Veri Madenciliğinde Temel Bileşenler Analizi ve Negatifsiz Matris Çarpanlarına Ayırma Tekniklerinin Karşılaştırmalı Analizi

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "Veri Madenciliğinde Temel Bileşenler Analizi ve Negatifsiz Matris Çarpanlarına Ayırma Tekniklerinin Karşılaştırmalı Analizi"

Transkript

1 Akademk Blşm 10 - XII. Akademk Blşm Konferansı Bldrler Şubat 2010 Muğla Ünverstes Ver Madenclğnde Temel Bleşenler Analz ve Negatfsz Matrs Çarpanlarına Ayırma Teknklernn Karşılaştırmalı Analz Marmara Ünverstes, Elektronk-Blgsayar Eğtm Bölümü, İstanbul kazm.yldz@marmara.edu.tr, camurcu@marmara.edu.tr, buketb@marmara.edu.tr Özet: Teknolojnn hızla gelşmes sonucu yüksek boyutlu verler le çalışma zorunluluğu ortaya çıkmıştır. Geleneksel kümeleme algortmaları yüksek boyutlu verler le uygulandığında kümeleme şlemnn sonucu stenldğ gb olmamaktadır. Yüksek boyutlu verler üzernde bu algortmalar yetersz kalmaktadır. Bu yüzden yüksek boyutlu ver setler üzernde etkl olablecek algortmalar gelştrlmel veya ver setler üzernde boyut ndrgeme yoluna gdlmeldr. Bu çalışmada boyut azaltma metotlarından temel bleşen analz ve negatfsz matrs çarpanlarına ayırma metotları geleneksel kümeleme algortmaları le beraber kullanılmakta elde edlen sonuçların karşılaştırılması küme saflık ve ortak blg değerlerne göre yapılmaktadır. Anahtar Sözcükler: Ver Madenclğ, Yüksek Boyutlu Ver, Yüksek Boyutlu Kümeleme A Comperatve Analze of Prncpal Component Analyss and Non-Negatve Matrx Factorzaton Technques n Data Mnng Abstract: As a result of the rapdly developng technology, the necessty of workng wth hgh dmenson datas have turned up. When the classcal clusterng algorthms apply to the hgh dmenson datas, the clusterng result don t be n the way of the desred. These algorthms are nadequate on the hgh dmenson datas. Therefore, some algorthms, whch can be effcent on the hgh dmenson data sets, must be mproved or dmensonal reducton technques on data sets must be chosen. In ths project Prncpal Component Analyss and Non Negatve Matrx Factorzaton that are dmenson reducton technques used wth tradtonal clusterng algorthms and results are compare accordng to purty and mutual nfo. Keywords: Data Mnng, Hgh Dmensonal Data, Hgh Dmensonal Clusterng 1. Grş Teknolojnn hızla gelşmes ve artan ver mktarı nedenyle geleneksel kümeleme algortmaları yüksek boyutlu verler le uygulandığında etksz kalmaktadır. Kümeleme şlem sonucu ntelkl olmamakta ayrıca kümeleme şlem, özellkle yüksek sayıda attrbute (özellk) çeren verlerde, çok uzun süre almaktadır. Elde edlen küme sonuçlarının doğruya yakın olması ve de hızlı sonuç elde etmek çn boyut 207 ndrgeme metotlarının ver madenclğnde kullanılması zorunlu hale gelmştr. Bu çalışmada knc bölümde kısaca kümeleme analznden bahsedlmş, Kmeans ve Fuzzy cmeans algortmaları açıklanmış, boyut ndrgeme metotlarından Temel Bleşen Analz ( PCA- Prncpal Component Analyss) ve Negatfsz Matrs Çarpanlarına Ayırma NNMF-Non Negatve Matrx Factorzaton) hakkında blgler verlmş, üçüncü bölümde se bu çalışmanın MAT-

2 Ver Madenclğnde Temel Bleşenler Analz ve Negatfsz Matrs Çarpanlarına Ayırma Teknklernn Karşılaştırmalı Analz LAB yazılımı le uygulaması gerçekleştrlmştr. Son bölümde se sonuç ve önerler verlmştr. 2. Kümeleme Analz Lteratürde kümeleme analzn açıklayan brçok tanım bulunmaktadır[1,4-8]. En genel tanımıyla kümeleme; heterojen br ver grubunun, küme adı verlen homojen alt gruplara bölümlenmes olarak tanımlanablr [2]. Br küme de brbrlerne benzeyen ama dğer kümelern elemanlarına benzemeyen verlerden oluşan br koleksyondur [3]. 2.1 Kmeans En esk kümeleme algortmalarından olan k-means 1967 yılında J.B. MacQueen tarafından gelştrlmştr [10]. En yaygın kullanılan gözetmsz öğrenme yöntemlernden brdr. K-means n atama mekanzması her vernn sadece br kümeye at olablmesne zn verr [11]. SSE kullanılır. En düşük SSE değerne sahp kümeleme sonucu en y sonucu verr. Nesnelern bulundukları demedn merkez noktalarına olan uzaklıklarının karelernn toplamı aşağıdak formülle hesaplanmaktadır [18,16]. K ( m, x) 2 SSE = dst (1) = 1 x C x : C kümesnde bulunan br nesne, m : C kümesnn merkez noktası Bu krterleme sonucu k tane kümenn olabldğnce yoğun ve brbrnden ayrı sonuçlanması hedeflenmeye çalışılır. Algortma, karesel-hata fonksyonunu azaltacak k parçayı belrlemeye gayret eder [19]. Eşt büyüklükte küresel kümeler bulmaya eğlmldr [22]. K-means algortması n tane nesney k tane kümeye böler. Öncelkle grş parametres olarak k değernn verlmes gerekmektedr. Küme ç benzerlğn yüksek fakat kümeler arası benzerlğn düşük olması amaçlanır. Küme benzerlğ br kümedek nesnelern ortalama değer le ölçülmektedr, bu da kümenn ağırlık merkezdr [1]. K-means algortmasının çalışma mekanzmasına göre öncelkle her br br kümenn merkezn veya ortalamasını temsl etmek üzere k tane nesne seçlr. Kalan dğer nesneler, kümelern ortalama değerlerne olan uzaklıkları dkkate alınarak en benzer oldukları kümelere dahl edlr. Daha sonra, her br kümenn ortalama değer hesaplanarak yen küme merkezler belrlenr ve tekrar nesne-merkez uzaklıkları ncelenr. Şekl 1 de görüldüğü gb kümelerde herhang br değşm olmayıncaya kadar algortma ötelenmeye devam eder. K-means kümeleme yöntemnn değerlendrlmesnde en yaygın olarak karesel hata krter 208 Şekl 1 K-means algortmasının (a) k=2 çn; (b)k=3 çn ötelenş[12]

3 Bu algortmanın avantajları uygulanablrlğnn kolay olması ve büyük ver kümelernde hızlı çalışablmesdr. Büyük ver setlern şlerken nspeten ölçekleneblr ve vermldr. Çünkü algortmanın şlemsel karmaşıklığı O(nkt) dr [1]. n, nesne sayısı, k küme sayısı, t de öteleme sayısıdır. Genelde k<<n ve t<<n olur. K-means algortması, kümeler brbrnden y ayrılmış yoğun noktalardan oluşuyorsa eğer y sonuçlar üretr. Dğer algortmalarında olduğu gb kmeans algortmasının brçok zayıflığı vardır. Kmeans başlangıçta küme sayısının tanımlanmasını gerektren br metottur. Kullanıcının başlangıçta k sayısını belrleme zorunluluğu vardır. Kategorsel özellkler çeren verler gb bazı uygulamalarda gerçekleştrlememektedr. Ayrıca k-means metodu küresel olmayan, yoğunlukları farklı olan ve farklı büyüklüklere sahp kümeler çeren ver kümelern keşfetmede uygun br yöntem değldr [13]. 2.2 Fuzzy Cmeans Fuzzy c-means (FCM) algortması, bulanık bölünmel kümeleme teknklernden en y blnen ve yaygın kullanılan yöntemdr. Fuzzy c-means metodu nesnelern k veya daha fazla kümeye at olablmesne zn verr [14]. Bulanık mantık prensb gereğ her ver, kümelern her brne [0,1] arasında değşen brer üyelk değer le attr. Br vernn tüm sınıflara olan üyelk değerler toplamı 1 olmalıdır. Nesne hang küme merkezne yakın se o kümeye at olma üyelğ dğer kümelere at olma üyelğnden daha büyük olacaktır. Fuzzy c-means algortmasının en öneml özellğ olan üyelk matrsnn kümeleme üzernde olumlu etkler vardır. Bu matrs belrsz durumların tanımlanmasını kolaylaştırır [15]. Ayrıca üyelk dereceler düşük olduğundan sıra dışı verlern etks azdır. Esnek br yapıya sahptr. Örtüşen kümeler bulma kablyet dğer bölünmel algortmalara göre daha fazladır. Akademk Blşm 10 - XII. Akademk Blşm Konferansı Bldrler Şubat 2010 Muğla Ünverstes 209 Yukarıda bahsedlen avantajların yanında fuzzy c-means algortmasının bazı dezavantajları da vardır. Üyelk fonksyonu şlemsel karmaşıklığı arttırdığı çn zaman açından malyetl br bölünmel kümeleme algortmasıdır. Fuzzy c-means algortması da amaç fonksyonu temell br metottur. Algortma, en küçük kareler yöntemnn genellemes olan aşağıdak amaç fonksyonunu öteleyerek mnmze etmek çn çalışır [8,21]. J m = N C m 2 uj x c j = 1 j= 1, 1 m < (2) U üyelk matrs rastgele atanarak algortma başlatılır. İknc adımda se merkez vektörler hesaplanır. Merkezler III.8 dek formüle göre hesaplanır [11, 15, 21]. c N = 1 j = N u = 1 m j u m j x (3) Hesaplanan küme merkezlerne göre U matrs aşağıdak formül kullanılarak yenden hesaplanır. Esk U matrs le yen U matrs karşılaştırılır ve fark ε dan küçük olana kadar şlemler devam eder [11,15,21]. u j = C k = 1 x x 1 c c k 2 ( m 1) (4) Kümeleme şlem sonucunda bulanık değerler çeren U üyelk matrs kümelemenn sonucunu yansıtır. İstenrse, berraklaştırma yapılarak bu değerler yuvarlanıp 0 ve 1 lere dönüştürüleblr. 2.3 Boyut Azaltma İşlem Vernn sahp olduğu boyut sayısı arttıkça, ge-

4 Ver Madenclğnde Temel Bleşenler Analz ve Negatfsz Matrs Çarpanlarına Ayırma Teknklernn Karşılaştırmalı Analz nellkle çok az sayıda boyut doğrudan kümelerle lgl olur ancak lgsz boyutlardak ver, çok fazla gürültüye sebep olablr ve bu da keşfedlecek kümelern gzlenmesne sebep olur [1]. Bundan daha önemls boyut arttıkça, vernn seyrekleşmes sorunudur. Sabt sayıda ver noktasının bulunduğu br ver set boyut sayısı arttıkça üstel artan br bçmde seyrekleşr [9]. Bu yüzden vernn boyutu arttıkça kümeleme şlem zorlaşacağından ve doğru sonucun bulunma htmal azalacağından ver setnn boyutunun azaltılması gerekmektedr. Böylece ver madenclğndek çeştl uygulamalarda boyut azaltma teknklerne htyaç duyulmaktadır Temel Bleşen Analz (PCA-Prncpal Component Analyss) Br dğer adı Karhunen-Loeve metodudur. Türkçes temel bleşenler analz olan PCA, tanıma, sınıflandırma, görüntü sıkıştırma alanlarında kullanılan, br değşkenler setnn varyanskovaryans yapısını, bu değşkenlern doğrusal brleşmler vasıtasıyla açıklayarak, boyut ndrgenmes ve yorumlanmasını sağlayan, çok değşkenl br statstk yöntemdr. Bu yöntemde karşılıklı bağımlılık yapısı gösteren, ölçüm sayısı (n) olan (p) adet değşken; doğrusal, dkey (ortogonal) ve brbrnden bağımsız olma özellklern taşıyan (k) tane yen değşkene dönüştürülmektedr. PCA, verdek gerekl blgler ortaya çıkarmada oldukça etkl br yöntemdr. Yüksek boyutlu verlerdek genel özellkler bularak boyut sayısının azaltılmasını, vernn sıkıştırılmasını sağlar. Boyut azalmasıyla bazı özellklern kaybedleceğ kesndr; fakat amaçlanan, bu kaybolan özellklern ver set hakkında çok az blg çeryor olmasıdır. PCA yöntemnn amacı, vernn çeştllğn daha y yakalayacak yen br boyut takımının bulunmasıdır[7]. İlk boyut, mümkün olduğunca çok çeştlğ gösterecek şeklde seçlr. 2. Boyut, lk boyuta dkey olacak şeklde ve yne mümkün olduğunca çok çeştllğ gösterecek şeklde seçlr. 210 PCA yöntemnn brkaç karakterstk özellğ vardır: Vernn çndek en güçlü örüntüyü bulmaya çalışır. Bu yüzden örüntü bulma teknğ olarak kullanılablr. Çoğunlukla vernn sahp olduğu çeştllk, tüm boyut takımından seçlen küçük br boyut setyle yakalanablr. Böylece PCA kullanarak yapılan boyut küçültme şlemler, daha küçük boyutlu ver setlernn ortaya çıkmasını sağlar ve böylece yüksek boyutlu verlere uygun olmayan teknkler bu yen ver set üzernde rahatça çalışablr. Verdek gürültüler, örüntülerden daha güçsüz olduklarından, boyut küçültme sonucunda bu gürültüler temzleneblr. Bu özellk hem ver madenclğnde hem de dğer ver analz algortmalarında özellkle kullanışlıdır Negatfsz Matrs Çarpanlara Ayırma (NNMF-Non Negatve Matrx Factorzaton) Standart çarpanlarına ayırma metotlarından olan Temel Bleşen Analz (PCA) ver setlernde sıklıkla kullanılmaktadır. Ancak br çok ver set, örneğn görüntü ve metn, orjnal ver set negatf olmayan değerler çermektedr. Bu yüzden kullanılan yöntemlerde negatf değerler oluşmaktadır ve bu vernn yorumlanmasında zorluklar oluşturmaktadır. Non-negatve Matrx Factorzaton[43] (NNMF) yakın zamanda gerçekleştrlen vernn negatf olmayan br şeklde lneer olarak temsl edlmesn sağlayan br teknktr. Bu yöntem ndrgenen boyuttak değerlern negatf ten farklı olmasıyla dğer metotlardan ayrılır. Yan yüksek boyuttan düşük boyuta ndrgenen matrste boyutlarda negatf elemanlar bulunmaz. Bütün heps poztf değerlerdr. Nonnegatvty (Negatfolmayan) matrs çarpanlarına ayırmada faydalı br kısıttır k ver bölümlernn tensl edlmesn öğreneblr [16, 17].

5 Akademk Blşm 10 - XII. Akademk Blşm Konferansı Bldrler Şubat 2010 Muğla Ünverstes NNMF algortması aşağıdak gb formüle edlmektedr. V WH (5) V: Ver matrs W: Karma Matrs H: Şfreleme Matrs kümeleme algortmaları ver setlerne bu şeklde uygulanmıştır. Elde edlen sonuçlar, purty(saflık) ve mutual ınfo (ortak blg) değerler hesaplanarak karşılaştırılmıştır. Tablo 1 de elde edlen sonuçlar verlmektedr. Burada V boyut ndrgenecek matrs, W, ver matrsnn boyut azaltılmışı H matrs se azaltma şlem sırasında her br sütunun şfrelenmş haln temsl etmektedr. Boyut azaltılan matrsler negatf değerler çermez. Elde edlen W ve H matrsler daha düşük boyuttadır ve orjnal matrs V yaklaşık olarak W matrs le H matrsn çarpımına eşttr. NMF; W ve H nn lk değerlern değştrmek çn, ürünün V ye yaklaşması le sonuçlanan tekrarlı br şlem kullanır. Yaklaştırma hatasına yaklaştığında veya bell sayıda br tekrara ulaşıldığında şlem sonlanır. 3. Uygulama Uygulamalar Intel(R) Core(TM) 2 Duo CPU E GHZ 32 bt şletm sstem ve 3 GB RAM sahp blgsayarda gerçekleştrlmştr. Yazılım ortamı olarak MATLAB programı kullanılmıştır. MATLAB terch edlmesnn neden grafksel desteğnn yüksek olması ve uygulanan kümeleme algortmalarının fonksyonlarının MATLAB te bulunmasındandır. Çalışmada ver set olarak rs le vehcle ver setler kullanılmıştır. İrs ver 150 satır 4 sütundan, vehcle ver set se 846 satır 18 sütundan oluşan yüksek boyutlu ver setlerdr. İrs ver setnde 3 farklı sınıf, vehcle ver setnde se 4 farklı sınıf bulunmaktadır. Bu yüzden algortmalar 3 ve 4 küme sayısı çn uygulanmıştır. İlk olarak ver setlerne Kmeans ve Fuzzy Cmeans algortmaları boyut azaltma şlem yapmadan uygulanmıştır. Ardından PCA ve NNMF le boyut azaltma şlem yapılmış ve 211 BOYUT AZALTMADAN PCA le boyut azaltma şlemnden sonra NNMF le boyut azaltma şlmenden sonra Algortmalar Değer İRİS VEHİCLE KMEANS Küme Saflığı Ortak Blg Zaman F-CMEANS Küme Saflığı Ortak Blg Zaman KMEANS Küme Saflığı Ortak Blg Zaman F-CMEANS Küme Saflığı Ortak Blg Zaman KMEANS Küme Saflığı Ortak Blg Zaman F-CMEANS Küme Saflığı Ortak Blg Zaman Tablo 1 Kümeleme Sonuçları İrs ver setne PCA ve NNMF le boyut azaltma şlem yapıldıktan sonra boyut azaltma ş-

6 Ver Madenclğnde Temel Bleşenler Analz ve Negatfsz Matrs Çarpanlarına Ayırma Teknklernn Karşılaştırmalı Analz lem yapmadan elde edlen kümelern saflık ve ortak blg değerler le benzer sonuçlar elde edlmştr. İrs ver setne boyut azaltma şlemnden sonra Fuzzy Cmeans algortması uygulandığında elde edlen sonuçlarda NNMF algortmasının boyut azaltma şlemnde daha etkl olduğu gözlenmştr. Vehcle ver setnde boyut sayısı braz daha arttığı çn Kmeans algortmasının kümeler tespt etmede yetersz kaldığı gözlenmştr. Boyut azaltma şlem yapıldıktan sonra se kümelern saflık değerler çok fazla artmasa da azaltma şlemnden öncek sonuçların benzer daha kısa sürede elde edlmştr. Vehcle ver setne Fuzzy Cmeans algortması uygulandığında algortmanın Kmeans e nazaran daha y çalıştığı gözlenmştr. Boyut azaltma şlemnden sonra se elde edlen sonuçlara göre PCA le elde edlen yen düşük boyutlu ver setnde, Fuzzy Cmeans algortması sonuçları daha doğru ve deale yakın tespt edeblmştr. 4. Sonuç ve Önerler Kmeans ve Fuzzy Cmeans algortmaları le elde edlen sonuçlar üçüncü bölümde verlmştr. Ver setlernde boyut sayısı arttıkça geleneksel algortmaların etks azalmakta ve yapılan uygulamalar çn çok fazla süre gerekmektedr. Bu yüzden ver madenclğnde yüksek boyutlu ver setler ndrgendkten sonra geleneksel kümeleme algortmalarının, elde edlen bu ver setler üzernde daha etkl oldukları gözlenmştr. Yapılan çalışmadak sonuçlara göre PCA(Prncpal Component Analyss, Temel Bleşenler Analz) yüksek boyutlu ver setlernn ndrgenmesnde lgl ve gerekl noktaları boyut azaltma şlem sırasında koruduğundan kümeleme sonuçlarının yen ver set üzernde daha etkl olduğu gözlenmektedr. Böylece algortmalar le yapılan deneylerde büyük ver setler üzernde kümeleme şlem çn çok fazla süre gereksnm, yüksek boyutlu ver setlerndek kümelern doğru br şeklde tespt edlememes gb sorunlar ortadan kaldırılmıştır. Sonuçlara göre Fuzzy Cmeans algortması Kmeans e nazaran kümelemede daha etkl br algortmadır. Boyut azaltma metotları le ver setlernn sahp olduğu özellkler kaybedlmeden doğru ve hızlı sonuçlar üretleblmektedr. Boyut azaltma metotları le çok daha yüksek boyutlu ver setlerndek kümeler boyut azaltma şlemnden sonra geleneksel kümeleme algortmaları le de doğru br şeklde tespt edleblmektedr. Böylece geleneksel kümeleme algortmaları le boyut azaltma teknkler beraber ndrgeme şlemnden sonra ver setlernde etkl br şeklde kullanılablr. Burada yapılan çalışmada geleneksel kümeleme metotlarının yüksek boyutlu ver setlernde uygulaması yapılmış ardından boyut azaltma şlem yapılarak elde edlen sonuçlar le karşılaştırılmıştır. Ver madenclğnde boyut azaltma teknklernn bundan sonrak benzer çalışmalarda da kullanılması mümkündür. 5. Kaynaklar [1] Han, J.; Kamber, M.: Data Mnng Concepts and Technques., MorganKauffmann Publshers Inc.,(Ağustos 2001). [2]. Berry, M., J., A.; Lnoff, G. S.: Data Mnng Technques, Wley Publshng, Inc., Indana, USA, (2004) [3] Larose, D., T.: Dscoverng Knowledge n Data - An Introducton to Data Mnng, John Wley & Sons, Inc., New Jersey, USA, (2005) [4]Karyps,G.;Han,E.H.;Kumar,V.: CHAMEL EON: A herarchcal clusterngalgorthm usng dynamc modelng, IEEE Computer 32(8), (Ağustos 1999)

7 Akademk Blşm 10 - XII. Akademk Blşm Konferansı Bldrler Şubat 2010 Muğla Ünverstes [5] Jan,A.K.; Dubes,R.C.: Algorthms For Clusterng Data, Prentce Hall,Englewood Clffs, New Jersey, 07632,(1988) [6] Boutsnas,B.; Gnardells,T.: On Dstrbutng The Clusterng Process, PatternRecognton Letters 23, (2002), [7] Berkhn,P. : Survey of Clusterng Data Mnng Technques., Accrue SoftwareInc., San Jose,Calforna,USA (2002) [8] Jan, A.K.; Murty, M.N.; Flynn, P.J.: Data Clusterng: A Revew, ACM Computng Surveys, Vol. 31, No. 3., (September 1999) [9] Blgn, T.T.: Çok Boyutlu Uzayda Görsel Ver Madenclğ çn Üç Yen Çatı Tasarımı ve Uygulamaları, Doktora Tez, Marmara Ünverstes Fen Blmler Ensttüsü, İstanbul, Türkye, (2007) [10] Mucha, J, M; Sofyan, H: Nonherarchcal Clusterng, scrpts/xag/ html/xaghtmlframe149.htm (Erşm Tarh : Ekm 2009) [11] Davdson, I, Y.: Understandng K-means Non-herarchcal Clusterng, Techncal Report, Computer Scence Department of State Unversty of New York (SUNY) Albany, (Şubat 2002). [12] Everts, J: Clusterng Algorthms, (Erşm Tarh :Ekm 2009) [13] Ng, R. T. and Han, J.: Clarans: A method for clusterng objects for spatal data mnng, IEEE Trans. on KDE, 14(5), [15] Azem, Z: A Comprehensve Cluster Valdty Framework For Clusterng Algorthms, MSc Thess, The Unversty of Guelph, Canada, (2003) [16] Lee, DD & Seung, HS. Unsupervsed learnng by convex and conc codng (1997). Proceedngs of the Conference on Neural Informaton Processng Systems 9, [17] Lee, DD & Seung, HS (1999). Learnng the parts of objects by non-negatve matrx factorzaton. Nature 401, [18] Pang-Nng Tan, P.N.; Stenbach, M.; Kumar, V.: Introducton to Data Mnng., Addson Wesley (2005) [19] Han, J.; Kamber, M.; Tung, A. K. H.: Spatal Clusterng Methods n Data Mnng: A Survey, n H. Mller and J. Han (eds.), Geographc Data Mnng and Knowledge Dscovery, Taylor and Francs, (2001). [20] Öğüdücü, Ş.: Ver Madenclğ, Demetle me Yöntemler, ~gunduz/ courses/vermaden/sldes/d5.pdf (Erşm Tarh : Kasım 2005) [21] Moertn, V.S.: Introducton To Fve Clusterng Algorthms, Integral, Vol. 7, No. 2, (Ekm 2002) [22] An Introducton to Cluster Analyss for DataMnng, edu/~han/dmclass/clustersurvey pdf (Erşm Tarh: Ekm 2009) [14] (Erşm Tarh: Ekm 2009) 213

Sistemde kullanılan baralar, klasik anlamda üç ana grupta toplanabilir :

Sistemde kullanılan baralar, klasik anlamda üç ana grupta toplanabilir : 5 9. BÖLÜM YÜK AKIŞI (GÜÇ AKIŞI) 9.. Grş İletm sstemlernn analzlernde, bara sayısı arttıkça artan karmaşıklıkları yenmek çn sstemn matematksel modellenmesnde kolaylık getrc bazı yöntemler gelştrlmştr.

Detaylı

ÇOKLU REGRESYON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESYON ÇÖZÜMLEMESİ,REGRES-YON KATSAYILARININ YORUMU

ÇOKLU REGRESYON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESYON ÇÖZÜMLEMESİ,REGRES-YON KATSAYILARININ YORUMU 6.07.0 ÇOKLU REGRESON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESON ÇÖZÜMLEMESİ,REGRES-ON KATSAILARININ ORUMU ÇOKLU REGRESON MODELİ Ekonom ve şletmeclk alanlarında herhang br bağımlı değşken tek br bağımsız

Detaylı

YÖNETİM VE EKONOMİ Yıl:2006 Cilt:13 Sayı:1 Celal Bayar Üniversitesi İ.İ.B.F. MANİSA

YÖNETİM VE EKONOMİ Yıl:2006 Cilt:13 Sayı:1 Celal Bayar Üniversitesi İ.İ.B.F. MANİSA YÖNETİM VE EKONOMİ Yıl:2006 Clt:3 Sayı: Celal Bayar Ünverstes İ.İ.B.F. MANİSA Bulanık Araç Rotalama Problemlerne Br Model Öners ve Br Uygulama Doç. Dr. İbrahm GÜNGÖR Süleyman Demrel Ünverstes, İ.İ.B.F.,

Detaylı

X, R, p, np, c, u ve diğer kontrol diyagramları istatistiksel kalite kontrol diyagramlarının

X, R, p, np, c, u ve diğer kontrol diyagramları istatistiksel kalite kontrol diyagramlarının 1 DİĞER ÖZEL İSTATİSTİKSEL KALİTE KONTROL DİYAGRAMLARI X, R, p, np, c, u ve dğer kontrol dyagramları statstksel kalte kontrol dyagramlarının temel teknkler olup en çok kullanılanlarıdır. Bu teknkler ell

Detaylı

Bilgisayarla Görüye Giriş

Bilgisayarla Görüye Giriş Blgsayarla Görüye Grş Ders 8 Görüntü Eşleme Alp Ertürk alp.erturk@kocael.edu.tr Panorama Oluşturma Görüntüler eşlememz / çakıştırmamız gerekmektedr Panorama Oluşturma İk görüntüden özntelkler çıkar Panorama

Detaylı

K-Ortalamalar Yöntemi ile Yıllık Yağışların Sınıflandırılması ve Homojen Bölgelerin Belirlenmesi *

K-Ortalamalar Yöntemi ile Yıllık Yağışların Sınıflandırılması ve Homojen Bölgelerin Belirlenmesi * İMO Teknk Derg, 2012 6037-6050, Yazı 383 K-Ortalamalar Yöntem le Yıllık Yağışların Sınıflandırılması ve Homojen Bölgelern Belrlenmes * Mahmut FIAT* Fath DİKBAŞ** Abdullah Cem KOÇ*** Mahmud GÜGÖ**** ÖZ

Detaylı

a IIR süzgeç katsayıları ve N ( M) de = s 1 (3) 3. GÜRÜLTÜ GİDERİMİ UYGULAMASI

a IIR süzgeç katsayıları ve N ( M) de = s 1 (3) 3. GÜRÜLTÜ GİDERİMİ UYGULAMASI Fırat Ünverstes-Elazığ MİTRAL KAPAK İŞARETİ ÜZERİNDEKİ ANATOMİK VE ELEKTRONİK GÜRÜLTÜLERİN ABC ALGORİTMASI İLE TASARLANAN IIR SÜZGEÇLERLE SÜZÜLMESİ N. Karaboğa 1, E. Uzunhsarcıklı, F.Latfoğlu 3, T. Koza

Detaylı

Sıklık Tabloları ve Tek Değişkenli Grafikler

Sıklık Tabloları ve Tek Değişkenli Grafikler Sıklık Tabloları ve Tek Değşkenl Grafkler Sıklık Tablosu Ver dzsnde yer alan değerlern tekrarlama sayılarını çeren tabloya sıklık tablosu denr. Sıklık Tabloları tek değşken çn marjnal tablo olarak adlandırılır.

Detaylı

5.3. Tekne Yüzeylerinin Matematiksel Temsili

5.3. Tekne Yüzeylerinin Matematiksel Temsili 5.3. Tekne Yüzeylernn atematksel Temsl atematksel yüzey temslnde lk öneml çalışmalar Coons (53) tarafından gerçekleştrlmştr. Ferguson yüzeylernn gelştrlmş hal olan Coons yüzeylernde tüm sınır eğrler çn

Detaylı

EMG İşaretlerinin K-Ortalama Algoritması Kullanılarak Öbekleştirilmesi. EMG Signal Analysis Using K-Means Clustering

EMG İşaretlerinin K-Ortalama Algoritması Kullanılarak Öbekleştirilmesi. EMG Signal Analysis Using K-Means Clustering KSÜ Mühendslk Blmler Dergs, (), 9 5 KSU Journal of Engneerng Scences, (), 9 EMG İşaretlernn K-Ortalama Algortması Kullanılarak Öbekleştrlmes Mücahd Günay, Ahmet ALKA, KSÜ Mühendslk-Mmarlık Fakültes Elektrk-Elektronk

Detaylı

kadar ( i. kaynağın gölge fiyatı kadar) olmalıdır.

kadar ( i. kaynağın gölge fiyatı kadar) olmalıdır. KONU : DUAL MODELİN EKONOMİK YORUMU Br prmal-dual model lşks P : max Z cx D: mn Z bv AX b AV c X 0 V 0 bçmnde tanımlı olsun. Prmal modeln en y temel B ve buna lşkn fyat vektörü c B olsun. Z B B BB c X

Detaylı

İÇME SUYU ŞEBEKELERİNİN GÜVENİLİRLİĞİ

İÇME SUYU ŞEBEKELERİNİN GÜVENİLİRLİĞİ Türkye İnşaat Mühendslğ, XVII. Teknk Kongre, İstanbul, 2004 İÇME SUYU ŞEBEKELERİNİN GÜVENİLİRLİĞİ Nur MERZİ 1, Metn NOHUTCU, Evren YILDIZ 1 Orta Doğu Teknk Ünverstes, İnşaat Mühendslğ Bölümü, 06531 Ankara

Detaylı

ENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN SINANMASI

ENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN SINANMASI V. Ulusal Üretm Araştırmaları Sempozyumu, İstanbul Tcaret Ünverstes, 5-7 Kasım 5 ENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN

Detaylı

Merkezi Eğilim (Yer) Ölçüleri

Merkezi Eğilim (Yer) Ölçüleri Merkez Eğlm (Yer) Ölçüler Ver setn tanımlamak üzere kullanılan ve genellkle tüm elemanları dkkate alarak ver setn özetlemek çn kullanılan ölçülerdr. Ver setndek tüm elemanları temsl edeblecek merkez noktasına

Detaylı

K-MEANS, K-MEDOIDS VE BULANIK C-MEANS ALGORİTMALARININ UYGULAMALI OLARAK PERFORMANSLARININ TESPİTİ

K-MEANS, K-MEDOIDS VE BULANIK C-MEANS ALGORİTMALARININ UYGULAMALI OLARAK PERFORMANSLARININ TESPİTİ İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi Yıl: 6 Sayı:11Bahar 2007/1 s. 31-45 K-MEANS, K-MEDOIDS VE BULANIK C-MEANS ALGORİTMALARININ UYGULAMALI OLARAK PERFORMANSLARININ TESPİTİ Meltem IŞIK *,

Detaylı

PROJE SEÇİMİ VE KAYNAK PLANLAMASI İÇİN BİR ALGORİTMA AN ALGORITHM FOR PROJECT SELECTION AND RESOURCE PLANNING

PROJE SEÇİMİ VE KAYNAK PLANLAMASI İÇİN BİR ALGORİTMA AN ALGORITHM FOR PROJECT SELECTION AND RESOURCE PLANNING Dokuz Eylül Ünverstes Sosyal Blmler Ensttüsü Dergs Clt 3, Sayı:2, 2001 PROJE SEÇİMİ VE KAYAK PLALAMASI İÇİ BİR ALGORİTMA lgün MORALI 1 C. Cengz ÇELİKOĞLU 2 ÖZ Kaynak tahss problemler koşullara bağlı olarak

Detaylı

Makine Öğrenmesi 10. hafta

Makine Öğrenmesi 10. hafta Makne Öğrenmes 0. hafta Lagrange Optmzasonu Destek Vektör Maknes (SVM) Karesel (Quadratc) Programlama Optmzason Blmsel term olarak dlmze geçmş olsa da bazen en leme termle karşılık bulur. Matematktek en

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 Malzemeler http://ocm.mt.edu Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında blg almak çn http://ocm.mt.edu/terms veya http://tuba.açık ders.org.tr adresn zyaret ednz. 18.102

Detaylı

( ) 3.1 Özet ve Motivasyon. v = G v v Operasyonel Amplifikatör (Op-Amp) Deneyin Amacı. deney 3

( ) 3.1 Özet ve Motivasyon. v = G v v Operasyonel Amplifikatör (Op-Amp) Deneyin Amacı. deney 3 Yıldız Teknk Ünverstes Elektrk Mühendslğ Bölümü Deneyn Amacı İşlemsel kuvvetlendrcnn çalışma prensbnn anlaşılması le çeştl OP AMP devrelernn uygulanması ve ncelenmes. Özet ve Motvasyon.. Operasyonel Amplfkatör

Detaylı

DOĞRUSAL HEDEF PROGRAMLAMA İLE BÜTÇELEME. Hazırlayan: Ozan Kocadağlı Danışman: Prof. Dr. Nalan Cinemre

DOĞRUSAL HEDEF PROGRAMLAMA İLE BÜTÇELEME. Hazırlayan: Ozan Kocadağlı Danışman: Prof. Dr. Nalan Cinemre 1 DOĞRUSAL HEDEF PROGRAMLAMA İLE BÜTÇELEME Hazırlayan: Ozan Kocadağlı Danışman: Prof. Dr. Nalan Cnemre 2 BİRİNCİ BÖLÜM HEDEF PROGRAMLAMA 1.1 Grş Karar problemler amaç sayısına göre tek amaçlı ve çok amaçlı

Detaylı

Metin Madenciliği ile Soru Cevaplama Sistemi

Metin Madenciliği ile Soru Cevaplama Sistemi Metn Madenclğ le Soru Cevaplama Sstem Sevnç İlhan 1, Nevchan Duru 2, Şenol Karagöz 3, Merve Sağır 4 1 Mühendslk Fakültes Blgsayar Mühendslğ Bölümü Kocael Ünverstes slhan@kocael.edu.tr, nduru@kocael.edu.tr,

Detaylı

dir. Bir başka deyişle bir olayın olasılığı, uygun sonuçların sayısının örnek uzaydaki tüm sonuçların sayısına oranıdır.

dir. Bir başka deyişle bir olayın olasılığı, uygun sonuçların sayısının örnek uzaydaki tüm sonuçların sayısına oranıdır. BÖLÜM 3 OLASILIK HESABI 3.. Br Olayın Olasılığı Tanım 3... Br olayın brbrnden ayrık ve ortaya çıkma şansı eşt n mümkün sonucundan m tanes br A olayına uygun se, A olayının P(A) le gösterlen olasılığı P(A)

Detaylı

TRANSPORT PROBLEMI için GELIsTIRILMIs VAM YÖNTEMI

TRANSPORT PROBLEMI için GELIsTIRILMIs VAM YÖNTEMI Yönetm, Yl 9, Say 28, Ekm - 1997,5.20-25 TRANSPORT PROBLEMI ÇIN GELIsTIRILMIs VAM YÖNTEMI Dr. Erhan ÖZDEMIR I.Ü. Teknk Blmler M.Y.O. L.GIRIs V AM transport problemlerne en düsük malyetl baslangç çözüm

Detaylı

Bulanık Mantık ile Hesaplanan Geoid Yüksekliğine Nokta Yüksekliklerinin Etkisi

Bulanık Mantık ile Hesaplanan Geoid Yüksekliğine Nokta Yüksekliklerinin Etkisi Harta Teknolojler Elektronk Dergs Clt: 5, No: 1, 2013 (61-67) Electronc Journal of Map Technologes Vol: 5, No: 1, 2013 (61-67) TEKNOLOJİK ARAŞTIRMALAR www.teknolojkarastrmalar.com e-issn: 1309-3983 Makale

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

A İSTATİSTİK. 4. X kesikli rasgele (random) değişkenin moment çıkaran. C) 4 9 Buna göre, X in beklenen değeri kaçtır?

A İSTATİSTİK. 4. X kesikli rasgele (random) değişkenin moment çıkaran. C) 4 9 Buna göre, X in beklenen değeri kaçtır? . Br torbada 6 syah, 4 beyaz top vardır. Bu torbadan yerne koyarak top seçlyor. A İSTATİSTİK KPSS/-AB-PÖ/006. Normal dağılıma sahp br rasgele (random) değşkenn varyansı 00 dür. Seçlen topların ksnn de

Detaylı

HAFTA 13. kadın profesörlerin ortalama maaşı E( Y D 1) erkek profesörlerin ortalama maaşı. Kestirim denklemi D : t :

HAFTA 13. kadın profesörlerin ortalama maaşı E( Y D 1) erkek profesörlerin ortalama maaşı. Kestirim denklemi D : t : HAFTA 13 GÖLGE EĞİŞKENLERLE REGRESYON (UMMY VARIABLES) Gölge veya kukla (dummy) değşkenler denen ntel değşkenler, cnsyet, dn, ten reng gb hemen sayısallaştırılamayan ama açıklanan değşkenn davranışını

Detaylı

Türk Dilinin Biçimbilim Yapısından Yararlanarak Türkçe Metinlerin Farklı İmgelere Ayrılarak Kodlanması ve Sıkıştırılması

Türk Dilinin Biçimbilim Yapısından Yararlanarak Türkçe Metinlerin Farklı İmgelere Ayrılarak Kodlanması ve Sıkıştırılması Türk Dlnn Bçmblm Yapısından Yararlanarak Türkçe Metnlern Farklı İmgelere Ayrılarak Kodlanması ve Sıkıştırılması Banu DİRİ, M.Yahya KARSLIGİL Yıldız Teknk Ünverstes Elektrk Elektronk Fakültes - Blgsayar

Detaylı

Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi Pamukkale University Journal of Engineering Sciences

Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi Pamukkale University Journal of Engineering Sciences Pamukkale Ünverstes Mühendslk Blmler Dergs, Clt 0, Sayı 3, 04, Sayfalar 85-9 Pamukkale Ünverstes Mühendslk Blmler Dergs Pamukkale Unversty Journal of Engneerng Scences PREFABRİK ENDÜSTRİ YAPIARININ ARMONİ

Detaylı

Sürekli Olasılık Dağılım (Birikimli- Kümülatif)Fonksiyonu. Yrd. Doç. Dr. Tijen ÖVER ÖZÇELİK

Sürekli Olasılık Dağılım (Birikimli- Kümülatif)Fonksiyonu. Yrd. Doç. Dr. Tijen ÖVER ÖZÇELİK Sürekl Olasılık Dağılım Brkml- KümülatFonksyonu Yrd. Doç. Dr. Tjen ÖVER ÖZÇELİK tover@sakarya.edu.tr Sürekl olasılık onksyonları X değşken - ;+ aralığında tanımlanmış br sürekl rassal değşken olsun. Aşağıdak

Detaylı

VEKTÖRLER VE VEKTÖREL IŞLEMLER

VEKTÖRLER VE VEKTÖREL IŞLEMLER VEKTÖRLER VE VEKTÖREL IŞLEMLER 1 2.1 Tanımlar Skaler büyüklük: Sadece şddet bulunan büyüklükler (örn: uzunluk, zaman, kütle, hacm, enerj, yoğunluk) Br harf le sembolze edleblr. (örn: kütle: m) Şddet :

Detaylı

Korelasyon ve Regresyon

Korelasyon ve Regresyon Korelasyon ve Regresyon 1 Korelasyon Analz İk değşken arasında lşk olup olmadığını belrlemek çn yapılan analze korelasyon analz denr. Korelasyon; doğrusal yada doğrusal olmayan dye kye ayrılır. Korelasyon

Detaylı

BÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER İki Boyutlu Rasgele Değişkenler

BÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER İki Boyutlu Rasgele Değişkenler BÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER 5.. İk Boyutlu Rasgele Değşkenler Br deney yapıldığında, aynı deneyle lgl brçok rasgele değşkenn aynı andak durumunu düşünmek gerekeblr. Böyle durumlarda

Detaylı

Toplam Eşdeğer Deprem Yükünün Hesabı Bakımından 1975 Deprem Yönetmeliği İle 2006 Deprem Yönetmeliğinin Karşılaştırılması

Toplam Eşdeğer Deprem Yükünün Hesabı Bakımından 1975 Deprem Yönetmeliği İle 2006 Deprem Yönetmeliğinin Karşılaştırılması Fırat Ünv. Fen ve Müh. Bl. ergs Scence and Eng. J of Fırat Unv. 19 (2, 133-138, 2007 19 (2, 133-138, 2007 Toplam Eşdeğer eprem Yükünün Hesabı Bakımından 1975 eprem Yönetmelğ İle 2006 eprem Yönetmelğnn

Detaylı

BULANIK c-ortalamalar KÜMELEME ANALİZİ VE UYGULAMALARI

BULANIK c-ortalamalar KÜMELEME ANALİZİ VE UYGULAMALARI EGE ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ (YÜKSEK LİSANS TEZİ) BULANIK c-ortalamalar KÜMELEME ANALİZİ VE UYGULAMALARI Gözde ULUTAGAY İstatstk Anablm Dalı Blm Dalı Kodu: 406.0.0 Sunuş Tarh:..004 Tez Danışmanı:

Detaylı

SEK Tahmincilerinin Arzulanan Özellikleri. SEK Tahmincilerinin Arzulanan Özellikleri. Ekonometri 1 Konu 9 Sürüm 2,0 (Ekim 2011)

SEK Tahmincilerinin Arzulanan Özellikleri. SEK Tahmincilerinin Arzulanan Özellikleri. Ekonometri 1 Konu 9 Sürüm 2,0 (Ekim 2011) SEK Tahmnclernn Arzulanan Özellkler İk Değşkenl Bağlanım Model SEK Tahmnclernn Arzulanan Özellkler Ekonometr 1 Konu 9 Sürüm 2,0 (Ekm 2011) http://www.ackders.org.tr SEK Tahmnclernn Arzulanan Özellkler

Detaylı

TÜRKİYE DEKİ 380 kv LUK 14 BARALI GÜÇ SİSTEMİNDE EKONOMİK YÜKLENME ANALİZİ

TÜRKİYE DEKİ 380 kv LUK 14 BARALI GÜÇ SİSTEMİNDE EKONOMİK YÜKLENME ANALİZİ TÜRİYE DEİ 38 kv LU 4 BARALI GÜÇ SİSTEMİDE EOOMİ YÜLEME AALİZİ Mehmet URBA Ümmühan BAŞARA 2,2 Elektrk-Elektronk Mühendslğ Bölümü Mühendslk-Mmarlık Fakültes Anadolu Ünverstes İk Eylül ampüsü, 2647, ESİŞEHİR

Detaylı

DENEY 4: SERİ VE PARALEL DEVRELER,VOLTAJ VE AKIM BÖLÜCÜ KURALLARI, KIRCHOFF KANUNLARI

DENEY 4: SERİ VE PARALEL DEVRELER,VOLTAJ VE AKIM BÖLÜCÜ KURALLARI, KIRCHOFF KANUNLARI A. DNYİN AMACI : Bast ser ve bast paralel drenç devrelern analz edp kavramak. Voltaj ve akım bölücü kurallarını kavramak. Krchoff kanunlarını deneysel olarak uygulamak. B. KULLANILACAK AAÇ V MALZML : 1.

Detaylı

TRİSTÖR VE TRİYAK HARMONİKLERİNİN 3 BOYUTLU GÖSTERİMİ VE TOPLAM HARMONİK BOZUNUMA EĞRİ UYDURMA

TRİSTÖR VE TRİYAK HARMONİKLERİNİN 3 BOYUTLU GÖSTERİMİ VE TOPLAM HARMONİK BOZUNUMA EĞRİ UYDURMA PAMUKKALE ÜNİ VERSİ TESİ MÜHENDİ SLİ K FAKÜLTESİ PAMUKKALE UNIVERSITY ENGINEERING COLLEGE MÜHENDİ SLİ K BİL İ MLERİ DERGİ S İ JOURNAL OF ENGINEERING SCIENCES YIL CİLT SAYI SAYFA : : : : 5- TRİSTÖR VE TRİYAK

Detaylı

ROTASYON ORMAN ALGORİTMASI İLE YÜKSEK ÇÖZÜNÜRLÜKLÜ MULTİSPEKTRAL UYDU GÖRÜNTÜLERİNİN SINIFLANDIRILMASI

ROTASYON ORMAN ALGORİTMASI İLE YÜKSEK ÇÖZÜNÜRLÜKLÜ MULTİSPEKTRAL UYDU GÖRÜNTÜLERİNİN SINIFLANDIRILMASI ROTASYON ORMAN ALGORİTMASI İLE YÜKSEK ÇÖZÜNÜRLÜKLÜ MULTİSPEKTRAL UYDU GÖRÜNTÜLERİNİN SINIFLANDIRILMASI İsmal ÇÖLKESEN 1, Tahsn YOMRALIOĞLU 2, Taşkın KAVZOĞLU 3 1 Araş. Gör., Gebze Yüksek Teknoloj Ensttüsü,

Detaylı

UYUM ĐYĐLĐĞĐ TESTĐ. 2 -n olup. nin dağılımı χ dir ve sd = (k-1-p) dir. Burada k = sınıf sayısı, p = tahmin edilen parametre sayısıdır.

UYUM ĐYĐLĐĞĐ TESTĐ. 2 -n olup. nin dağılımı χ dir ve sd = (k-1-p) dir. Burada k = sınıf sayısı, p = tahmin edilen parametre sayısıdır. UYUM ĐYĐLĐĞĐ TESTĐ Posson: H o: Ver Posson dağılıma sahp br ktleden gelmektedr. H a : Ver Posson dağılıma sahp br ktleden gelmemektedr. Böyle br hpotez test edeblmek çn, önce Posson dağılım parametres

Detaylı

TEKNOLOJĐK ARAŞTIRMALAR

TEKNOLOJĐK ARAŞTIRMALAR www.teknolojkarastrmalar.com ISSN:134-4141 Makne Teknolojler Elektronk Dergs 28 (1) 61-68 TEKNOLOJĐK ARAŞTIRMALAR Kısa Makale Tabakalı Br Dskn Termal Gerlme Analz Hasan ÇALLIOĞLU 1, Şükrü KARAKAYA 2 1

Detaylı

Üç Boyutlu Yapı-Zemin Etkileşimi Problemlerinin Kuadratik Sonlu Elemanlar ve Sonsuz Elemanlar Kullanılarak Çözümü

Üç Boyutlu Yapı-Zemin Etkileşimi Problemlerinin Kuadratik Sonlu Elemanlar ve Sonsuz Elemanlar Kullanılarak Çözümü ECAS Uluslararası Yapı ve Deprem Mühendslğ Sempozyumu, Ekm, Orta Doğu Teknk Ünverstes, Ankara, Türkye Üç Boyutlu Yapı-Zemn Etkleşm Problemlernn Kuadratk Sonlu Elemanlar ve Sonsuz Elemanlar Kullanılarak

Detaylı

MİNİMAL SİSTEMLERDE DURUM GERİBESLEMESİ İLE KUTUP ATAMA PROBLEMİNİN NÜMERİK ANALİZİ

MİNİMAL SİSTEMLERDE DURUM GERİBESLEMESİ İLE KUTUP ATAMA PROBLEMİNİN NÜMERİK ANALİZİ MİNİMAL SİSTEMLERDE DURUM GERİBESLEMESİ İLE KUTUP ATAMA PROBLEMİNİN NÜMERİK ANALİZİ Erkam Murat BOZKURT Mehmet Turan SÖYLEMEZ Kontrol ve Otomasyon Mühendslğ Bölümü, Elektrk-Elektronk Fakültes, İstanbul

Detaylı

ATATÜRK ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ İŞLETME ANA BİLİM DALI. Serhat BURMAOĞLU

ATATÜRK ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ İŞLETME ANA BİLİM DALI. Serhat BURMAOĞLU ATATÜRK ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ İŞLETME ANA BİLİM DALI Serhat BURMAOĞLU BİRLEŞMİŞ MİLLETLER KALKINMA PROGRAMI BEŞERİ KALKINMA ENDEKSİ VERİLERİNİ KULLANARAK DİSKRİMİNANT ANALİZİ, LOJİSTİK

Detaylı

K-means ve YSA temelli Hibrit Bir Model ile Epileptik EEG İşaretlerinin Sınıflandırılması

K-means ve YSA temelli Hibrit Bir Model ile Epileptik EEG İşaretlerinin Sınıflandırılması K-means ve temell Hbrt Br Model le Epleptk EEG İşaretlernn Sınıflandırılması Ramazan TEKİN 1 Yılmaz KAYA 2 Mehmet Emn TAĞLUK 3 1 Batman Ünverstes, Mühendslk Mmarlık Fakültes, Blgsayar Mühendslğ, Batman,

Detaylı

2. STEGANOGRAFİ 1. GİRİŞ

2. STEGANOGRAFİ 1. GİRİŞ 1. GİRİŞ Bu çalışmada, steganograf sstemnn FPGA üzernde tasarımı ve gerçeklenmes sağlanmıştır. Esk Yunancada gzlenmş yazı anlamına gelen steganograf, blgnn görünürlüğünü gzleme blmne verlen smdr. Günümüzde

Detaylı

ARAŞTIRMA MAKALESİ/RESEARCH ARTICLE TEK ÇARPIMSAL SİNİR HÜCRELİ YAPAY SİNİR AĞI MODELİNİN EĞİTİMİ İÇİN ABC VE BP YÖNTEMLERİNİN KARŞILAŞTIRILMASI ÖZ

ARAŞTIRMA MAKALESİ/RESEARCH ARTICLE TEK ÇARPIMSAL SİNİR HÜCRELİ YAPAY SİNİR AĞI MODELİNİN EĞİTİMİ İÇİN ABC VE BP YÖNTEMLERİNİN KARŞILAŞTIRILMASI ÖZ ANADOLU ÜNİVERSİTESİ Blm ve Teknoloj Dergs A-Uygulamalı Blmler ve Mühendslk Clt: 14 Sayı: 3 013 Sayfa: 315-38 ARAŞTIRMA MAKALESİ/RESEARCH ARTICLE Faruk ALPASLAN 1, Erol EĞRİOĞLU 1, Çağdaş Hakan ALADAĞ,

Detaylı

Kİ-KARE TESTLERİ A) Kİ-KARE DAĞILIMI VE ÖZELLİKLERİ

Kİ-KARE TESTLERİ A) Kİ-KARE DAĞILIMI VE ÖZELLİKLERİ Kİ-KAR TSTLRİ A) Kİ-KAR DAĞILIMI V ÖZLLİKLRİ Örnekleme yoluyla elde edlen rakamların, anakütle rakamlarına uygun olup olmadığı; br başka fadeyle gözlenen değerlern teork( beklenen) değerlere uygunluk gösterp

Detaylı

PARAMETRİK OLMAYAN HİPOTEZ TESTLERİ Kİ-KARE TESTLERİ

PARAMETRİK OLMAYAN HİPOTEZ TESTLERİ Kİ-KARE TESTLERİ PARAMETRİK OLMAYAN HİPOTEZ TESTLERİ Kİ-KARE TESTLERİ 1 Populasyonun nceledğmz br özellğnn dağılışı blenen dağılışlardan brsne, Normal Dağılış, t Dağılışı, F Dağılışı, gb br dağılışa uygun olduğu durumlarda

Detaylı

Kİ-KARE TESTLERİ. şeklinde karesi alındığında, Z i. değerlerinin dağılımı ki-kare dağılımına dönüşür.

Kİ-KARE TESTLERİ. şeklinde karesi alındığında, Z i. değerlerinin dağılımı ki-kare dağılımına dönüşür. Kİ-KARE TESTLERİ A) Kİ-KARE DAĞILIMI VE ÖZELLİKLERİ Örnekleme yoluyla elde edlen rakamların, anakütle rakamlarına uygun olup olmadığı; br başka fadeyle gözlenen değerlern teork( beklenen) değerlere uygunluk

Detaylı

ENDÜSTRİYEL BİR ATIK SUYUN BİYOLOJİK ARITIMI VE ARITIM KİNETİĞİNİN İNCELENMESİ

ENDÜSTRİYEL BİR ATIK SUYUN BİYOLOJİK ARITIMI VE ARITIM KİNETİĞİNİN İNCELENMESİ ENDÜSTRİYEL BİR ATIK SUYUN BİYOLOJİK ARITIMI VE ARITIM KİNETİĞİNİN İNCELENMESİ Emel KOCADAYI EGE ÜNİVERSİTESİ MÜH. FAK., KİMYA MÜH. BÖLÜMÜ, 35100-BORNOVA-İZMİR ÖZET Bu projede, Afyon Alkalot Fabrkasından

Detaylı

FLYBACK DÖNÜŞTÜRÜCÜ TASARIMI VE ANALİZİ

FLYBACK DÖNÜŞTÜRÜCÜ TASARIMI VE ANALİZİ FLYBACK DÖNÜŞTÜRÜCÜ TASARIMI VE ANALİZİ 1 Nasır Çoruh, Tarık Erfdan, 3 Satılmış Ürgün, 4 Semra Öztürk 1,,4 Kocael Ünverstes Elektrk Mühendslğ Bölümü 3 Kocael Ünverstes Svl Havacılık Yüksekokulu ncoruh@kocael.edu.tr,

Detaylı

CuEEG: EEG Verilerinin Hızlı İşlenmesi için GPU Tabanlı Bir Yaklaşım CuEEG: A GPU-Based Approach for Fast Processing of EEG Data

CuEEG: EEG Verilerinin Hızlı İşlenmesi için GPU Tabanlı Bir Yaklaşım CuEEG: A GPU-Based Approach for Fast Processing of EEG Data ELECO '212 Elektrk - Elektronk ve Blgsayar Mühendslğ Sempozyumu, 29 Kasım - 1 Aralık 212, Bursa CuEEG: EEG Verlernn Hızlı İşlenmes çn GPU Tabanlı Br Yaklaşım CuEEG: A GPU-Based Approach for Fast Processng

Detaylı

bir yol oluşturmaktadır. Yine i 2 , de bir yol oluşturmaktadır. Şekil.DT.1. Temel terimlerin incelenmesi için örnek devre

bir yol oluşturmaktadır. Yine i 2 , de bir yol oluşturmaktadır. Şekil.DT.1. Temel terimlerin incelenmesi için örnek devre Devre Analz Teknkler DEE AAĐZ TEKĐKEĐ Bu zamana kadar kullandığımız Krchoffun kanunları ve Ohm kanunu devre problemlern çözmek çn gerekl ve yeterl olan eştlkler sağladılar. Fakat bu kanunları kullanarak

Detaylı

ÝÞLENMEMÝÞ YAPAY AÇIKLIKLI RADAR VERÝLERÝNÝN SIKIªTIRILMASI SYNTHETIC APERTURE RADAR RAW DATA COMPRESSION

ÝÞLENMEMÝÞ YAPAY AÇIKLIKLI RADAR VERÝLERÝNÝN SIKIªTIRILMASI SYNTHETIC APERTURE RADAR RAW DATA COMPRESSION ISTANBUL UNIVERSITY ENGINEERING FACULTY JOURNAL OF ELECTRICAL & ELECTRONICS YEAR VOLUME NUMBER : 001 : 1 : (7-36) ÝÞLENMEMÝÞ YAPAY AÇIKLIKLI RADAR VERÝLERÝNÝN SIKIªTIRILMASI SYNTHETIC APERTURE RADAR RAW

Detaylı

NİTEL TERCİH MODELLERİ

NİTEL TERCİH MODELLERİ NİTEL TERCİH MODELLERİ 2300 gözlem sayısı le verlen değşkenler aşağıdak gbdr: calsma: çocuk çalışıyorsa 1, çalışmıyorsa 0 (bağımlı değşken) Anne_egts: Anne eğtm sevyes Baba_egts: Baba eğtm sevyes Kent:

Detaylı

FARKLI REGRESYON YÖNTEMLERİ İLE BETA KATSAYISI ANALİZİ

FARKLI REGRESYON YÖNTEMLERİ İLE BETA KATSAYISI ANALİZİ FARKLI REGRESYON YÖNTEMLERİ İLE BETA KATSAYISI ANALİZİ M.Ensar YEŞİLYURT (*) Flz YEŞİLYURT (**) Özet: Özellkle uzak verlere sahp ver setlernn analz edlmesnde en küçük kareler tahmnclernn kullanılması sapmalı

Detaylı

Kİ-KARE VE KOLMOGOROV SMİRNOV UYGUNLUK TESTLERİNİN SİMULASYON İLE ELDE EDİLEN VERİLER ÜZERİNDE KARŞILAŞTIRILMASI

Kİ-KARE VE KOLMOGOROV SMİRNOV UYGUNLUK TESTLERİNİN SİMULASYON İLE ELDE EDİLEN VERİLER ÜZERİNDE KARŞILAŞTIRILMASI C.Ü. İktsad ve İdar Blmler Dergs, Clt 4, Sayı 1, 3 6 Kİ-KARE VE KOLMOGOROV SMİRNOV UYGUNLUK TESTLERİNİN SİMULASYON İLE ELDE EDİLEN VERİLER ÜZERİNDE KARŞILAŞTIRILMASI H. BİRCAN, Y. KARAGÖZ ve Y. KASAPOĞLU

Detaylı

KAFES SİSTEMLERİN UYGULAMAYA YÖNELİK OPTİMUM TASARIMI

KAFES SİSTEMLERİN UYGULAMAYA YÖNELİK OPTİMUM TASARIMI PAMUKKALE ÜNİ VERSİ TESİ MÜHENDİ SLİ K FAKÜLTESİ PAMUKKALE UNIVERSITY ENGINEERING COLLEGE MÜHENDİ SLİ K BİLİMLERİ DERGİ S İ JOURNAL OF ENGINEERING SCIENCES YIL CİLT SAYI SAYFA : 1999 : 5 : 1 : 951-957

Detaylı

ARAŞTIRMA MAKALESİ/RESEARCH ARTICLE

ARAŞTIRMA MAKALESİ/RESEARCH ARTICLE ANADOLU ÜNİVERSİTESİ BİLİM VE TEKNOLOJİ DERGİSİ ANADOLU UNIVERSITY JOURNAL OF SCIENCE AND TECHNOLOGY Clt/Vol.:7 Saı/No: 1 : 97-101 (006) ARAŞTIRMA MAKALESİ/RESEARCH ARTICLE ÖĞRENCİLERİN YAZ OKULU HAKKINDAKİ

Detaylı

Şehiriçi Karayolu Ağlarının Sezgisel Harmoni Araştırması Optimizasyon Yöntemi ile Ayrık Tasarımı *

Şehiriçi Karayolu Ağlarının Sezgisel Harmoni Araştırması Optimizasyon Yöntemi ile Ayrık Tasarımı * İMO Teknk Derg, 2013 6211-6231, Yazı 392 Şehrç Karayolu Ağlarının Sezgsel Harmon Araştırması Optmzasyon Yöntem le Ayrık Tasarımı * Hüseyn CEYLAN* Halm CEYLAN** ÖZ Bu çalışmada, şehrç ulaştırma ağlarının

Detaylı

Bulanık TOPSIS ve Bulanık VIKOR Yöntemleriyle Alışveriş Merkezi Kuruluş Yeri Seçimi ve Bir Uygulama

Bulanık TOPSIS ve Bulanık VIKOR Yöntemleriyle Alışveriş Merkezi Kuruluş Yeri Seçimi ve Bir Uygulama EGE AKADEMİK BAKIŞ / EGE ACADEMIC REVIEW Clt: 14 Sayı: 3 Temmuz 2014 ss. 463-479 Bulanık TOPSIS ve Bulanık VIKOR Yöntemleryle Alışverş Merkez Kuruluş Yer Seçm ve Br Uygulama Selecton of Shoppng Center

Detaylı

TÜKETİCİ TATMİNİ VERİLERİNİN ANALİZİ: YAPAY SİNİR AĞLARI ve REGRESYON ANALİZİ KARŞILAŞTIRMASI

TÜKETİCİ TATMİNİ VERİLERİNİN ANALİZİ: YAPAY SİNİR AĞLARI ve REGRESYON ANALİZİ KARŞILAŞTIRMASI 1 TÜKETİCİ TATMİNİ VERİLERİNİN ANALİZİ: YAPAY SİNİR AĞLARI ve REGRESYON ANALİZİ KARŞILAŞTIRMASI Metehan TOLON Nuray GÜNERİ TOSUNOĞLU Özet Tüketc tatmn araştırmaları özelde pazarlama yönetclernn, genelde

Detaylı

Tek Yönlü Varyans Analizi

Tek Yönlü Varyans Analizi Tek Yönlü Varyan Analz Nedr ve hang durumlarda kullanılır? den fazla grupların karşılaştırılmaı öz konuu e, çok ayıda t-tet nn kullanılmaı, Tp I hatanın artmaına yol açar; Örneğn, eğer 5 grubu kşerl olarak

Detaylı

AYLIK ORTALAMA GÖL SU SEVİYESİNİN BULANIK-OLASILIK YAKLAŞIMI İLE GÖZLENMİŞ ZAMAN SERİSİNDEN TAHMİNİ

AYLIK ORTALAMA GÖL SU SEVİYESİNİN BULANIK-OLASILIK YAKLAŞIMI İLE GÖZLENMİŞ ZAMAN SERİSİNDEN TAHMİNİ AYLIK ORTALAMA GÖL SU SEVİYESİİ BULAIK-OLASILIK YAKLAŞIMI İLE GÖZLEMİŞ ZAMA SERİSİDE TAHMİİ Veysel GÜLDAL, Hakan TOGAL 2 S.D.Ü.Mühendslk Mmarlık Fakültes İnşaat Müh Böl., Isparta/TÜRKİYE vguldal@mmf.sdu.edu.tr

Detaylı

Sinirsel Bulanık Sistemler İle Trafik Gürültüsünün Tahmini

Sinirsel Bulanık Sistemler İle Trafik Gürültüsünün Tahmini Snrsel Bulanık Sstemler İle Trafk Gürültüsünün Tahmn Ahmet Tortum Yrd. Doç. Dr.,Atatürk Ünverstes,Mühendslk Fakültes,İnşaat Bölümü,Erzurum E-posta : atortum@ataun.edu.tr Yasn Çodur Arş.Gör., Atatürk Ünverstes,Mühendslk

Detaylı

Kİ KARE ANALİZİ. Doç. Dr. Mehmet AKSARAYLI Ki-Kare Analizleri

Kİ KARE ANALİZİ. Doç. Dr. Mehmet AKSARAYLI  Ki-Kare Analizleri Kİ KAR ANALİZİ 1 Doç. Dr. Mehmet AKSARAYLI www.mehmetaksarayl K-Kare Analzler OLAY 1: Genelde br statstk sınıfında, öğrenclern %60 ının devamlı, %30 unun bazen, %10 unun se çok az derse geldkler düşünülmektedr.

Detaylı

Tek Yönlü Varyans Analizi (ANOVA)

Tek Yönlü Varyans Analizi (ANOVA) VARYANS ANALİZİ İ örne ortalaması arasında farın önem ontrolü, örne büyülüğüne göre z veya testlernden bryle yapılır. Bu testlerle, den fazla örne ortalamasını brlte test etme ve aralarında farın önem

Detaylı

UZAY ÇERÇEVE SİSTEMLERİN ELASTİK-PLASTİK ANALİZİ İÇİN BİR YÖNTEM

UZAY ÇERÇEVE SİSTEMLERİN ELASTİK-PLASTİK ANALİZİ İÇİN BİR YÖNTEM ECAS Uluslararası Yapı ve Deprem ühendslğ Sempozyumu, Ekm, Orta Doğu Teknk Ünverstes, Ankara, Türkye UZAY ÇERÇEVE SİSTEERİN STİK-PASTİK ANAİZİ İÇİN BİR YÖNTE Erdem Damcı, Turgay Çoşgun, Tuncer Çelk, Namık

Detaylı

MESLEK SEÇİMİ PROBLEMİNDE ÇOK ÖZELLİKLİ KARAR VERME VE ÇÖZÜME YÖNELİK GELİŞTİRİLEN BİREYSEL KARİYER PLANLAMA PROGRAMI

MESLEK SEÇİMİ PROBLEMİNDE ÇOK ÖZELLİKLİ KARAR VERME VE ÇÖZÜME YÖNELİK GELİŞTİRİLEN BİREYSEL KARİYER PLANLAMA PROGRAMI MESLEK SEÇİMİ PROBLEMİNDE ÇOK ÖZELLİKLİ KARAR VERME VE ÇÖZÜME YÖNELİK GELİŞTİRİLEN BİREYSEL KARİYER PLANLAMA PROGRAMI Fath ÇİL GAZİ ÜNİVERSİTESİ Mühendslk Mmarlık Fakültes Endüstr Mühendslğ Bölümü 4. Sınıf

Detaylı

SAYISAL ÇÖZÜMLEME. Sayısal Çözümleme

SAYISAL ÇÖZÜMLEME. Sayısal Çözümleme SAYISAL ÇÖZÜMLEME Syısl Çözümleme SAYISAL ÇÖZÜMLEME 7. Hft LİNEER DENKLEM SİSTEMLERİ (Devm) Syısl Çözümleme İÇİNDEKİLER Doğrusl Denklem Sstemlernn Çözümü İtertf Yöntemler Jcob Yöntem Guss-Sedel Yöntem

Detaylı

UZAKTAN ALGILANMIŞ GÖRÜNTÜLERDE SINIFLANDIRMA VE ANALİZ (CLASSIFICATION OF REMOTE SENSING IMAGES AND ANALYSIS)

UZAKTAN ALGILANMIŞ GÖRÜNTÜLERDE SINIFLANDIRMA VE ANALİZ (CLASSIFICATION OF REMOTE SENSING IMAGES AND ANALYSIS) ÖZET UZAKTAN ALGILANMIŞ GÖRÜNTÜLERDE SINIFLANDIRMA VE ANALİZ (CLASSIFICATION OF REMOTE SENSING IMAGES AND ANALYSIS) Emnnur AYHAN Fevz KARSLI Esra TUNÇ Sınıflandırma; brçok blm dalında kullanılan br karar

Detaylı

Basel II Geçiş Süreci Sıkça Sorulan Sorular

Basel II Geçiş Süreci Sıkça Sorulan Sorular Basel II Geçş Sürec Sıkça Sorulan Sorular Soru No: 71 Cevaplanma Tarh: 06.03.2012 İlgl Hüküm: --- Konu: Gayrmenkul İpoteğyle Temnatlandırılmış Alacaklar İçn KR510AS Formunun Doldurulmasına İlşkn Örnek

Detaylı

Cilt:11 Sayı: 4 s , 2008 Vol: 11 No: 4 pp , M. Yasin ÖZSAĞLAM, Mehmet ÇUNKAŞ ÖZET

Cilt:11 Sayı: 4 s , 2008 Vol: 11 No: 4 pp , M. Yasin ÖZSAĞLAM, Mehmet ÇUNKAŞ ÖZET Polteknk Dergs Journal of Polytechnc Clt: Sayı: 4 s.99-305, 008 Vol: No: 4 pp.99-305, 008 Optmzasyon Problemlernn Çözümü çn Parçaçık Sürü Optmzasyonu Algortması M. Yasn ÖZSAĞLAM, Mehmet ÇUNKAŞ ÖZET Optmzasyon

Detaylı

İyi Tarım Uygulamaları Ve Tüketici Davranışları (Logit Regresyon Analizi)(*)

İyi Tarım Uygulamaları Ve Tüketici Davranışları (Logit Regresyon Analizi)(*) Gazosmanpaşa Ünverstes Zraat Fakültes Dergs Journal of Agrcultural Faculty of Gazosmanpasa Unversty http://zraatderg.gop.edu.tr/ Araştırma Makales/Research Artcle JAFAG ISSN: 1300-2910 E-ISSN: 2147-8848

Detaylı

ALGILANAN HİZMET KALİTESİ VE LOJİSTİK REGRESYON ANALİZİ İLE HİZMET TERCİHİNE ETKİSİNİN BELİRLENMESİ. Özet

ALGILANAN HİZMET KALİTESİ VE LOJİSTİK REGRESYON ANALİZİ İLE HİZMET TERCİHİNE ETKİSİNİN BELİRLENMESİ. Özet Dokuz Eylül Ünverstes Sosyal Blmler Ensttüsü Dergs Yayın Gelş Tarh: 18.02.2011 Clt: 13, Sayı: 1, Yıl: 2011, Sayfa: 21-37 Yayına Kabul Tarh: 17.03.2011 ISSN: 1302-3284 ALGILANAN HİZMET KALİTESİ VE LOJİSTİK

Detaylı

PARMAKİZİ RESİMLERİNİN YAPAY SİNİR AĞLARI İLE TEMİZLENMESİ VE İYİLEŞTİRİLMESİ

PARMAKİZİ RESİMLERİNİN YAPAY SİNİR AĞLARI İLE TEMİZLENMESİ VE İYİLEŞTİRİLMESİ PARMAKİZİ RESİMLERİNİN YAPAY SİNİR AĞLARI İLE TEMİZLENMESİ VE İYİLEŞTİRİLMESİ Necla ÖZKAYA Şeref SAĞIROĞLU Blgsayar Mühendslğ Bölümü, Mühendslk Fakültes, Ercyes Ünverstes, 38039, Talas, Kayser Gaz Ünverstes,

Detaylı

AN IMPLEMENTATION OF INTEGRATED MULTI-CRITERIA DECISION MAKING TECHNIQUES FOR ACADEMIC STAFF RECRUITMENT

AN IMPLEMENTATION OF INTEGRATED MULTI-CRITERIA DECISION MAKING TECHNIQUES FOR ACADEMIC STAFF RECRUITMENT Journal of Management, Marketng and Logstcs (JMML), ISSN: 48-6670 Year: 04 Volume: Issue: AN IMPLEMENTATION OF INTEGRATED MULTI-CRITERIA DECISION MAKING TECHNIQUES FOR ACADEMIC STAFF RECRUITMENT Kemal

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

Doğrusal Korelasyon ve Regresyon

Doğrusal Korelasyon ve Regresyon Doğrusal Korelasyon ve Regresyon En az k değşken arasındak lşknn ncelenmesne korelasyon denr. Kşlern boyları le ağırlıkları, gelr le gder, öğrenclern çalıştıkları süre le aldıkları not, tarlaya atılan

Detaylı

REGRESYONDA ETKİLİ GÖZLEMLERİ BELİRLEME YÖNTEMLERİ VE KARŞILAŞTIRMALARI. Can DARICA YÜKSEK LİSANS TEZİ İSTATİSTİK

REGRESYONDA ETKİLİ GÖZLEMLERİ BELİRLEME YÖNTEMLERİ VE KARŞILAŞTIRMALARI. Can DARICA YÜKSEK LİSANS TEZİ İSTATİSTİK REGRESYONDA ETKİLİ GÖZLEMLERİ BELİRLEME YÖNTEMLERİ VE KARŞILAŞTIRMALARI Can DARICA YÜKSEK LİSANS TEZİ İSTATİSTİK GAZİ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ŞUBAT 014 ANKARA Can DARICA tarafından hazırlanan

Detaylı

ELM201 ELEKTRONİK-I DERSİ LABORATUAR FÖYÜ

ELM201 ELEKTRONİK-I DERSİ LABORATUAR FÖYÜ T SAKAYA ÜNİESİTESİ TEKNOLOJİ FAKÜLTESİ ELEKTİK-ELEKTONİK MÜHENDİSLİĞİ ELM201 ELEKTONİK- DESİ LAOATUA FÖYÜ DENEYİ YAPTAN: DENEYİN AD: DENEY NO: DENEYİ YAPANN AD ve SOYAD: SNF: OKUL NO: DENEY GUP NO: DENEY

Detaylı

Tuğla Duvardaki ve Tesisattaki Isı Kaybının Yapay Sinir Ağları İle Belirlenmesi

Tuğla Duvardaki ve Tesisattaki Isı Kaybının Yapay Sinir Ağları İle Belirlenmesi Fırat Ünv. Fen ve Müh. Bl. Der. Scence and Eng. J of Fırat Unv. 18 (1), 133-141, 2006 18 (1), 133-141, 2006 Tuğla Duvardak ve Tessattak Isı Kaybının Yapay Snr Ağları İle Belrlenmes Ömer KELEŞOĞLU ve Adem

Detaylı

Okullarda Coğrafi Bilgi Sistem Destekli Öğrenci Kayıt Otomasyon Sistemi Uygulaması: Trabzon Kenti Örneği

Okullarda Coğrafi Bilgi Sistem Destekli Öğrenci Kayıt Otomasyon Sistemi Uygulaması: Trabzon Kenti Örneği Okullarda Coğraf Blg Sstem Destekl Öğrenc Kayıt Otomasyon Sstem Uygulaması: Trabzon Kent Örneğ Volkan YILDIRIM 1, Recep NİŞANCI 2, Selçuk REİS 3 Özet Ülkemzde öğrenc veller le okul darecler, öğrenc kayıt

Detaylı

SAYISAL ANALİZ. Doç.Dr. Cüneyt BAYILMIŞ. Sayısal Analiz. Doç.Dr. Cüneyt BAYILMIŞ

SAYISAL ANALİZ. Doç.Dr. Cüneyt BAYILMIŞ. Sayısal Analiz. Doç.Dr. Cüneyt BAYILMIŞ SAYISAL ANALİZ Doç.Dr. Cüneyt BAYILMIŞ Doç.Dr. Cüneyt BAYILMIŞ Sayısal Analz SAYISAL ANALİZ SAYISAL TÜREV Numercal Derentaton Doç.Dr. Cüneyt BAYILMIŞ Sayısal Analz İÇİNDEKİLER Sayısal Türev Ger Farklar

Detaylı

Konveks Sınıf Modelleri Kullanarak Dijital İmgelerdeki Nesne Görüntülerinin Konumlarının Bulunması. Proje No: 109E279

Konveks Sınıf Modelleri Kullanarak Dijital İmgelerdeki Nesne Görüntülerinin Konumlarının Bulunması. Proje No: 109E279 Konveks Sınıf Modeller Kullanarak Djtal İmgelerdek Nesne Görüntülernn Konumlarının Bulunması Proje No: 109E279 Doç. Dr. Hakan Çevkalp Hüseyn Gündüz Musa Aydın Güvenç Usanmaz Onur Akyüz ŞUBAT 2013 ESKİŞEHİR

Detaylı

Makine Öğrenmesi 6. hafta

Makine Öğrenmesi 6. hafta Makne Öğrenmes 6. hafta Yapay Snr Ağlarına Grş Tek katmanlı YSA lar Algılayıcı (Perceptron) Aalne (Aaptve Lnear Elemen Byolojk Snr Hücres Byolojk snrler ört ana bölümen oluşmaktaır. Bunlar: Denrt, Akson,

Detaylı

VERİ MADENCİLİĞİ Demetleme Yöntemleri

VERİ MADENCİLİĞİ Demetleme Yöntemleri VERİ MADENCİLİĞİ Demetleme Yöntemler Yrd Doç Dr Şule ündüz Öğüdücü http://wwwnnovatuedutr/etmdeta asp?eid/ Demetleme şlemler Demetleme uulamaları Demetleme Yöntemler Bölünmel Yöntemler Herarşk Yöntemler

Detaylı

BULANIK MODELLEME YAKLAŞIMININ TENÖR KESTİRİMİNDE KULLANILMASI ABSTRACT

BULANIK MODELLEME YAKLAŞIMININ TENÖR KESTİRİMİNDE KULLANILMASI ABSTRACT BULANIK MODELLEME YAKLAŞIMININ TENÖR KESTİRİMİNDE KULLANILMASI Use of Fuzzy Modelng Approach n Grade Estmaton MADENCİLİK, Clt 45, Sayı, Sayfa 39-47, Hazran 6 Vol.45, No., pp 39-47, June 6 Bülent TÜTMEZ

Detaylı

Calculating the Index of Refraction of Air

Calculating the Index of Refraction of Air Ankara Unversty Faculty o Engneerng Optcs Lab IV Sprng 2009 Calculatng the Index o Reracton o Ar Lab Group: 1 Teoman Soygül Snan Tarakçı Seval Cbcel Muhammed Karakaya March 3, 2009 Havanın Kırılma Đndsnn

Detaylı

PARÇALI DOĞRUSAL REGRESYON

PARÇALI DOĞRUSAL REGRESYON HAFTA 4 PARÇALI DOĞRUSAL REGRESYO Gölge değşkenn br başka kullanımını açıklamak çn varsayımsal br şrketn satış temslclerne nasıl ödeme yaptığı ele alınsın. Satış prmleryle satış hacm Arasındak varsayımsal

Detaylı

YAYILI YÜK İLE YÜKLENMİŞ YAPI KİRİŞLERİNDE GÖÇME YÜKÜ HESABI. Perihan (Karakulak) EFE

YAYILI YÜK İLE YÜKLENMİŞ YAPI KİRİŞLERİNDE GÖÇME YÜKÜ HESABI. Perihan (Karakulak) EFE BAÜ Fen Bl. Enst. Dergs (6).8. YAYII YÜK İE YÜKENİŞ YAPI KİRİŞERİNDE GÖÇE YÜKÜ HESABI Perhan (Karakulak) EFE Balıkesr Ünverstes ühendslk marlık Fakültes İnşaat üh. Bölümü Balıkesr, TÜRKİYE ÖZET Yapılar

Detaylı

SİSMİK VERİ ANALİZİNDE YAPAY SİNİR AĞI TABANLI ANA BİLEŞENLER ANALİZİ MODELİ

SİSMİK VERİ ANALİZİNDE YAPAY SİNİR AĞI TABANLI ANA BİLEŞENLER ANALİZİ MODELİ SİSMİK VERİ ANALİZİNDE YAPAY SİNİR AĞI ABANLI ANA BİLEŞENLER ANALİZİ MODELİ ARIFICIAL NEURAL NEWORK BASED PRINCIPAL COMPONEN ANALYSIS MEHOD FOR SEISMIC DAA ANALYSIS Ozan Arslan Posta Adres : KOÜ Vezroğlu

Detaylı

ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ

ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ Gülesen ÜSTÜNDAĞ BAZI PARAMETRİK OLMAYAN İSTATİSTİKSEL YÖNTEMLERİN İNCELENMESİ İSTATİSTİK ANABİLİM DALI ADANA, 005 ÇUKUROVA ÜNİVERSİTESİ

Detaylı

Türkiye deki Binalara Yönelik Soğutma Yükü Hesabı için Web Tabanlı Yazılım Geliştirilmesi

Türkiye deki Binalara Yönelik Soğutma Yükü Hesabı için Web Tabanlı Yazılım Geliştirilmesi 43 Türkye dek Bnalara Yönelk Soğutma Yükü Hesabı çn Web Tabanlı Yazılım Gelştrlmes Development of a Web-Based Software For Buldng Coolng Load Calculatons n Turkey Yrd. Doç. Dr. M. Azm AKTACİR / Yrd. Doç.

Detaylı

THOMAS-FİERİNG MODELİ İLE SENTETİK AKIŞ SERİLERİNİN HESAPLANMASINDA YENİ BİR YAKLAŞIM

THOMAS-FİERİNG MODELİ İLE SENTETİK AKIŞ SERİLERİNİN HESAPLANMASINDA YENİ BİR YAKLAŞIM Osmangaz Ünverstes Müh.Mm.Fak.Dergs C.XVII, S., 004 Eng.&Arch.Fac.Osmangaz Unversty, Vol.XVII, No :, 004 THOMAS-FİERİNG MODELİ İLE SENTETİK AKIŞ SERİLERİNİN HESAPLANMASINDA YENİ BİR YAKLAŞIM Recep BAKIŞ,

Detaylı

Rasgele Değişken Üretme Teknikleri

Rasgele Değişken Üretme Teknikleri Rasgele Değşken Üretme Teknkler Amaç Smülasyon modelnn grdlern oluşturacak örneklern üretlmes Yaygın olarak kullanılan ayrık veya sürekl dağılımların örneklenmes sürecn anlamak Yaygın olarak kullanılan

Detaylı

Karaciğer mikrodizi kanser verisinin sınıflandırılması için genetik algoritma kullanarak ANFIS in eğitilmesi

Karaciğer mikrodizi kanser verisinin sınıflandırılması için genetik algoritma kullanarak ANFIS in eğitilmesi Karacğer mkrodz kanser versnn sınıflandırılması çn genetk algortma kullanarak ANFIS n eğtlmes Bülent Haznedar 1*, Mustafa Turan Arslan 2, Adem Kalınlı 3 ÖZ 21.06.2016 Gelş/Receved, 30.11.2016 Kabul/Accepted

Detaylı

BÖLÜM 1 1.GİRİŞ: İSTATİSTİKSEL DOĞRUSAL MODELLER

BÖLÜM 1 1.GİRİŞ: İSTATİSTİKSEL DOĞRUSAL MODELLER BÖLÜM 1 1.GİRİŞ: İSTATİSTİKSEL DOĞRUSAL MODELLER Blmn amaçlarından br yaşanılan doğa olaylarını tanımlamak ve olayları önceden tahmnlemektr. Bu amacı başarmanın yollarından br olaylar üzernde etkl olduğu

Detaylı