HAM VERİNİN NİTELİKLİ BİLGİYE DÖNÜŞTÜRÜLME SÜRECİ
|
|
- Gül Vural
- 6 yıl önce
- İzleme sayısı:
Transkript
1 HAM VERİNİN NİTELİKLİ BİLGİYE DÖNÜŞTÜRÜLME SÜRECİ
2 Ajanda 1.Hafta 1.1. Veri Madenciliği Nedir? Temel Kavramlar 1.2. Veri Madenciliğine Giriş Veri Madenciliğindeki Gelişim Süreci Veri Madenciliği ve İstatistiksel Yöntemler Arasındaki Farklılıklar ve Benzerlikler 1.3. Veri ve Verinin Saklanması Veri Kaynakları Veri Tabanı Veri Ambarı Data Mart Nedir? Yapısal ve Yapısal Olmayan Veri Nedir?
3 Kavramlar HAM VERİ İngilizcesi raw data olan, düzenlenmemiş veri olarak ifade edilebilir. VERİ Satır ve kolonlar bazında ifade edilmiş, bir formata sahip olan verileri ifade etmektedir. Veriler ölçüm, sayım, deney, gözlem ya da araştırma yolu ile elde edilmektedir. Ölçüm ya da sayım yolu ile toplanan ve sayısal bir değer bildiren veriler nicel veriler, sayısal bir değer bildirmeyen veriler de nitel veriler olarak adlandırılmaktadır. Kategorik ve sürekli olarak ayrımını yapacağımız bu yapı daha da derin bir bileşen yapısına sahiptir.
4 Kavramlar BİLGİ İngilizcesi information olan olgudur. Sorgu ve raporlama fonksiyonları sayesinde, veritabanındaki verinin çekilerek bilgiye dönüşümü sağlanır. Örneğin, ürün, miktar ve fiyat toplamları, satılan ürünlerle bunların miktar ve hacimleri bilgiyi sağlar. NİTELİKLİ BİLGİ İngilizcesi knowledge olan olgudur. Veri madenciliği teknolojisi içeren uygulamalar sayesinde, veri içerisindeki gizli eğilim ve örüntülerin belirlenmesi olarak düşünülebilir.
5 Veritabanı ve Veri Ambarı Bakış Açısı
6 Veritabanı ve Veri Ambarı Bakış Açısı
7 Kavramlar VERİ KAYNAKLARI Verinin tutulduğu alanları ifade eder. Veritabanları, text dosyaları, excel dosyaları, XML dosyaları, sav dosyaları, sas dosyaları gibi kaynaklar veri kaynakları olabilir. VERİ DÖNÜŞTÜRME (ETL) ETL harfleri İngilizce karşılığı olan veriyi çıkar, değiştir ve yükle işlemlerini ifade eder.
8 Kavramlar Projelerde veri her zaman aynı biçimlerde ve istediğiniz detay veya özet durumunda bulunmayabilir. Zaman zaman ihtiyaca göre aynı verinin kullanım amacına bağlı olarak, farklı düzenlerde kullanılması gerekir. ETL araçları ile verilerinin kaynaklarından ham olarak işlenecek kaynağa çevrilmesi yapılır. Bu aşamada farklı erişim protokolleri (ODBC, JDBC, doğal), dosya biçimleri kullanır. Elde edilen veriler incelenir, çeşitli filtreleme, temizlik, eşleme, sıralama, ek bilgiler ile zenginleştirme, ayrıştırma gibi işlemler uygulanır.
9 Kavramlar VERİ AMBARI Veri ambarı, iş hedefleri doğrultusunda sorgulamalar ve analiz yapmak için özelleşmiş bir veritabanıdır. Temel amacı, işletmeye ait güncel olmayan kayıtları saklamak ve bu kayıtlar üzerinde daha kolay analizler yapılmasını sağlayarak iş ihtiyaçlarını anlamaya ve işletme fonksiyonlarını yenilemeye yardımcı olmak, yani iş zekasına kolaylık sağlamaktır. Bildiğimiz ilişkisel veritabanları, olaylar ve işlemlerle(transaction) ilgili verileri saklar, bu yüzden devamlı bir veri giriş çıkışı içerisindedirler ve en güncel veriyi taşırlar. Veri ambarları ise, bu veritabanlarındaki verilerle diğer dış kaynaklardan alınan verilerin belirli periyodlarda derlenip arşivlenmesi ile oluşturulan, bu sayede dönemsel analizlerin yapılmasına olanak sağlayan yapılardır.
10 Kavramlar Veri ambarları, veri saklama işlevinin dışında ETL, veri madenciliği, raporlama, tahminleme çözümleri sunan uygulamalar tarafından da kullanılarak, ham verilerin kullanışlı bilgilere dönüştürülmesine olanak tanır.
11 Kavramlar DATA MART Data Mart lar veri ambarlarının alt kümeleridir. Veri ambarları bir iş probleminin tamamına yönelik bir bakış sağlarken, data mart'lar sadece belli bir kısma bakış sağlarlar. İşletme üzerindeki karar vericilerin, işe ait tüm veriler üzerinde analiz yapmasına gerek olmayabilir. Bu kişiler sadece kendi birimleriyle ilgili verilere ulaşarak bunlara bağlı analizler yapmayı isteyebilirler, bu durumda veri ambarındaki tüm karmaşıklıklık içinde boğulmalarına gerek yoktur. Veri ambarlarının sadece bir konu kapsamında alt kümesini temsil eden data mart'lar, veri ambarları kadar ayrıntılı veri de barındırmazlar. Bu yüzden kolay anlaşılabilir ve yönlendirilebilirlerdir.
12 Kavramlar OLAP ve OLTP Kavramları OLAP(On-Line Analytical Processing), veriler üzerinde çok boyutlu analizler yapılmasına olanak sağlayan bir yaklaşımdır. Doğal olarak OLAP veri ambarlarına ait sorgulama ve oluşturma işlemlerini de kapsar. Çok boyutlu veritabanı olarak tasarlanmış bir veri ambarında, sözgelimi satışlarla ilgili bilgilerin yer aldığı bir tabloda, "zaman" boyutunun elemanlarına denk gelen gün-hafta-ay-yıl gibi sütunlar bulunabilir, bu da OLAP'ın boyut modellemesine olanak sağlar.
13 Kavramlar Fakat veri ambarı ve OLAP terimlerinin birbirleri yerine kullanılması yanlıştır, veri ambarı üstte bahsettiğim gibi özelleşmiş bir veritabanını belirtirken, OLAP eldeki veriler üzerinde çok boyutlu sorgular yapmayı kolaylaştıran bir analiz yaklaşımıdır. Yani OLAP istemci uygulamaların veri ambarını kullanmasını kolaylaştıran teknolojidir. OLAP küpü, boyut, fact gibi kavramlar da aslında veri ambarı ile doğrudan bağlantılı değildir; OLAP süreçleri veri ambarı gerektirmeyebilir, her veri ambarı da OLAP sürecine sokulmayabilir. OLAP konuları ayrı bir derya, şimdilik değinmeyeceğim. Ama OLAP denince akla veri ambarları üzerinde yapılan boyutsal analiz işlemleri akla gelse yeterli.
14 Kavramlar İŞ ZEKASI Literatürdeki tüm kavram karmaşasına rağmen İş Zekası, işletmelerin karar verme süreçlerini etkileyen ve optimize eden tüm araçların kullanımını, verilerin toplanmasını, saklanmasını, düzenlenmesini, analiz edilmesini ve görselleştirilmesini, verilerin en etkin ve kolay biçimde yönetilmesini sağlayan tüm süreçleri kapsayan bir anlayıştır. Verilerden bilgiye geçiş sürecinde İş Zekası bir takım yöntem ve teknolojilerle bütünleşik bir yapı sunmaktadır.
15 Kavramlar İSTATİSTİKSEL ANALİZLER 17. Yüzyıla kadar sadece ham veri kaydetme şeklinde gerçekleşen istatistiksel çalışmalar, 18. ve 19. Yüzyıllarda J. Bernoulli ve K. Gauss un katkılarıyla matematik temelleri üzerine oturtulmuş, olasılık teorisi geliştirilmiştir. Dar anlamda istatistik; geçmiş ve şimdiki durumla ilgili toplanmış sayısal verileri geliştirilmiş olan bazı yöntemler ile analiz ederek gelecek hakkında karar vermemizi kolaylaştıran bilim dalıdır. İstatistiksel analizler temelde iki amaç doğrultusunda gerçekleştirilmektedir. Tanımlayıcı, Tahmin Edici.
16 Kavramlar VERİ MADENCİLİĞİ Veri madenciliği ile ilgili farklı tanımlar yapılmıştır. Bu tanımlardan bazılarına aşağıda yer verilmiştir. Piatetsky-Shapiro ya göre, veriden anlamlı ilişkiler ve örüntüler (patterns) çıkarma sürecine, veri madenciliği, bilgi çıkarımı, bilgi keşfi, veri arkeolojisi ve veri şablon işleme gibi isimler verilmektedir. Veri madenciliği tanımını daha çok istatistikçiler, veri analizcileri ve yönetim bilişim sistemleri kullanıcıları kullanmaktadır. İlk olarak 1989 yılında bir atölye çalışmasında, veri işleme sürecinde bilginin son ürün olduğunu vurgulamak için veri tabanlarında bilgi keşfi tanımlaması kullanılmıştır.
17 Kavramlar Adrians ve Zantinge e göre veri tabanlarında zengin bilgiye sahip olan pek çok organizasyon, bu bilgiyi yönetmenin çok zor olması sebebiyle, bilgisayarları kullanmaktadır. Bilgisayarların kullanılarak veriler içerisinden anlamlı bilgilerin çıkarılması, veri madenciliği olarak tanımlanmıştır. Veri madenciliği, gelecekteki kararlara yardımcı olmak için veritabanlarından eğilimler (trends), örüntüler ve iliskiler bulur. VM, sadece uzmanlara veriyi anlamada ve iyi karar vermede yardımcı olur.
18 DİKKAT!!! Veri madenciliği, ham veriden nitelikli bilgiye ulaşmada kullanılan bir süreçtir. Buna rağmen VM sihir değildir. Bu işlemin bizi iyi sonuçlara götüreceğini hiç kimse garanti edemez. VM, araştırma ve çözümlemenin birden fazla disiplin kullanılarak yapılmasıdır. Makine öğrenimi, istatistik, veritabanı teknolojisi ve verilerin görüntülenmesi (data visualization) gibi yöntemlerin birlikte kullanıldığı bir yöntemdir. Her bir disiplin bu veri kesfine kendi özünü katmaktadır.
19 Kavramlar
20 Kavramlar - Karışıklık VM ile benzer ve tamamen farklı anlamlar taşıyan buna eş değer başka kullanımlar da literatüre geçmiştir. Veritabanlarından Bilgi Madenleme (knowledge mining from databases), Bilgi Çıkarımı (knowledge extraction), Veri ve Örüntü Çözümlemesi (data/pattern analysis), Veri Arkeolojisi ve Veri Tarama gibi terimler literatürde kullanılmaktadır. Bunların arasındaki en popüler kullanım Veritabanlarında Bilgi Kesfi (VTBK, Knowledge Discovery From Databases, KDD)'dir ve birçok insan VM yi en çok VTBK ile eş anlamda kullanmaktadır.
21 VM Proje Safhaları Veri madenciliğinin bir çok disiplini barındıran yapısı ve farklı uygulama alanlarındaki görevlerle prosedürlerin çeşitliliği, veri büyüklüğünden dolayı farklı ve kirli veri kaynakları ile çalışmadaki zorluklardan dolayı standart bir metodolojiye ihtiyaç duymaktadır. CRISP-DM (Cross Industry Standard Process for Data Mining) projesi, bir süreç modeli tanımlayarak bu problemlere hitap eder. CRISP-DM süreç modeli, Daimler Chrysler AG, SPSS, NCR ve OHRA gibi lider veri madenciliği kullanıcıları ve tedarikçilerinden oluşan bir konsorsiyum tarafından geliştirilmiştir.
22 VM Proje Safhaları
23 Veri Madenciliği Modelleri VM de kullanılan modeller, tahmin edici (predictive) ve tanımlayıcı (descriptive) olmak üzere iki ana baslık altında incelenmektedir. Tanımlayıcı modellerde ise karar vermeye rehberlik etmede kullanılabilecek mevcut verilerdeki örüntülerin tanımlanması sağlanmaktadır. X/Y aralığında geliri, evi ve arabası olan, ayrıca çocukları okul çağında olan aileler ile, çocuğu olmayan ve geliri X/Y aralığından düşük olan ailelerin satın alma örüntülerinin birbirlerine benzerlik gösterdiğinin belirlenmesi tanımlayıcı modellere bir örnektir.
24 Veri Madenciliği Modelleri Tahmin edici modellerde, sonuçları bilinen verilerden hareket edilerek bir model geliştirilmesi ve kurulan bu modelden yararlanılarak sonuçları bilinmeyen veri kümeleri için sonuç değerlerin tahmin edilmesi amaçlanmaktadır. VM modellerini gördükleri islevlere göre, Sınıflama (Classification) ve Regresyon, Kümeleme (Clustering), Birliktelik Kuralları (Association Rules) ve Ardısık Zamanlı Örüntüler (Sequential Patterns) üç ana başlıkta toplanabilir.
25 Veri Madenciliği Modelleri
26 VM Kullanılan Alanlar Kara Para Aklamanın Tespiti Sahtekârlık İle Mücadele Bölgesel Kalkınmışlık ve Gelişmişlik Tespiti ve Profillerin Belirlenmesi Risk Analizleri Müşteri Memnuniyeti ve Profillerinin Belirlenmesi Müşteri İlişkileri Yönetimi (CRM) Müşteri Sadakat Analizi Müşteri Segmentasyon Analizleri
27 VM Kullanılan Alanlar Hilekarlık ve Suistimal Analizleri ve Profillerinin Belirlenmesi Mağaza / Satış / ATM /Şube Noktası Tespiti Ürün ve Raf Düzeni Çapraz Satış Çalışan Memnuniyeti ve Profillerinin Belirlenmesi SAĞLIK, TELEKOM, PERAKENDE, EĞİTİM, ULAŞIM, İK, FİNANS, KAMU
28 Kullanılan Programlar
29 Kullanılan Programlar
30 Kullanılan Programlar
31 Kullanılan Programlar
32 Kullanılan Programlar
33 Ajanda 2.Hafta 2.1. Kullanım Amaçlarına Göre Veri Madenciliği Yöntemleri Öngörüsel Yöntemler Birliktelik Kuralları ve Ardışık Zamanlı Örüntüler Kümeleme Yöntemleri Aykırı Değer Analizi 2.2. Veri Madenciliğinde Kullanılan Yöntemler İstatistiksel Yöntemler Makine Öğrenimi ve Yapay Zeka Veri Tabanı Sistemleri ve Sorgulama 2.3. Örnek Uygulamalar
34 KONU PAYLAŞIMI KARAR AĞAÇLARI CHAID C&R Tree C5.0 DECISION LIST SUPPORT VECTOR MACHINE BAYESIAN NETWORK TAN (Tree Augment Naive Bayes) MARKOV BLANKET KNN (K-Nearest Neigbor)
35 KONU PAYLAŞIMI ASSOCIATION RULES Apriori CARMA GRI Sequence KÜMELEME K-Means Two-Step ANOMALY DETECTION NEURAL NETWORKS Text Mining Web Mining Variable Selection
HAM VERİNİN NİTELİKLİ BİLGİYE DÖNÜŞTÜRÜLME SÜRECİ
HAM VERİNİN NİTELİKLİ BİLGİYE DÖNÜŞTÜRÜLME SÜRECİ Cenk BALKAN Kavramlar HAM VERİ İngilizcesi raw data olan, düzenlenmemiş veri olarak ifade edilebilir. VERİ Satır ve kolonlar bazında ifade edilmiş, bir
DetaylıVERİ MADENCİLİĞİNE BAKIŞ
VERİ MADENCİLİĞİNE BAKIŞ İçerik Veri Madenciliği Neden Veri Madenciliği? Veri ve Veri Madenciliğinin Önemi Günümüzde Kullanılan Veri Madenciliğinin Çeşitli İsimleri Veri Madenciliği Nedir? Neden Veri Madenciliği?
DetaylıVERİ MADENCİLİĞİ F A T M A İ L H A N
VERİ MADENCİLİĞİ F A T M A İ L H A N Veri Madenciliği Nedir? Veri madenciliği büyük miktarda veri içinden gelecekle ilgili tahmin yapmamızı sağlayacak bağıntı ve kuralların bilgisayar programı kullanılarak
Detaylıİş Analitiği'ne Netezza ile Yüksek Performans Katın
İş Analitiği'ne Netezza ile Yüksek Performans Katın Umut ŞATIR İleri Analitik Çözüm Mimarı 2012 IBM Corporation Netezza and IBM Business Analytics Baştan sona bir İş Analitiği çözümü Performans Kolaylık
DetaylıBaşlıca Ürün-Bilgi Sistemleri
BİLGİ SİSTEMLERİ Başlıca Ürün-Bilgi Sistemleri Süreç İşleme Sistemleri, Ofis Otomasyon Sistemleri ve Bilgi İşleme Sistemleri, Yönetim Bilişim Sistemleri, Karar Destek Sistemleri, Uzman Sistemler ve Yapay
DetaylıVERI TABANLARıNDA BILGI KEŞFI
1 VERİ MADENCİLİĞİ VERI TABANLARıNDA BILGI KEŞFI Veri Tabanlarında Bilgi Keşfi, veriden faydalı bilginin keşfedilmesi sürecinin tamamına atıfta bulunmakta ve veri madenciliği bu sürecin bir adımına karşılık
DetaylıKonular. VERİ MADENCİLİĞİ Giriş. Problem Tanımı. Veri Madenciliği: Tarihçe. Veri Madenciliği Nedir? Bilgi Keşfi
VERİ MADENCİLİĞİ Giriş Yrd. Doç. Dr. Şule Gündüz Öğüdücü 1 2 Problem Tanımı Veri Madenciliği: Tarihçe teknolojinin gelişimiyle bilgisayar ortamında ve veritabanlarında tutulan veri miktarının da artması
DetaylıVERİ MADENCİLİĞİ İLE DEPREM VERİLERİNİN ANALİZİ
VERİ MADENCİLİĞİ İLE DEPREM VERİLERİNİN ANALİZİ N. Duru -1, M. Canbay -1 Posta Adresi: 1- Kocaeli Üniversitesi Müh.Fak. Bilgisayar Mühendisliği 2- Kocaeli Üniversitesi Müh.Fak. Jeofizik Mühendisliği E-posta:
Detaylıbilişim ltd İş Zekâsı Sistemi
BI İş Zekâsı Sistemi Bilişim Ltd. 1985 te kurulan Bilişim Ltd, Türkiye nin üstün başarıyla sonuçlanmış önemli projelerine imza atan öncü bir yazılımevi ve danışmanlık kurumu dur. Önemli kuruluşların bilgi
DetaylıVeritabanı Yönetimi Bilgisayarların. Keşfi Hedefler. Veritabanı, Veri ve Bilgi. Veritabanı, Veri ve Bilgi. Veritabanı, Veri ve Bilgi
Hedefler Veritabanı Yönetimi Bilgisayarların Discovering Keşfi 2010 Computers 2010 Living in a Digital World Dijital Dünyada Yaşamak Veritabanı terimini tanımlamak ve bir veritabanının veri ve bilgi ile
DetaylıLOGO İş Zekası çözümü ile kurumsal raporlama ve analizler. Cem Yılmaz Genel Müdür LOGOBI Yazılım
LOGO İş Zekası çözümü ile kurumsal raporlama ve analizler Cem Yılmaz Genel Müdür LOGOBI Yazılım Hakkımızda LOGOBI Yazılım A.Ş. iş zekası alanında faaliyet gösteren, Türkiye de sahip olduğu yüzlerce müşterinin
Detaylı1 BILGI TEKNOLOJILERI VE YÖNETIM
İÇİNDEKİLER VII İÇİNDEKİLER 1 BILGI TEKNOLOJILERI VE YÖNETIM 1 Bilgi Kavramı ve Bilgi Teknolojileri 1 Bilgi Teknolojileri Altyapısı 7 Bilgi Teknolojileri ve İş Dünyası 11 Yönetim ve İş Süreç Yönetimi 15
DetaylıT.C. Muhsin Özgür DOLGUN. Biyoistatistik Programı DOKTORA TEZİ
T.C HACETTEPE ÜNİVERSİTESİ SAĞLIK BİLİMLERİ ENSTİTÜSÜ VERİ MADENCİLİĞİ SINIFLAMA YÖNTEMLERİNİN BAŞARILARININ; BAĞIMLI DEĞİŞKEN PREVELANSI, ÖRNEKLEM BÜYÜKLÜĞÜ VE BAĞIMSIZ DEĞİŞKENLER ARASI İLİŞKİ YAPISINA
DetaylıMesleki Terminoloji II Veri Madenciliği
Mesleki Terminoloji II Veri Madenciliği Burak Düşün - 14011055 Akif Berkay Gürcan - 14011023 Veri Madenciliği Nedir? Veri madenciliği, büyük miktarda verinin anlamlı örüntüler bulmak amacıyla otomatik
DetaylıNesnelerin İnternetinde Veri Analizi
Nesnelerin İnternetinde Veri Analizi Bölüm 2. Veri madenciliği w3.gazi.edu.tr/~suatozdemir Veritabanı teknolojisinin gelişimi 2 Neden veri madenciliği? Bilgisayarların ucuzlayıp aynı zamanda çok güçlü
DetaylıSÖZLÜ BİLDİRİ TÜRKİYE DEKİ HASTANELERİN VERİ MADENCİLİĞİ YÖNTEMLERİ KULLANILARAK GRUPLANDIRILMASI
SÖZLÜ BİLDİRİ TÜRKİYE DEKİ HASTANELERİN VERİ MADENCİLİĞİ YÖNTEMLERİ KULLANILARAK GRUPLANDIRILMASI CLASSIFICATION OF TURKISH HOSPITALS BY USING DATA MINING TECHNIQUE Mehmet UĞURLU 1, M.Özgür DOLGUN 2, S.Yavuz
Detaylıİş Zekâsı Sistemi Projesi
BI İş Zekâsı Sistemi Projesi Ulaş Kula, Bilişim Ltd. Esinkap 5. Ar-Ge Proje Pazarı 31 Mayıs 2012 Bilişim Ltd. 1985 te kurulan Bilişim Ltd, Türkiye nin üstün başarıyla sonuçlanmış önemli projelerine imza
DetaylıVeritabanı, Veri Madenciliği, Veri Ambarı, Veri Pazarı
Veritabanı, Veri Madenciliği, Veri Ambarı, Veri Pazarı Başkent Üniversitesi Bilgisayar Mühendisliği Yönetim Bilişim Sistemleri (Bil 483) 20394676 - Ümit Burak USGURLU Veritabanı Veri tabanı düzenli bilgiler
DetaylıÇok fazla bilgiden gizli kalmış örüntüleri ortaya çıkarma sürecine Veri Madenciliği denir.
Veri Madenciliği Çok fazla bilgiden gizli kalmış örüntüleri ortaya çıkarma sürecine Veri Madenciliği denir. istatistik + makine öğrenmesi + yapay zeka = veri madenciliği Veri madenciliği süreçleri CRISP-DM
DetaylıBAŞAK ÇOBAN MERVE SARITAŞ AZİME AKÇAÖZ BÜŞRA AYDEMİR
VERİ MADENCİLİĞİ İSİMLER BAŞAK ÇOBAN MERVE SARITAŞ AZİME AKÇAÖZ BÜŞRA AYDEMİR MOLEKÜLER BİYOLOJİ ve GENETİK GEBZE TEKNİK ÜNİVERSİTESİ ARALIK 2015 İçindekiler ÖZET... iii 1.GİRİŞ... 1 1.1 Veri Ambarı, Veri
DetaylıVERİ MADENCİLİĞİ (Data Mining) (Veri Madenciliğine Giriş) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Data Mining) (Veri Madenciliğine Giriş) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Ders Bilgileri EME4214 Veri Madenciliği Ders ile ilgili duyurular http://kergun.baun.edu.tr/
DetaylıSİSTEM ANALİZİ ÖĞR. GÖR. MUSTAFA ÇETİNKAYA DERS 2 > GÜNÜMÜZ İŞLETMELERİNDE ENFORMASYON SİSTEMLERİ
SİSTEM ANALİZİ IT (ET) NEDİR?. BİLGİSAYAR DONANIM VE YAZILIMI VERİ YÖNETİMİ AĞ VE TELEKOMÜNİKASYON TEKNOLOJİLERİ WWW & İNTERNET İNTRANET & EKSTRANET SAYFA > 1 IS (ES) NEDİR?. ENFORMASYON SİSTEMİ BİRBİRİYLE
DetaylıPARALEL VERİ MADENCİLİĞİ ALGORİTMALARI. BAŞARIM 09, 15-18 Nisan 2009, ODTÜ, Ankara
PARALEL VERİ MADENCİLİĞİ ALGORİTMALARI BAŞARIM 09, 15-18 Nisan 2009, ODTÜ, Ankara Veri Madenciliğine Genel Bir Bakış Veri Madenciliğinin Görevleri Sınıflama Seri Sınıflama Algoritmaları Paralel Sınıflama
DetaylıAPRIORI ALGORİTMASI İLE ÖĞRENCİ BAŞARISI ANALİZİ
APRIORI ALGORİTMASI İLE ÖĞRENCİ BAŞARISI ANALİZİ Murat KARABATAK 1, Melih Cevdet İNCE 2 1 Fırat Üniversitesi Teknik Eğitim Fakültesi Elektronik Bilgisayar Eğitimi Bölümü 2 Fırat Üniversitesi Mühendislik
DetaylıVeri Madenciliği. Yrd. Doç. Dr. Mustafa Gökçe Baydoğan. blog.mustafabaydogan.
Veri Madenciliği Yrd. Doç. Dr. Mustafa Gökçe Baydoğan mustafa.baydogan@boun.edu.tr www.mustafabaydogan.com blog.mustafabaydogan.com İçerik p Veri Madenciliği nedir? n Bir örnek p Boğaziçi Üniversitesi
DetaylıVeri Ambarları ve Veri Madenciliği (ISE 350) Ders Detayları
Veri Ambarları ve Veri Madenciliği (ISE 350) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Uygulama Saati Saati Laboratuar Saati Kredi AKTS Veri Ambarları ve Veri Madenciliği ISE 350 Bahar 3 0 0 3 6 Ön
DetaylıVERİ MADENCİLİĞİ önemsiz olmayan, gizli, önceden bilinmeyen, potansiyel olarak kullanışlı
Veri Madenciliği, örüntü tanıma, istatistik ve matematiksel yöntemlerin kullanımıyla devasa miktardaki güncel ya da geçmiş veri içerisinden ilgi çekici ( önemsiz olmayan, gizli, önceden bilinmeyen, potansiyel
DetaylıVeri Ambarından Veri Madenciliğine
Veri Ambarından Veri Madenciliğine Yrd. Doç. Dr. Ömer Utku Erzengin 1, Uzman Emine Çetin Teke 2, İstatistikçi Nurzen Üzümcü 3 1 Süleyman Demirel Üniversitesi Fen Edebiyat Fakültesi İstatistik Bölümü 2
DetaylıÖğr.Gör.İnan ÜNAL Tunceli Üniversitesi Bilgisayar Mühendisliği Bölümü
Öğr.Gör.İnan ÜNAL Tunceli Üniversitesi Bilgisayar Mühendisliği Bölümü Büyük miktardaki veriler içerisinden önemli olanlarını bulup çıkarmaya veri Madenciliği denir. Veri madenciliği bir sorgulama işlemi
DetaylıVERİ MADENCİLİĞİNİN GÖREVLERİ
VERİ MADENCİLİĞİNİN GÖREVLERİ VERİ MADENCİLİĞİNİN GÖREVLERİ Classification (Sınıflandırma) Karakterizasyon (Betimleme) Regression (İlişki Çıkarımı) Clustering (Kümeleme) Association (İlişki Analizi) Forecasting
DetaylıBir Taşla Çok Kuş SAP İş Analitikleri Baştan Sona Paket Çözüm. Muzaffer YÖNTEM / Ülke Yöneticisi 9 Aralık 2014, Salı
Bir Taşla Çok Kuş SAP İş Analitikleri Baştan Sona Paket Çözüm Muzaffer YÖNTEM / Ülke Yöneticisi 9 Aralık 2014, Salı Midis Group 45+ 100+ 100+ 3500+ 3+ Yıl Bilişim Dünyası Tecrübesi Grup Şirketi Global
DetaylıPAPATYA YAYINCILIK EĞİTİM Bilgisayar Sis. San. ve Tic. A.Ş. Veri Madenciliği Yöntemleri Dr. Yalçın ÖZKAN -II-
Dr. Yalçın ÖZKAN Dr. Yalçın ÖZKAN PAPATYA YAYINCILIK EĞİTİM Bilgisayar Sis. San. ve Tic. A.Ş. Ankara Caddesi, Prof. Fahreddin Kerim Gökay Vakfı İşhanı Girişi, No: 11/3, Cağaloğlu (Fatih)/İstanbul Tel
DetaylıÖğrencilerin Staj Verileri Üzerine Uygulanan Apriori Algoritması ile Birliktelik Kurallarının Çıkarılması ve Staj Eğiliminin Belirlenmesi
1086 Öğrencilerin Staj Verileri Üzerine Uygulanan Apriori Algoritması ile Birliktelik Kurallarının Çıkarılması ve Staj Eğiliminin Belirlenmesi *1 Mehmet Taş, 2 M. Fatih Adak, 2 Nilüfer Yurtay *1 Endüstri
Detaylı2. SÜREKLİ DENETİME İLİŞKİN GENEL BİLGİLER
İÇİNDEKİLER İÇİNDEKİLER... v TABLO LİSTESİ... xi ŞEKİL LİSTESİ... xiii KISALTMALAR... xiv 2. SÜREKLİ DENETİME İLİŞKİN GENEL BİLGİLER... 4 2.1. SÜREKLİ DENETİMİN TANIMI... 4 2.2. SÜREKLİ DENETİM İLE GELENEKSEL
DetaylıBÜYÜK ÖLÇEKLİ VERİ TABANLARINDA BİLGİ KEŞFİ
BÜYÜK ÖLÇEKLİ VERİ TABANLARINDA BİLGİ KEŞFİ Şühedanur KAVURKACI 1, Zeynep GÜRKAŞ AYDIN 2, Rüya ŞAMLI 3 1,2,3 İstanbul Üniversitesi Bilgisayar Mühendisliği Bölümü 1 sskavurkaci@gmail.com, 2 zeynepg@istanbul.edu.tr,
Detaylıw w w. a n k a r a b t. c o m
Şirket Profili w w w. a n k a r a b t. c o m AnkaraBT, yazılım geliştirme alanında faaliyet gösteren ve uzman kadrosuyla Türkiye'nin önde gelen kurumsal çözümlerini üreten %100 Türk sermayeli bilgi teknolojisi
DetaylıVERİ TABANI UYGULAMALARI
VERİ TABANI UYGULAMALARI VERİ TABANI NEDİR? Bir konuyla ilgili çok sayıda verinin tutulmasına, depolanmasına ve belli bir mantık içerisinde gruplara ayrılmasına veri tabanı denir. Veri tabanı programları;
DetaylıKAMUDA KARAR DESTEK SİSTEMLERİNİN KULLANIMI VE BİR MODEL ÖNERİSİ
KAMUDA KARAR DESTEK SİSTEMLERİNİN KULLANIMI VE BİR MODEL ÖNERİSİ Yrd.Doç. Dr. Altan ÖZKİL Atılım Üniversitesi Endüstri Mühendisliği Bölümü aozkil@atilim.edu.tr 15 Mayıs 2010, Antalya 13-16/05/ 2010 Kamu
Detaylı2017 MÜFREDATI MÜHENDİSLİK FAKÜLTESİ / ENDÜSTRİ MÜHENDİSLİĞİ EĞİTİM PLANI. Ders Kodu Ders Adı (Türkçe) Müf.No T P K AKTS Tip Op.
2017 MÜFREDATI MÜHENDİSLİK FAKÜLTESİ / ENDÜSTRİ MÜHENDİSLİĞİ EĞİTİM PLANI SINIF: 1 DÖNEM: GÜZ Aİ 101 ATATÜRK İLKELERİ VE İNKILAP TARİHİ-I 2017 2 0 2 2 Z ENM 101 MATEMATİK-I 2017 4 0 6 6 Z ENM 103 FİZİK-I
DetaylıSemantik Bilgi Yönetimi
Semantik Bilgi Yönetimi Yaşar ar Tonta Hacettepe Üniversitesi Bilgi ve Belge Yönetimi Bölümü tonta@hacettepe.edu.tr yunus.hacettepe.edu.tr/~tonta/ 1 Plan Memex ten Semantik Web e... Semantik Bilgi Yönetimi
DetaylıVeri Ambarları. Erdem Alparslan
Veri Ambarları Erdem Alparslan İçerik Veri Ambarı nedir? Data Mart OLTP ve Veri Ambarı arasındaki farklar Veri Ambarının Yararları Veri Ambarı Mimarileri Ana Kavramlar Araçlar ve Teknolojiler Veri Ambarı
Detaylıİş Zekası için Dört-Katmanlı Veri Modellemesi Gerçekleştirimi. Harun Gökçe EG Yazılım, TOBB ETÜ
İş Zekası için Dört-Katmanlı Veri Modellemesi Gerçekleştirimi Harun Gökçe EG Yazılım, TOBB ETÜ İçerik İş Zekası Kavramı Tarihçesi İş Zekası Tanım, Kavramlar ve Gereklilik Dört-Katmanlı Veri Modellemesi
DetaylıUzaktan Algılama Uygulamaları
Aksaray Üniversitesi Uzaktan Algılama Uygulamaları Doç.Dr. Semih EKERCİN Harita Mühendisliği Bölümü sekercin@aksaray.edu.tr 2010-2011 Bahar Yarıyılı Uzaktan Algılama Uygulamaları GÖRÜNTÜ İŞLEME TEKNİKLERİ
DetaylıDERS TANITIM BİLGİLERİ. Dersin Adı Kodu Yarıyıl Teori (saat/hafta) Laboratuar (saat/hafta) Uygulama (saat/hafta) AKTS. Yerel Kredi
DERS TANITIM BİLGİLERİ Dersin Adı Kodu Yarıyıl Teori (saat/hafta) Uygulama (saat/hafta) Laboratuar (saat/hafta) Yerel Kredi AKTS Temel Bilgi ve İletişim BEB650 Güz / 0 2 0 1 2 Teknolojileri Kullanımı Bahar
DetaylıMÜHENDİSLİK VE TEKNOLOJİ FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ 2016/2017 ÖĞRETİM YILI 1. YARIYIL FİNAL SINAVI PROGRAMI 1. SINIF
BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ 1. SINIF 2 Ocak Pazartesi 3 Ocak Salı 4 Ocak Çarşamba 5 Ocak Perşembe 6 Ocak Cuma Bilgisayar Mühendisliğine Giriş Fransızca I Sınıf: 118-222 Kimya I Sınıf: 118-231-314 BİLGİSAYAR
DetaylıVeri ve Metin Madenciliği
Veri ve Metin Madenciliği Zehra Taşkın Veri Madenciliği Bir kutu toplu iğne İçine 3 boncuk düşürdünüz Nasıl alacağız? Fikirler? Veri Madenciliği Data Information Knowledge Veri madenciliği; Büyük yoğunluklu
DetaylıVeri ve Metin Madenciliği. Zehra
Veri ve Metin Madenciliği Zehra Taşkın @zehrataskin Büyük Veri https://www.youtube.com/watch?v=tzxmjbl-i4y Veri Madenciliği Bir kutu toplu iğne İçine 3 boncuk düşürdünüz Nasıl alacağız? Veri Madenciliği
DetaylıStreet Smart Marketing
Tek bir hedef için tasarlanmış kamu hizmeti şirket programları. Başarı. Street Smart Marketing Müşterilerinizi cezbeden pazarlama kampanyaları 30 yıllık deneyim Tasarlarız. Yakalarız. İlerleriz. 1.4 milyon
Detaylıİş Zekası Sistemi Veriyi Stratejik Bilgiye Dönüştürür
İş Zekası Sistemi İş Zekası Sistemi İş Zekâsı Sistemi kolay kullanılır, zengin raporlama ve çözümleme yeteneklerine sahip, farklı veri kaynaklarını birleştirir, yöneticilere çok boyutlu, kurumsal bir görüş
DetaylıMasterFi. İş Analitiği Çözümleri. Müşteri portföy analizlerinde yeni bir devir!
MasterFi İş Analitiği Çözümleri Müşteri portföy analizlerinde yeni bir devir! Hiç Bir Şey Tesadüf Değildir! MasterFi Mobil IntelliFi MasterFi Web MasterFi, pazar araştırması yapmak isteyen şirketlerinin
DetaylıVeri Tabanı Yönetim Sistemleri Bölüm - 3
Veri Tabanı Yönetim Sistemleri Bölüm - 3 İçerik Web Tabanlı Veri Tabanı Sistemleri.! MySQL.! PhpMyAdmin.! Web tabanlı bir veritabanı tasarımı. R. Orçun Madran!2 Web Tabanlı Veritabanı Yönetim Sistemleri
DetaylıVeri Tabanı, Veri Ambarı, Veri Madenciliği. Veri Madenciliği Uygulama Alanları
1 Veri Tabanı, Veri Ambarı, Veri Madenciliği Bilgi Keşfi Aşamaları Apriori Algoritması Veri Madenciliği Yöntemleri Problemler Veri Madenciliği Uygulama Alanları 2 Bir bilgisayarda sistematik şekilde saklanmış,
DetaylıYÖNETİM BİLGİ SİSTEMLERİ İŞLETME ZEKASININ TEMELLERİ VERİTABANI VE BİLGİ YÖNETİMİ
YÖNETİM BİLGİ SİSTEMLERİ İŞLETME ZEKASININ TEMELLERİ VERİTABANI VE BİLGİ YÖNETİMİ GELENEKSEL DOSYA ORTAMINDA VERİLERİN ORGANİZASYONU Etkin bir bilgi sistemi kullanıcılarına doğru, zamanlı ve amaca uygun
DetaylıDeğerlendirme Soruları 140. Şerit Kullanımı 124 Şerit Sekmeleri 124 Şeridi Gizleme 125 Eklentiler 125
! 1 Excel Nedir? 2 Excel in Gelişimi 2 Yeni Özellikler 11 Görünüm 11 Bulut Desteği 11 Şablonlar 14 Anlık Veri Çözümleme 16 Hızlı Veri Doldurma 17 Grafik Önerileri (Recomended Charts) 17 Dilimleyiciler
Detaylı1. Oracle Data Miner 11g Release 2 Kurulumu Aşamaları
1. Oracle Data Miner 11g Release 2 Kurulumu Aşamaları Uyarı 1: Kuruluma başlamadan önce Oracle 11g Release 2 veritabanı kurulumunu eksiksiz bir şekilde gerçekleştirmiş olmanız beklenmektedir. İlgili kurulum
DetaylıUYGULAMALI VERİ MADENCİLİĞİ SEKTÖREL ANALİZLER
Yrd. Doç. Dr. Umman Tuğba Şimşek Gürsoy UYGULAMALI VERİ MADENCİLİĞİ SEKTÖREL ANALİZLER ISBN 978-605-364-040-0 Kitapta yer alan bölümlerin tüm sorumluluğu yazarına aittir. 2012, Pegem Akademi Bu kitabın
DetaylıBİLGİYİ YÖNETME. Mustafa Çetinkaya
BİLGİYİ YÖNETME Mustafa Çetinkaya Veri, Bilgi ve Veritabanı Veri, deney, gözlem veya araştırma neticesinde elde edilen işlenmemiş nitel ve nicel öğelerdir. Bilgi, verinin çeşitli yöntem ve sistemler tarafından
DetaylıVERİ MADENCİLİĞİ VE SOSYAL AĞ ANALİZİ ARAŞTIRMA LABORATUVARI
BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ VERİ MADENCİLİĞİ VE SOSYAL AĞ ANALİZİ ARAŞTIRMA LABORATUVARI 10 Aralık 2011, Cumartesi Fen ve Mühendislik Alanlarındaki Çeşitli Araştırma Projelerinden Örneklemeler İçerik
DetaylıVeri Madenciliği - Giriş. Erdem Alparslan
Veri Madenciliği - Giriş Erdem Alparslan Amaçlar İş zekasının önemli bir parçası olan veri madenciliğinin tanımı İş analizi ve veri madenciliğinin amaçlarının anlaşılması Veri madenciliğini kullanan çok
DetaylıVeri Madenciliği. Bölüm 1. Giriş. Doç. Dr. Suat Özdemir. w3.gazi.edu.tr/~suatozdemir
Bölüm 1. Giriş w3.gazi.edu.tr/~suatozdemir Ders bilgileri Öğretim üyesi: E-posta: suatozdemir@gazi.edu.tr Websayfası: w3.gazi.edu.tr/~suatozdemir/teaching/dm Bütün duyuru, ödev, vb. için ders web sayfasını
DetaylıBİTİRME RAPORU. Ömer Furkan ARI 13.06.2010 Yıldız Teknik Üniversitesi
BİTİRME RAPORU Tekstil sektöründe veritabanı sistemleri yaygın olarak kullanılmaktadır. Bu sistemler sayesinde satış işlemlerin kayıtları tutulup buna bağlı olarak çeşitli sorgulamalarla raporlama hizmetleri
DetaylıBilgiyi Keşfedin! Özelleştirme, Eklenti ve Veri Entegrasyonu Kurumsal Seviyede Yönetim ve Performans
Bilgiyi Keşfedin! LOGO MIND INSIGHT (powered by Qlik) İŞ ANALİTİĞİ ÜRÜNÜ, HERKESİN SEZGİLERİ İLE ARAŞTIRMA VE KEŞİF YAPMASINI SAĞLAYAN ÇOK ÇEŞİTLİ ESNEK VE İNTERAKTİF GÖRSELLER OLUŞTURABİLECEĞİ YENİ NESİL
DetaylıVERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr
VERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma
DetaylıYAPAY SİNİR AĞI KULLANARAK DEPREM EĞİLİMİNİN KESTİRİMİ. Umut FIRAT
YAPAY SİNİR AĞI KULLANARAK DEPREM EĞİLİMİNİN KESTİRİMİ Umut FIRAT ufirat@yahoo.com Öz: Depremler yeryüzünde en çok yıkıma neden olan doğal afetlerdir. Bu durum, depremlerin önceden tahmin edilmesi fikrini
DetaylıUZAKTAN EĞİTİM MERKEZİ
ÜNİTE 2 VERİ TABANI İÇİNDEKİLER Veri Tabanı Veri Tabanı İle İlgili Temel Kavramlar Tablo Alan Sorgu Veri Tabanı Yapısı BAYBURT ÜNİVERSİTESİ UZAKTAN EĞİTİM MERKEZİ BİLGİSAYAR II HEDEFLER Veri tabanı kavramını
DetaylıVeri Madenciliği Yöntemleriyle İGDAŞ Çağrı Merkezi Veri Analizi VE Kalite Fonksiyon Yayılımı Yöntemiyle Süreç İyileştirme Çalışması
Veri Madenciliği Yöntemleriyle İGDAŞ Çağrı Merkezi Veri Analizi VE Kalite Fonksiyon Yayılımı Yöntemiyle Süreç İyileştirme Çalışması Nilay Kurşunoğlu, PwC Yönetim Danışmanlığı Biz Kimiz? Orhan Cem Sorumlu
DetaylıDers Adı Kodu Yarıyılı T+U Saati Ulusal Kredisi AKTS
DERS BİLGİLERİ Ders Adı Kodu Yarıyılı T+U Saati Ulusal Kredisi AKTS İnternet Uygulamaları için Veritabanı Programlama EEE474 8 3+2 4 5 Ön Koşul Dersleri Dersin Dili Dersin Seviyesi Dersin Türü İngilizce
DetaylıVeri Madenciliği. Veri Madenciliği ve Makina Öğrenmesi
1 Veri Madenciliği Dijital verinin toplanması ve saklanmasındaki gelişmeler, saklanan verilerin üstel bir şekilde büyümesine sebep olmuştur. Diğer yandan hayatın hızla elektronikleşiyor olması, internetin
DetaylıSistem Geliştirme Yaşam Döngüsü (The Systems Development Life Cycle) (SDLC)
Sistem Geliştirme Yaşam Döngüsü (The Systems Development Life Cycle) (SDLC) Sistem analistlerinin ve kullanıcı faaliyetlerinin spesifik döngüsünün kullanılmasıyla En iyi geliştirilmiş sistemin oluşmasını
DetaylıKurumsal bilgiye hızlı ve kolay erişim Bütünleşik Belge Yönetimi ve İş Akış Sistemi içinde belgeler, Türkçe ve İngilizce metin arama desteği ile içeri
İş süreçleri ve belgelerin bilgisayar ortamında izlenmesi Bütünleşik Belge Yönetimi ve İş Akış Sistemi Kurumların belge ve içerik yönetim işlemleriyle iş süreçlerinin tanımlanması ve denetlenmesi ve bu
DetaylıEĞĠTĠM-ÖĞRETĠM PLANI
T.C. ERCĠYES ÜNĠVERSĠTESĠ Mühendislik Fakültesi Endüstri Mühendisliği Bölümü 2015-2016 EĞĠTĠM-ÖĞRETĠM PLANI I. YARIYIL II. YARIYIL Ders Kodu Ders Adı T P K ECTS Ön şart* Ders Kodu Ders Adı T P K ECTS Ön
DetaylıSwing ve JDBC ile Database Erişimi
Swing ve JDBC ile Database Erişimi JDBC API, tablolanmış herhangi bir tür veriye, özellikle İlişkisel Veritabanı, erişim sağlayan bir Java API sidir. JDBC, aşağıda verilen üç etkinliğin gerçekleştirilebileceği
DetaylıEĞĠTĠM-ÖĞRETĠM PLANI
T.C. ERCĠYES ÜNĠVERSĠTESĠ Mühendislik Fakültesi Endüstri Mühendisliği Bölümü 2014-2015 EĞĠTĠM-ÖĞRETĠM PLANI I. YARIYIL II. YARIYIL ENM 101 Matematik I 4 0 4 6 ENM 102 Matematik II 4 0 4 6 ENM 103 Fizik
DetaylıVeritabanı Uygulamaları Tasarımı
Veritabanı Uygulamaları Tasarımı Veri Tabanı Veritabanı yada ingilizce database kavramı, verilerin belirli bir düzene göre depolandığı sistemlere verilen genel bir isimdir. Günümüzde özel veya kamu kuruluşların
DetaylıKonular. VERİ MADENCİLİĞİ Giriş. Problem Tanımı. Veri Madenciliği: Tarihçe. Veri Madenciliği Nedir? Bilgi Keşfi
Konular VERİ MADENCİLİĞİ Giriş Yrd. Doç. Dr. Şule Gündüz Öğüdücü 1 2 Problem Tanımı Veri Madenciliği: Tarihçe teknolojinin gelişimiyle bilgisayar ortamında ve veritabanlarında tutulan veri miktarının artması
DetaylıApriori Algoritması ile Teknik Seçmeli Ders Seçim Analizi
Apriori Algoritması ile Teknik Seçmeli Ders Seçim Analizi Emre Güngör 1,2, Nesibe Yalçın 1,2, Nilüfer Yurtay 3 1 Bilecik Şeyh Edebali Üniversitesi, Bilgisayar Mühendisliği Bölümü, 11210, Merkez, Bilecik
DetaylıBölüm 1. Giriş. Öğretim üyesi: Doç. Dr. Suat Özdemir E-posta: suatozdemir@gazi.edu.tr. Websayfası: http://ceng.gazi.edu.tr/~ozdemir/teaching/dm
Bölüm 1. Giriş http://ceng.gazi.edu.tr/~ozdemir Ders bilgileri Öğretim üyesi: E-posta: suatozdemir@gazi.edu.tr Websayfası: http://ceng.gazi.edu.tr/~ozdemir/teaching/dm Bütün duyuru, ödev, vb. için ders
Detaylıİş Zekası. Hafta 1 İş Zekasına Giriş. Yrd. Doç. Dr. H. İbrahim CEBECİ
İş Zekası Hafta 1 İş Zekasına Giriş Business Intelligence and Analytics: Systems for Decision Support 10e isimli eserden adapte edilmiştir Bölüm Amaçları Günümüz çalkantılı iş ortamını anlayabilmek ve
DetaylıVERİ MADENCİLİĞİ VE MÜŞTERİ İLİŞKİLERİ YÖNETİMİNDE (CRM) BİR UYGULAMA
T.C. İSTANBUL ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ İŞLETME ANABİLİM DALI SAYISAL YÖNTEMLER BİLİM DALI DOKTORA TEZİ VERİ MADENCİLİĞİ VE MÜŞTERİ İLİŞKİLERİ YÖNETİMİNDE (CRM) BİR UYGULAMA UMMAN TUĞBA ŞİMŞEK
DetaylıBüyük Ölçekli Veri Tabanlarında Bilgi Keşfi
Akademik Bilişim 11 - XIII. Akademik Bilişim Konferansı Bildirileri Büyük Ölçekli Veri Tabanlarında Bilgi Keşfi İstanbul Üniversitesi Bilgisayar Mühendisliği Bölümü sskavurkaci@gmail.com, zeynepg@istanbul.edu.tr,
DetaylıÜniversite Öğrencilerinin Đnterneti Eğitimsel Amaçlar Đçin Kullanmalarını
Üniversite Öğrencilerinin Đnterneti Eğitimsel Amaçlar Đçin Kullanmalarını Etkileyen Faktörlerin Veri Madenciliği Yöntemleriyle Tespiti Ahmet Selman BOZKIR 1, Bilge GÖK 2 ve Ebru SEZER 3 1 Hacettepe Üniversitesi
DetaylıEĞĠTĠM-ÖĞRETĠM PLANI
T.C. ERCĠYES ÜNĠVERSĠTESĠ Mühendislik Fakültesi Endüstri Mühendisliği Bölümü 2016-2017 EĞĠTĠM-ÖĞRETĠM PLANI I. YARIYIL II. YARIYIL ENM 101 Matematik I 4 0 6 6 ENM 102 Matematik II 4 0 6 6 ENM 103 Fizik
DetaylıSPSS & AKILLI KURUMLAR. Dr. Tülin GÜZEL ÖZDEMİR SPSS Türkiye Genel Müdür tguzel@spss.com.tr
SPSS & AKILLI KURUMLAR Dr. Tülin GÜZEL ÖZDEMİR SPSS Türkiye Genel Müdür tguzel@spss.com.tr Tarihte Yaşanan Devrimler Tarımsal Kalkınma Devrimi Tarihte Yaşanan Devrimler Endüstriyel Kalkınma Devrimi Tarihte
DetaylıVeritabanı Yönetim Sistemleri, 2. basım Zehra ALAKOÇ BURMA, 2009, Seçkin Yayıncılık
Veri Kaynaklar Veri Tabanı Sistemleri, 2. basım Prof. Dr. Ünal YARIMAĞAN, 2010, Akademi Yayınevi Veritabanı Yönetim Sistemleri, 2. basım Zehra ALAKOÇ BURMA, 2009, Seçkin Yayıncılık Veritabanı ve Uygulamaları
DetaylıNebim Winner - İş Zekası Halojen Kurumsal Sürüm
Nebim Winner - İş Zekası Halojen Kurumsal Sürüm Halojen, Winner ile toplanan verileri depolayan, istenilen formatlarda raporlanmalarını ve analizlerini sağlayan, kullanıcıların doğru bilgi ile karar vermelerini
DetaylıKamu Sektörü İçin SAP Karar Destek Sistemleri Zirvesi. Gökhan NALBANTOĞLU / CEO, Ereteam 9 Aralık 2014, Salı
Kamu Sektörü İçin SAP Karar Destek Sistemleri Zirvesi Gökhan NALBANTOĞLU / CEO, Ereteam 9 Aralık 2014, Salı Gündem Biz Kimiz? Geçmişten Günümüze, Ereteam Neden Karar Destek Sistemleri? Kamu Kurumlarının
DetaylıBüyük Veri de Türkiye den Uygulama Örnekleri Dr. Güven Fidan
Büyük Veri de Türkiye den Uygulama Örnekleri Dr. Güven Fidan ARGEDOR Bilişim Teknolojileri ARGEDOR ARGEDOR, şirketlere ve son kullanıcılara yenilikçi bilgiyi işleme çözümleriyle dünya çapında mevcut olan
DetaylıBTP 209 SİSTEM ANALİZİ VE TASARIMI
BTP 209 SİSTEM ANALİZİ VE TASARIMI BİLGİSAYARA DAYALI BİLGİ SİSTEMLERİ Dr. Önder EYECİOĞLU 2012 BİLGİSAYARA DAYALI BİLGİ SİSTEMLERİ(BDBS-CBIS) Bir BSBS şu bileşenlerden oluşur; Donanım Yazılım Veri tabanı
DetaylıUKS EĞİTİM LİSTESİ 1 PREZİ EĞİTİMİ 2 2 AİLE ŞİRKETLERİ YÖNETİMİ VE KURUMSALLAŞMA EĞİTİMİ 3 3 ÇATIŞMA YÖNETİMİ 2
I-GENEL YÖNETİM EĞİTİM PROGRAMI 1 PREZİ EĞİTİMİ 2 2 AİLE ŞİRKETLERİ YÖNETİMİ VE KURUMSALLAŞMA EĞİTİMİ 3 3 ÇATIŞMA YÖNETİMİ 2 4 ETKİN TAKIM KURMA, YÖNETME VE TAKIMDAŞLIK EĞİTİMİ 3 5 İŞ GELİŞTİRME EĞİTİMİ
DetaylıİŞLETMELERDE BİLGİ SİSTEMLERİ. Mustafa Çetinkaya
İŞLETMELERDE BİLGİ SİSTEMLERİ Mustafa Çetinkaya Bilgi Teknolojisi Nedir? Bilgisayar Donanım ve Yazılımı Ağ Teknolojileri Veri Yönetimi 15/10/17 İşletmelerde Bilgi Sistemleri Mustafa Çetinkaya 1 Bilgi Sistemi
DetaylıDava Yönetİm Paketİ. İnnova Hukuk Yönetim Sistemi. Uçtan uca dava yönetimi. İnnova teknolojisiyle hukuki süreçlerinizi hızla sonuca ulaştırın.
İnnova teknolojisiyle hukuki süreçlerinizi hızla sonuca ulaştırın. İnnova Hukuk Yönetim Sistemi Dava Yönetİm Paketİ Büyümesini sürdüren kurumların artan hukuki takiplerinde yeni yardımcısı olacak Dava
DetaylıAnalitiğin Gücü ile Üretkenliğinizi Arttırın. Umut ŞATIR GÜRBÜZ Tahmine Dayalı Analitik Çözüm Mimarı, CEE 29.05.2013
Analitiğin Gücü ile Üretkenliğinizi Arttırın Umut ŞATIR GÜRBÜZ Tahmine Dayalı Analitik Çözüm Mimarı, CEE 29.05.2013 Tahmine Dayalı Analitik Tahmine Dayalı Analitik bugünün koşulları ve gelecek aktivitelerden
DetaylıVERİ MADENCİLİĞİ (Birliktelik Kuralları) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Birliktelik Kuralları) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Birliktelik Kurallarının Tanımı Destek ve Güven Ölçütleri Apriori Algoritması Birliktelik Kuralları (Association
DetaylıPROF. DR. ŞAKİR ESNAF IN BİTİRME PROJESİ KONULARI
PROF. DR. ŞAKİR ESNAF IN TEORİK ÇALIŞMA BAŞLIKLARI Ø Coğrafi Çoklu Tesis Yeri Seçimi (Weber) Probleminin Çözümü için Sezgisel ve Metasezgisel Algoritmalar Ø Çoklu Tesis Yeri Seçimi (Pmedyan) Probleminin
DetaylıZamansal Veri Madenciliği ve Anomali Tespiti için Bir Uygulama
Zamansal Veri Madenciliği ve Anomali Tespiti için Bir Uygulama Mehmet Yavuz ONAT Yrd.Doç.Dr.Engin YILDIZTEPE Dokuz Eylül Üniversitesi, İstatistik Bölümü Akademik Bilişim 2015, Anadolu Üniversitesi, Eskişehir
DetaylıDers Kodu Yarıyıl T+U Saat Kredi AKTS. Programlama Dilleri
DERS BİLGİLERİ Ders Kodu Yarıyıl T+U Saat Kredi AKTS Programlama Dilleri 356 6 2+2 4 5 Ön Koşul Dersin Dili Dersin Seviyesi Dersin Türü Dersi Veren Öğretim Elemanı Türkçe Lisans Zorunlu Arş. Grv. İlyas
DetaylıDış Veri Alma ÜNİTE 6. Bu üniteyi çalıştıktan sonra; Veri Menüsü Dış Veri Al Bağlantılar Sırala ve Filtre Uygula Veri Araçları Anahat
Dış Veri Alma ÜNİTE 6 Veri Menüsü Dış Veri Al Bağlantılar Sırala ve Filtre Uygula Veri Araçları Anahat Bu üniteyi çalıştıktan sonra; Microsoft Excel hakkında temel işlemler öğrenildikten sonra veri alma
DetaylıDSİ kapsamında oluşturulan dağınık durumdaki verilerinin düzenlenmesi, yeniden tasarlanarak tek bir coğrafi veri tabanı ortamında toplanması,
Projenin Amacı DSİ Genel Müdürlüğünde, Bölge Vaziyet Planı çalışmaları kapsamında üretilen ve mevcut DSİ faaliyetlerini içeren CBS veri setleri ile CBS Veritabanının incelenerek yine mevcut CBS donanım,
DetaylıSAĞLIK BİLGİ SİSTEMLERİNİN TARİHSEL GELİŞİMİ
TANIM Sağlık hizmetlerinin bilgisayar aracılığı ile gerçekleştirilmesi, elektronik ortamda bilgi alışverişinin otomatik olarak yapılması gibi, tıbbi, finansal ve mali hizmetler açısından ortaya çıkan detaylı
DetaylıSPSS E GİRİŞ SPSS TE TEMEL İŞLEMLER. Abdullah Can
SPSS E GİRİŞ SPSS TE TEMEL İŞLEMLER SPSS in üzerinde işlem yapılabilecek iki ana ekran görünümü vardır. DATA VIEW (VERİ görünümü) VARIABLE VIEW (DEĞİŞKEN görünümü) 1 DATA VIEW (VERİ görünümü) İstatistiksel
Detaylı