2.1 Gri Düzey Eş Oluşum Matrisi ( GLCM) Gri düzey eş oluşum matrisi Haralick tarafından öne sürülmüştür [1]. Đstatistiksel doku analizi yöntemidir.
|
|
- Hazan Aykaç
- 8 yıl önce
- İzleme sayısı:
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
DOKU HATALARININ YÜKSEK DERECELĐ ĐSTATĐSTĐKLER KULLANILARAK BELĐRLENMESĐ * Birkan ARAS, Ayşın ERTÜZÜN ve Aytül ERÇĐL 2 Elektrik-Elektronik Mühendisliği Bölümü, 2 Endüstri Mühendisliği Bölümü, Boğaziçi
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),
DetaylıAkış 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
DetaylıK 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
DetaylıKOCAELİ 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,
DetaylıHafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti
Hafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr
DetaylıÖrüntü 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
DetaylıVERİ 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
DetaylıÇok-öbekli Veri için Aradeğerlemeci Ayrışım
Interpolative Decomposition for Data with Multiple Clusters Çok-öbekli Veri için Aradeğerlemeci Ayrışım İsmail Arı, A. Taylan Cemgil, Lale Akarun. Boğaziçi Üniversitesi, Bilgisayar Mühendisliği 25 Nisan
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
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
DetaylıGörüntü 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
DetaylıUzaktan Algılama Teknolojileri
Uzaktan Algılama Teknolojileri Ders 11 Hiperspektral Görüntülerde Kümeleme ve Sınıflandırma Alp Ertürk alp.erturk@kocaeli.edu.tr Sınıflandırma Sınıflandırma işleminin amacı, her piksel vektörüne bir ve
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
DetaylıDers 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
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
DetaylıZahmetsiz 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
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
DetaylıMEH535 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
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
DetaylıGörüntü 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
Detaylıİstatistik 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
DetaylıDİZGE TABANLI BİLEŞEN DENEMELERİNİN TASARIMINDA BEKLENEN DİZGE YAŞAM SÜRESİNİN MODELLENMESİ 1
DİZGE TABANLI BİLEŞEN DENEMELERİNİN TASARIMINDA BEKLENEN DİZGE YAŞAM SÜRESİNİN MODELLENMESİ 1 Emre YAMANGİL Orhan FEYZİOĞLU Süleyman ÖZEKİCİ Galatasaray Üniversitesi Galatasaray Üniversitesi Koç Üniversitesi
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
DetaylıMONTE 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
DetaylıKümeler arası. Küme içi. uzaklıklar. maksimize edilir. minimize edilir
Kümeleme Analizi: Temel Kavramlar ve Algoritmalar Kümeleme Analizi Nedir? Her biri bir dizi öznitelik ile, veri noktalarının bir kümesi ve noktalar arasındaki benzerliği ölçen bir benzerlik ölçümü verilmiş
DetaylıTürkçe 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:
DetaylıDEÜ 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
DetaylıBilgisayarla 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
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
DetaylıVeri 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
DetaylıYZM 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)
DetaylıDOKUZ 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
DetaylıOTOMATİK 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
DetaylıGörüntü 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
DetaylıYıldız 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
DetaylıTMMOB 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
DetaylıÜÇ 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:
DetaylıUzaktan 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
DetaylıPROJE 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
DetaylıRASSAL 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
DetaylıYapılan 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.
DetaylıDOKUZ 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
Detaylı2.1 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...............
Detaylı2015/2016 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
DetaylıPAPATYA 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
DetaylıTÜRKİYE 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
DetaylıVeri 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
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
DetaylıK-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
DetaylıBİL 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,
DetaylıGENELLEŞTİRİLMİŞ 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.
DetaylıAkış 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» Şevki Özçelik (Erkunt Sanayi) 2.Oturum: Kalıp & Maça Teknolojileri Oturum Başkanı: Teoman Altınok (Entil Endüstri) Oturumlarda yer alan sunumlar 27 Ekim
DetaylıHafta 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
DetaylıMakine Öğrenmesi 2. hafta
Makine Öğrenmesi 2. hafta Uzaklığa dayalı gruplandırma K-means kümeleme K-NN sınıflayıcı 1 Uzaklığa dayalı gruplandırma Makine öğrenmesinde amaç birbirine en çok benzeyen veri noktalarını aynı grup içerisinde
DetaylıMEH535 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
DetaylıGÖRÜNTÜ 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
DetaylıBİYOİSTATİSTİK 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
DetaylıMATLAB 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
DetaylıİŞLEM 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
DetaylıGirdi 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
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
DetaylıENM 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
DetaylıKAHRAMANMARAŞ 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
DetaylıHafta 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
DetaylıStokastik 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
DetaylıAyrık 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,
DetaylıVERİ 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
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
DetaylıYer 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
DetaylıISK116 - 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.
DetaylıDOĞU 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,
DetaylıTesadüfi Değişken. w ( )
1 Tesadüfi Değişken Tesadüfi değişkenler gibi büyük harflerle veya gibi yunan harfleri ile bunların aldığı değerler de gibi küçük harflerle gösterilir. Tesadüfi değişkenler kesikli veya sürekli olmak üzere
DetaylıUzaktan 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
Detaylıx 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
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 İçerik Sınıflandırma yöntemleri Karar ağaçları ile sınıflandırma Entropi Kavramı ID3 Algoritması C4.5
DetaylıHAVADAN 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
DetaylıGeçmişten 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,
Detaylı2. 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
DetaylıVeri 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
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
Detaylıİleri 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
DetaylıBÖLÜM 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
DetaylıBÖLÜM13 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
DetaylıBAYES 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
DetaylıKABA 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
DetaylıİSTATİSTİK 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.
DetaylıBAYES 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
DetaylıYaklaşık 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
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
DetaylıFaktöriyel: 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.
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
DetaylıUygulama 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
DetaylıDoğal 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
DetaylıTEK 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
DetaylıSAYISAL 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
DetaylıBKİ 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
DetaylıUA 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