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

Ebat: px
Şu sayfadan göstermeyi başlat:

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

Transkript

1 ÇELĐK YÜZEYLERĐN SINIFLANDIRILMASI * Cem ÜNSALAN ** Aytül ERÇĐL * Ayşın ERTÜZÜN *Boğaziçi Üniversitesi, Elektrik-Elektronik Mühendisliği Bölümü unsalan@boun.edu.tr **Boğaziçi Üniversitesi, Endüstri Mühendisliği Bölümü ercil@boun.edu.tr Özetçe Bu çalışmada, çelik yüzeyler doku analizi yöntemleri ile incelenmiş, yüzey özellikleri yardımı ile çelik yüzey üzerindeki pas derecesi bulunmaya çalışılmıştır. Doku analizinden elde edilen öznitelikler seçme algoritmaları yardımı ile derecelendirilmiş ve en uygun öznitelikler sınıflandırıcılara verilerek, yüzeyin sınıfı bulunmuştur. 1. Giriş Çelik, günümüzde köprü ve benzeri yapılarda en çok kullanılan metaldir. Özellikle nemli ortamlarda çeliğin paslanması, yüzeyinin devamlı olarak temizlenmesini gerektirmektedir. Bakım işlemi insan için elverişsiz koşullarda yapıldığı için, bu işlemi otomatik olarak gerçekleyecek bir robotun yapılması düşünülmüştür. Çelik yapıların bakımının otomatik olarak yapılabilmesi için, yüzey özelliklerinin bulunması gerekir. Pas durumuna göre çelik yüzeyleri dört gruba ayırabiliriz:pas derecesi A; Pas derecesi B; Pas derecesi C; Pas derecesi D. Bu yüzeylerin temizlenmesi kumlama adı verilen yöntemle yapılmaktadır.yukarıda verilen pas derecelerinin herbirinden kumlama sonucu elde edilen yüzey de farklı olacaktır. Bu yüzeyleri de sırasıyla Kumlanmış A; Kumlanmış B; Kumlanmış C ve Kumlanmış D olarak verebiliriz. Bu çalışmada doku analizi yöntemleri kullanılarak, çelik yapıların yüzey özellikleri hakkında bilgi elde edilmiştir [1]. Doku analizi yöntemlerinden elde edilen öznitelikler öznitelik seçme yöntemleri ile seçilmiş ve sınıflandırma işlemi için kullanılmıştır [2] [3]. Bu bildiride, kullanılan doku analizi ve öznitelik seçme yöntemleri kısaca verilecek ve çalışmanın son aşaması olan sınıflandırma sonuçları incelenecektir. 2. Doku Analizi Aşaması: Bu aşamada, kullanılan altı değişik doku analizi yöntemi kısaca anlatılmış ve herbirinden elde edilen öznitelik sayısı verilmiştir. Bu doku analizleri ile ilgili geniş bilgi verilen referanslarda bulunabilir [1]. 2.1 Gri Düzey Eş Oluşum Matrisi ( GLCM) Gri düzey eş oluşum matrisi Haralick tarafından öne sürülmüştür [1]. Đstatistiksel doku analizi yöntemidir. 1.2 Markov Rassal Alanları (MRF) MRF model temelli bir doku analizi yöntemidir. Eldeki dokuyu stokastik bir model ile belirtmeye çalışır.

2 1.3 Đmgenin Histogramı (His) Đmgenin histogramı, gri düzeylerin dağılım olasılığı fonksiyonu olarak alınabilir. Histogram bilgisinden imgenin genel özellikleri bulunabilir. 1.4 Đki Boyutlu Fourier Dönüşümü (FT) Đmge spektral alanda incelenmiştir. 1.5 Wavelet Dönüşümü (WT) Đmgenin spektral alanda incelenmesine olanak veren bir diğer yöntemdir. 1.6 Gabor Dönüşümü (GT) Đnsan gözü örnek alınarak elde edilmiş bir yöntemdir. Bu yöntemler, değişik ön işleme safhalarından geçirilmiş imgeler üzerine uygulanmıştır. Daha detaylı bilgi için bu konuda hazırlanmış teknik rapor incelenebilir [1]. Eldeki pas yüzeylerinden pas derecesi D yi elde etmek mümkün olmamıştır. Bu nedenle bu pas derecesi çalışmaya alınmamıştır. Farklı çelik yüzeyler için elde edilen örnek sayısı Tablo 1.1 de verilmiştir. Tablo 1.2 de farklı renk ve gri tonu uzaylarında her yöntemden elde edilen öznitelik sayıları görülmektedir. Tablo 1.1 Çelik Yüzey türleri için elde edilen örnek sayısı Pas A Pas B Pas C Kum. A Kum. B Kum. C Toplam Örnek Sayısı Tablo 1.2 Her yöntemden elde edilen öznitelik sayısı Kırmızı Yeşil Mavi Hue Gri Toplam FT GT GLCM HIST MRF WT Toplam öznitelik sayısı Öznitelik Seçme Aşaması: Eldeki öznitelik sayısı, hepsinin denenmesini olanaksız kıldığı için, aşağıda verilen öznitelik seçme yöntemleri bu öznitelik kümesine uygulanmış ve seçilen öznitelikler üzerinde sınıflandırma işlemi yapılmıştır. Öznitelik seçme yöntemleri ile ilgili daha detaylı bilgi verilen referanslarda bulunabilir [2]. 2.1 Varyans Ölçütü Eldeki özniteliğin varyansından, o öznitelik hakkında bilgi çıkarmaya çalışan bir yöntemdir.

3 2.2 Entropi Ölçütü Eldeki öznitelik bir dağılım olarak alındığı zaman, bu dağılımın entropisinden, o öznitelik hakkında bilgi çıkarmaya çalışan bir yöntemdir. 2.3 Fisher in Ölçütü Öznitelikteki sınıf içi ve sınıflar arası dağılımlar yardımı ile öznitelik hakkında bilgi çıkarmaya çalışan bir yöntemdir. 2.4 Fisher in Ölçütünün Kümeleme Yöntemleri ile Bulunması Fisher in ölçütünden türetilen ve kümeleme yöntemlerini kullanan yeni bir öznitelik seçme yaklaşımıdır [2]. 2.5 Şekil Benzerliği Öznitelik içindeki veri dağılımını o özniteliğin şekli olarak alan ve hiyerarşik kümeleme yöntemlerini kullanan bir seçme yöntemidir [2]. 2.6 Özbileşenler Analizi (Principal Component Analysis) Öznitelik uzayında veri dağılımının ençok olduğu yöne göre dönüşüm yapan bir öznitelik türetme yöntemidir. Bu öznitelik seçme yöntemleri kullanılarak her doku analizi yöntemi için üç öznitelik bulunmuştur. Toplam öznitelik sayısının üç ile sınırlandırılmasının nedeni, daha önceki çalışmalardan elde edilen deneyimdir [4]. Öznitelik sayısının fazlalığı nedeni ile hiyerarşik seçme yapılmıştır. 3. Sınıflandırma Aşaması Bu çalışmada son adım olarak çelik yüzeylerin sınıflandırılması çalışması yapılmıştır. Bunun için, doku analizi yöntemlerinden elde edilen öznitelikler insan tarafından seçilerek bir alt küme oluşturulmuştur. Đkinci bir alt küme de öznitelik seçme yöntemlerinin seçtikleri özniteliklerden oluşturulmuştur. Sınıflandırma için iki ana yöntem denenmiştir: 3.1 Hiyerarşik Sınıflandırma Bu yöntemde hiyerarşik karar yapısı düşünülerek, her yüzey bir sınıf, diğer tüm yüzeyler toplu olarak ikinci bir sınıf olarak alınmıştır. Bu yöntem için aşağıdaki sınıflandırıcılar kullanılmıştır: 1. Bayes sınıflandırıcısı 2. Parzen Penceresi Yaklaşımı 3. KNN sınıflandırıcısı 4. Fuzzy KNN sınıflandırıcısı 5. Adaline 6. LVQ Bu yöntem için ayrıca sınıflandırıcıların birleştirilmesi yaklaşımı da denenmiştir. Sınıflandırıcıların birleştirilmesi yöntemi olarak en çok oy kuralı kullanılmıştır. 3.2 Tüm Sınıfların Kullanılması Đkinci yöntem olarak da her yüzey bir sınıf oluşturacak şekilde deney yapılmıştır. Bu

4 yöntemde KNN sınıflandırıcısı kullanılmıştır. Sonuçların istatistiksel olarak daha güvenilir olabilmesi için öğretme ve test setlerinin oluşturulmasında cross-validation yöntemi kullanılmıştır. Bu bildiride yalnızca altı sınıf için uzman insan ve öznitelik seçme yöntemlerinin sonuçları verilmiştir. Sonuçlar yüzde başarı olarak verilmiştir. Her satır test verisinin türünü, buna karşılık gelen her sütun da hangi sınıfa atandığını belirtmektedir. Diğer sonuçlar teknik raporlarda bulunabilir [3]. Uzman insan tarafindan seçilen özniteliklerin sınıflandırma sonuçları: Tablo FT öznitelikleri ile bulunan sınıflar PasA Kum A Pas B Kum B Pas C Kum C Tablo GT öznitelikleri ile bulunan sınıflar PasA Kum A Pas B Kum B Pas C Kum C Tablo GLCM öznitelikleri ile bulunan sınıflar PasA Kum A Pas B Kum B Pas C Kum C Tablo His. Öznitelikleri ile bulunan sınıflar PasA Kum A Pas B Kum B Pas C Kum C

5 Tablo MRF öznitelikleri ile bulunan sınıflar PasA Kum A Pas B Kum B Pas C Kum C Tablo WT öznitelikleri ile bulunan sınıflar PasA Kum A Pas B Kum B Pas C Kum C Tüm bu sonuçlar incelendiği zaman, Đki boyutlu Fourier Dönüşümünden uzman insan tarafından seçilen öznitelik kümesinin altı pas derecesini ayırmak için yeterince iyi sonuç verdiği görülür. Öznitelik seçme yöntemleri ile elde edilen özniteliklerin sonuçları: Tablo FT öznitelikleri ile bulunan sınıflar PasA Kum A Pas B Kum B Pas C Kum C Tablo GT öznitelikleri ile bulunan sınıflar PasA Kum A Pas B Kum B Pas C Kum C Tablo GLCM öznitelikleri ile bulunan sınıflar PasA Kum A Pas B Kum B Pas C Kum C

6 Tablo His. Öznitelikleri ile bulunan sınıflar PasA Kum A Pas B Kum B Pas C Kum C Tablo MRF öznitelikleri ile bulunan sınıflar PasA Kum A Pas B Kum B Pas C Kum C Tablo WT öznitelikleri ile bulunan sınıflar PasA Kum A Pas B Kum B Pas C Kum C Tüm bu sonuçlar incelendiği zaman, GLCM den Fisher in seçme yöntemi ile seçilen öznitelik kümesinin, altı pas derecesini ayırmak için yeterince iyi sonuç verdiği görülmektedir. 4. Sonuç Elde edilen sonuçlar, çelik yüzeylerin yapay görme sistemi ile sınıflandırılabileceği yönündedir. Bu çalışmanın daha sağlıklı yapılabilmesi için eldeki deney setinin daha çok ve değişik olması gerekmektedir. Bu çalışmada bir sonraki adım, eldeki yapıyı gerçek zamanlı bir sistem haline getirmektir. Kaynakça [1] Ünsalan C., Erçil A., Classification of Rust Grades on Steel Surfaces Part 1, Boğaziçi Üniversitesi, Teknik Rapor, FBE-IE-12/97-16,1997 [2] Ünsalan C., Erçil A., Classification of Rust Grades on Steel Surfaces Part 2, Boğaziçi Üniversitesi, Teknik Rapor, FBE-IE-02/98-02,1998 [3] Ünsalan C., Erçil A., Classification of Rust Grades on Steel Surfaces Part 3, Boğaziçi Üniversitesi, Teknik Rapor, FBE-IE-03/98-03,1998 [4] Ünsalan C., Erçil A., Doku Analizi yöntemleri ile Tahta Kalite Kontrol Otomasyonu, 5. SIU Kurultayı Bildiriler Kitabı, cilt 1, sayfa , Kuşadası, 1997

Birkan ARAS, Ayşın ERTÜZÜN 1 ve Aytül ERÇĐL 2. Boğaziçi Üniversitesi Bebek, 80815, Istanbul ertuz@boun.edu.tr, ercil@boun.edu.tr

Birkan ARAS, Ayşın ERTÜZÜN 1 ve Aytül ERÇĐL 2. Boğaziçi Üniversitesi Bebek, 80815, Istanbul ertuz@boun.edu.tr, ercil@boun.edu.tr DOKU HATALARININ YÜKSEK DERECELĐ ĐSTATĐSTĐKLER KULLANILARAK BELĐRLENMESĐ * Birkan ARAS, Ayşın ERTÜZÜN ve Aytül ERÇĐL 2 Elektrik-Elektronik Mühendisliği Bölümü, 2 Endüstri Mühendisliği Bölümü, Boğaziçi

Detaylı

Geliştirilmiş Fisher Ayraç Kriteri Kullanarak Hiperspektral Görüntülerde Sınıflandırma

Geliştirilmiş 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),

Detaylı

Akış YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

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

Detaylı

K En Yakın Komşu Methodu (KNearest Neighborhood)

K En Yakın Komşu Methodu (KNearest Neighborhood) K En Yakın Komşu Methodu (KNearest Neighborhood) K-NN algoritması, Thomas. M. Cover ve Peter. E. Hart tarafından önerilen, örnek veri noktasının bulunduğu sınıfın ve en yakın komşunun, k değerine göre

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

Hafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti

Hafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti Hafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr

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

VERİ MADENCİLİĞİ (Veri Ön İşleme-2) Yrd.Doç.Dr. Kadriye ERGÜN

VERİ MADENCİLİĞİ (Veri Ön İşleme-2) Yrd.Doç.Dr. Kadriye ERGÜN VERİ MADENCİLİĞİ (Veri Ön İşleme-2) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma Kümeleme

Detaylı

Çok-öbekli Veri için Aradeğerlemeci Ayrışım

Çok-öbekli Veri için Aradeğerlemeci Ayrışım Interpolative Decomposition for Data with Multiple Clusters Çok-öbekli Veri için Aradeğerlemeci Ayrışım İsmail Arı, A. Taylan Cemgil, Lale Akarun. Boğaziçi Üniversitesi, Bilgisayar Mühendisliği 25 Nisan

Detaylı

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

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

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

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

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

Ders 1 Minitab da Grafiksel Analiz-I

Ders 1 Minitab da Grafiksel Analiz-I ENM 5210 İSTATİSTİK VE YAZILIMLA UYGULAMALARI Ders 1 Minitab da Grafiksel Analiz-I İstatistik Nedir? İstatistik kelimesi ilk olarak Almanyada devlet anlamına gelen status kelimesine dayanılarak kullanılmaya

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

Zahmetsiz örüntü tanıma: Nokta bulutlarının karşılaştırılması yoluyla veri-tabanlı ve parametresiz istatistiksel öğrenme

Zahmetsiz örüntü tanıma: Nokta bulutlarının karşılaştırılması yoluyla veri-tabanlı ve parametresiz istatistiksel öğrenme Zahmetsiz örüntü tanıma: Nokta bulutlarının karşılaştırılması yoluyla veri-tabanlı ve parametresiz istatistiksel öğrenme Doç. Dr. Bilge Karaçalı Biyomedikal Veri İşleme Laboratuvarı Elektrik-Elektronik

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

MEH535 Örüntü Tanıma. Karar Teorisi

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

Detaylı

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

Görüntü Segmentasyonu (Bölütleme)

Görüntü Segmentasyonu (Bölütleme) Görüntü Segmentasyonu (Bölütleme) Segmentasyon, görüntüyü aynı cinsten obje ve bölgelere ayırmaktır. 20 Aralık 2014 Cumartesi 1 Görüntü Segmentasyonu 20 Aralık 2014 Cumartesi 2 Gestalt kanunları Görüntü

Detaylı

İstatistik Nedir? Ders 1 Minitab da Grafiksel Analiz-I ENM 5210 İSTATİSTİK VE YAZILIMLA UYGULAMALARI. İstatistiğin Konusu Olan Olaylar

İstatistik Nedir? Ders 1 Minitab da Grafiksel Analiz-I ENM 5210 İSTATİSTİK VE YAZILIMLA UYGULAMALARI. İstatistiğin Konusu Olan Olaylar ENM 5210 İSTATİSTİK VE YAZILIMLA UYGULAMALARI İstatistik Nedir? İstatistik kelimesi ilk olarak Almanyada devlet anlamına gelen status kelimesine dayanılarak kullanılmaya başlanmıştır. Ders 1 Minitab da

Detaylı

DİZGE TABANLI BİLEŞEN DENEMELERİNİN TASARIMINDA BEKLENEN DİZGE YAŞAM SÜRESİNİN MODELLENMESİ 1

DİZGE TABANLI BİLEŞEN DENEMELERİNİN TASARIMINDA BEKLENEN DİZGE YAŞAM SÜRESİNİN MODELLENMESİ 1 DİZGE TABANLI BİLEŞEN DENEMELERİNİN TASARIMINDA BEKLENEN DİZGE YAŞAM SÜRESİNİN MODELLENMESİ 1 Emre YAMANGİL Orhan FEYZİOĞLU Süleyman ÖZEKİCİ Galatasaray Üniversitesi Galatasaray Üniversitesi Koç Üniversitesi

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

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

Kümeler arası. Küme içi. uzaklıklar. maksimize edilir. minimize edilir

Kümeler arası. Küme içi. uzaklıklar. maksimize edilir. minimize edilir Kümeleme Analizi: Temel Kavramlar ve Algoritmalar Kümeleme Analizi Nedir? Her biri bir dizi öznitelik ile, veri noktalarının bir kümesi ve noktalar arasındaki benzerliği ölçen bir benzerlik ölçümü verilmiş

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

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

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

Detaylı

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

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

Veri Madenciliği Yöntemleriyle İGDAŞ Çağrı Merkezi Veri Analizi VE Kalite Fonksiyon Yayılımı Yöntemiyle Süreç İyileştirme Çalışması

Veri Madenciliği Yöntemleriyle İGDAŞ Çağrı Merkezi Veri Analizi VE Kalite Fonksiyon Yayılımı Yöntemiyle Süreç İyileştirme Çalışması Veri Madenciliği Yöntemleriyle İGDAŞ Çağrı Merkezi Veri Analizi VE Kalite Fonksiyon Yayılımı Yöntemiyle Süreç İyileştirme Çalışması Nilay Kurşunoğlu, PwC Yönetim Danışmanlığı Biz Kimiz? Orhan Cem Sorumlu

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

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

OTOMATİK KONTROL SİSTEMLERİ TEMEL KAVRAMLAR VE TANIMLAR

OTOMATİK KONTROL SİSTEMLERİ TEMEL KAVRAMLAR VE TANIMLAR OTOMATİK KONTROL SİSTEMLERİ TEMEL KAVRAMLAR VE TANIMLAR KONTROL SİSTEMLERİ GİRİŞ Son yıllarda kontrol sistemleri, insanlığın ve uygarlığın gelişme ve ilerlemesinde çok önemli rol oynayan bir bilim dalı

Detaylı

Görüntü Segmentasyonu (Bölütleme) Dijital Görüntü İşleme Fevzi Karslı, KTÜ Segmentasyon, görüntüyü aynı cinsten obje ve bölgelere ayırmaktır.

Görüntü Segmentasyonu (Bölütleme) Dijital Görüntü İşleme Fevzi Karslı, KTÜ Segmentasyon, görüntüyü aynı cinsten obje ve bölgelere ayırmaktır. Görüntü Segmentasyonu (Bölütleme) Segmentasyon, görüntüyü aynı cinsten obje ve bölgelere ayırmaktır. 16 Ocak 2014 Perşembe 1 Görüntü Segmentasyonu 16 Ocak 2014 Perşembe 2 Görüntüden Objelere Bir objeyi

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

TMMOB Harita ve Kadastro Mühendisleri Odası Ulusal Coğrafi Bilgi Sistemleri Kongresi 30 Ekim 02 Kasım 2007, KTÜ, Trabzon

TMMOB Harita ve Kadastro Mühendisleri Odası Ulusal Coğrafi Bilgi Sistemleri Kongresi 30 Ekim 02 Kasım 2007, KTÜ, Trabzon TMMOB Harita ve Kadastro Mühendisleri Odası Ulusal Coğrafi Bilgi Sistemleri Kongresi 30 Ekim 02 Kasım 2007, KTÜ, Trabzon Lazer Tarama Verilerinden Bina Detaylarının Çıkarılması ve CBS İle Entegrasyonu

Detaylı

ÜÇ BOYUTLU M-BANTLI DALGACIK DÖNÜŞÜMÜ İLE TRAFİK TIKANIKLIĞININ BELİRLENMESİ

ÜÇ BOYUTLU M-BANTLI DALGACIK DÖNÜŞÜMÜ İLE TRAFİK TIKANIKLIĞININ BELİRLENMESİ ÜÇ BOYUTLU M-BANTLI DALGACIK DÖNÜŞÜMÜ İLE TRAFİK TIKANIKLIĞININ BELİRLENMESİ 1. Giriş Tolga Kurt, Emin Anarım Boğaziçi Üniversitesi, Elektrik-Elektronik Mühendisliği 80815,Bebek, İstanbul-Türkiye e-posta:

Detaylı

Uzaktan Algılama Teknolojileri

Uzaktan Algılama Teknolojileri Uzaktan Algılama Teknolojileri Ders 8 Multispektral Görüntüleme ve Uygulamaları Alp Ertürk alp.erturk@kocaeli.edu.tr Multispektral Görüntüleme Her piksel için birkaç adet spektral kanalda ölçüm değeri

Detaylı

PROJE ADI: Bir Koniğin Üzerindeki Veya Dışındaki Bir Noktadan Çizilen Teğetlerin Denklemlerini Matrisler Yardımıyla Bulma

PROJE ADI: Bir Koniğin Üzerindeki Veya Dışındaki Bir Noktadan Çizilen Teğetlerin Denklemlerini Matrisler Yardımıyla Bulma PROJE ADI: Bir Koniğin Üzerindeki Veya Dışındaki Bir oktadan Çizilen Teğetlerin Denklemlerini Matrisler Yardımıyla Bulma PROJEİ AMACI: Bu projede herhangi bir koniğin üzerindeki veya dışındaki bir noktadan

Detaylı

RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI. Yrd. Doç. Dr. Emre ATILGAN

RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI. Yrd. Doç. Dr. Emre ATILGAN RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI Yrd. Doç. Dr. Emre ATILGAN 1 RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI Olasılığa ilişkin olayların çoğunluğunda, deneme sonuçlarının bir veya birkaç yönden incelenmesi

Detaylı

Yapılan alan araştırması sonucunda aşağıdaki sonuçlar elde edilmiştir. ( ) ( ) ( ) ( )

Yapılan alan araştırması sonucunda aşağıdaki sonuçlar elde edilmiştir. ( ) ( ) ( ) ( ) İKİ DEĞİŞKENLİ OLASILIK Rassal bir deneme yapılmakta ve farklı iki olay ile ilgilenilmektedir. A 1, A 2,,A i olayları bağdaşmaz ve bütünü kapsayıcıdır. B 1, B 2,,B j olayları bağdaşmaz ve bütünü kapsayıcıdır.

Detaylı

DOKUZ EYLÜL ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ DEKANLIĞI DERS/MODÜL/BLOK TANITIM FORMU. Dersin Kodu: CME 4410

DOKUZ EYLÜL ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ DEKANLIĞI DERS/MODÜL/BLOK TANITIM FORMU. Dersin Kodu: CME 4410 Dersi Veren Birim: Bilgisayar Mühendisliği Dersin Türkçe Adı: ÖRÜNTÜ TANIMAYA GİRİŞ Dersin Orjinal Adı: INTRODUCTION TO PATTERN RECOGNITION Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora) Lisans

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

2015/2016 Bahar Yarıyılı Bitirme Çalışması Konuları. (Doç.Dr. M. Kemal GÜLLÜ)

2015/2016 Bahar Yarıyılı Bitirme Çalışması Konuları. (Doç.Dr. M. Kemal GÜLLÜ) 2015/2016 Bahar Yarıyılı Bitirme Çalışması Konuları (Doç.Dr. M. Kemal GÜLLÜ) 1. Ses temelli malzeme tanıma Malzemelerin çarpma etkisi ile çıkarttıkları seslerin mikrofon ile bir PC ye alınması ve işaretten

Detaylı

PAPATYA YAYINCILIK EĞİTİM Bilgisayar Sis. San. ve Tic. A.Ş. Veri Madenciliği Yöntemleri Dr. Yalçın ÖZKAN -II-

PAPATYA YAYINCILIK EĞİTİM Bilgisayar Sis. San. ve Tic. A.Ş. Veri Madenciliği Yöntemleri Dr. Yalçın ÖZKAN -II- Dr. Yalçın ÖZKAN Dr. Yalçın ÖZKAN PAPATYA YAYINCILIK EĞİTİM Bilgisayar Sis. San. ve Tic. A.Ş. Ankara Caddesi, Prof. Fahreddin Kerim Gökay Vakfı İşhanı Girişi, No: 11/3, Cağaloğlu (Fatih)/İstanbul Tel

Detaylı

TÜRKİYE CUMHURİYETİ DEVLETİNİN temellerinin atıldığı Çanakkale zaferinin 100. yılı kutlu olsun.

TÜRKİYE CUMHURİYETİ DEVLETİNİN temellerinin atıldığı Çanakkale zaferinin 100. yılı kutlu olsun. Doç.Dr.Mehmet MISIR-2013 TÜRKİYE CUMHURİYETİ DEVLETİNİN temellerinin atıldığı Çanakkale zaferinin 100. yılı kutlu olsun. Son yıllarda teknolojinin gelişmesi ile birlikte; geniş alanlarda, kısa zaman aralıklarında

Detaylı

Veri Madenciliği Yöntemleri. Dr. Yalçın ÖZKAN

Veri Madenciliği Yöntemleri. Dr. Yalçın ÖZKAN Veri Madenciliği Yöntemleri Dr. Yalçın ÖZKAN Veri Madenciliği Yöntemleri Dr. Yalçın ÖZKAN PAPATYA YAYINCILIK EĞĠTĠM Bilgisayar Sis. San. ve Tic. A.ġ. Ankara Caddesi, Prof. Fahreddin Kerim Gökay Vakfı

Detaylı

Metin Sınıflandırma. Akış

Metin 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

Detaylı

K-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi

K-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi K-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi Erdal TAŞCI* Aytuğ ONAN** *Ege Üniversitesi Bilgisayar Mühendisliği Bölümü **Celal Bayar Üniversitesi

Detaylı

BİL 810 İnşaat Mühendisliğinde Bilgisayar Uygulamaları

BİL 810 İnşaat Mühendisliğinde Bilgisayar Uygulamaları BİL 810 İnşaat Mühendisliğinde Bilgisayar Uygulamaları Excel ile grafik kullanımı 7.Hafta Microsoft Excel-2 Dr. Onur TUNABOYU 1 Grafiğe bakıldığında her bir verinin anlaşılacağı şekilde; Grafik Başlığı,

Detaylı

GENELLEŞTİRİLMİŞ FUZZY KOMŞULUK SİSTEMİ ÜZERİNE

GENELLEŞTİRİLMİŞ FUZZY KOMŞULUK SİSTEMİ ÜZERİNE ÖZEL EGE LİSESİ GENELLEŞTİRİLMİŞ FUZZY KOMŞULUK SİSTEMİ ÜZERİNE HAZIRLAYAN ÖĞRENCİ: Berk KORKUT DANIŞMAN ÖĞRETMEN: Gizem GÜNEL İZMİR 2013 İÇİNDEKİLER 1. PROJENİN AMACI 3.33 2. GİRİŞ... 3 3. YÖNTEM 3 4.

Detaylı

Akış YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

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

Detaylı

«Maça Üretim Parametrelerinin Standartlaştırılması»

«Maça Üretim Parametrelerinin Standartlaştırılması» «Maça Üretim Parametrelerinin Standartlaştırılması» Şevki Özçelik (Erkunt Sanayi) 2.Oturum: Kalıp & Maça Teknolojileri Oturum Başkanı: Teoman Altınok (Entil Endüstri) Oturumlarda yer alan sunumlar 27 Ekim

Detaylı

Hafta 03/04 - Uzaklık/Benzerlik - En Yakın Komşular - Karar Ağaçları

Hafta 03/04 - Uzaklık/Benzerlik - En Yakın Komşular - Karar Ağaçları Hafta 03/04 - Uzaklık/Benzerlik - En Yakın Komşular - Karar Ağaçları BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr

Detaylı

Makine Öğrenmesi 2. hafta

Makine Öğrenmesi 2. hafta Makine Öğrenmesi 2. hafta Uzaklığa dayalı gruplandırma K-means kümeleme K-NN sınıflayıcı 1 Uzaklığa dayalı gruplandırma Makine öğrenmesinde amaç birbirine en çok benzeyen veri noktalarını aynı grup içerisinde

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

GÖRÜNTÜ İŞLEME HAFTA 1 1.GİRİŞ

GÖRÜNTÜ İŞLEME HAFTA 1 1.GİRİŞ GÖRÜNTÜ İŞLEME HAFTA 1 1.GİRİŞ GÖRÜNTÜ İŞLEME Hafta Hafta 1 Hafta 2 Hafta 3 Hafta 4 Hafta 5 Hafta 6 Hafta 7 Hafta 8 Hafta 9 Hafta 10 Hafta 11 Hafta 12 Hafta 13 Hafta 14 Konu Giriş Digital Görüntü Temelleri-1

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

MATLAB A GİRİŞ. EE-346 Hafta-1 Dr. Ayşe DEMİRHAN

MATLAB A GİRİŞ. EE-346 Hafta-1 Dr. Ayşe DEMİRHAN MATLAB A GİRİŞ EE-346 Hafta-1 Dr. Ayşe DEMİRHAN MATLAB Teknik ve bilimsel hesaplamalar için yazılmış yüksek performanslı bir yazılım geliştirme aracı MATrix LABoratory (MATLAB) Boyutlandırma gerekmeyen

Detaylı

İŞLEM KAVRAMI. Çarpma-Bölme

İŞLEM KAVRAMI. Çarpma-Bölme İŞLEM KAVRAMI Çarpma-Bölme TEKRAR TESTİ 1. Aşağıdakilerden hangisinde Matematik Dersi Öğretim Programının öğrenme alanları doğru olarak verilmiştir? A) B) C) D) E) Sayılar ve Sayılar ve Sayılar ve Sayılar

Detaylı

Girdi Analizi. 0 Veri toplama 0 Girdi sürecini temsil eden olasılık dağılımı belirleme. 0 Histogram 0 Q-Q grafikleri

Girdi Analizi. 0 Veri toplama 0 Girdi sürecini temsil eden olasılık dağılımı belirleme. 0 Histogram 0 Q-Q grafikleri Girdi Analizi 0 Gerçek hayattaki benzetim modeli uygulamalarında, girdi verisinin hangi dağılımdan geldiğini belirlemek oldukça zor ve zaman harcayıcıdır. 0 Yanlış girdi analizi, elde edilen sonuçların

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

ENM 316 BENZETİM ÖDEV SETİ

ENM 316 BENZETİM ÖDEV SETİ ENM 16 BENZETİM ÖDEV SETİ Ödev 1. Bir depo ve N adet müşteriden oluşan bir taşımacılık sisteminde araç depodan başlayıp bütün müşterileri teker teker ziyaret ederek depoya geri dönmektedir. Sistemdeki

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

Hafta 05 - Karar Ağaçları/Kümeleme

Hafta 05 - Karar Ağaçları/Kümeleme BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr İstanbul Şehir Üniversitesi 2018 - Bahar İçindekiler

Detaylı

Stokastik Süreçler (MATH495) Ders Detayları

Stokastik Süreçler (MATH495) Ders Detayları Stokastik Süreçler (MATH495) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Uygulama Laboratuar Kredi AKTS Saati Saati Saati Stokastik Süreçler MATH495 Güz 3 0 0 3 6 Ön Koşul Ders(ler)i Math392 veya öğretim

Detaylı

Ayrık Dalgacık Dönüşümü Bileşenlerine Ait İstatistiksel Veriler ile Epileptik EEG İşaretlerinin Sınıflandırılması

Ayrık Dalgacık Dönüşümü Bileşenlerine Ait İstatistiksel Veriler ile Epileptik EEG İşaretlerinin Sınıflandırılması 214 Spring/Bahar Cilt/Vol: 5 - Sayı/Num: 15 DOI: 1.5824/139-1581.214.2.3.x Ayrık Dalgacık Dönüşümü Bileşenlerine Ait İstatistiksel Veriler ile Epileptik EEG İşaretlerinin Sınıflandırılması Tuğba PALABAŞ,

Detaylı

VERİ MADENCİLİĞİ (Veri Önişleme-1) Yrd.Doç.Dr. Kadriye ERGÜN

VERİ MADENCİLİĞİ (Veri Önişleme-1) Yrd.Doç.Dr. Kadriye ERGÜN VERİ MADENCİLİĞİ (Veri Önişleme-1) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma Kümeleme

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

Yer Sezimi ve Özet Bölüt Çizgeleri

Yer Sezimi ve Özet Bölüt Çizgeleri Akıllı Sistemler Laboratuarı Elektrik-Elektronik Mühendisliği, Boğaziçi Üniversitesi TORK 2015 Türkiye Robotbilim Konferansı Önceki Çalışmalar Bölge Bitişiklilik Çizgeleri Çizge Eşleme lar Önceki Çalışmalar

Detaylı

ISK116 - Bölüm 1. Grup Teknolojisi

ISK116 - Bölüm 1. Grup Teknolojisi ISK - Bölüm Grup Teknolojisi Grup Teknolojisi (GT) Grup teknolojisi benzerliklerden faydalanarak büyük ve karmaşık bir üretim sisteminin, küçük ve kolay kontrol edilebilir sistemlere dönüştürülmesi hedeflenmektedir.

Detaylı

DOĞU KARADENİZ BÖLGESİNDE SON YILLARDA YAPILAN PATLATMALARLA OLUŞAN DEPREMLERİN AYIRT EDİLMESİ

DOĞU KARADENİZ BÖLGESİNDE SON YILLARDA YAPILAN PATLATMALARLA OLUŞAN DEPREMLERİN AYIRT EDİLMESİ DOĞU KARADENİZ BÖLGESİNDE SON YILLARDA YAPILAN PATLATMALARLA OLUŞAN DEPREMLERİN AYIRT EDİLMESİ Yılmaz, Ş. 1, Bayrak, Y. 2 1 Karadeniz Teknik Üniversitesi, Mühendislik Fakültesi, Jeofizik Mühendisliği,

Detaylı

Tesadüfi Değişken. w ( )

Tesadüfi Değişken. w ( ) 1 Tesadüfi Değişken Tesadüfi değişkenler gibi büyük harflerle veya gibi yunan harfleri ile bunların aldığı değerler de gibi küçük harflerle gösterilir. Tesadüfi değişkenler kesikli veya sürekli olmak üzere

Detaylı

Uzaktan Algılama Teknolojileri

Uzaktan Algılama Teknolojileri Uzaktan Algılama Teknolojileri Ders 10 Hiperspektral Görüntülerde Öznitelik Çıkarımı ve Boyut Azaltımı Alp Ertürk alp.erturk@kocaeli.edu.tr Öznitelik Çıkarımı Veriden ayırt edici yapıda nitelikler çıkarma

Detaylı

x 2i + A)( 1 yj 2 + B) u (v + B), y 1

x 2i + A)( 1 yj 2 + B) u (v + B), y 1 Ders 11: Örnekler 11.1 Kulplarla inşalar Bu bölümde kulpları birbirine yapıştırıp tanıdık manifoldlar elde edeceğiz. Artık bu son ders. Özellikle dersin ikinci bölümünde son meyveleri toplamak adına koşarak

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 İçerik Sınıflandırma yöntemleri Karar ağaçları ile sınıflandırma Entropi Kavramı ID3 Algoritması C4.5

Detaylı

HAVADAN LAZER TARAMA ve SAYISAL GÖRÜNTÜ VERİLERİNDEN BİNA TESPİTİ VE ÇATILARIN 3 BOYUTLU MODELLENMESİ

HAVADAN LAZER TARAMA ve SAYISAL GÖRÜNTÜ VERİLERİNDEN BİNA TESPİTİ VE ÇATILARIN 3 BOYUTLU MODELLENMESİ Akdeniz Üniversitesi Uzay Bilimleri ve Teknolojileri Bölümü Uzaktan Algılama Anabilim Dalı HAVADAN LAZER TARAMA ve SAYISAL GÖRÜNTÜ VERİLERİNDEN BİNA TESPİTİ VE ÇATILARIN 3 BOYUTLU MODELLENMESİ Dr.Nusret

Detaylı

Geçmişten Günümüze Kastamonu Üniversitesi Dergisi: Yayımlanan Çalışmalar Üzerine Bir Araştırma 1

Geçmişten Günümüze Kastamonu Üniversitesi Dergisi: Yayımlanan Çalışmalar Üzerine Bir Araştırma 1 Mart 2017 Cilt:25 No:2 Kastamonu Eğitim Dergisi xii-xxi Geçmişten Günümüze Kastamonu Üniversitesi Dergisi: Yayımlanan Çalışmalar Üzerine Bir Araştırma 1 Lütfi İNCİKABI, Samet KORKMAZ, Perihan AYANOĞLU,

Detaylı

2. Oracle Data Miner İle Örnek Bir Veri Madenciliği Çalışması

2. Oracle Data Miner İle Örnek Bir Veri Madenciliği Çalışması 2. Oracle Data Miner İle Örnek Bir Veri Madenciliği Çalışması Bu örnek uygulamada bir önceki yazımda Oracle SQL Developer a yüklediğim Data Miner Repository ile gelen hazır bir sigorta şirketi veri setini

Detaylı

Veri Madenciliği. Yrd. Doç. Dr. Mustafa Gökçe Baydoğan. blog.mustafabaydogan.

Veri Madenciliği. Yrd. Doç. Dr. Mustafa Gökçe Baydoğan.   blog.mustafabaydogan. Veri Madenciliği Yrd. Doç. Dr. Mustafa Gökçe Baydoğan mustafa.baydogan@boun.edu.tr www.mustafabaydogan.com blog.mustafabaydogan.com İçerik p Veri Madenciliği nedir? n Bir örnek p Boğaziçi Üniversitesi

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

İleri Örüntü Tanıma Teknikleri Ve Uygulamaları İçerik

İleri Örüntü Tanıma Teknikleri Ve Uygulamaları İçerik Tekrar Konular İleri Örüntü Tanıma Teknikleri Ve Uygulamaları İçerik 1. Uygulamalar ve tanımlamalar 2. Örüntü tanıma sistemleri ve bir örnek 3. Bayes karar teorisi 4. En yakın komşu sınıflandırıcıları

Detaylı

BÖLÜM 19 5. RAPORLAR. Şekil 5.1. Rapor sihirbazı ile rapor oluşturma 1. pencere.

BÖLÜM 19 5. RAPORLAR. Şekil 5.1. Rapor sihirbazı ile rapor oluşturma 1. pencere. BÖLÜM 19 5. RAPORLAR Raporlar; tablolardaki ve hazırlanan sorgulardaki bilgilerin istenilen düzenlemelere göre ekran veya yazıcıdan liste halinde alınabilmesi sağlayan bir ortamdır. Raporları hazırlayabilmek

Detaylı

BÖLÜM13 3- EXCEL DE VERİ İŞLEMLERİ

BÖLÜM13 3- EXCEL DE VERİ İŞLEMLERİ BÖLÜM13 3- EXCEL DE VERİ İŞLEMLERİ Excel de veritabanı dosyaları oluşturmak oldukça kolay ve pratiktir. Böyle bir dosya herhangi özel bir işlem gerektirmeden, veri alanlarının direkt hücrelere girilmesi

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

KABA KÜME TEORİSİ (Rough Set Theory) Dr. Sedat TELÇEKEN

KABA KÜME TEORİSİ (Rough Set Theory) Dr. Sedat TELÇEKEN KABA KÜME TEORİSİ (Rough Set Theory) Dr. Sedat TELÇEKEN Giriş Bilgi teknolojisindeki gelişmeler ve verilerin dijital ortamda saklanmaya başlanması ile yeryüzündeki bilgi miktarı her 20 ayda iki katına

Detaylı

İSTATİSTİK STATISTICS (2+0) Yrd.Doç.Dr. Nil TOPLAN SAÜ.MÜH. FAK. METALURJİ VE MALZEME MÜH. BÖLÜMÜ ÖĞRETİM ÜYESİ ÖĞRETİM YILI

İSTATİSTİK STATISTICS (2+0) Yrd.Doç.Dr. Nil TOPLAN SAÜ.MÜH. FAK. METALURJİ VE MALZEME MÜH. BÖLÜMÜ ÖĞRETİM ÜYESİ ÖĞRETİM YILI İSTATİSTİK STATISTICS (+) Yrd.Doç.Dr. Nil TOPLAN SAÜ.MÜH. FAK. METALURJİ VE MALZEME MÜH. BÖLÜMÜ ÖĞRETİM ÜYESİ ÖĞRETİM YILI KONU BAŞLIKLARI :. İSTATİSTİĞE GİRİŞ. VERİLERİN DÜZENLENMESİ. MERKEZİ EĞİLİM ÖLÇÜLERİ.

Detaylı

BAYES KURAMI. Dr. Cahit Karakuş

BAYES KURAMI. Dr. Cahit Karakuş BAYES KURAMI Dr. Cahit Karakuş Deney, Olay, Sonuç Küme Klasik olasılık Bayes teoremi Permütasyon, Kombinasyon Rasgele Değişken; Sürekli olasılık dağılımı Kesikli - Süreksiz olasılık dağılımı Stokastik

Detaylı

Yaklaşık Düşünme Teorisi

Yaklaşık Düşünme Teorisi Yaklaşık Düşünme Teorisi Zadeh tarafından 1979 yılında öne sürülmüştür. Kesin bilinmeyen veya belirsiz bilgiye dayalı işlemlerde etkili sonuçlar vermektedir. Genellikle bir f fonksiyonu ile x ve y değişkeni

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

Faktöriyel: 1'den n'ye kadar olan tüm pozitif tamsayıların çarpımına, biçiminde gösterilir. Aynca; 0! = 1 ve 1!=1 1 dir. [Bunlar kabul değildir,

Faktöriyel: 1'den n'ye kadar olan tüm pozitif tamsayıların çarpımına, biçiminde gösterilir. Aynca; 0! = 1 ve 1!=1 1 dir. [Bunlar kabul değildir, 14. Binom ve Poisson olasılık dağılımları Faktöriyeller ve kombinasyonlar Faktöriyel: 1'den n'ye kadar olan tüm pozitif tamsayıların çarpımına, n! denir ve n! = 1.2.3...(n-2).(n-l).n biçiminde gösterilir.

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

Uygulama 6. Transkripsiyon yönü. Ekzonlar (kodlama bölgeleri) Transkripsiyon. Sonlandırıcı kodon başlangıcı

Uygulama 6. Transkripsiyon yönü. Ekzonlar (kodlama bölgeleri) Transkripsiyon. Sonlandırıcı kodon başlangıcı Uygulama 6 DNA Dizilerinde Bazı Đstatistiksel Analizler DNA molekülleri nükleotidlerin uzun birer dizileridir. Dizilenmiş bir DNA molekülüne A,C,G,T harflerinin oluşturduğu bir kelimelik uzun bir yazı

Detaylı

Doğal Dil İşlemede Eğilimler. Önceden: Yapay Zeka Tabanlı, tam olarak anlama. Şimdiki: Külliyat(Corpus)-tabanlı, İstatistiki, makine öğrenmesi içeren

Doğal Dil İşlemede Eğilimler. Önceden: Yapay Zeka Tabanlı, tam olarak anlama. Şimdiki: Külliyat(Corpus)-tabanlı, İstatistiki, makine öğrenmesi içeren Doğal Dil İşlemede Eğilimler Önceden: Yapay Zeka Tabanlı, tam olarak anlama Şimdiki: Külliyat(Corpus)-tabanlı, İstatistiki, makine öğrenmesi içeren Akış Makine Öğrenmesi nedir? Günlük Hayatımızdaki Uygulamaları

Detaylı

TEK BOYUTLU RASSAL DEĞİŞKENLER

TEK BOYUTLU RASSAL DEĞİŞKENLER TEK BOYUTLU RASSAL DEĞİŞKENLER Rassal değişken: S örnek uzayının her bir basit olayını yalnız bir gerçel değere dönüştüren fonksiyonuna rassal (tesadüfi) değişken denir. İki para birlikte atıldığında üste

Detaylı

SAYISAL MODÜLASYON TANIMA SİSTEMLERİ İÇİN BAYES KARAR KURALLARI SINIFLANDIRICISININ KULLANIMI

SAYISAL MODÜLASYON TANIMA SİSTEMLERİ İÇİN BAYES KARAR KURALLARI SINIFLANDIRICISININ KULLANIMI ISSN:306-3 e-journal of New World Sciences Academy 008, Volume: 3, Number: Article Number: A0056 NATURAL AND APPLIED SCIENCES ELECTRONIC AND COMPUTER ENGINEERING Received: July 007 Accepted: December 007

Detaylı

BKİ farkı Standart Sapması (kg/m 2 ) A B BKİ farkı Ortalaması (kg/m 2 )

BKİ farkı Standart Sapması (kg/m 2 ) A B BKİ farkı Ortalaması (kg/m 2 ) 4. SUNUM 1 Gözlem ya da deneme sonucu elde edilmiş sonuçların, rastlantıya bağlı olup olmadığının incelenmesinde kullanılan istatistiksel yöntemlere HİPOTEZ TESTLERİ denir. Sonuçların rastlantıya bağlı

Detaylı

UA Teknikleri Kullanılarak Taşkın Alanlarının Belirlenmesi ve Bölgesel Taşkın Frekans Analizinin Batı Karadeniz Bölgesinde Uygulanması

UA Teknikleri Kullanılarak Taşkın Alanlarının Belirlenmesi ve Bölgesel Taşkın Frekans Analizinin Batı Karadeniz Bölgesinde Uygulanması UA Teknikleri Kullanılarak Taşkın Alanlarının Belirlenmesi ve Bölgesel Taşkın Frekans Analizinin Batı Karadeniz Bölgesinde Uygulanması Prof. Dr. A. Ünal Şorman Orta Doğu Teknik Üniversitesi, Đnşaat Mühendisliği

Detaylı