MEH535 Örüntü Tanıma

Save this PDF as:
 WORD  PNG  TXT  JPG

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "MEH535 Örüntü Tanıma"

Transkript

1 MEH535 Örüntü Tanıma 3. Denetimli Öğrenme Doç.Dr. M. Kemal GÜLLÜ Elektronik ve Haberleşme Mühendisliği Bölümü web: E-posta:

2 Örneklerden Sınıf Öğrenme Aile arabası sınıfı C Tahmin: x aracı aile arabası mıdır? Bilgi çıkartımı: İnsanlar aile arabasından ne bekler? Çıkış: Pozitif (+) ya da negatif (-) örnekler Giriş: Öznitelikler: x 1 : price, x 2 : engine power - - 2

3 Eğitim Kümesi X x = { 'T it r,?, N : is.mg,, rt *t t our. nek t.ir#netiketi*=tm = { 1, you 7 ek, x my a srrek tif Lecture Notes for E Alpaydın 2004 Introduction to Machine Learning The MIT Press (V1.1) 3

4 4 Sınıf C ( price Bs Epz ) AND ( e, Eeypow. ed Lecture Notes for E Alpaydın 2004 Introduction to Machine Learning The MIT Press (V1.1) 4

5 Hipotez Sınıfı H Hipotez sınıfı H : olası tüm dikdörtgenler kümesi alalım hay = fl ; x ' I porikf! shift and in rise 4 nyakf inpteuwn Gerçek sınıf hats 1 : Ethbettylkixtttr 'T v u Lecture Notes for E Alpaydın 2004 Introduction to Machine Learning The MIT Press (V1.1) 5

6 S, G ve Versiyon Uzayı enohellnpotet A He engenders potet the ) Lecture Notes for E Alpaydın 2004 Introduction to Machine Learning The MIT Press (V1.1) egihn wish de ( K srnk Kines in4 hs ; le ha anasmdnhi Lnhpetnhr s hath vows vast. B n aahfavesjen may for. term 6

7 . X, Xz 7. Y, Y ] Ty 7536 Tt ) oy,.1dyyh1d 8,#88##, O bin ; EX - OR mantkalislemswionyruelsh 7784

8 N nokta 2 N ayrı yolla +/- olarak etiketlenebilir 2 N farklı öğrenme problemi N örnekle tanımlanan bir öğrenme problemi, H dan çizilen bir hipotezi ile hatasız öğrenilebilir H ile ayrılabilen en fazla nokta sayısı Vapnik- Chervonenkis (VC) boyutu olarak adlandırılır ve VC(H) ile gösterilir H hipotez sınıfının (sınıflandırma modelinin) kapasitesini ölçer Vapnik-Chervonenkis Boyutu Lecture Notes for E Alpaydın 2004 Introduction to Machine Learning The MIT Press (V1.1) HEEEB VC(H ) = N 7

9 Özetle; Soru: Öğrenme algoritması kaç örneğe ihtiyaç duyar? Yanıt: VC(H) Vapnik-Chervonenkis Boyutu X örnek uzayı üzerinde tanımlı H hipotez uzayı tarafından parçalanmış en büyük örnek alt kümesinin büyüklüğüdür. Lecture Notes for E Alpaydın 2004 Introduction to Machine Learning The MIT Press (V1.1) 8

10 Gürültü ve Model Karmaşıklığı Basit yapıyı kullan: Kolay kullanım (düşük hesapsal karmaşıklık) Eğitimi kolay (düşük uzay karmaşıklığı) Açıklama kolay (daha yorumlanabilir yapı) Genelleme iyi (düşük değişinti) gbasiidd Yµ birdnfffe Lecture Notes for E Alpaydın 2004 Introduction to Machine Learning The MIT Press (V1.1) 9

11 Çoklu Sınıf Durumu X { x,r } t t N t 1 r t i t 1 if x i t 0 if x j, j i Hipotez eğit h i (x), i =1,...,K: h i x t t 1 eger x i t 0 eger x j, j i Lecture Notes for E Alpaydın 2004 Introduction to Machine Learning The MIT Press (V1.1) 10

12 X={ut,rt} µ Bağlanım Zdeeceoler model ; T(Ht=w(x4+went+w. RTER te rt=fkt)+e y opeeo * Hsbc )=tn{frtjcxtf Eke, y=antb - At,wo1k)=µt{,( rt.w.nt.w.lt dotnfdllemmdfljsndnkihatn Lecture Notes for E Alpaydın 2004 Introduction to Machine Learning The MIT Press (V1.1) gcxitwnnttwo 11

13 Model Seçimi ve Genelleştirme Öğrenme kötü konumlanmış (ill-posed) bir problemdir Veri tek çözüm için uygun değildir Aynı veri ile eğitim ve test modeli nasıl genelleyebilir? Genelleştirme: Model yeni veride ne ölçüde performans gösterecektir? Aşırı uydurma (Overfitting): Hipotez karmaşıklığı fazla Az uydurma (Underfitting): Hipotez karmaşıklığı yetersiz 12

14 Model Seçimi ve Genelleştirme Üçlü Ödünleşim (Dietterich, 2003): H ın karmaşıklığı: c(h) Eğitim kümesi miktarı: N Yeni verideki genelleme hatası: E I. 2. N 4 : Et, ( N biigidiihaemoetl yersek Lafhhme zakleyir ) C ( N ) In ; inalihle Et, savasmdr ET 13

15 Model Seçimi ve Genelleştirme 14

16 Model Karmaşıklığı? Çapraz Geçerleme Çapraz Geçerleme (Cross Validation) Eğitim Veri Kümesi: Eğitim Kümesi Geçerleme Kümesi ottwiie (Training Set) (Validation Set) - model eniyi model kamaahhginin parametresimy tespitilo 'T tespili 15

17 ' Çapraz Geçerleme - ti = Hata (E) eğitim hatası = : karmaşıklık nnsigeekndendaha obhusigerhnder Lahs basil - old kvhehhno del AZUYDURMA ) ATIRIUYDUKMA ( Unowfifthf ) ( Owfthy ) olhesigerekn hold karhatlhhjs 16

18 Çapraz Geçerleme Seçilen model geçerleme aşamasında iyi çalışabilir Bulunan modelin test aşamasında çalışma başarımı? Holdout yöntemi (2-fold cross validation) Eğitim Kümesi (Training Set) Geçerleme Kümesi (Validation Set) Test Kümesi (Test Set) Testte başarım düşük ise (genelleme hatası yüksek) eğitim kümesi yetersiz olabilir 17

19 Genelleme hatasını kestirmek için örneğin: Eğitim kümesi (%50) Geçerleme kümesi (%25) Test kümesi (%25) seçilebilir Çapraz Geçerleme Eğer veri kümesindeki örnek sayısı az ise, istenen başarım için rastgele yeniden örnekleme yapılabilir (repeated hold-out) 18

20 Çapraz Geçerleme K-Kat (K-Fold) Çapraz Geçerleme: Tüm veriler eğitim ve testte kullanılır K kez eğitim gerekir 19

21 Çapraz Geçerleme İç İçe (Nested) Çapraz Geçerleme: 20

22 Çapraz Geçerleme Birini Dışarıda Bırak (Leave-One Out) Çapraz Geçerleme: N örnekli veri için N ayrı eğitim yapılır Rastgelelik yoktur Hesapsal yük fazladır 21

23 Çapraz Geçerleme Önyükleme (Bootstrapping) Çapraz Geçerleme: K ayrı eğitim gerçekleştirilir Her eğitim verisinden test örnekleri alınır ve yerleri yeniden örnekleme ile geriye kalan veri kümesinden doldurulur (N örnekli) 22

24 Kayp Model Denetimli Öğrenme 1. Jllilenr ; f ( xlol 2. : lelirhnr fonksiyomim )= < Elope ( rt glxtlol ), 3. En iyikme pnseohini : f* = argmign EHIX ) Lecture Notes for E Alpaydın 2004 Introduction to Machine Learning The MIT Press (V1.1) 23

MEH535 Örüntü Tanıma. Örneklerden Sınıf Öğrenme

MEH535 Örüntü Tanıma. Örneklerden Sınıf Öğrenme MEH535 Örünü Tanıma 3. Deneimli Öğrenme Doç.Dr. M. Kemal GÜLLÜ Elekronik ve Haberleşme Mühendisliği Bölümü web: hp://akademikpersonel.kocaeli.edu.r/kemalg/ E-posa: kemalg@kocaeli.edu.r Örneklerden Sınıf

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

Kolektif Öğrenme Metotları

Kolektif 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

Detaylı

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

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

Detaylı

MEH535 Örüntü Tanıma. 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

MUTLAK DEĞER Test -1

MUTLAK DEĞER Test -1 MUTLAK DEĞER Test -. < x < olduğuna göre, x x ifadesinin eşiti aşağıdakilerden 7 B) 7 x C) x 7 D) x 7 E) 7 x 5. y < 0 < x olduğuna göre, y x x y x y ifadesinin eşiti aşağıdakilerden xy B) xy C) xy D) xy

Detaylı

MEH535 Örüntü Tanıma

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

Detaylı

Zeki Optimizasyon Teknikleri

Zeki Optimizasyon Teknikleri Zeki Optimizasyon Teknikleri Ara sınav - 25% Ödev (Haftalık) - 10% Ödev Sunumu (Haftalık) - 5% Final (Proje Sunumu) - 60% - Dönem sonuna kadar bir optimizasyon tekniğiyle uygulama geliştirilecek (Örn:

Detaylı

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

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

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

Detaylı

8.Konu Vektör uzayları, Alt Uzaylar

8.Konu Vektör uzayları, Alt Uzaylar 8.Konu Vektör uzayları, Alt Uzaylar 8.1. Düzlemde vektörler Düzlemdeki her noktası ile reel sayılardan oluşan ikilisini eşleştirebiliriz. Buna P noktanın koordinatları denir. y-ekseni P x y O dan P ye

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

Şimdi de [ ] vektörünün ile gösterilen boyu veya büyüklüğü Pisagor. teoreminini iki kere kullanarak

Şimdi de [ ] vektörünün ile gösterilen boyu veya büyüklüğü Pisagor. teoreminini iki kere kullanarak 10.Konu İç çarpım uzayları ve özellikleri 10.1. ve üzerinde uzunluk de [ ] vektörünün ile gösterilen boyu veya büyüklüğü Pisagor teoreminden dir. 1.Ö.: [ ] ise ( ) ( ) ve ( ) noktaları gözönüne alalım.

Detaylı

SORU 1: En az iki elemana sahip bir X kümesi ile bunun P (X) kuvvet. kümesi veriliyor. P (X) üzerinde 0 ; A = 1 ; A

SORU 1: En az iki elemana sahip bir X kümesi ile bunun P (X) kuvvet. kümesi veriliyor. P (X) üzerinde 0 ; A = 1 ; A 2.2 Ölçüler SORU 1: En az iki elemana sahip bir X kümesi ile bunun P (X kuvvet kümesi veriliyor. P (X üzerinde 0 ; A (A : 1 ; A şeklinde tanımlanan dönüşümü ölçü müdür? ÇÖZÜM 1: (i Tanımdan ( 0. (ii A

Detaylı

YÖNEYLEM ARAŞTIRMASI - III

YÖNEYLEM ARAŞTIRMASI - III YÖNEYLEM ARAŞTIRMASI - III Prof. Dr. Cemalettin KUBAT Yrd. Doç. Dr. Özer UYGUN İçerik Quadratic Programming Bir karesel programlama modeli aşağıdaki gibi tanımlanır. Amaç fonksiyonu: Maks.(veya Min.) z

Detaylı

Web Madenciliği (Web Mining)

Web Madenciliği (Web Mining) Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimsiz Öğrenmenin Temelleri Kümeleme Uzaklık Fonksiyonları Öklid Uzaklığı Manhattan

Detaylı

Konular VERİ MADENCİLİĞİ. Örnek Tabanlı Yöntemler. En Yakın Komşu Sınıflandırıcı. En Yakın Komşu Yöntemi. Farklı Sınıflandırma Yöntemleri

Konular VERİ MADENCİLİĞİ. Örnek Tabanlı Yöntemler. En Yakın Komşu Sınıflandırıcı. En Yakın Komşu Yöntemi. Farklı Sınıflandırma Yöntemleri VERİ MADENCİLİĞİ Farklı Sınıflandırma Yöntemleri Yrd. Doç. Dr. Şule Gündüz Öğüdücü Örnek tabanlı yöntemler ken Yakın Komşu Yöntemi Genetik Algoritmalar Karar Destek Makinaları Bulanık Küme Sınıflandırıcılar

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

Leyla Bugay Doktora Nisan, 2011

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

Detaylı

Konular VERİ MADENCİLİĞİ. Örnek Tabanlı Yöntemler. En Yakın Komşu Sınıflandırıcı. En Yakın Komşu Yöntemi. Farklı Sınıflandırma Yöntemleri

Konular VERİ MADENCİLİĞİ. Örnek Tabanlı Yöntemler. En Yakın Komşu Sınıflandırıcı. En Yakın Komşu Yöntemi. Farklı Sınıflandırma Yöntemleri Konular VERİ MADENCİLİĞİ Farklı Sınıflandırma Yöntemleri Yrd. Doç. Dr. Şule Gündüz Öğüdücü Örnek tabanlı yöntemler ken Yakın Komşu Yöntemi Genetik Algoritmalar Bulanık Küme Sınıflandırıcılar Öngörü Eğri

Detaylı

MEH535 Örüntü Tanıma

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

Detaylı

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

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

Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Şekil Tanıma Final Projesi. Selçuk BAŞAK 08501008

Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Şekil Tanıma Final Projesi. Selçuk BAŞAK 08501008 Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü Şekil Tanıma Final Projesi Selçuk BAŞAK 08501008 Not: Ödevi hazırlamak için geliştirdiğim uygulama ve kaynak kodları ektedir.

Detaylı

Küme temel olarak belli nesnelerin ya da elamanların bir araya gelmesi ile oluşur

Küme temel olarak belli nesnelerin ya da elamanların bir araya gelmesi ile oluşur Kümeler Kümeler ve küme işlemleri olasılığın temellerini oluşturmak için çok önemlidir Küme temel olarak belli nesnelerin ya da elamanların bir araya gelmesi ile oluşur Sonlu sayıda, sonsuz sayıda, kesikli

Detaylı

İSTATİSTİKSEL TAHMİNLEME. Örneklem istatistiklerinden hareketle ana kütle parametreleri hakkında genelleme yapmaya istatistiksel tahminleme denir.

İSTATİSTİKSEL TAHMİNLEME. Örneklem istatistiklerinden hareketle ana kütle parametreleri hakkında genelleme yapmaya istatistiksel tahminleme denir. İSTATİSTİKSEL TAHMİNLEME Örneklem istatistiklerinden hareketle ana kütle parametreleri hakkında genelleme yapmaya istatistiksel tahminleme denir. 1 ŞEKİL: Evren uzay-örneklem uzay İstatistiksel tahmin

Detaylı

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

REGRESYON ANALİZİ VE UYGULAMA. Yrd. Doç. Dr. Hidayet Takcı REGRESYON ANALİZİ VE UYGULAMA Yrd. Doç. Dr. Hidayet Takcı htakci@cumhuriyet.edu.tr Sunum içeriği Bu sunumda; Lojistik regresyon konu anlatımı Basit doğrusal regresyon problem çözümleme Excel yardımıyla

Detaylı

Şartlı Olasılık. Pr[A A ] Pr A A Pr[A ] Bir olayın (A 1 ) olma olsılığı, başka bir olayın (A 2 ) gerçekleştiğinin bilinmesine bağlıysa;

Şartlı Olasılık. Pr[A A ] Pr A A Pr[A ] Bir olayın (A 1 ) olma olsılığı, başka bir olayın (A 2 ) gerçekleştiğinin bilinmesine bağlıysa; Şartlı Olasılık Bir olayın (A ) olma olsılığı, başka bir olayın (A 2 ) gerçekleştiğinin bilinmesine bağlıysa; Pr[A A 2 Pr A A Pr A A = Pr[A A 2 2 2 Pr[A Pr[A 2 2 A A 2 S Pr[A A 2 A 2 verildiğinde (gerçekleştiğinde)

Detaylı

Lineer Dönüşümler ÜNİTE. Amaçlar. İçindekiler. Yazar Öğr. Grv.Dr. Nevin ORHUN

Lineer Dönüşümler ÜNİTE. Amaçlar. İçindekiler. Yazar Öğr. Grv.Dr. Nevin ORHUN Lineer Dönüşümler Yazar Öğr. Grv.Dr. Nevin ORHUN ÜNİTE 7 Amaçlar Bu üniteyi çalıştıktan sonra; Vektör uzayları arasında tanımlanan belli fonksiyonları tanıyacak, özelliklerini öğrenecek, Bir dönüşümün,

Detaylı

Makine Öğrenmesi (COMPE 565) Ders Detayları

Makine Öğrenmesi (COMPE 565) Ders Detayları Makine Öğrenmesi (COMPE 565) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Uygulama Laboratuar Kredi AKTS Saati Saati Saati Makine Öğrenmesi COMPE 565 Her İkisi 3 0 0 3 7.5 Ön Koşul Ders(ler)i Dersin Dili

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

EŞİTSİZLİKLER. 5. x 2 + 4x + 4 > x 2 0. eşitsizliğinin çözüm kümesi. eşitsizliğinin çözüm kümesi. aşağıdakilerden hangisidir?

EŞİTSİZLİKLER. 5. x 2 + 4x + 4 > x 2 0. eşitsizliğinin çözüm kümesi. eşitsizliğinin çözüm kümesi. aşağıdakilerden hangisidir? 1. 36 x A) [- 6, ] B) [- 6, 6 ] C) [, 36] D) [, 36 ] E) [- 36, ] 5. x + 4x + 4 > A) (, ) B) - } C) D) R E) R - {- } 6. x + 8x + 16. x x 8 < aşağıdalerden hangisidir? A) (- 4, ) B) (-, ) C) (- 4, ) A) {

Detaylı

İçindekiler. Ön Söz... xiii

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

Detaylı

MIT Açık Ders Malzemeleri Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında bilgi almak için

MIT Açık Ders Malzemeleri  Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında bilgi almak için MIT Açık Ders Malzemeleri http://ocw.mit.edu Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında bilgi almak için http://ocw.mit.edu/terms veya http://www.acikders.org.tr adresini ziyaret

Detaylı

MIT OpenCourseWare http://ocw.mit.edu. 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

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

Detaylı

1. GİRİŞ Kılavuzun amacı. Bu bölümde;

1. GİRİŞ Kılavuzun amacı. Bu bölümde; 1. GİRİŞ Bu bölümde; Kılavuzun amacı EViews Yardım EViews Temelleri ve Nesneleri EViews ta Matematiksel İfadeler EViews Ana Ekranındaki Alanlar 1.1. Kılavuzun amacı Ekonometri A. H. Studenmund tarafından

Detaylı

Ortak Akıl MATEMATİK DENEME SINAVI

Ortak Akıl MATEMATİK DENEME SINAVI Ortak Akıl LYS MATEMATİK DENEME SINAVI 0505- Ortak Akıl Adem ÇİL Ali Can GÜLLÜ Ayhan YANAĞLIBAŞ Barbaros GÜR Barış DEMİR Celal İŞBİLİR Deniz KARADAĞ Engin POLAT Erhan ERDOĞAN Ersin KESEN Fatih TÜRKMEN

Detaylı

İleri Diferansiyel Denklemler

İleri Diferansiyel Denklemler MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferansiyel Denklemler 2009 Bahar Bu bilgilere atıfta bulunmak veya kullanım koşulları hakkında bilgi için http://ocw.mit.edu/terms web sitesini ziyaret

Detaylı

ÖĞRENME ALANI TEMEL MATEMATİK BÖLÜM TÜREV. ALT ÖĞRENME ALANLARI 1) Türev 2) Türev Uygulamaları TÜREV

ÖĞRENME ALANI TEMEL MATEMATİK BÖLÜM TÜREV. ALT ÖĞRENME ALANLARI 1) Türev 2) Türev Uygulamaları TÜREV - 1 - ÖĞRENME ALANI TEMEL MATEMATİK BÖLÜM TÜREV ALT ÖĞRENME ALANLARI 1) Türev 2) Türev Uygulamaları TÜREV Kazanım 1 : Türev Kavramını fiziksel ve geometrik uygulamalar yardımıyla açıklar, türevin tanımını

Detaylı

Cebir Notları. Gökhan DEMĐR, ÖRNEK : A ve A x A nın bir alt kümesinden A ya her fonksiyona

Cebir Notları. Gökhan DEMĐR, ÖRNEK : A ve A x A nın bir alt kümesinden A ya her fonksiyona , 2006 MC Cebir Notları Gökhan DEMĐR, gdemir23@yahoo.com.tr Đşlem ĐŞLEM A ve A x A nın bir alt kümesinden A ya her fonksiyona ikili işlem denir. Örneğin toplama, çıkarma, çarpma birer işlemdir. Đşlemler

Detaylı

13.Konu Reel sayılar

13.Konu Reel sayılar 13.Konu Reel sayılar 1. Temel dizi 2. Temel dizilerde toplama ve çarpma 3. Reel sayılar kümesi 4. Reel sayılar kümesinde toplama ve çarpma 5. Reel sayılar kümesinde sıralama 6. Reel sayılar kümesinin tamlık

Detaylı

Üç Boyutlu Uzayda Koordinat sistemi

Üç Boyutlu Uzayda Koordinat sistemi Üç Boyutlu Uzayda Koordinat sistemi Uzayda bir noktayı ifade edebilmek için ilk önce O noktasını (başlangıç noktası) ve bu noktadan geçen ve birbirine dik olan üç yönlü doğruyu seçerek sabitlememiz gerekir.

Detaylı

Örnek...3 : Aşağıdaki ifadelerden hangileri bir dizinin genel terim i olabilir?

Örnek...3 : Aşağıdaki ifadelerden hangileri bir dizinin genel terim i olabilir? DİZİLER Tanım kümesi pozitif tam sayılar kümesi olan her fonksiyona dizi denir. Örneğin f : Z + R, f (n )=n 2 ifadesi bir dizi belirtir. Diziler, değer kümelerine göre adlandırı - lırlar. Dizinin değer

Detaylı

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

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

Detaylı

KESİKLİ DÜZGÜN DAĞILIM

KESİKLİ DÜZGÜN DAĞILIM KESİKLİ DÜZGÜN DAĞILIM Eğer X kesikli rassal değişkeninin alabileceği değerler (,,..., ) eşit olasılığa sahip ise, kesikli düzgün dağılım söz konusudur. p(x) =, X=,,..., şeklinde gösterilir. Bir kutuda

Detaylı

İÇİNDEKİLER. BÖLÜM 1 Değişkenler ve Grafikler 1. BÖLÜM 2 Frekans Dağılımları 37

İÇİNDEKİLER. BÖLÜM 1 Değişkenler ve Grafikler 1. BÖLÜM 2 Frekans Dağılımları 37 İÇİNDEKİLER BÖLÜM 1 Değişkenler ve Grafikler 1 İstatistik 1 Yığın ve Örnek; Tümevarımcı ve Betimleyici İstatistik 1 Değişkenler: Kesikli ve Sürekli 1 Verilerin Yuvarlanması Bilimsel Gösterim Anlamlı Rakamlar

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

14.Konu Reel sayılarının topolojisi. 1.Tanım:, verilsin. açık aralığına noktasının -komşuluğu denir. { } kümesine nın delinmiş -komşuluğu denir.

14.Konu Reel sayılarının topolojisi. 1.Tanım:, verilsin. açık aralığına noktasının -komşuluğu denir. { } kümesine nın delinmiş -komşuluğu denir. 14.Konu Reel sayılarının topolojisi 1.Teorem: cismi tamdır. 1.Tanım:, verilsin. açık aralığına noktasının -komşuluğu denir. { } kümesine nın delinmiş -komşuluğu denir. 2.Tanım: ve verilsin. nın her komşuluğunda

Detaylı

Fen ve Anadolu Liselerine Öğretmen Seçme Sınav Denemesi

Fen ve Anadolu Liselerine Öğretmen Seçme Sınav Denemesi EN LİSELERİ, SOSYL İLİMLER LİSELERİ,SPOR LİSELERİ,NDOLU LİSELERİ ÖĞRETMENLERİNİN SEÇME SINVIN HZIRLIK DENEME SINVI. 2 HZIRLYN : İ:K(2008) idensu@gmail.com kuscuogluibrahim@gmail.com http://idensu.googlepages.com

Detaylı

ANADOLU ÜNİVERSİTESİ OLASILIĞA GİRİŞ

ANADOLU ÜNİVERSİTESİ OLASILIĞA GİRİŞ ANADOLU ÜNİVERSİTESİ İST 213 OLASILIK DERSİ OLASILIĞA GİRİŞ DOÇ. DR. NİHAL ERGİNEL OLASILIĞA GİRİŞ - Bugün yağmur yağma olasılığı % 75 dir. - X marka bilgisayarın hiç servis gerektirmeden 100000 saat çalışması

Detaylı

10.Konu Tam sayıların inşası

10.Konu Tam sayıların inşası 10.Konu Tam sayıların inşası 1. Tam sayılar kümesi 2. Tam sayılar kümesinde toplama ve çarpma 3. Pozitif ve negatif tam sayılar 4. Tam sayılar kümesinde çıkarma 5. Tam sayılar kümesinde sıralama 6. Bir

Detaylı

EBE-368 Veri Tabanı Yönetim Sistemleri Veri Tabanı Tasarımı

EBE-368 Veri Tabanı Yönetim Sistemleri Veri Tabanı Tasarımı EBE-368 Veri Tabanı Yönetim Sistemleri Veri Tabanı Tasarımı Dr. Dilek Küçük Veri Tabanı Tasarımı Kavramsal Veritabanı Tasarımı Gereksinim analizi adımında edinilen bilgilerle, verinin kısıtlamalarıyla

Detaylı

X ve Y boş olmayan iki küme olsun. İki küme arasında tanımlanmış olan bir bulanık ilişki R, X x Y nin bir bulanık alt kümesidir.

X ve Y boş olmayan iki küme olsun. İki küme arasında tanımlanmış olan bir bulanık ilişki R, X x Y nin bir bulanık alt kümesidir. Bulanık İlişkiler X ve Y boş olmayan iki küme olsun. İki küme arasında tanımlanmış olan bir bulanık ilişki R, X x Y nin bir bulanık alt kümesidir. R F(X x Y) Eğer X = Y ise R bir ikilik (binary) bulanık

Detaylı

14. LİSELERARASI MATEMATİK YARIŞMASI EKİP FİNAL SORULARI

14. LİSELERARASI MATEMATİK YARIŞMASI EKİP FİNAL SORULARI 14. LİSELERARASI MATEMATİK YARIŞMASI EKİP FİNAL SORULARI - 008 SORU -1 1 0.7 0.1 0.48 = 0.018 0.8 0. eşitliğini sağlayan sayısı kaçtır? [ 0.15] SORU - c d d c a b 4 c d b b a ifadesinin i i sayısal ldeğeri

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

ÜNİTE MATEMATİK-1 İÇİNDEKİLER HEDEFLER ÜSTEL VE LOGARİTMA FONKSİYONLARI. Prof.Dr.Ahmet KÜÇÜK. Üstel Fonksiyon Logaritma Fonksiyonu

ÜNİTE MATEMATİK-1 İÇİNDEKİLER HEDEFLER ÜSTEL VE LOGARİTMA FONKSİYONLARI. Prof.Dr.Ahmet KÜÇÜK. Üstel Fonksiyon Logaritma Fonksiyonu HEDEFLER İÇİNDEKİLER ÜSTEL VE LOGARİTMA FONKSİYONLARI Üstel Fonksiyon Logaritma Fonksiyonu MATEMATİK-1 Prof.Dr.Ahmet KÜÇÜK Bu ünite çalışıldıktan sonra, Üstel fonksiyonun tanımı öğrenilecek Üstel fonksiyonun

Detaylı

Bu bölümde cebirsel yapıların temelini oluşturan Grup ve özelliklerini inceleyeceğiz.

Bu bölümde cebirsel yapıların temelini oluşturan Grup ve özelliklerini inceleyeceğiz. 1 BİR İŞLEMLİ SİSTEMLER Bu bölümde cebirsel yapıların temelini oluşturan Grup ve özelliklerini inceleyeceğiz. 1.1 İŞLEMLER Bir kümeden kendisine tanımlı olan her fonksiyona birli işlem denir. Örneğin Z

Detaylı

7. BÖLÜM İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI .= 1 1 + + Genel: Vektörler bölümünde vektörel iç çarpım;

7. BÖLÜM İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI .= 1 1 + + Genel: Vektörler bölümünde vektörel iç çarpım; İÇ ÇARPIM UZAYLARI 7. BÖLÜM İÇ ÇARPIM UZAYLARI Genel: Vektörler bölümünde vektörel iç çarpım;.= 1 1 + + Açıklanmış ve bu konu uzunluk ve uzaklık kavramlarını açıklamak için kullanılmıştır. Bu bölümde öklit

Detaylı

Ankara Üniversitesi Kütüphane ve Dokümantasyon Daire Başkanlığı Açık Ders Malzemeleri. Ders izlence Formu

Ankara Üniversitesi Kütüphane ve Dokümantasyon Daire Başkanlığı Açık Ders Malzemeleri. Ders izlence Formu Ankara Üniversitesi Kütüphane ve Dokümantasyon Daire Başkanlığı Açık Ders Malzemeleri Ders izlence Formu Dersin Kodu ve İsmi Dersin Sorumlusu Dersin Düzeyi MAT407 REEL ANALİZ Prof. Dr. Ertan İBİKLİ ve

Detaylı

DOKUZ EYLÜL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRLÜĞÜ DERS/MODÜL/BLOK TANITIM FORMU. Dersin Kodu: CSE 6003

DOKUZ EYLÜL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRLÜĞÜ DERS/MODÜL/BLOK TANITIM FORMU. Dersin Kodu: CSE 6003 Dersi Veren Birim: Fen Bilimleri Enstitüsü Dersin Türkçe Adı: Makina Öğrenmesi ve Akıl Yürütme Dersin Orjinal Adı: Machine Learning and Reasoning Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora)

Detaylı

(a,b) şeklindeki ifadelere sıralı ikili denir. Burada a'ya 1. bileşen b'ye 2. bileşen denir.

(a,b) şeklindeki ifadelere sıralı ikili denir. Burada a'ya 1. bileşen b'ye 2. bileşen denir. BĞANTI - FONKSİYON 1. Sıralı İkili : (a,b) şeklindeki ifadelere sıralı ikili denir. Burada a'ya 1. bileşen b'ye 2. bileşen denir.! (x 1,x 2, x 3,x 4,...x n ) : sıralı n li denir. Örnek, (a,b,c) : sıralı

Detaylı

DEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Cilt: 16 Sayı: 48 sh Eylül 2014

DEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Cilt: 16 Sayı: 48 sh Eylül 2014 DEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Cilt: 16 Sayı: 48 sh. 76-85 Eylül 2014 ÖRNEK TABANLI SINIFLANDIRICILDA KÜMELEME YÖNTEMİYLE PERFORMANS ARTIRIMI (BOOSTING THE PERFORMANCE OF INSTANCE

Detaylı

ALGORİTMA VE PROGRAMLAMA I

ALGORİTMA VE PROGRAMLAMA I ALGORİTMA VE PROGRAMLAMA I Yrd. Doç. Dr. Deniz KILINÇ deniz.kilinc@cbu.edu.tr YZM 1101 Celal Bayar Üniversitesi Hasan Ferdi Turgutlu Teknoloji Fakültesi Genel Bakış 2 Koşul Karşılaştırma Operatörleri Mantıksal

Detaylı

OLASILIK LASILIK ve İSTATİSTİK Olasılık

OLASILIK LASILIK ve İSTATİSTİK Olasılık 1-1 Click To Edit Master Title Style OLASILIK ve İSTATİSTİK Olasılık Yrd.Doç.Dr Doç.Dr.. Pınar YILDIRIM Okan Üniversitesi Mühendislik ve Mimarlık Fakültesi Bilgisayar Mühendisliği Bölümü 1-2 GİRİŞ Olasılık,

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

Çekişmeli Üretici Ağlar Kullanarak Dış Mekan Görüntülerinin Geçici Niteliklerini Düzenleme

Çekişmeli Üretici Ağlar Kullanarak Dış Mekan Görüntülerinin Geçici Niteliklerini Düzenleme Çekişmeli Üretici Ağlar Kullanarak Dış Mekan Görüntülerinin Geçici Niteliklerini Düzenleme Adjusting Transient Attributes of Outdoor Images using Generative Adversarial Networks Levent Karacan, Aykut Erdem,

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

BİL-142 Bilgisayar Programlama II

BİL-142 Bilgisayar Programlama II BİL-142 Bilgisayar Programlama II (C/C++) Hazırlayan: M.Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Giriş Sınıflar, Nesneler, Fonksiyon ve Veri Üyeleri Sınıf ve Fonksiyon Üyeleri

Detaylı

18.034 İleri Diferansiyel Denklemler

18.034 İleri Diferansiyel Denklemler MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferansiyel Denklemler 2009 Bahar Bu bilgilere atıfta bulunmak veya kullanım koşulları hakkında bilgi için http://ocw.mit.edu/terms web sitesini ziyaret

Detaylı

BULANIK MANTIK DENETLEYİCİLERİ. Bölüm-4 Bulanık Çıkarım

BULANIK MANTIK DENETLEYİCİLERİ. Bölüm-4 Bulanık Çıkarım BULANIK MANTIK DENETLEYİCİLERİ Bölüm-4 Bulanık Çıkarım 1 Bulanık Çıkarım Bölüm 4 : Hedefleri Bulanık kuralların ve bulanık bilgi tabanlarının nasıl oluşturulacağını anlamak. Gerçekte bulanık muhakeme olan

Detaylı

YAPAY SİNİR AĞLARI. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ

YAPAY SİNİR AĞLARI. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ YAPAY SİNİR AĞLARI Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ İÇERİK Sinir Hücreleri Yapay Sinir Ağları Yapısı Elemanları Çalışması Modelleri Yapılarına Göre Öğrenme Algoritmalarına Göre Avantaj ve

Detaylı

Örnek...3 : Aşağıdaki ifadelerden hangileri bir dizinin genel terim i olabilir? Örnek...4 : Genel terimi w n. Örnek...1 : Örnek...5 : Genel terimi r n

Örnek...3 : Aşağıdaki ifadelerden hangileri bir dizinin genel terim i olabilir? Örnek...4 : Genel terimi w n. Örnek...1 : Örnek...5 : Genel terimi r n DİZİLER Tanım kümesi pozitif tam sayılar kümesi olan her fonksiyona dizi denir. Örneğin f : Z + R, f (n )=n 2 ifadesi bir dizi belirtir. Diziler değer kümelerine göre adlandırılırlar. Dizinin değer kümesi

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

Prof.Dr.Ünal Ufuktepe

Prof.Dr.Ünal Ufuktepe İzmir Ekonomi Üniversitesi, Matematik Bölümü 21 Ocak 2012 KLASİK ANLAMDA TÜREV Fiziğin en temel işlevlerinden biri hareketi tanımlamaktır. Newton ve Leibniz hareketi tanımlama ve tahmin etme konusunda

Detaylı

1.DERECEDEN DENKLEMLER. (Bu belgenin güncellenmiş halini bu adresten indirebilirsiniz)

1.DERECEDEN DENKLEMLER.  (Bu belgenin güncellenmiş halini bu adresten indirebilirsiniz) .DERECEDEN DENKLEMLER Rüstem YILMAZ 546 550 86 48 destek@sinavdestek.com www.sinavdestek.com (Bu belgenin güncellenmiş halini bu adresten indirebilirsiniz) JET Yayınları 8 Ağustos 07 0. Bir Bilinmeyenli

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

Zeki Optimizasyon Teknikleri

Zeki Optimizasyon Teknikleri Zeki Optimizasyon Teknikleri Yapay Sinir Ağları (Artificial Neural Network) Doç.Dr. M. Ali Akcayol Yapay Sinir Ağları Biyolojik sinir sisteminden esinlenerek ortaya çıkmıştır. İnsan beyninin öğrenme, eski

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

Ders 8: Konikler - Doğrularla kesişim

Ders 8: Konikler - Doğrularla kesişim Ders 8: Konikler - Doğrularla kesişim Geçen ders RP 2 de tekil olmayan her koniğin bir dönüşümün ardından tek bir koniğe dönüştüğü sonucuna vardık; o da {[x : y : z x 2 + y 2 z 2 = 0]} idi. Bu derste bu

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

Örnek Bir zar atıldığında zarın üstünde bulunan noktaların sayısı gözlensin. Çift sayı gelmesi olasılığı nedir? n(s) = 3 6 = 1 2

Örnek Bir zar atıldığında zarın üstünde bulunan noktaların sayısı gözlensin. Çift sayı gelmesi olasılığı nedir? n(s) = 3 6 = 1 2 Bir Olayın Olasılığı P(A) = n(a) n(s) = A nın eleman sayısı S nin eleman sayısı Örnek Bir zar atıldığında zarın üstünde bulunan noktaların sayısı gözlensin. Çift sayı gelmesi olasılığı nedir? Çözüm: S

Detaylı

Bilgisayar İşletim Sistemleri BLG 312

Bilgisayar İşletim Sistemleri BLG 312 Giriş Bilgisayar İşletim Sistemleri BLG 312 İplikler geleneksel işletim sistemlerinde her prosesin özel adres uzayı ve tek akış kontrolü vardır bazı durumlarda, aynı adres uzayında birden fazla akış kontrolü

Detaylı

BİNOM AÇILIMI. Binom Açılımı. çözüm. kavrama sorusu. çözüm. kavrama sorusu. ö æ ö æ ö,,

BİNOM AÇILIMI. Binom Açılımı. çözüm. kavrama sorusu. çözüm. kavrama sorusu. ö æ ö æ ö,, BİNOM AÇILIMI Binom Açılımı n doğal sayı olmak üzere, (x+y) n ifadesinin açılımını pascal üçgeni yardımıyla öğrenmiştik. Pascal üçgenindeki katsayılar; (x+y) n ifadesi 1. Sütun: (x+y) n açılımındaki katsayılar

Detaylı

Temel Kavramlar 1 Doğal sayılar: N = {0, 1, 2, 3,.,n, n+1,..} kümesinin her bir elamanına doğal sayı denir ve N ile gösterilir.

Temel Kavramlar 1 Doğal sayılar: N = {0, 1, 2, 3,.,n, n+1,..} kümesinin her bir elamanına doğal sayı denir ve N ile gösterilir. Temel Kavramlar 1 Doğal sayılar: N = {0, 1, 2, 3,.,n, n+1,..} kümesinin her bir elamanına doğal sayı denir ve N ile gösterilir. a) Pozitif doğal sayılar: Sıfır olmayan doğal sayılar kümesine Pozitif Doğal

Detaylı

İlk Yapay Sinir Ağları. Dr. Hidayet Takçı

İlk Yapay Sinir Ağları. Dr. Hidayet Takçı İlk Yapay Sinir Ağları Dr. Hidayet htakci@gmail.com http://htakci.sucati.org Tek katmanlı algılayıcılar (TKA) Perceptrons (Rosenblat) ADALINE/MADALINE (Widrow and Hoff) 2 Perseptron eptronlar Basit bir

Detaylı

PARAMETRİK OLMAYAN İSTATİSTİKSEL TEKNİKLER

PARAMETRİK OLMAYAN İSTATİSTİKSEL TEKNİKLER PARAMETRİK OLMAYAN İSTATİSTİKSEL TEKNİKLER Prof. Dr. Ali ŞEN 1 Tek Örneklem İşaret Testi İşaret Testi parametrik olmayan prosedürler içinde en eski olanıdır. Analiz yapılırken serideki verileri artı ve

Detaylı

TÜBİTAK-BİDEB. Lise Öğretmenleri(Fizik, Kimya, Biyoloji, Matematik) Proje Danışmanlığı Eğitimi Çalıştayı Lise-1(Çalıştay 2011) GRUBU PROJENİN ADI

TÜBİTAK-BİDEB. Lise Öğretmenleri(Fizik, Kimya, Biyoloji, Matematik) Proje Danışmanlığı Eğitimi Çalıştayı Lise-1(Çalıştay 2011) GRUBU PROJENİN ADI TÜBİTAK-BİDEB Lise Öğretmenleri(Fizik, Kimya, Biyoloji, Matematik) Proje Danışmanlığı Eğitimi Çalıştayı Lise-1(Çalıştay 2011) GRUBU PROJENİN ADI PERMÜTASYON FONKSİYONLARDA GÜÇ KAVRAMI ve HESAPLANMASI PROJE

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

SÜREKLİ OLASILIK DAĞILIŞLARI

SÜREKLİ OLASILIK DAĞILIŞLARI SÜREKLİ OLASILIK DAĞILIŞLARI Sürekli verilerin göstermiş olduğu dağılışa sürekli olasılık dağılışı denir. Sürekli olasılık dağılışlarının fonksiyonlarına yoğunluk fonksiyonu denilmekte ve bu dağılışlarla

Detaylı

İleri Algoritma (COMPE 574) Ders Detayları

İleri Algoritma (COMPE 574) Ders Detayları İleri Algoritma (COMPE 574) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS İleri Algoritma COMPE 574 Güz 3 0 0 3 7.5 Ön Koşul Ders(ler)i Dersin Dili Dersin

Detaylı

ISTATISTIK VE OLASILIK SINAVI EKİM 2016 WEB SORULARI

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

Detaylı

LİNEER CEBİR ve MÜHENDİSLİK UYGULAMALARI (MEH111) Dersi Final Sınavı 1.Ö

LİNEER CEBİR ve MÜHENDİSLİK UYGULAMALARI (MEH111) Dersi Final Sınavı 1.Ö LİNEER CEBİR ve MÜHENDİSLİK UYGULAMALARI (MEH) Dersi Final Sınavı.Ö. 02.0.207 Ad Soyad : (25p) 2(25p) 3(25p) 4(25p) Toplam Numara : İmza : Kitap ve notlar kapalıdır. Yalnızca kalem, silgi, sınav kağıdı

Detaylı

18.034 İleri Diferansiyel Denklemler

18.034 İleri Diferansiyel Denklemler MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferansiyel Denklemler 2009 Bahar Bu bilgilere atıfta bulunmak veya kullanım koşulları hakkında bilgi için http://ocw.mit.edu/terms web sitesini ziyaret

Detaylı

Geriye Yayılım ve Levenberg Marquardt Algoritmalarının YSA Eğitimlerindeki Başarımlarının Dinamik Sistemler Üzerindeki Başarımı. Mehmet Ali Çavuşlu

Geriye Yayılım ve Levenberg Marquardt Algoritmalarının YSA Eğitimlerindeki Başarımlarının Dinamik Sistemler Üzerindeki Başarımı. Mehmet Ali Çavuşlu Geriye Yayılım ve Levenberg Marquardt Algoritmalarının YSA Eğitimlerindeki Başarımlarının Dinamik Sistemler Üzerindeki Başarımı Mehmet Ali Çavuşlu Özet Yapay sinir ağlarının eğitiminde genellikle geriye

Detaylı

Rakam : Sayıları yazmaya yarayan sembollere rakam denir.

Rakam : Sayıları yazmaya yarayan sembollere rakam denir. A. SAYILAR Rakam : Sayıları yazmaya yarayan sembollere rakam denir. Sayı : Rakamların çokluk belirten ifadesine sayı denir.abc sayısı a, b, c rakamlarından oluşmuştur.! Her rakam bir sayıdır. Fakat bazı

Detaylı

Olasılığa Giriş Koşullu Olasılık Bayes Kuralı

Olasılığa Giriş Koşullu Olasılık Bayes Kuralı Olasılığa Giriş Koşullu Olasılık Bayes Kuralı Doç. Dr. Ertuğrul ÇOLAK Eskişehir Osmangazi Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı Olasılığa Giriş Bundan önceki bölümlerde veri setini özetleyen,

Detaylı

Veritabanı Tasarımı Ve Yönetimi. Varlık-İlişki Modeli

Veritabanı Tasarımı Ve Yönetimi. Varlık-İlişki Modeli Veritabanı Tasarımı Ve Yönetimi Varlık-İlişki Modeli Veritabanı Tasarım Aşamaları Gereksinim Analizi Kavramsal Tasarım Mantıksal Tasarım İlişkilerin Normalizasyonu Veritabanı Uyarlaması Uygulama Programı

Detaylı

KAHKAHA TANIMA İÇİN RASSAL ORMANLAR

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

Detaylı

İç-Çarpım Uzayları ÜNİTE. Amaçlar. İçindekiler. Yazar Öğr. Grv. Dr. Nevin ORHUN

İç-Çarpım Uzayları ÜNİTE. Amaçlar. İçindekiler. Yazar Öğr. Grv. Dr. Nevin ORHUN İç-Çarpım Uzayları Yazar Öğr. Grv. Dr. Nevin ORHUN ÜNİTE Amaçlar Bu üniteyi çalıştıktan sonra; R n, P n (R), M nxn vektör uzaylarında iç çarpım kavramını tanıyacak ve özelliklerini görmüş olacaksınız.

Detaylı

Büyük Veri ve Endüstri Mühendisliği

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

Detaylı