiği gibi Türkçe karakter problemi olan, çekim eki almış veya hem çekim almış hem de Türkçe karakter problemi olan kelimeler düzeltilmiştir. TABLO 3 KELİMELERİN KÖKLERİNİN ALINMASI Mesajdaki Kelime İşleme Alınacak Hali UCRETSIZ ücret Bir kısa mesaj 160 karakterden oluşur. Bu sebeple toplu atılan mesajlarda yani genellikle spam mesajlarda mesaj uzunluğu 160 veya katlarına yakın uzunlukta olduğu gözlemlenmiştir. Bu sebeple Mesaj uzunluğu bir özellik olarak seçilmiştir. Spam mesajların çoğunda URL olduğu tespit edilmiştir, özellikle normal mesajlarda yok denecek kadar az URL bulunduğu gözlenmiştir ve bu sebeple özellik olarak URL durumu da seçilmiştir. Yine normal mesajlarda neredeyse hiç büyük harf kullanılmaması göz ününde bulundurularak büyük harf frekansı( büyük harf sayısı / toplam mesaj uzunluğu) bir özellik olarak tercih edilmiştir. Benzer bir yaklaşımla normal mesajlarda noktalama işaretlerinin çok kullanılmadığı gözlendiğinden noktalama işareti frekansı (noktalama işareti sayısı / toplam mesaj uzunluğu) bir özellik olarak belirlenmiştir. Mesajdaki duygusal ifadelerinin( ;), x), :D vb ) büyük çoğunlukla normal mesajlarda rastlanmasından dolayı duygusal ifade frekansını bir diğer özellik olarak seçilmiştir. Mesaj ağırlıkları sonuca yüksek oranda etki eden özellikler olmuştur. Mesaj ağırlıkları üç duruma göre hesaplanmıştır. Spam mesaj ağrılığı, normal mesaj ağırlığı ve bildiri mesajı ağırlığı. Daha önce 3 farklı durum için anahtar kelimeler belirlenmiş ve bunlara ağırlıklar September 17-18, 2016 Malatya/TURKEY 50
5 atanmıştı. Bu aşamada mesajda bulunan anahtar kelimelerin ağırlıkları toplanarak mesaj ağırlıkları hesaplanmıştır. Tablo 4 te 3 sınıf için ilk 20 anahtar kelime gösterilmektedir. Sınıf Spam Normal Bildiri TABLO 4 ANAHTAR KELİME ÖRNEKLERİ Örnek Anahtar Kelimeler Yaz, indir, kampanya, özel, fırsat, alışveriş, bonus, gönderi, mersis, iptal, taksit, üzeri, hediye, tüm, kazan, ürün, ret, hemen, sadece, harca.. ben,sen, hoca, tamam, iyi, gel, abi, kardeş, var, çok, bir, yok, bak, bayram, teşekkür, biz, ama, selam, hayır.. kullan, şifre, internet, şube, tarihi, ödem, kargo, giriş, fatura, nolu, işlem, hesap, paket, cep, takip, değer, itibari, saat, müşteri, kod, hak.. özelliklerin yanına kullanıcı dostu arayüz tasarımı ve içerik tabanlı SMS filtreleme özelliği de eklenmiştir. Şekil 3 teki uygulama akış şemasından anlaşılacağı gibi gelen mesaj, gerekli özellik çıkarımları ve sınıflandırma işlemlerinden sonra, mesaj türüne göre gelen kutusuna gönderilmektedir. Eğer gelen mesaj spam ise kullanıcıyı rahatsız etmeden bu mesajı veri tabanında tutarak Şekil 4 te gösterilen arayüz ile kullanıcı istediği zaman bu mesajları sunmak amaçlanmıştır. 4. SINIFLANDIRMA VE MOBİL UYGULAMA Çıkarılan özellikler ile Random Forest, Bagging ve RandomSubSpace yöntemleri kullanılarak test edilmiştir. Analiz yapılırken veri setinin %60 ı eğitim verisi %40 test verisi olarak kullanılmıştır. Tablo 5 daki analiz sonuçlarına göre, 2 sınıf için yapılan analizlerin 3 sınıfa göre yapılan analizlerden toplamda daha doğru yüzdeyle sınıflandırdığı görünmektedir. Tablo 6 da hatalı ve doğru sınıflandırma sayılarına ulaşılabilecek karmaşıklık matrisleri gösterilmiştir. Bu matrislere göre Random forest algoritması örneği için, 2 sınıflı çözüm önerisinde alınan 879 mesaj örneğinden 64 tanesi spam olarak sınıflandırılmıştır. 3 sınıflı çözüm örneğinde ise 283 normal mesajın 9 tanesi spam mesajı 17 tanesi bildiri mesajı olarak sınıflandırılmıştır. Random Forest algoritmasının her iki sınıf türüne göre daha başarılı sonuçlar verdiği gözlemlenmiştir. Mobil uygulamada Random Forest ve 2 sınıf içeren analiz kullanılmıştır. Hazırlanan mobil uygulama, açık kaynak bir yazılım olan ve Felix Bechstein tarafından geliştirilen SMSdroid uygulaması altyapısını kullanılarak oluşturulmuştur [18]. SMSdroid temel mesajlaşma uygulamalarında olması gereken tüm özellikleri içermektedir. Geliştirilen yeni uygulama ile SMS gönderme, SMS alma, MMS gönderme ve MMS alma gibi temel Şekil 3 Uygulama Akış Şeması TABLO 5 ANALİZ SONUÇLARI 2 Sınıf İçin (Normal Spam) 3 Sınıf İçin (Normal-Bildiri-Spam) Yöntem CCI RMSE CCI RMSE RandomForest Bagging RandomSubSpace *CCI - Correctly Classifed Instances(Doğru sınıflandırma yüzdesi) *RMSE - Root Mean Squared Error (Ortalama Hata Kareleri Kökü) September 17-18, 2016 Malatya/TURKEY 51
6 TABLO 2 ALGORİTMALARIN CONFUSION MATRIX LERİ 2 Sınıf İçin Confusion Matrix 3 Sınıf İçin Confusion Matrix Normal Spam Bildiri Normal Spam RandomForest Bagging RandomSubSpace Şekil 4 Uygulama Ekran Görüntüleri 5. SONUÇ Bu çalışmada Türkçe spam mesajlar için metin madenciliğinden faydalanarak sınıflama uygulaması yapılmıştır. Spam mesajların ayırt etmek için mesajların yapıları incelenip doğru sonuca götürecek özellikler belirlenmiştir. Bildiri mesajlarının yapılarının spam mesajlara benzemesinden dolayı üçüncü bir sınıf olarak bildiri sınıfı çözüme katılmış ve analiz sonuçları iki sınıflı çözümle karşılaştırılmıştır. 2 sınıflı çözümün daha başarılı olduğu gözlemlenmiştir. Random Forest yöntemi %93.76 ile doğruluk oranı ile en iyi sınıflandırma algoritması olmuş ve uygulamada bu algoritma kullanılmıştır. Ucuz ve etkili bir yöntem olan kısa mesaj servisi, pazarlama şirketlerinin sık tercih September 17-18, 2016 Malatya/TURKEY 52
7 ettikleri bir yöntem olmasının yanı sıra dolandırıcıların da kullandıkları bir yöntemdir. Promosyon, reklam gibi sebeplerden kullanıcılar normal mesajlara ulaşmada ve kullanmada zorluklar yaşamaktadır. Bu uygulama ile kullanıcıların kısa mesaj servisini verimli kullanarak, istenmeyen mesajlar yüzünden vakit ve enerji kaybını engellemek hedeflenmiştir. KAYNAKLAR [1] S. J. Delany, M. Buckley, and D. Greene, Sms spam filtering: Methods and data, Expert Systems with Applications, vol. 39, no. 10, pp , [2] N. Wu, M. Wu, and S. Chen, ``Real-time monitoring and filtering system for mobile SMS,'' in Industrial Electronics and Applications, ICIEA rd IEEE Conference on, pp , IEEE, [3] M. B. Junaid, ve M. Farooq, Using evolutionary learning classifiers to do mobile spam (SMS) filtering, In Procs. of genetic and evolutionary computation conference (GECCO), [4] Najadat H., Abdulla, N., Abooraig, R. ve Nawasrah S. (2014). Mobile SMS Spam Filtering based on Mixing Classifiers. International Journal of Advanced Computing Research,1. [5] Deng, W.-W., ve Peng, H., (2006) Research on a Naive Bayesian Based Short Message Filtering System, International Conference on Machine Learning and Cybernetics, [6] Yadav K., Saha S.K., Kumaraguru P., (2012). Take Control of Your SMSes : Designing an Usable Spam SMS Filtering System, 2012 IEEE 13th International Conference on Mobile Data Management, Haziran 2012, Bengaluru, Karnataka. [7] Zhang, H.-yan, ve Wang, W. (2009). Application of Bayesian method to spam sms filtering, 2009 International Conference on Information Engineering and Computer Science:1-3. [8] I. Joe ve H. Shim, "An sms spam filtering system using support vector machine," Lecture Notes in Computer Science, vol. 6485, pp , andom_forests_v4.0.pdf [12] L. Breiman, Bagging Predictors, Machine Learning, Vol. 24, , [13] P. L. Braga, A. L. I. Oliveira, G. H. T. Ribeiro, and S. R. L. Meira, "Bagging Predictors for Estimation of Software Project Effort," Proc. International Joint Conference on Neural Networks, pp , [14] M. F. Amasyalı ve O. Ersoy, Performance based pruning and weighted voting with classification ensembles,2011 IEEE 19th Signal Processing and Communications Applications Conference (SIU), pp , [15]T. K. Ho, "The Random subspace method for constructing decision forests," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 20, pp , [16] B. N. Kökçü, R. D. Köse, F. Bulut, M. F. Amasyalı, Kolektif öğrenme algoritmalarıyla çocuklarda obezite hastalığına yakalanma olasılıklarının hesaplanması, Akıllı Sistemlerde Yenilikler ve Uygulamaları Sempozyumu, sf. 57, [17] Zemberek-NLP Erişim 10 Mayıs [18] SMSDroid Erişim 10 Mayıs [9] L. Breiman, "Random forests", Mach. Learn., vol. 45, no. 1, pp. 5-32, 2001 [10] E. Coşgun, E. Karabulut, E. Karaağaoğlu, Random forest ve destek vektör makinası yöntemleri ile gen seçimi ve sınıflaması,vi. Ulusal İstatistik Kongresi, Antalya, Türkiye, Mayıs [11] L. Breiman, Manual-Setting Up, Using, And Understanding Random Forests. Erişim: 10 Mayıs 2016, University of California, Berkeley. September 17-18, 2016 Malatya/TURKEY 53
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:
DetaylıBulanık 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
DetaylıVERİ 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
DetaylıKolektif Öğrenme Metotları
Kolektif Öğrenme Metotları Kolektif öğrenme algoritmalarına genel bakış 1-Bagging 2-Ardışık Topluluklarla Öğrenme (Boosting) 3-Rastsal Altuzaylar 4-Rastsal Ormanlar 5-Aşırı Rastsal Ormanlar 6-Rotasyon
DetaylıÖZGEÇMİŞ. 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.
DetaylıMÜHENDİSLİK 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
DetaylıÖ Z G E Ç M İ Ş. 1. Adı Soyadı: Mustafa GÖÇKEN. 2. Doğum Tarihi: 12 Haziran 1976. 3. Unvanı: Yrd. Doç. Dr. 4. Öğrenim Durumu: Ph.D.
Ö Z G E Ç M İ Ş 1. Adı Soyadı: Mustafa GÖÇKEN 2. Doğum Tarihi: 12 Haziran 1976 3. Unvanı: Yrd. Doç. Dr. 4. Öğrenim Durumu: Ph.D. Derece Alan Üniversite Yıl Lisans Endüstri Mühendisliği Çukurova Üniversitesi
DetaylıNaive 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
DetaylıVeri 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
DetaylıVERİ 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
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Sınıflandırıcıların Değerlendirilmesi Skorlar Karışıklık matrisi Accuracy Precision Recall
DetaylıVERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Kümeleme İşlemleri Kümeleme Tanımı Kümeleme Uygulamaları Kümeleme Yöntemleri Kümeleme (Clustering) Kümeleme birbirine
Detaylı127 - 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
DetaylıPARALEL VERİ MADENCİLİĞİ ALGORİTMALARI. BAŞARIM 09, 15-18 Nisan 2009, ODTÜ, Ankara
PARALEL VERİ MADENCİLİĞİ ALGORİTMALARI BAŞARIM 09, 15-18 Nisan 2009, ODTÜ, Ankara Veri Madenciliğine Genel Bir Bakış Veri Madenciliğinin Görevleri Sınıflama Seri Sınıflama Algoritmaları Paralel Sınıflama
DetaylıKaraciğerde 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
DetaylıOtomatik Doküman Sınıflandırma
Otomatik Doküman Sınıflandırma Rumeysa YILMAZ, Rıfat AŞLIYAN, Korhan GÜNEL Adnan Menderes Üniversitesi, Fen Edebiyat Fakültesi Matematik Bölümü, Aydın rumeysa2903@gmailcom, rasliyan@aduedutr, kgunel@aduedutr
DetaylıElena Battini SÖNMEZ Önder ÖZBEK N. Özge ÖZBEK. 2 Şubat 2007
AVUÇ İZİ VE PARMAK İZİNE DAYALI BİR BİYOMETRİK TANIMA SİSTEMİ Elena Battini SÖNMEZ Önder ÖZBEK N. Özge ÖZBEK İstanbul Bilgi Üniversitesi Bilgisayar Bilimleri 2 Şubat 2007 Biyometrik Biyometrik, kişileri
DetaylıMakine 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
DetaylıT.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
DetaylıOtomatik Doküman Sınıflandırma
Akademik Bilişim 12 - XIV Akademik Bilişim Konferansı Bildirileri Otomatik Doküman Sınıflandırma Adnan Menderes Üniversitesi, Fen Edebiyat Fakültesi Matematik Bölümü, Aydın rumeysa2903@gmailcom, rasliyan@aduedutr,
DetaylıGüz Dönemi Zorunlu Dersleri
T.C. AKSARAY ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ELEKTRİK-ELEKTRONİK ve BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI TEZLİ YÜKSEK LİSANS PROGRAMI Güz Dönemi Zorunlu Dersleri EEBM 501 İleri Mühendislik Matematiği
DetaylıEğiticili (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
DetaylıPERFORMANCE COMPARISON OF KARATSUBA AND NIKHILAM MULTIPLICATION ALGORITHMS FOR DIFFERENT BIT LENGTHS
İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi Yıl:14 Sayı: 27 Bahar 2015 s. 55-64 Araştırma Makalesi KARATSUBA VE NIKHILAM ÇARPMA İŞLEMİ ALGORİTMALARININ FARKLI BİT UZUNLUKLARI İÇİN PERFORMANSLARININ
DetaylıMuhammet Fatih AKBAŞ, Enis KARAARSLAN, Cengiz GÜNGÖR
Yazılım Tanımlı Ağların Güvenliğinde Yapay Zeka Tabanlı Çözümler: Ön İnceleme Muhammet Fatih AKBAŞ, Enis KARAARSLAN, Cengiz GÜNGÖR İzmir Katip Çelebi Üniversitesi, Muğla Sıtkı Koçman Üniversitesi, Ege
DetaylıKAHKAHA 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
DetaylıAYTUĞ ONAN CELAL BAYAR ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ SERDAR KORUKOĞLU EGE ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
Metin Sınıflandırmada Öznitelik Seçim Yöntemlerinin Değerlendirilmesi AYTUĞ ONAN CELAL BAYAR ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ SERDAR KORUKOĞLU EGE ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
DetaylıANKARA ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ
ANKARA ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ SANAL ARTIRILMIŞ VE AKILLI TEKNOLOJİLER (SAAT) LABORATUVARI SAAT Laboratuvarı Koordinatör: Yrd. Doç. Dr. Gazi Erkan BOSTANCI SAAT
DetaylıDoç.Dr. M. Mengüç Öner Işık Üniversitesi Elektrik-Elektronik Mühendisliği Bölümü oner@isikun.edu.tr
Doç.Dr. M. Mengüç Öner Işık Üniversitesi Elektrik-Elektronik Bölümü oner@isikun.edu.tr 1. Adı Soyadı : Mustafa Mengüç ÖNER 2. Doğum Tarihi : 01.02.1977 3. Unvanı : Doçent Dr. 4. Öğrenim Durumu : ÖĞRENİM
DetaylıBüyük 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
DetaylıDünya da ve Türkiye de Mobil in Yeri
MOBİL PAZARLAMA Dünya da ve Türkiye de Mobil in Yeri Dünyada 1,5 milyar insan akıllı telefon kullanıyor. Türkiye de kadınların %44 ü, erkeklerin %56 sı akıllı telefon kullanıyor. Cep telefonu kullanıcılarının
DetaylıMekatronik 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
DetaylıBİLECİK 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
DetaylıÖZGEÇMİŞ. Dr. Aytuğ ONAN
ÖZGEÇMİŞ İletişim Bilgileri Dr. Aytuğ ONAN Çalıştığı Kurum: Doktor Öğretim Üyesi, Manisa Celal Bayar Üniversitesi, Hasan Ferdi Turgutlu Teknoloji Fakültesi, Yazılım Mühendisliği Bölümü, Turgutlu-MANİSA.
DetaylıŞifrebilimde Yapay Sinir Ağları
Ege Üniversitesi Bilgisayar Mühendisliği Bölümü Şifrebilimde Yapay Sinir Ağları BİM345 Yapay Sinir Ağları İlker Kalaycı Mayıs,2008 Gündem Şifrebilim Şifrebilim nedir Şifreleme Şifre Çözme Klasik Şifreleme
DetaylıYazılım Hata Kestiriminde Kolektif Sınıflandırma Modellerinin Etkisi
Yazılım Hata Kestiriminde Kolektif Sınıflandırma Modellerinin Etkisi Deniz Kılınç 1, Emin Borandağ 1, Fatih Yücalar 1, Akın Özçift 1, Fatma Bozyiğit 1 1 Celal Bayar Üniversitesi Hasan Ferdi Turgutlu Teknoloji
DetaylıANKARA 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
DetaylıMetin Sınıflandırma. Akış
Metin Sınıflandırma Mehmet Fatih AMASYALI BLM 5212 Doğal Dil İşlemeye Giriş Ders Notları Akış Görev Eğiticili Eğiticisiz Öğrenme Metin Özellikleri Metin Kümeleme Özellik Belirleme Çok Boyutlu Verilerle
DetaylıWeb 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
DetaylıBüyük 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
DetaylıBCA605 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
Detaylı91-03-01-529 SAYISAL GÖRÜNTÜ İŞLEME (Digital Image Processing)
91-03-01-529 SAYISAL GÖRÜNTÜ İŞLEME (Digital Image Processing) Dersi Veren Öğretim Üyesi Doç. Dr. Aybars UĞUR Ders Web Sayfası : http://yzgrafik.ege.edu.tr/~ugur 1 Amaçlar Öğrencileri Matlab gibi teknik
Detaylıİşiniz için daha fazla müşteri veya daha fazla satış çözümleri mi arıyorsunuz
İşiniz için daha fazla müşteri veya daha fazla satış çözümleri mi arıyorsunuz Başarılı firmaları rakiplerinden ayıran en önemli özelliği belirli bir sürede daha fazla müşteriye ulaşabilmeleridir. Günümüzde
DetaylıEndüstri Mühendisliği - 1. yarıyıl. Academic and Social Orientation. 441000000001101 Fizik I Physics I 3 0 1 4 4 6 TR
- - - - - Bölüm Seçin - - - - - Gönder Endüstri Mühendisliği - 1. yarıyıl 141000000001101 Akademik ve Sosyal Oryantasyon Academic and Social Orientation 1 0 0 1 0 1 TR 441000000001101 Fizik I Physics I
DetaylıBüyük, Dağıtık, Veri Yoğunluklu Uygulamalarda Programlama Paradigmaları
Büyük, Dağıtık, Veri Yoğunluklu Uygulamalarda Programlama Paradigmaları Güven Fidan AGMLAB Bilişim Teknolojileri 18/10/11 GRID ÇALIŞTAYI 2007 1 MapReduce Nedir? Büyük data kümelerini işlemek ve oluşturmak
DetaylıEğitim 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
DetaylıEş-Talim Yöntemi ile Metin Sınıflandırma İçin Bir Uygulama
Eş-Talim Yöntemi ile Metin Sınıflandırma İçin Bir Uygulama Katira Soleymanzadeh1, Ufuk Hürriyetoğlu1, Bahar Karaoğlan1, Senem Kumova Metin2, Tarık Kışla3 1 Ege Üniversitesi, Uluslararası Bilgisayar Enstitüsü,
DetaylıJetMail (Toplu Mail) Platformu Genel Teklifi
JetMail (Toplu Mail) Platformu Genel Teklifi JetMail JetMail, düzenli yaptığınız E-Mail gönderimlerinizi hedef kitlenizin önemsiz kutusundan çıkartarak gerçek bir satış aktivitesine dönüştürür. E- Mail
DetaylıProceedings/Bildiriler Kitabı. kriptografik anahtarlar, onay me -posta takibi, I. G. 20-21 September /Eylül 2013 Ankara / TURKEY 6.
- -posta -posta e- e- - Outlook ulamaya da entegre edilerek kurumsal e- -posta lanm. Her iki uygulamada Anahtar Kelimeler E- Secure Email Application Using an Original Encryption Algorithm Abstract In
DetaylıReklam İçerikli Epostaların Metin Madenciliği Yöntemleri ile Otomatik Tespiti
BİLİŞİM TEKNOLOJİLERİ DERGİSİ, CİLT: 6, SAYI: 1, OCAK 2013 1 Reklam İçerikli Epostaların Metin Madenciliği Yöntemleri ile Otomatik Tespiti Kübra ÇALIŞ, Oya GAZDAĞI, Oktay YILDIZ Bilgisayar Mühendisliği,
DetaylıDoküman dili tanıma için ikili örüntüler tabanlı yeni bir yaklaşım
Doküman dili tanıma için ikili örüntüler tabanlı yeni bir yaklaşım Yılmaz KAYA 1, Ömer Faruk ERTUĞRUL 2, Ramazan TEKİN 3 1 Siirt Üniversitesi, Bilgisayar Mühendisliği Bölümü 2 Batman Üniversitesi, Elektrik-Elektronik
DetaylıCOURSES OFFERED FOR ERASMUS INCOMING STUDENTS
COURSES OFFERED FOR ERASMUS INCOMING STUDENTS Department : Computer Engineering 152111001 CALCULUS I 3 2 4 5 152111005 PHYSICS I 3 0 3 3 152111006 PHYSICS I LAB 0 2 1 2 152111007 CHEMISTRY 3 0 3 3 152111008
DetaylıAdana Toplu Taşıma Eğilimleri
Adana Toplu Taşıma Eğilimleri Doç. Dr. Mustafa Gök Elektrik Elektronik Mühendisliği Bilgisayar Bilimleri Ana Bilim Dalı Başkanı 13.06.2014 Doç. Dr. Mustafa Gök (Ç. Ü.) Adana Toplu Taşıma Eğilimleri 13.06.2014
DetaylıELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ DOKTORA YETERLİK SINAVI YÖNETMELİĞİ
ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ DOKTORA YETERLİK SINAVI YÖNETMELİĞİ Doktora Yeterlik Sınavı, başvurunun yapıldığı ve Doktora Yeterlik Komitesi nin başvuruyu onayladığı dönemdeki, dönem sonu sınavlarının
DetaylıİRİSTEN KİMLİK TANIMA SİSTEMİ
ÖZEL EGE LİSESİ İRİSTEN KİMLİK TANIMA SİSTEMİ HAZIRLAYAN ÖĞRENCİLER: Ceren KÖKTÜRK Ece AYTAN DANIŞMAN ÖĞRETMEN: A.Ruhşah ERDUYGUN 2006 İZMİR AMAÇ Bu çalışma ile, güvenlik amacıyla kullanılabilecek bir
DetaylıBİLİŞİM SİSTEMLERİNİN PRENSİPLERİ
BİLİŞİM SİSTEMLERİNİN PRENSİPLERİ Derleyen: Prof. Dr. Güngör BAL Bölüm 09 Bilişim ve Karar Destek Sistemleri Prensipler ve Öğrenme Hedefleri İyi karar-verme ve problem çözme yetenekleri etkin bilişim ve
DetaylıDr.Öğr.Üyesi UĞUR ŞEVİK
Dr.Öğr.Üyesi UĞUR ŞEVİK ÖZGEÇMİŞ DOSYASI KİŞİSEL BİLGİLER Doğum Yılı : Doğum Yeri : Sabit Telefon : Faks : E-Posta Adresi : Web Adresi : Posta Adresi : 1981 MERSİN - MERSİN(MRK) T: 4623773708 F: usevik@ktu.edu.tr
DetaylıZamansal 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
DetaylıMetin Madenciliği Yöntemleri ile Twitter Duygu Analizi (Twitter Sentiment Analysis using Text Mining Methods)
YBS Ansiklopedi www.ybsansiklopedi.com Cilt 4, Sayı 2,Haziran 2017 Metin Madenciliği Yöntemleri ile Twitter Duygu Analizi (Twitter Sentiment Analysis using Text Mining Methods) Amine YEŞİLYURT 1 Şadi Evren
DetaylıYÖNETİM 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
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimsiz Öğrenmenin Temelleri Kümeleme Uzaklık Fonksiyonları Öklid Uzaklığı Manhattan
DetaylıMÜFREDAT 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
DetaylıSisteme giriş yapıldığında ana sayfa üzerinde işlem menüleri, Hızlı erişim butonları ve mail gönderim istatistikleri yer alır.
Kullanım Kılavuzu 1. Sisteme Giriş... 2 2. JetMail Ana Sayfa... 2 3. Kişi Listesi Ekleme... 3 3.1. Özel Alan Ekleme... 3 3.2. Segment Görüntüleme... 4 3.3. Bounced Kabul Edilen Mailler... 5 4. Kişi Ekleme...
DetaylıSMTP Protokolü ve Spam Mail Problemi
SMTP Protokolü ve Spam Mail Problemi M. Erkan YÜKSEL, Şafak Durukan ODABAŞI İstanbul Üniversitesi Mühendislik Fakültesi Bilgisayar Mühendisliği Bölümü Bu çalışmada, Özet Antispam/antivirüs programı filtresinden
DetaylıTrafik Yoğunluk Harita Görüntülerinin Görüntü İşleme Yöntemleriyle İşlenmesi
Trafik Yoğunluk Harita Görüntülerinin Görüntü İşleme Yöntemleriyle İşlenmesi ISITES 2016 4 TH INTERNATIONAL SYMPOSIUM ON INNOVATIVE TECHNOLOGIES IN ENGINEERING AND SCIENCE Dr. G. Çiğdem Çavdaroğlu ISITES,
DetaylıEDM Bilişim 2010 yılında kurulmuş olup,
EDM KURUMSAL SUNUM Şirketimiz EDM Bilişim 2010 yılında kurulmuş olup, Güçlü sermaye yapısı, GİB E-Fatura, E-Defter ve E-Arşiv Lisansları BTK E-İmza ve KEP Kayıt Makamı Yetkisi İstanbul ve Ankara da iki
DetaylıWeb Server Sunucu Loglarının K-Komşu Algoritması ile İ ncelenmesi
Web Server Sunucu Loglarının K-Komşu Algoritması ile İ ncelenmesi İçindekiler 1 Özet... 2 2 Giriş... 3 3 Uygulama... 4 4 Sonuçlar... 6 1 1 Özet Web sunucu logları üzerinde veri madenciliği yapmanın temel
DetaylıTemel Bilgisayar (Basic Computer) Yazılım (Software)
Temel Bilgisayar (Basic Computer) Yazılım (Software) Yazılım (Software) Eğitim TV - egitimtv.biz - facebook.com/egitimtv 2 Yazılım Daha önce de bahsettiğimiz gibi; yazılım, bilgisayar üzerinde çalışan
DetaylıFarklı Özellik Vektörleri ile Türkçe Dokümanların Yazarlarının Belirlenmesi
Farklı Özellik Vektörleri ile Türkçe Dokümanların Yazarlarının Belirlenmesi M. Fatih Amasyalı 1, Banu Diri 1, Filiz Türkoğlu 2 Yıldız Teknik Üniversitesi, Bilgisayar Mühendisliği 34349 İstanbul-Türkiye
DetaylıDoğru tercihleri kariyersite de bulabilirsin. MomentSoft Bilişim Hizmetleri A. Ş. 2014
Doğru tercihleri kariyersite de bulabilirsin 2014 İzlenecek yol Sistemi nasıl kullanıırm? 1 2 Üye ol Profil oluştur 3 Mobil ödeme yap 4 Puanına uygun tercih kriterlerini belirle 5 Tercih grubunu oluştur
DetaylıWeb Tabanlı Ödev-Proje Takip Sistemi İçin Veri Tabanı ve Site Tasarımı. Database and Site Design for Web Based Homework-Project Follow System
Web Tabanlı Ödev-Proje Takip Sistemi İçin Veri Tabanı ve Site Tasarımı Hakan KÖR Hitit Üniversitesi, Çorum hakankor@hitit.edu.tr Özet: Bu çalışma, öğretim elemanlarının ödev ve proje ağırlık derslerde
DetaylıTaşınabilir Teknolojiler
Taşınabilir Teknolojiler Nelerdir? Akıllı cep telefonları Dizüstü bilgisayarlar Tablet PC ler Giyilebilir teknolojiler Akıllı cep telefonları Fotoğraf makinesi, video kamera, sesli ve görüntülü ortam oynatıcılar,
DetaylıMÜHENDİSLİK 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
DetaylıFIRAT ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ/YAZILIM MÜHENDİSLİĞİ (DR)
FATİH ERTAM DOKTOR ÖĞRETİM ÜYESİ E-Posta Adresi fatih.ertam@firat.edu.tr Telefon (İş) Telefon (Cep) Faks Adres 4242370000-7640 5356514539 Fırat Üniversitesi Teknoloji Fakültesi B Blok Adli Bilişim Mühendisliği
DetaylıKredi Onayı İçin Bir Sınıflandırma Algoritması Önerisi A Classification Algorithm Advice for Credit Approval
Kredi Onayı İçin Bir Sınıflandırma Algoritması Önerisi A Classification Algorithm Advice for Credit Approval İsmail Haberal Bilgisayar Mühendisliği Bölümü Başkent Üniversitesi ihaberal@baskent.edu.tr Umut
DetaylıYapı 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
DetaylıVERİ 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
DetaylıMOBİL PAZARLAMA. -Doğrudan pazarlama faaliyetlerinden biri olarak kabul edilmesine rağmen tele pazarlamadan farklıdır, çünkü:
MOBİL PAZARLAMA -Doğrudan pazarlama faaliyetlerinden biri olarak kabul edilmesine rağmen tele pazarlamadan farklıdır, çünkü: MOBİL PAZARLAMA Doğrudan pazarlama faaliyetlerinden biri olarak kabul edilmesine
DetaylıMekatronik 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
DetaylıCOM API v2.0 Belge sürümü : 2.0.3
COM API v2.0 Belge sürümü : 2.0.3 1. Đçindekiler 1. Đçindekiler...2 2. Bu belgenin amacı...3 3. Belge sürümleri...3 4. Sistem gereksinimleri...3 5. Kullanım şekli...4 5.1 Genel...4 5.2 Uyarılar...4 5.3
DetaylıKİNETİK 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
DetaylıXIX. Türkiye de Internet Konferansı (inet-tr 14) BULUT BİLİŞİM GÜVENLİĞİ HOMOMORFİK ŞİFRELEME. 27-29 Kasım, 2014, Yaşar Üniversitesi İÇİN
XIX. Türkiye de Internet Konferansı (inet-tr 14) 27-29 Kasım, 2014, Yaşar Üniversitesi BİLDİRİ #61 BULUT BİLİŞİM GÜVENLİĞİ İÇİN HOMOMORFİK ŞİFRELEME Esra ÇALIK ecalik@fsm.edu.tr Hüseyin Aşkın ERDEM herdem@hho.edu.tr
DetaylıHASTA TAKİP SİSTEMLERİNDE RFID UYGULAMASI
HASTA TAKİP SİSTEMLERİNDE RFID UYGULAMASI Osman TAN İlker KORKMAZ Okan GİDİŞ Sercan UYGUN AB'09, Harran Üniversitesi, 11.02.2009 1/21 SUNUM İÇERİĞİ Giriş RFID ve RFID Uygulamaları Problem Tanımı Motivasyon
DetaylıÜniversitesi. {g.karatas, Library, Science Direct ve Wiley veri içerisinde
:, Üniversitesi 34156, stanbul, {g.karatas, c.catal}@iku.edu.tr Özet. sistematik ebilmek üzere, yöntemlerini in n veri belirlemek, ortaya konulan. IEEE Explorer, ACM Digital Library, Science Direct ve
DetaylıMobil Pazarlama, İnteraktif SMS ve Toplu SMS Genel Teklifi
Mobil Pazarlama, İnteraktif SMS ve Toplu SMS Genel Teklifi 26 Ocak 2015 Mobil Pazarlama Mobil cihaz aracılığı ile herhangi bir ağ üzerinden karşılıklı olarak kullanıcılarla iletişime geçildiği uygulamaların
DetaylıSİNYAL TEMELLERİ İÇİN BİR YAZILIMSAL EĞİTİM ARACI TASARIMI A SOFTWARE EDUCATIONAL MATERIAL ON SIGNAL FUNDAMENTALS
SİNYAL TEMELLERİ İÇİN BİR YAZILIMSAL EĞİTİM ARACI TASARIMI Öğr. Gör. Hakan Aydogan Uşak Üniversitesi hakan.aydogan@usak.edu.tr Yrd. Doç. Dr. Selami Beyhan Pamukkale Üniversitesi sbeyhan@pau.edu.tr Özet
DetaylıUzaktan 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
DetaylıNetsis 3 SMS Uygulaması
Netsis 3 SMS Uygulaması Güncelleme Tarihi: 09.11.2016 Genel Uygulama Müşteriler ile iletişimin son derece önemli olduğu günümüz koşullarında, bu amaca yönelik olarak Netsis tarafından getirilen çözümlerden
DetaylıELEKTRONİK İMZALI BAŞVURU ARAYÜZÜ TALİMATI
Doküman Kodu Yayın Numarası Yayın Tarihi 02 Uyarı : Yalnız dosya sunucudan erişilen elektronik kopyalar güncel ve kontrollü olup, elektronik ortamdan alınacak kağıt 1/19 DEĞİŞİKLİK KAYITLARI Yayın No Yayın
DetaylıVERİ 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
DetaylıÖncelikle PTT ye göstermiş olduğunuz ilgi için teşekkür ederiz.
Sayın İzmir YMMO; Öncelikle PTT ye göstermiş olduğunuz ilgi için teşekkür ederiz. 1840 yılından bu yana yürütmekte olduğumuz faaliyetlerimizi sürekli ihtiyaçlar ve zamanın gereklilikleri doğrultusunda
Detaylı91-03-01-517 YAPAY ZEKA (Artificial Intelligence)
91-03-01-517 YAPAY ZEKA (Artificial Intelligence) Dersi Veren Öğretim Üyesi Y. Doç. Dr. Aybars UĞUR Ders Web Sayfası : http://yzgrafik.ege.edu.tr/~ugur 27.09.2009 Y. Doç. Dr. Aybars UĞUR (517 Yapay Zeka)
DetaylıBÜYÜK 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
DetaylıGeliştirilmiş Fisher Ayraç Kriteri Kullanarak Hiperspektral Görüntülerde Sınıflandırma
Geliştirilmiş Fisher Ayraç Kriteri Kullanarak Hiperspektral Görüntülerde Sınıflandırma Mustafa TEKE, Dr. Ufuk SAKARYA TÜBİTAK UZAY IEEE 21. Sinyal İşleme, İletişim ve Uygulamaları Kurultayı (SİU 2013),
DetaylıGezgin Etmen Sistemlerinin Başarım Ölçümü: Benzetim Tekniği
Gezgin Etmen Sistemlerinin Başarım Ölçümü: Benzetim Tekniği Gürol Erdoğan 1, Mustafa Yıldız 1, Mehmet Erdem Türsem 2, Selahattin Kuru 1 1 Enformatik Uygulama ve Araştırma Merkezi, Işık Üniversitesi, İstanbul
DetaylıPERSONEL KİMLİK YÖNETİM SİSTEMİ
MUĞLA SITKI KOÇMAN ÜNİVERSİTESİ PERSONEL KİMLİK YÖNETİM SİSTEMİ Web-Yazılım Grubu 2013 B i l g i İ ş l e m D a i r e B a ş k a n l ı ğ ı MUĞLA SITKI KOÇMAN ÜNİVERSİTESİ BİLGİ İŞLEM DAİRE BAŞKANLIĞI PERSONEL
DetaylıULUSLARARASI SCI / SCI-Expanded KAPSAMINDAKİ DERGİLERDEKİ MAKALELER. Yayın NO. Yazarlar Başlık Dergi Adı Yıl
ULUSLARARASI SCI / SCI-Expanded KAPSAMINDAKİ DERGİLERDEKİ MAKALELER Yazarlar Başlık Dergi Adı Yıl Barbaros Preveze, Aysel Şafak 2 Barbaros Preveze Effects of Routing Algorithms on Novel Throughput Improvement
Detaylıve Sonrası Girişli Öğrenciler için Uygulanacak Ders Program
Bilgisayar Mühendisliği Bölümü Lisans Ders Programı / Department of Computer Engineering Undergraduate Curriculum 2015-2016 ve Sonrası Girişli Öğrenciler için Uygulanacak Ders Program 1.Yıl / I.Dönem (First
Detaylı