HRT4281 Karar Destek Sistemleri. Bölüm 1: Karar Destek Sistemleri-Genel Kavramlar. Karar Verme
|
|
- Temel Altın
- 6 yıl önce
- İzleme sayısı:
Transkript
1 HRT4281 Karar Destek Sistemleri Bölüm 1: Karar Destek Sistemleri-Genel Kavramlar Bölüm 2: CBS Tabanlı Çok Ölçütlü Karar Analizi Bölüm 3: Karmaşık Problemler için Analitik Hiyerarşi Yönteminin Kullanılması Bölüm 4: Sonuçları Sınıflandırma-Sonuçların Kontrolü Doç. Dr. Derya ÖZTÜRK Prof. Dr. Fatmagül KILIÇ GÜL Ondokuz Mayıs Üniversitesi & Yıldız Teknik Üniversitesi Harita Mühendisliği Bölümü 2 Karar Verme Bölüm 1: Karar Destek Sistemleri-Genel Kavramlar Karar verme, karar vericinin/karar vericilerin mevcut tüm seçenekler arasından amaca/amaçlara en uygun bir veya birkaç seçeneği seçmesi olarak tanımlanır 3 4 1
2 Karar Verme Süreci Problemin Tanımı Hedeflerin Belirlenmesi Potansiyel Karar Alternatifleri Karar Analizi Karar analizi, karmaşık karar problemlerinin matematiksel modelinin ortaya konularak, sistematik işlemler ve istatistiksel irdelemelerle çözümlenmesi olarak tanımlanabilir Değerlendirme Sonuç Seçim(Karar) Uygulama 5 6 Karar Destek Sistemleri (KDS) Karar Destek Sistemleri (KDS), kullanıcıya yarıyapısal ve yapısal olmayan karar verme işlemlerinde destek sağlamak amacıyla, karar modellerine ve verilere kolay erişim sağlayan etkileşimli bir sistemdir Yapısal olmayan sorunlar standart modellerle çözülemezler. Böyle sorunlar için bir karar destek sistemi kullanmak gerekir. KDS, daha çok karar verme işinin yapısal olmayan şekliyle ilgilidir KDS nin Yararları Veri kaynaklarının daha iyi kullanılması Anında analiz yeteneği Beklenmedik durumlarda hızlı cevap Daha iyi kararlar alma Daha etkin takım çalışması Maliyeti düşürme Zaman tasarrufu Yeni anlayışlar ve öğrenme Gelişmiş haberleşme 7 8 2
3 Mekansal Karar Problemleri Karar verilecek konu ile ilgili bazı ölçütler harita ya da coğrafi veritabanı bileşeni ise problem mekansal karar problemi dir Mekansal Karar Problemlerinin Özellikleri Çok sayıda alternatif söz konusu olabilir Bazı ölçütler kalitatif, bazıları ise kantitatif olabilir Birden daha fazla sayıda karar vericinin sürece katılımı söz konusu olabilir 9 10 CBS ve Karar Verme CBS ile veriler analiz edilebilir ve modellenebilir Fakat İNSAN karar verir CBS bir karar destek sistemi midir? CBS karar verme sürecinin bir parçası olarak nasıl kullanılabilir? Mekansal Karar Destek Sistemleri (M-KDS) Mekânsal Karar Destek Sistemleri, çok kaynaklı mekânsal veri ve onun analiz sonuçlarına dayalı mekânsal ilişkili problemlerin çözümüne yardımcı sistemlerdir
4 M-KDS nin Özellikleri Mekânsal Karar Destek Sistemleri, Coğrafi Bilgi Sistemleri ile Karar Destek Sistemlerinin entegrasyonu olarak değerlendirilebilir Karar vermeye-geleceği planlamaya yöneliktir Yarı-yapısal ya da yapısal olmayan kararlarda kullanılır Karar vericinin yerine geçmekten çok ona karar verme aşamasında yardımcı olacak bilgiyi sunar Karar verme işleminin tüm aşamalarını destekler Kullanıcının kontrolü altındadır, gerektiğinde müdahale edilebilir (Değişen şartlara uyum sağlayabilecek esnekliktedir) Stratejik ve taktiksel kararlar alınırken kullanılabilir M-KDS nin Bileşenleri M-KDS nin İşlevleri Coğrafi Veritabanı Veritabanı Yönetimi Model Yönetimi Diyalog Yönetimi Model Tabanı Karar vericilerin sistemle tam etkileşimli çalışabilmeleri için kullanım kolaylığı olmalıdır Verilere erişim imkanı olmalıdır Farklı türlerde analiz ve modellere olanak vermelidir Kullanıcı
5 M-KDS nin Gelişimi M-KDS nin Analitik Fonksiyonları CBS verilerin anlaşılabilir bir formda entegrasyonunu ve görselleştirilmesini sağlayarak karar verme sürecine yardımcı olur M-KDS nin Analitik Fonksiyonları CBS verilerin analizinde kullanılır Bir CBS tabanlı mekansal karar destek sisteminin temel analitik fonksiyonları Sorgulama (Query) Yakınlık/Tampon Analizi (Proximity/Buffer) Çakıştırma/Bindirme Analizi (Overlay) Komşuluk Analizi (Neighborhood Ağ/Bağlantı Analizi (Network or Connectivity Analysis) Modelleme ve Simülasyon Coğrafi veri analizi sırasında genellikle bu fonksiyonların çeşitli kombinasyonları kullanılır Çok Ölçütlü Karar Destek Sistemi Çok ölçütlü karar problemlerinin yapılandırılmasına ve çözümüne yardımcı olmak üzere tasarlanan karar destek sistemlerine Çok Ölçütlü Karar Destek Sistemi (ÇÖKDS) adı verilir ve bu yapı temelde Çok Ölçütlü Karar Analizi (ÇÖKA) ve Karar Destek Sistemlerinin (KDS) entegrasyonundan oluşur
6 ÇÖKA-MKDS ÇÖKA-MKDS Uzman Sistem Coğrafi Veri Yönetimi ve Analiz ÇÖKA Bölüm 2: CBS Tabanlı Çok Ölçütlü Karar Analizi Kullanıcı Arayüzü Kullanıcı CBS Tabanlı Çok Ölçütlü Karar Analizinde (C-ÇÖKA) İşlem Adımları Ölçütlerin belirlenmesi Ölçüt katmanlarının normalleştirilmesi Ölçüt ağırlıklarının belirlenmesi ÇÖKA yöntemlerinin uygulanması Ölçütlerin Belirlenmesi Ölçütler karar vericiler yani ilgili konularda uzman kişiler tarafından ve literatür araştırmaları neticesinde belirlenir. Çok sayıda ölçütle karar verme problemlerinde değerlendirme ölçütleri CBS katmanları şeklinde hazırlanır Mekansal karar analizinde kullanılan ölçütler genelde farklı sayısal aralıklarda ve ölçü birimlerinde (örneğin bir analizde, yükseklik m, eğim % 3 45 olabilir) değerler taşımaktadır. Bütün ölçütlerin bir arada işleme konulabilmesi ve karşılaştırılabilmesi için standart bir sayı aralığında normalleştirilmeleri gerekir Bu amaçla en çok kullanılan yöntem Doğrusal Ölçek Dönüşümü dür
7 Ölçüt Katmanlarının Normalleştirilmesi Doğrusal Ölçek Dönüşümü Çok sayıda ölçütle karar verme problemlerinde değerlendirme ölçütleri CBS katmanları şeklinde hazırlanır Mekansal karar analizinde kullanılan ölçütler genelde farklı sayısal aralıklarda ve ölçü birimlerinde (örneğin bir analizde, yükseklik m, eğim % 3 45 olabilir) değerler taşımaktadır. Bütün ölçütlerin bir arada işleme konulabilmesi ve karşılaştırılabilmesi için standart bir sayı aralığında normalleştirilmeleri gerekir Bu amaçla en çok kullanılan yöntem Doğrusal Ölçek Dönüşümü dür Çok sayıda doğrusal ölçek dönüşümü bulunmaktadır ancak en çok kullanılanları: En Büyük Değere Göre Doğrusal Ölçek Dönüşümü En Büyük ve En Küçük Değer Aralığına Göre Doğrusal Ölçek Dönüşümü En Büyük Değere Göre Doğrusal Ölçek Dönüşümü En Büyük ve En Küçük Değere Aralığına Göre Doğrusal Ölçek Dönüşümü x' ij : i. seçeneğin j. ölçüt için normalleştirilmiş değeridir. Normalleştirilmiş değerler 0-1 aralığında yer alır. x' ij : i. seçeneğin j. ölçüt için normalleştirilmiş değeridir. Normalleştirilmiş değerler 0-1 aralığında yer alır
8 Ölçüt Ağırlıklarının Belirlenmesi Ölçütler karar vericiler için farklı ağırlıklarda olabilir. Bu nedenle ölçütlerin bağıl önemi hakkında bilgilerin elde edilmesi gerekmektedir Ölçüt ağırlıkları, karar vericilerin tercihlerine göre oluşturulur Ağırlık verme işlemi, genelde her bir ölçüte diğer ölçütlere göre bağıl önemini gösteren bir ağırlığın atanmasıyla gerçekleştirilir Ölçüt ağırlıklarının belirlenmesinde en yaygın kullanılan yöntemler: Sıralama Puanlama İkili Karşılaştırma Ağırlıklar, toplamı 1 olacak şekilde normalleştirilir Sıralama Yöntemi Puanlama Yöntemi Puanlama yönteminde, karar vericilerin belirli bir sayısal aralıkta ölçütleri puanlandırması gerekir. Örneğin; ya da 0 20 aralığında değerler kullanılabilir. Her ölçüte verilmiş olan puan, bütün ölçütlerin puan toplamına bölünür
9 İkili Karşılaştırma Yöntemi İkili Karşılaştırma yöntemi, Saaty tarafından 1980 yılında geliştirilmiştir ve ÇÖKA yöntemlerinden biri olan Analitik Hiyerarşi işleminde kullanılmaktadır İkili karşılaştırma terimi iki faktörün birbiriyle karşılaştırılması anlamına gelir ve karşılaştırmalar matrisler şeklinde düzenlenir Yöntem n adet ölçüt için n(n-1)/2 adet karşılaştırmadan oluşur İkili Karşılaştırma-Tercih Ölçeği İkili karşılaştırma yargılarının oluşturulmasında, başka bir ifade ile karar verici tarafından bir ölçütün bir diğer ölçüte göre ne kadar önemli olduğuna karar verilmesi için Saaty tarafından önerilen (1-9) puanlı tercih ölçeğinden yararlanılmaktadır İkili Karşılaştırmaların Tutarlılığı İkili karşılaştırma yargılarının tutarlılığını ölçmek için Saaty tarafından önerilen bir tutarlılık oranı kullanılmaktadır Bu oran için Saaty tarafından önerilen üst limit 0.10 dur
10 Yargılar için hesaplanan tutarlılık oranı 0.10 un altında ise yargıların yeterli bir tutarlılık sergilediği ve değerlendirmenin devam edebileceği kabul edilmektedir Eğer tutarlılık oranı 0.10 un üstünde ise yargılar tutarsız kabul edilmektedir ve bu durumda yargıların kalitesinin iyileştirilmesi gerekir Tutarlılık oranı yargıların yeniden gözden geçirilmesiyle düşürülebilir. Ancak bu işlemde de başarısız olunursa, problemin daha doğru bir biçimde tekrar kurulması ve sürecin en baştan ele alınması gerekir Tutarlılık oranının belirlenmesi için, ağırlıklı toplam vektör belirlenir ve buna göre tutarlılık vektörü hesaplanır Tutarlılık vektörü hesaplandıktan sonra λ ve tutarlılık indeksi (CI) hesaplanır λ, tutarlılık vektörünün ortalama değeridir Tutarlılık indeksinin karşılaştırılan ölçüt sayısına bağlı olarak değişen tesadüfilik göstergesine (RI) bölünmesiyle tutarlılık oranı (CR) hesaplanır ÇÖKA Yöntemlerinin Uygulanması Basit Ağırlıklı Toplam Yöntemi Ağırlıklı Çarpım Yöntemi TOPSIS Yöntemi Analitik Hiyerarşi Yöntemi
11 Basit Ağırlıklı Toplam Yöntemi Ağırlıklı Çarpım Yöntemi TOPSIS Yöntemi Seçenekler bir ideal noktadan ayrılışlarına göre sıralanır İdeal nokta; en çok istenen, ağırlıklı, varsayımsal seçenek olarak tanımlanır İdeal noktaya en yakın seçenek, en iyi seçenektir. Bu ayrım metrik uzaklık ile ölçülür Pozitif ideal nokta, ağırlıklandırılmış değerlerin en büyüğü; negatif ideal nokta, ağırlıklandırılmış değerlerin en küçüğüdür
12 Analitik Hiyerarşi Yöntemi OWA Yöntemi (Sıralı Ağırlıklı Ortalama) Alıştırma Bir (x amaçlı) yer seçimi problemei için eğim, yükseklik, arazi kullanım kabiliyeti ve jeolojik durumun dikkate alınacağını düşünelim Problemin incelendiği alanın küçük bir kesitine ait ölçüt katmanlarının aşağıdaki gibi olduğunu düşünelim (Ölçüt katmanların tümü aynı piksel boyutunda raster veri olmalıdır)
13 Ölçüt Katmanlarının Normalleştirilmesi En Büyük Değere Göre Doğrusal Ölçek Dönüşümü veya En Büyük ve En Küçük Değer Aralığına Göre Doğrusal Ölçek Dönüşümü kullanılabilir En yüksek değer yine en yüksek olacak şekilde normalleştirmek için ve en düşük değer en yüksek olacak şekilde normalleştirmek için bağıntıların farklı formlarının kullanılması gerektiği unutulmamalıdır Bir problemin çözümünde ölçütlerin tamamı için en yüksek değer yine en yüksek olacak şekilde veya yine tamamı için en düşük değer en yüksek olacak şekilde normalleştirme gerekebileceği gibi ölçütlerin bir kısmının en yüksek değer yine en yüksek olacak şekilde, diğer kısmının ise en düşük değer en yüksek olacak şekilde normalleştirilmesi gerekebilir! Bu tamamen probleme bağlıdır En Büyük Değere Göre Doğrusal Ölçek Dönüşümü En Büyük Değere Göre Doğrusal Ölçek Dönüşümü
14 En Büyük ve En Küçük Değere Göre Doğrusal Ölçek Dönüşümü En Büyük ve En Küçük Değere Göre Doğrusal Ölçek Dönüşümü Ölçüt Ağırlıklarının Belirlenmesi Örneğimizdeki ölçütler: 1. Ölçüt: Eğim 2. Ölçüt: Yükseklik 3. Ölçüt: Arazi Kullanım Kabiliyeti 4. Ölçüt: Jeolojik Durum a. Sıralama Yöntemi Sıralama yönteminde ölçütler önemine göre sıralanarak işlem yapılır Bu problemde en önemli ölçütün jeolojik durum, 2. sırada önemli ölçütün eğim, 3. sırada önemli ölçütün yükseklik ve 4. sırada ve en az öneme sahip ölçütün arazi kullanım kabiliyeti olduğunu varsayarsak;
15 b. Puanlama Yöntemi c. İkili Karşılaştırma Yöntemi
16 ÇÖKA Yöntemlerinin Uygulanması Basit Ağırlıklı Toplam Yöntemi
17 Ağırlıklı Çarpım Yöntemi TOPSIS Yöntemi Her bir normalleştirilmiş katman ağırlıklarıyla çarpılır Ağırlıkla çarpılmış normalleştirilmiş katmanda minimum ve maksimum değere göre matrisler oluşturulur (örneğin ağırlıkla çarpılmış normalleştirilmiş eğim katmanında en küçük değer = 0.03, en büyük değer = 0.31 dir.) Ağırlıkla çarpılmış normalleştirilmiş katmandan minimum ve maksimum değerler çıkarılır ve bunların kareleri alınır
18
19 Daha sonra minimumdan ve maksimumdan gelen sonuç değerler kendi aralarında toplanır. Karekökler alınır ve bu değerler toplanır Son olarak, minimumlardan gelen katman (sarı işaretli), bu toplam değere bölünür (Örneğin: /0.5099=0.96) Analitik Hiyerarşi Yöntemi
20 Bölüm 3: Karmaşık Problemler için Analitik Hiyerarşi Yönteminin Kullanılması Analitik Hiyerarşi Yönteminde, hiyerarşinin en üstünde problemin genel amacı, amacın altında sırasıyla ölçütler ve seçenekler yer almaktadır Mekansal veriler için seçenekler vektör veri yapısında nokta, çizgi ve poligonlarla; raster veri yapısında piksellerle ifade edilir
21 Karşılaştırılacak öğelerin sayısı çok fazla olduğunda ikili karşılaştırmaların gerçekleştirilmesi zorlaşmaktadır. Bu nedenle çok sayıda öğe söz konusu olduğunda hiyerarşik model, ölçüt ve alt ölçütler biçiminde yapılandırılmalıdır Ölçüt-alt ölçütler yapısında bir alt ölçütün sonuç ağırlığı (W), bu alt ölçüt ve bağlı olduğu ölçütlerin hiyerarşide hemen bir üst düzeyde yer alan ölçüt açısından ikili karşılaştırmalar ile değerlendirilmeleri sonucunda elde edilen ağırlıkların (w) çarpımıdır Bir önceki slaytta yer alan hiyerarşik model ele alındığında ölçütler A, B ve C; alt ölçütler A ölçütü için A1, A2 ve A3, B ölçütü için B1 ve B2, C ölçütü için C1, C2, C3 ve C4; bir alt düzeyde ise A1 alt ölçütü için A1-1, A1-2, A1-3 ve A1-4, C1 alt ölçütü için C1-1, C1-2 ve C1-3, C3 alt ölçütü için C3-1, C3-2 ve C3-3 tür Ağırlıkların hesabı için toplam 7 adet ikili karşılaştırma matrisi (1. düzey ölçütler için 1, 2. düzey alt ölçütler için 3 ve 3. düzey alt ölçütler için 3 adet) oluşturulur Analizde gereken ağırlıklar (WA1-1, WA1-2, WA1-3, WA1-4, WA2, WA3, WB1, WB2, WC1-1, WC1-2, WC1-3, WC2, WC3-1 WC3-2, WC3-3, WC4) ikili karşılaştırmalar sonucunda hesaplanan ağırlıklara (w) göre belirlenir
22 Öğelerin ikili karşılaştırmaları yapılırken belirli bir derecede tutarsızlık oluşabilir. Bunun için ikili karşılaştırmaların mantıksal tutarlılığı Bölüm 2 de ele alındığı şekilde kontrol edilmelidir Analitik hiyerarşi sürecinde ikili karşılaştırmalar, ölçüt ağırlıklarının belirlenmesinde olduğu gibi aynı zamanda bir ölçüte göre seçeneklerin ağırlıklarının belirlenmesinde de kullanılır Ancak özellikle raster verilere dayalı konumsal karar analizlerinde çok fazla sayıda seçenek söz konusu olduğundan birçok konumsal karar analizinde bu durum gerçekleştirilemez Örneğin 3 farklı parsel (seçenek) yola yakınlık, eğim ve maliyet ölçütleri yönünden karşılaştırılabilir ancak bir bölgede yerleşim açısından en uygun alanların eğim ve jeolojik durum ölçütlerine göre belirlenmesi probleminde konumsal seçenekler piksellerle temsil edilir ve bu seçeneklerin ağırlıklarının ikili karşılaştırma yöntemiyle belirlenmesi mümkün değildir Ölçüt katmanları, tanımsal (örneğin arazi kullanımı/örtüsü [orman, yerleşim, kumluk vb.]), sıralı (örneğin deprem riski [1. derece, 2. derece, ], nüfus yoğunluğu [yüksek, orta, düşük]) ya da aralık tanımlı (sıcaklık [20 30 C, C, C ] ise bu ifadelerin sayısal değerlere dönüştürülmesinde ikili karşılaştırma yöntemi kullanılabilir Ancak çok fazla sayıda öğe söz konusu olduğunda ölçüt-alt ölçüt yapılandırmasına benzer bir hiyerarşinin kurulması ve böylece karşılaştırılacak öğelerin sayısının azaltılması genellikle sağlanamaz Dolayısıyla böyle durumlarda sıralama ve puanlama yöntemleriyle ağırlık belirleme daha uygun olmaktadır
23 Sayısal değerler taşıyan ölçüt katmanları ise bazı karar problemlerinde belirli sayı aralıklarına gruplandırılarak temsil edilmek istenebilir (örneğin 5.7 ile 85.3 aralığında değerler alan bir ölçüt katmanı için <10, 10 20, 20 40, 40 70, >70). Bu durumda oluşturulan sınıflar ikili karşılaştırma yöntemiyle ağırlıklandırılabilir Analitik hiyerarşi sürecinde eğer tüm ölçüt katmanlarında öğeler ikili karşılaştırma ile ağırlıklandırılmışsa her katmanda öğeler 0 1 aralığında yer alır. Katmanların öğe sayısı eşit ise normalleştirme işlemiyle öğeler arasındaki oran değişmeyeceğinden, bu değerler doğrudan normalleştirilmiş değerler olarak kullanılabilir Birden Çok Sayıda Karar Verici Bulunması Durumunda Analitik Hiyerarşi Süreci Gruptaki karar vericilerin değerlendirmelerinin birleştirilerek tek bir yargı elde edilmesi karar analizinin önemli konulardan biridir Analitik hiyerarşi yönteminde karar vericilerin yargılarının birleştirilmesinde, ikili karşılaştırma matrisinde köşegene göre simetrik olan değerlerin birbirinin tersi olma koşulunu sağladığından geometrik ortalama yöntemi kullanılır Sonuç değer karar vericilerin değerlendirmelerinin önem derecelerine göre kuvveti alınarak elde edilir
24 Sonuç matris incelendiğinde köşegene göre simetrik olan değerlerin birbirinin tersi olma koşulunu sağladığı görülmektedir. Örneğin; Ağırlıklı aritmetik ortalama yöntemi ise bu koşulu sağlamadığından karar vericileri ikili karşılaştırma değerlendirmelerinin birleştirilmesinde kullanılmamalıdır Uygulama Analitik hiyerarşi yönteminin konumsal karar analizlerinde kullanımını incelemek amacıyla örnek bir inceleme alanında kentin su gereksinimini karşılayacak bir su deposu yerinin seçimi ele alınmıştır Örnek problem için 3 karar verici jeolojik durum, arazi kullanım kabiliyeti sınıfları,yükseklik ve eğim ölçütlerini değerlendirmiştir
25 Karar vericilerin değerlendirmelerinin ağırlıkları (wk1=0.40, wk2=0.30 ve wk3=0.30) dikkate alınarak ikili karşılaştırmaların geometrik ortalamaları alınmış ve ölçüt ağırlıkları bu değerlere göre hesaplanmıştır İkili karşılaştırmaların tutarlılık oranı 0.10 sınır değerini aşmamıştır
26 İnceleme alanındaki 10-m piksel boyutlu yükseklik ve eğim katmanları ile vektör yapıdaki jeolojik durum ve arazi kullanım kabiliyeti sınıfları katmanlarını bir arada işleme koyabilmek için vektör veriler 10-m piksel boyutlu raster verilere dönüştürülmüştür Jeolojik durumu heyelanlı alan olan bölgeler bütün katmanlarda inceleme alanından çıkarılmıştır İnceleme alanında jeolojik durum katmanında bulunan uygun alan, sondaj şartlı alan ve önlemli alanlar için karar vericilerin ikili karşılaştırma değerlendirmeleri ve karar vericilerin ağırlıklarına göre hesaplanan geometrik ortalama değerleri:
27
28 Normalleştirilmiş katmanlar ve ölçüt ağırlıkları A AHP eşitliği ile işleme konularak sonuç analiz katmanı elde edilmiştir Analitik hiyerarşi yöntemine göre elde edilen analiz katmanı aralığında değerler almıştır Yüksek değerlerler o alanın karar amacına daha uygun olduğu anlamındadır. Analiz katmanının daha anlaşılır olması için sayısal değerler 5 sınıfa ayrılmıştır Bu sınıflandırmada karar amacı için ilk sırada değerlendirilecek olan alanlar (>0.90) olarak belirlenmiştir
29 KDS de Sonuçlar Bölüm 4: Sonuçları Sınıflandırma Sonuçların Kontrolü Ağırlıkları ile işlenen veriler (basit toplam, çarpım, owa vb) sonucunda alternatif veya potansiyellere dair bir skor tablosu elde edilir Vektör Veri Alternatif Sonuç Raster Veri ,28 2 0,39 3 0,5 4 0,59 5 0,67 6 0,72 7 0,81 8 0,96 9 0,
30 Sonuçların değerlendirilmesi Sonuçları nasıl sınıflandıracağız? Birbirine çok yakın değerler var mı? Uyumsuz sonuçlar var mı??? Sınıflandırma, Kümelere ayırma Classification & Clustering Alanlar Uzaktan Algılama CBS Makine öğrenmesi Veri madenciliği vb Verileri gruplama Grup içindeki veriler birbirine çok yakın olsun, benzesin İki grup birbirinden uzak olsun ve benzemesin Amaç kümeler arasındaki farklılıkları ve kümeler içi benzerlikleri en yüksek düzeye çıkarmaktır. Yani, küme içi homojenlik arttırılırken kümeler arası homojenlik ise azaltılmaktadır Uzaktan Algılama & Sınıflandırma Unsupervised: Kontrolsüz/eğitimsiz/denetimsiz
31 Band 2 Two bands of data. Each pixel marks a location in this 2d spectral space Our eye s can split the data into clusters. Some points do not fit clusters. Band Kümelere ayırma ISODATA (The Iterative Self-Organizing Data Analysis Technique), yinelemeli kendi kendine organize olan veri analizi Görüntü içinde kümelenmiş yapılar olduğundan hareket eder. Öncelikle oluşturulmak istenen sınıf sayısına karar verilir/verilmez. Her sınıf için merkez noktalar seçilir. Her piksel sırayla işleme sokulur. Bu işlem sırasında her pikselin küme merkezine olan Öklid uzaklığı hesaplanır ve bu piksel en yakın olduğu küme merkezinin sınıfına atılır. Tüm pikseller için işlem tamamlanınca her küme için kendi içinde yeni bir merkez hesaplanır ve bu yeni merkezler referans alınarak tüm pikseller için kararlı bir sınıflandırma oluşuncaya kadar prosedür devam eder K-Ortalama (means), Dizgisel Kümeleme Verilerin arasındaki benzerlikleri ya da uzaklıkları tespit ederek gruplandırmaktır Benzerlik iki nesne veya iki özellik arasındaki ilişkinin kuvveti olarak açıklanır Benzerlik ölçeğe veya veri tipine göre değişik yollardan elde edilir Uzaklık ise, iki nesne arasındaki zıtlık ya da uyumsuzluğun bir ölçüsü olan farklılıkları ölçer. Uzaklık ölçümü, verilerin nicel veya karışık veriler olmasına göre farklılık göstermektedir Benzerlik ve uzaklık ölçümleri gözlemlerin birbirinden ayırt edilmesini sağlar ve bu sayede gözlemler gruplara ayrılır
32 CBS & Sınıflandırma Varyans Değer aralıklarının belirlenmesi: görselleştirmede kullanılır Manual, defined, equal interval Standard deviation Quantile : Each class contains an equal number of features. A quantile classification is well suited to linearly distributed data. Quantile assigns the same number of data values to each class. There are no empty classes or classes with too few or too many values. Because features are grouped in equal numbers in each class using quantile classification, the resulting map can often be misleading. Similar features can be placed in adjacent classes, or features with widely different values can be put in the same class. You can minimize this distortion by increasing the number of classes. Natural breaks (Jenks) : Natural breaks classes are based on natural groupings inherent in the data. Class breaks are identified that best group similar values and that maximize the differences between classes. The features are divided into classes whose boundaries are set where there are relatively big differences in the data values. Natural breaks are data-specific classifications and not useful for comparing multiple maps built from different underlying information. Geometric interval: This classification scheme creates class breaks based on class intervals that have a geometrical series. The geometric coefficient in this classifier can change once (to its inverse) to optimize the class ranges. The algorithm creates geometric intervals by minimizing the sum of squares of the number of elements in each class. This ensures that each class range has approximately the same number of values with each class and that the change between intervals is fairly consistent. Varyans: istatistiksel yayılımın, mümkün bütün değerlerin beklenen değerveya ortalamadan uzaklıklarının karelerinin ortalaması şeklinde bulunan bir ölçüdür Ortalama bir dağılımın merkezsel konum noktasını bulmaya çalışırken, varyans değerlerin ne ölçekte veya ne derecede yaygın olduklarını tanımlamayı hedef alır Varyans için ölçülme birimi orijinal değişkenin biriminin karesidir Varyansın kare kökü standart sapma olarak adlandırılır; bunun ölçme birimi orijinal değişkenle aynı birimde olur ve bu nedenle daha kolayca yorumlanabilir. Bir reel sayı halinde olan rassal değişkenin varyansı o rassal değişkenin ikinci merkezsel momenti ve aynı zamanda ikinci kümülantı olur Jenks-Doğal Kırılma Varyans kavramı dağılıma ait her bir değerin dağılımın ortalamasından ne kadar uzak olduğuyla ilgilidir Varyans söz konusu sapmaların ortalama değerini ölçmektedir. X değişkeninin beklenen değeri μ = E(X) olmak üzere, varyans: Sınıflandırma sonucu Her sınıfın varyansı oldukça küçük olsun Sınıf içi benzerlik max Sınıflararası min Frekans dağılımda min olanlar break The Jenks optimization method is also known as the goodness of variance fit (GVF). It is used to minimize the squared deviations of the class means. Optimization is achieved when the quantity GVF is maximized: 1. Calculate the sum of squared deviations between classes (SDBC). GVF = Calculate the sum of squared deviations from the array mean (SDAM). 3. Subtract the SDBC from the SDAM (SDAM-SDBC). This equals the sum of the squared deviations from the class means (SDCM)
33 Devamı Veri seti iki kümeye ayrılmak istenmiştir. Hesap sonucu En büyük değer olduğundan yöntemin sonuç kümeleri bunlardır K-ortalama Bir veri seçiliyor merkez olarak Diğer verilerin merkeze uzaklığı hesaplanıyor Yakın olanlar bir sınıf Diğerleri için tekrar merkez K-ortalama D={4,7,14,23,27,32,36,38,42,5} k=2, yani 2 kümeye ayrılmak isteniyor İlk olarak m1=4 ve m2=7 alınsın (ilk 2 değer ) k1={4,5} k2= {7,14,23,27,32,36,38,42} Yeni ortalama değerleri m1=4.5 ve m2=27.3 alınsın k1= {4,5,7,14,} k2 ={23,27,32,36,38,42} Yeni ortalama değerleri m1=7.5 ve m2=27 alınsın k1= {4,5,7,14} k2= {23,27,32,36,38,42} bu ortalama değerlerine göre kümelerde bir değişiklik olmadığından dolayı algortima sonlanır Algoritmanın sonlanma kriteri aynı kümelerin bulunmasıdır
34 ilk ortalar 4-7 olsun ikinci ortalar ilk kümeler ,5 27,375 ikinci merkezler 7, merkezler aynı kalır Bir veri seti içindeki verileri kümelere ayırma işlemi KDS nde ulaşılan sonuç skorların en uygun, uygun,.. uygun değil vb ayrımında CBS de sonuçları görselleştirmede Uzaktan algılamada arazi kullanımı vb için sınıflandırma işleminde kullanılır Kural Küme/sınıf içinde verilerin birbirine mümkün olduğunca yakın veya benzer olmalıdır Kümeler/sınıflar arasında yakınlık veya benzerlik az olmalı veya olmamalıdır Dikkat edilmesi gerekenler Verilerin normal dağılıma uyup uymadığı Uyuşumsuz veriler Birbirine çok yakın değerler Kaynaklar Oğuzay, E. Sistem Analizi ve Tasarımı, Ders sunum materyali, Maltepe Üniversitesi Öztürk, D CBS Tabanlı Çok Ölçütlü Karar Analizi Yöntemleri İle Sel ve Taşkın Duyarlılığının Belirlenmesi: Güney Marmara Havzası Örneği, YTÜ Fen Bilimleri Enstitüsü, Doktora Tezi. Sugumaran, R., Degroote, J., Spatial Decision Support Systems: Principles and Practices. Yang, A A Multi-criteria Decision Support System For Selecting Cell Phone Services, MSc Thesis, Bachelor of Engineering, Tong Ji University. patialoperation Karar Destek Sistemi-KKDS ppt#286,25,Model Base for the Typhoon SDSS Alexander J. W. and Zahorchak G. A. (1943), Population-density maps of the United States: techniques and patterns, Geographical Review Jenks G. F. (1963, 1967), Generalization in statistical mapping, Annals of the Association of American Geographers The data model concept in statistical mapping, International Yearbook of Cartography
Karar Destek Sistemleri. Bölüm 1: Karar Destek Sistemleri-Genel Kavramlar. Karar Verme 20.10.2014
Karar Destek Sistemleri Bölüm 1: Karar Destek Sistemleri-Genel Kavramlar Bölüm 2: CBS Tabanlı Çok Ölçütlü Karar Analizi Bölüm 3: Karmaşık Problemler için Analitik Hiyerarşi Yönteminin Kullanılması Yrd.
DetaylıBu bölümde; Çok ölçütlü karar verme yöntemlerinden biri olan TOPSİS yöntemi anlatılacaktır.
ÇOK ÖLÇÜTLÜ KARAR VERME TOPSIS (Technique For Order Preference By Similarity To Ideal Solution) PROF. DR. İBRAHİM ÇİL 1 Bu bölümde; Çok ölçütlü karar verme yöntemlerinden biri olan TOPSİS yöntemi anlatılacaktır.
DetaylıKaynak: A. İŞLİER, TESİS PLANLAMASI, 1997
Mühendislik Fakültesi Endüstri Mühendisliği Bölümü Doç. Dr. Nil ARAS ENM411 Tesis Planlaması 2016-2017 Güz Dönemi Kaynak: A. İŞLİER, TESİS PLANLAMASI, 1997 2 Tesis Yer Seçimi Problemi (TYSP) TEK AMAÇLI
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
DetaylıAnalitik Hiyerarşi Prosesi (AHP) Yrd.Doç.Dr. Sabahattin Kerem AYTULUN
Analitik Hiyerarşi Prosesi (AHP) Yrd.Doç.Dr. Sabahattin Kerem AYTULUN Giriş AHP Thomas L.Saaty tarafından 1970'lerde ortaya atılmıştır. Amaç alternatifler arasından en iyisinin seçilmesidir. Subjektif
DetaylıVERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Kümeleme İşlemleri Kümeleme Tanımı Kümeleme Uygulamaları Kümeleme Yöntemleri Kümeleme (Clustering) Kümeleme birbirine
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimsiz Öğrenmenin Temelleri Kümeleme Uzaklık Fonksiyonları Öklid Uzaklığı Manhattan
DetaylıAHP ye Giriş Karar verici, her alternatifin her kriterde ne kadar başarılı olduğunu değerlendirir. Her kriterin amaca ulaşmadaki görece önemini değerl
AHP ye Giriş 2 Analitik Hiyerarşi Süreci Bölüm 3 AHP, birebir değerlendirerek alternatifleri sıralamaya dayanan çok nitelikli karar verme yöntemidir. Amaçlar ve alt amaçlar iç içe katmanlar halinde ve
DetaylıKISIM 5 COĞRAFİ BİLGİ SİSTEMİ (GIS) ANALİZİ KISIM 5: GIS ANALİZİ 1
KISIM 5 COĞRAFİ BİLGİ SİSTEMİ (GIS) ANALİZİ KISIM 5: GIS ANALİZİ 1 GIS ANALİZİ GIS Analizi, üretme, işleme ve mekansal veriyi sorgulama kısımlarını kapsar 1. Veri üretme Görüntüyü sınıflandırma (Unsupervised)
DetaylıKarar Destek Sistemleri. Prof.Dr. Günay Erpul
Karar Destek Sistemleri Prof.Dr. Günay Erpul Karar Verme Karar verme, karar vericinin/karar vericilerin mevcut tüm seçenekler arasından amaca/amaçlara en uygun bir veya birkaç seçeneği seçmesi olarak tanımlanır.
DetaylıDr. Y. İlker TOPCU. Dr. Özgür KABAK web.itu.edu.tr/kabak/
Dr. Y. İlker TOPCU www.ilkertopcu.net www.ilkertopcu.org www.ilkertopcu.info facebook.com/yitopcu twitter.com/yitopcu instagram.com/yitopcu Dr. Özgür KABAK web.itu.edu.tr/kabak/ ÇOK ÖLÇÜTLÜ KARAR VERME
DetaylıZaman Serileri-1. If you have to forecast, forecast often. EDGAR R. FIEDLER, American economist. IENG 481 Tahmin Yöntemleri Dr.
Zaman Serileri-1 If you have to forecast, forecast often. EDGAR R. FIEDLER, American economist IENG 481 Tahmin Yöntemleri Dr. Hacer Güner Gören Zaman Serisi nedir? Kronolojik sırayla elde edilen verilere
DetaylıBÖLÜM 6 MERKEZDEN DAĞILMA ÖLÇÜLERİ
1 BÖLÜM 6 MERKEZDEN DAĞILMA ÖLÇÜLERİ Gözlenen belli bir özelliği, bu özelliğe ilişkin ölçme sonuçlarını yani verileri kullanarak betimleme, istatistiksel işlemlerin bir boyutunu oluşturmaktadır. Temel
DetaylıAHP ANALİTİK HİYERARŞİ PROSESİ AHP AHP. AHP Ölçeği AHP Yönteminin Çözüm Aşamaları
ANALİTİK HİYERARŞİ PROSESİ 1970 li yıllarda Wharton School of Business da çalışan Thomas L.Saaty tarafından Karmaşık çok kriterli karar verme problemlerinin çözümü için geliştirilmiştir. Tüm kriterler
DetaylıVERİ MADENCİLİĞİ (Veri Ön İşleme-2) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Veri Ön İşleme-2) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma Kümeleme
DetaylıYZM 3217 YAPAY ZEKA DERS#10: KÜMELEME
YZM 317 YAPAY ZEKA DERS#10: KÜMELEME Sınıflandırma (Classification) Eğiticili (supervised) sınıflandırma: Sınıflandırma: Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğunu bilinir Eğiticisiz (unsupervised)
Detaylı3.2. Raster Veriler. Satırlar. Sütunlar. Piksel/hücre büyüklüğü
3.2. Raster Veriler Satırlar Piksel/hücre büyüklüğü Sütunlar 1 Görüntü formatlı veriler Her piksel için gri değerleri kaydedilmiştir iki veya üç bant (RGB) çok sayıda bant Fotoğraf, uydu görüntüsü, ortofoto,
DetaylıTANIMLAYICI İSTATİSTİKLER
TANIMLAYICI İSTATİSTİKLER Tanımlayıcı İstatistikler ve Grafikle Gösterim Grafik ve bir ölçüde tablolar değişkenlerin görsel bir özetini verirler. İdeal olarak burada değişkenlerin merkezi (ortalama) değerlerinin
DetaylıGenel olarak test istatistikleri. Merkezi Eğilim (Yığılma) Ölçüleri Dağılım (Yayılma) Ölçüleri. olmak üzere 2 grupta incelenebilir.
4.SUNUM Genel olarak test istatistikleri Merkezi Eğilim (Yığılma) Ölçüleri Dağılım (Yayılma) Ölçüleri olmak üzere 2 grupta incelenebilir. 2 Ranj Çeyrek Kayma Çeyrekler Arası Açıklık Standart Sapma Varyans
DetaylıİÇİNDEKİLER ÖN SÖZ...
İÇİNDEKİLER ÖN SÖZ... v GİRİŞ... 1 1. İSTATİSTİK İN TARİHÇESİ... 1 2. İSTATİSTİK NEDİR?... 3 3. SAYISAL BİLGİDEN ANLAM ÇIKARILMASI... 4 4. BELİRSİZLİĞİN ELE ALINMASI... 4 5. ÖRNEKLEME... 5 6. İLİŞKİLERİN
DetaylıDers 8: Çok Kriterli Karar Verme
09.2.20 Genel Bakış Ders 8: Çok Kriterli Karar Verme 2 Tek bir amaç yerine çok sayıda kriter ile çalışmak suretiyle karar verme. Üç teknik: hedef programlama (goal programming), analitik hiyerarşi prosesi
DetaylıTEMEL İSTATİSTİKİ KAVRAMLAR YRD. DOÇ. DR. İBRAHİM ÇÜTCÜ
TEMEL İSTATİSTİKİ KAVRAMLAR YRD. DOÇ. DR. İBRAHİM ÇÜTCÜ 1 İstatistik İstatistik, belirsizliğin veya eksik bilginin söz konusu olduğu durumlarda çıkarımlar yapmak ve karar vermek için sayısal verilerin
DetaylıTOPSIS yönteminin adımları 5 Adım 1. Normalize karar matrisinin oluşturulması 6 Karar matrisinin normalizasyonu aşağıdaki formül kullanılarak yapılır:
Giriş 2 TOPSIS Bölüm 5 TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) 1981 yılında Hwang ve Yoon tarafından geliştirilmiştir. Uygulanması basit, ulaşılan sonuçlar çok gerçekçidir.
DetaylıTemel İstatistik. Y.Doç.Dr. İbrahim Turan Mart Tanımlayıcı İstatistik. Dağılımları Tanımlayıcı Ölçüler Dağılış Ölçüleri
Temel İstatistik Tanımlayıcı İstatistik Dağılımları Tanımlayıcı Ölçüler Dağılış Ölçüleri Y.Doç.Dr. İbrahim Turan Mart 2011 DAĞILIM / YAYGINLIK ÖLÇÜLERİ Verilerin değişkenlik durumu ve dağılışın şeklini
DetaylıMerkezi Yığılma ve Dağılım Ölçüleri
1.11.013 Merkezi Yığılma ve Dağılım Ölçüleri 4.-5. hafta Merkezi eğilim ölçüleri, belli bir özelliğe ya da değişkene ilişkin ölçme sonuçlarının, hangi değer etrafında toplandığını gösteren ve veri grubunu
DetaylıKümeler arası. Küme içi. uzaklıklar. maksimize edilir. minimize edilir
Kümeleme Analizi: Temel Kavramlar ve Algoritmalar Kümeleme Analizi Nedir? Her biri bir dizi öznitelik ile, veri noktalarının bir kümesi ve noktalar arasındaki benzerliği ölçen bir benzerlik ölçümü verilmiş
DetaylıCOĞRAFİ BİLGİ SİSTEMLERİ VE ANALİTİK HİYERARŞİ YÖNTEMİ İLE DÜZENLİ DEPONİ YER SEÇİMİ: İSTANBUL İLİ ÖRNEĞİ. Doğuş Güler Prof. Dr. Tahsin Yomralıoğlu
COĞRAFİ BİLGİ SİSTEMLERİ VE ANALİTİK HİYERARŞİ YÖNTEMİ İLE DÜZENLİ DEPONİ YER SEÇİMİ: İSTANBUL İLİ ÖRNEĞİ Doğuş Güler Prof. Dr. Tahsin Yomralıoğlu İTÜ, Geomatik Mühendisliği Bölümü, 34469 Maslak İstanbul,
DetaylıNicel / Nitel Verilerde Konum ve Değişim Ölçüleri. BBY606 Araştırma Yöntemleri 2013-2014 Bahar Dönemi 13 Mart 2014
Nicel / Nitel Verilerde Konum ve Değişim Ölçüleri BBY606 Araştırma Yöntemleri 2013-2014 Bahar Dönemi 13 Mart 2014 1 Konum ölçüleri Merkezi eğilim ölçüleri Verilerin ortalamaya göre olan gruplanması nasıl?
DetaylıÖrnek 4.1: Tablo 2 de verilen ham verilerin aritmetik ortalamasını hesaplayınız.
.4. Merkezi Eğilim ve Dağılım Ölçüleri Merkezi eğilim ölçüleri kitleye ilişkin bir değişkenin bütün farklı değerlerinin çevresinde toplandığı merkezi bir değeri gösterirler. Dağılım ölçüleri ise değişkenin
DetaylıYrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü
Mühendislikte İstatistiksel Yöntemler Yrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü 1 Araştırma sonuçlarının açıklanmasında frekans tablosu
Detaylı18. ESRI KULLANICILAR KONFERANSI
18. ESRI KULLANICILAR KONFERANSI SEL VE TAŞKINA DUYARLI ALANLARIN CBS İLE BELİRLENMESİ: İSTANBUL AVRUPA YAKASI ÖRNEĞİ Arş.Grv. Mustafa YALÇIN Afyon Kocatepe Üniversitesi İÇERİK Sel ve Taşkın Duyarlılık
DetaylıOLASILIK ve KURAMSAL DAĞILIMLAR
OLASILIK ve KURAMSAL DAĞILIMLAR Kuramsal Dağılımlar İstatistiksel çözümlemelerde; değişkenlerimizin dağılma özellikleri, çözümleme yönteminin seçimi ve sonuçlarının yorumlanmasında önemlidir. Dağılma özelliklerine
DetaylıCBS ve Coğrafi Hesaplama
Yıldız Teknik Üniversitesi CBS ve Coğrafi Hesaplama 2. Bölüm Yrd. Doç. Dr. Alper ŞEN Harita Mühendisliği Bölümü Kartografya Anabilim Dalı web: http://www.yarbis.yildiz.edu.tr/alpersen/ E mail: alpersen@yildiz.edu.tr
DetaylıMühendislikte İstatistik Yöntemler
.0.0 Mühendislikte İstatistik Yöntemler İstatistik Parametreler Tarih Qma.3.98 4..98 0.3.983 45 7..984 37.3.985 48 0.4.986 67.4.987 5 0.3.988 45.5.989 34.3.990 59.4.99 3 4 34 5 37 6 45 7 45 8 48 9 5 0
DetaylıBüyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data)
Büyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data) M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Bu dersin sunumları, The Elements of Statistical Learning: Data
DetaylıGörüntü Sınıflandırma
Görüntü Sınıflandırma Chapter 12 https://www.google.com.tr/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&uact=8&ved=0 CBwQFjAA&url=http%3A%2F%2Ffaculty.une.edu%2Fcas%2Fszeeman%2Frs%2Flect%2FCh%2 52012%2520Image%2520Classification.ppt&ei=0IA7Vd36GYX4Uu2UhNgP&usg=AFQjCNE2wG
DetaylıBİYOİSTATİSTİK Merkezi Eğilim ve Değişim Ölçüleri Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH
BİYOİSTATİSTİK Merkezi Eğilim ve Değişim Ölçüleri Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim AD. Web: www.biyoistatistik.med.ege.edu.tr 1 İstatistik
DetaylıYANLILIK. Yanlılık örneklem istatistiği değerlerinin evren parametre değerinden herhangi bir sistematik sapması olarak tanımlanır.
AED 310 İSTATİSTİK YANLILIK Yanlılık örneklem istatistiği değerlerinin evren parametre değerinden herhangi bir sistematik sapması olarak tanımlanır. YANLILIK Yanlı bir araştırma tasarımı uygulandığında,
DetaylıAppendix B: Olasılık ve Dağılım Teorisi
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım
DetaylıTedarik Zinciri Yönetimi
Tedarik Zinciri Yönetimi -Tedarikçi Seçme Kararları- Yrd. Doç. Dr. Mert TOPOYAN Satın Alma Bir ișletme, dıșarıdan alacağı malzeme ya da hizmetlerle ilgili olarak satın alma (tedarik) fonksiyonunda beș
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
DetaylıÖrneklemden elde edilen parametreler üzerinden kitle parametreleri tahmin edilmek istenmektedir.
ÇIKARSAMALI İSTATİSTİKLER Çıkarsamalı istatistikler, örneklemden elde edilen değerler üzerinde kitleyi tanımlamak için uygulanan istatistiksel yöntemlerdir. Çıkarsamalı istatistikler; Tahmin Hipotez Testleri
DetaylıKentsel Bilgi Modelleme (CIM) ve Veri Madenciliği
Kentsel Bilgi Modelleme (CIM) ve Veri Madenciliği Elif Ensari İyi Proje Uygulama, Bits n Bricks, İstanbul Teknik Üniversitesi, Lisbon Üniversitesi (PhD Candidate) İstanbul Bilgi Üniversitesi Can Sucuoglu
DetaylıK En Yakın Komşu Methodu (KNearest Neighborhood)
K En Yakın Komşu Methodu (KNearest Neighborhood) K-NN algoritması, Thomas. M. Cover ve Peter. E. Hart tarafından önerilen, örnek veri noktasının bulunduğu sınıfın ve en yakın komşunun, k değerine göre
DetaylıÇizgisel Altyapı Tesislerinin Planlamasında Çok Kriterli Karar Verme Yöntemleri
Çizgisel Altyapı Tesislerinin Planlamasında Çok Kriterli Karar Verme Yöntemleri Volkan YILDIRIM, Tahsin YOMRALIOĞLU, Recep NİŞANCI Ebru ÇOLAK, Şevket BEDİROĞLU, Selçuk ERBAŞ Karadeniz Teknik Üniversitesi
DetaylıMakine Öğrenmesi 2. hafta
Makine Öğrenmesi 2. hafta Uzaklığa dayalı gruplandırma K-means kümeleme K-NN sınıflayıcı 1 Uzaklığa dayalı gruplandırma Makine öğrenmesinde amaç birbirine en çok benzeyen veri noktalarını aynı grup içerisinde
DetaylıYTÜ İktisat Bölümü EKONOMETRİ I Ders Notları
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım Teorisi
DetaylıYTÜ İktisat Bölümü EKONOMETRİ I Ders Notları
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix B: Olasılık ve Dağılım Teorisi
DetaylıBölüm 3 Merkezi Konum (Eğilim) Ölçüleri. Giriş Veri kümesi. Ortalamalar iki grupta incelenir. A. Duyarlı olan ortalama. B. Duyarlı olmayan ortalama
GM-220 MÜH. ÇALIŞ. İSTATİSTİKSEL YÖNTEMLER Bölüm 3 Merkezi Konum (Eğilim) Ölçüleri Yrd. Doç. Dr. Safa KARAMAN 1 2 Giriş Veri kümesi Verileri betimlemenin ve özetlemenin bir diğer yolu da verilerin bir
DetaylıZaman Serileri. IENG 481 Tahmin Yöntemleri Dr. Hacer Güner Gören
Zaman Serileri IENG 481 Tahmin Yöntemleri Dr. Hacer Güner Gören Zaman Serisi nedir? Kronolojik sırayla elde edilen verilere sahip değișkenlere zaman serisi adı verilmektedir. Genel olarak zaman serisi,
DetaylıVERİ KÜMELERİNİ BETİMLEME
BETİMLEYİCİ İSTATİSTİK VERİ KÜMELERİNİ BETİMLEME Bir amaç için derlenen verilerin tamamının olduğu, veri kümesindeki birimlerin sayısal değerlerinden faydalanarak açık ve net bir şekilde ilgilenilen özellik
DetaylıCopyright 2004 Pearson Education, Inc. Slide 1
Slide 1 Bölüm 2 Verileri Betimleme, Keşfetme, ve Karşılaştırma 2-1 Genel Bakış 2-2 Sıklık Dağılımları 2-3 Verilerin Görselleştirilmesi 2-4 Merkezi Eğilim Ölçüleri 2-5 Değişimin Ölçülmesi 2-6 Nispi Sabitlerin
DetaylıDAĞILMA YADA DEĞİ KENLİK ÖLÇÜLERİ (MEASURE OF DISPERSION) Prof.Dr.A.KARACABEY Doç.Dr.F.GÖKGÖZ
DAĞILMA YADA DEĞİ KENLİK ÖLÇÜLERİ (MEASURE OF DISPERSION) 1 AMAÇ... Mevcut veri seti için bulunan merkezi eğilim ölçüsünün yorumlamak Birden fazla veri seti için dağılımlar arası kıyaslama yapabilmek amaçlarıyla
DetaylıProf.Dr.İhsan HALİFEOĞLU
Prof.Dr.İhsan HALİFEOĞLU FREKANS DAĞILIMLARINI TANIMLAYICI ÖLÇÜLER Düzenlenmiş verilerin yorumlanması ve daha ileri düzeydeki işlemler için verilerin bütününe ait tanımlayıcı ve özetleyici ölçülere ihtiyaç
DetaylıVERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Sınıflandırma yöntemleri Karar ağaçları ile sınıflandırma Entropi Kavramı ID3 Algoritması C4.5
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Sınıflandırıcıların Değerlendirilmesi Skorlar Karışıklık matrisi Accuracy Precision Recall
DetaylıQUANTILE REGRESYON * Quantile Regression
QUANTILE REGRESYON * Quantile Regression Fikriye KURTOĞLU İstatistik Anabilim Dalı Olcay ARSLAN İstatistik Anabilim Dalı ÖZET Bu çalışmada, Lineer Regresyon analizinde kullanılan en küçük kareler yöntemine
DetaylıVerilerin Özetlenmesinde Kullanılan Sayısal Yöntemler
Verilerin Özetlenmesinde Kullanılan Sayısal Yöntemler Merkezi Eğilim Ölçüleri Merkezi eğilim ölçüsü, bir veri setindeki merkezi, yada tipik, tek bir değeri ifade eder. Nicel veriler için, reel sayı çizgisindeki
DetaylıKorelasyon, Korelasyon Türleri ve Regresyon
Korelasyon, Korelasyon Türleri ve Regresyon İçerik Korelasyon Korelasyon Türleri Korelasyon Katsayısı Regresyon KORELASYON Korelasyon iki ya da daha fazla değişken arasındaki doğrusal ilişkiyi gösterir.
DetaylıİSTATİSTİK MHN3120 Malzeme Mühendisliği
İSTATİSTİK MHN3120 Malzeme Mühendisliği CBÜ - Malzeme Mühendisliği Bölümü Ofis: Mühendislik Fakültesi A Blok Ofis no:311 Tel: 0 236 2012404 E-posta :emre.yalamac@cbu.edu.tr YARDIMCI KAYNAKLAR Mühendiler
DetaylıMerkezi Eğilim ve Dağılım Ölçüleri
Merkezi Eğilim ve Dağılım Ölçüleri Soru Öğrencilerin derse katılım düzeylerini ölçmek amacıyla geliştirilen 16 soruluk bir test için öğrencilerin ilk 8 ve son 8 soruluk yarılardan aldıkları puanlar arasındaki
DetaylıProjenin Adı: İstatistik yardımıyla YGS ye hazırlık için soru çözme planlaması
Projenin Adı: İstatistik yardımıyla YGS ye hazırlık için soru çözme planlaması Projenin Amacı : YGS de başarılı olmak isteyen bir öğrencinin, istatistiksel yöntemler çerçevesinde, sınavda çıkan soru sayısını,
DetaylıVeriye Dayalı Karar Verme (Bölüm 2) Can Akkan
Veriye Dayalı Karar Verme (Bölüm 2) Can Akkan 1 Ders Planı 1. Karar Problemleri i. Karar problemlerinin bileşenleri ii. Değerler, amaçlar, bağlam iii. Etki diagramları 2. Model Girdilerinde Belirsizlik
DetaylıİÇİNDEKİLER. 1. Analitik Hiyerarşi Prosesi(AHP) Yöntemi 2. TOPSİS Yöntemi 3. ENTROPİ Yöntemi 4. MAUT Yöntemi
İÇİNDEKİLER 1. Analitik Hiyerarşi Prosesi(AHP) Yöntemi 2. TOPSİS Yöntemi 3. ENTROPİ Yöntemi 4. MAUT Yöntemi 1. Analitik Hiyerarşi Prosesi (AHP) Analitik Hiyerarşi Süreci tekniği karmaşık karar problemlerinde
DetaylıArcGIS ile Tarımsal Uygulamalar Eğitimi
ArcGIS ile Tarımsal Uygulamalar Eğitimi Kursun Süresi: 5 Gün 30 Saat http://facebook.com/esriturkey https://twitter.com/esriturkiye egitim@esriturkey.com.tr ArcGIS ile Tarımsal Uygulamalar Eğitimi Genel
DetaylıHafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti
Hafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr
DetaylıEŞİTLİK KISITLI TÜREVLİ YÖNTEMLER
EŞİTLİK KISITLI TÜREVLİ YÖNTEMLER LAGRANGE YÖNTEMİ Bu metodu incelemek için Amaç fonksiyonu Min.z= f(x) Kısıtı g(x)=0 olan problemde değişkenler ve kısıtlar genel olarak şeklinde gösterilir. fonksiyonlarının
DetaylıAnalitik Hiyerarşi Prosesi Yaklaşımı Kullanılarak Mobilya Sektörü İçin Ege Bölgesi nde Hedef Pazarın Belirlenmesi
YÖNETİM VE EKONOMİ Yıl:2007 Cilt:14 Sayı:1 Celal Bayar Üniversitesi İ.İ.B.F. MANİSA Analitik Hiyerarşi Prosesi Yaklaşımı Kullanılarak Mobilya Sektörü İçin Ege Bölgesi nde Hedef Pazarın Belirlenmesi Araş.
DetaylıOluşturulan evren listesinden örnekleme birimlerinin seçkisiz olarak çekilmesidir
Bilimsel Araştırma Yöntemleri Prof. Dr. Şener Büyüköztürk Doç. Dr. Ebru Kılıç Çakmak Yrd. Doç. Dr. Özcan Erkan Akgün Doç. Dr. Şirin Karadeniz Dr. Funda Demirel Örnekleme Yöntemleri Evren Evren, araştırma
DetaylıAnkara Üniversitesi, SBF İstatistik 2 Ders Notları Prof. Dr. Onur Özsoy 1
Ankara Üniversitesi, SBF İstatistik 2 Ders Notları Prof. Dr. Onur Özsoy 1 Population Belirli bir konudaki verilerin tamamıdır. Örnek Populasyonun belirli bir kesitidir. Parametre Populasyonla ilgili tanımsal
DetaylıCoğrafi Bilgi Sistemleri
Grup 14 Pazartesi 13:00 16:50 Cad Lab Z-121 Anfi D1-132 Grup 23 Perşembe 17:00 19:50 Cad Lab Z- 119 Anfi D1-132 Ders Düzeni Teori Uygulama Proje Vize sınavları Ders İçeriği Tanımlar CBS Veri Toplama Yöntemleri,
DetaylıTanımlayıcı İstatistikler. Yrd. Doç. Dr. Emre ATILGAN
Tanımlayıcı İstatistikler Yrd. Doç. Dr. Emre ATILGAN 1 Tanımlayıcı İstatistikler Yer Gösteren Ölçüler Yaygınlık Ölçüleri Merkezi Eğilim Ölçüleri Konum Ölçüleri 2 3 Aritmetik Ortalama Aritmetik ortalama,
DetaylıGenel olarak test istatistikleri. Merkezi Eğilim (Yığılma) Ölçüleri Merkezi Dağılım (Yayılma) Ölçüleri. olmak üzere 2 grupta incelenebilir.
3.SUNUM Genel olarak test istatistikleri Merkezi Eğilim (Yığılma) Ölçüleri Merkezi Dağılım (Yayılma) Ölçüleri olmak üzere 2 grupta incelenebilir. 2 Merkezi Eğilim Ölçüleri, belli bir özelliğe ya da değişkene
DetaylıKARŞILAŞTIRMA İSTATİSTİĞİ, ANALİTİK YÖNTEMLERİN KARŞILAŞTIRILMASI, BİYOLOJİK DEĞİŞKENLİK. Doç.Dr. Mustafa ALTINIŞIK ADÜTF Biyokimya AD 2005
KARŞILAŞTIRMA İSTATİSTİĞİ, ANALİTİK YÖNTEMLERİN KARŞILAŞTIRILMASI, BİYOLOJİK DEĞİŞKENLİK Doç.Dr. Mustafa ALTINIŞIK ADÜTF Biyokimya AD 2005 1 Karşılaştırma istatistiği Temel kavramlar: Örneklem ve evren:
DetaylıÖrnek...4 : İlk iki sınavında 75 ve 82 alan bir öğrencinin bu dersin ortalamasını 5 yapabilmek için son sınavdan kaç alması gerekmektedir?
İSTATİSTİK Bir sonuç çıkarmak ya da çözüme ulaşabilmek için gözlem, deney, araştırma gibi yöntemlerle toplanan bilgiye veri adı verilir. Örnek...4 : İlk iki sınavında 75 ve 82 alan bir öğrencinin bu dersin
DetaylıHatalar Bilgisi ve İstatistik Ders Kodu: Kredi: 3 / ECTS: 5
Ders Kodu: 0010070021 Kredi: 3 / ECTS: 5 Yrd. Doç. Dr. Serkan DOĞANALP Necmettin Erbakan Üniversitesi Harita Mühendisliği Bölümü Konya 07.01.2015 1 Giriş 2 Giriş Matematiksel istatistiğin konusu yığın
DetaylıCOĞRAFİ BİLGİ SİSTEMLERİ
COĞRAFİ BİLGİ SİSTEMLERİ HARİTA TABANLI PLANLAMA VE YÖNETİM Prof.Dr. Vahap TECİM Dokuz Eylül Üniversitesi HARİTADAN DA ÖTE COĞRAFİ BİLGİ SİSTEMLERİ BİLGİ SİSTEMİ Donanım Yazılım Veriler Personel Yeryüzü
DetaylıEM302 Yöneylem Araştırması 2 Doğrusal Olmayan Programlamaya Giriş. Dr. Özgür Kabak
EM302 Yöneylem Araştırması 2 Doğrusal Olmayan Programlamaya Giriş Dr. Özgür Kabak Doğrusal Olmayan Programlama Eğer bir Matematiksel Programlama modelinin amaç fonksiyonu ve/veya kısıtları doğrusal değil
DetaylıGİRİŞ. Bilimsel Araştırma: Bilimsel bilgi elde etme süreci olarak tanımlanabilir.
VERİ ANALİZİ GİRİŞ Bilimsel Araştırma: Bilimsel bilgi elde etme süreci olarak tanımlanabilir. Bilimsel Bilgi: Kaynağı ve elde edilme süreçleri belli olan bilgidir. Sosyal İlişkiler Görgül Bulgular İşlevsel
DetaylıÇOK KRİTERLİ KARAR VERME TEKNİKLERİ. Dersin Amacı Çok Kriterli Karar Verme Yaklaşımının Genel Yapısı. Dr.Öğr.Üyesi Gökçe BAYSAL TÜRKÖLMEZ
ÇOK KRİTERLİ KARAR VERME TEKNİKLERİ Dr.Öğr.Üyesi Gökçe BAYSAL TÜRKÖLMEZ Zeleny (1982) multiple criteria decision making kitabına aşağıdaki cümle ile başlar: ıt has become more and more difficult to see
DetaylıArcGIS ile Su Yönetimi Eğitimi
ArcGIS ile Su Yönetimi Eğitimi http://facebook.com/esriturkey https://twitter.com/esriturkiye egitim@esriturkey.com.tr Kursun Süresi: 5 Gün 30 Saat ArcGIS ile Su Yönetimi Genel Bir platform olarak ArcGIS,
DetaylıBULANIK TOPSİS YÖNTEMİYLE TELEFON OPERATÖRLERİNİN DEĞERLENDİRİLMESİ
BULANIK TOPSİS YÖNTEMİYLE TELEFON OPERATÖRLERİNİN DEĞERLENDİRİLMESİ 1 İpek Nur Erkmen ve 2 Özer Uygun 1 Karabük-Sakarya Ortak Program, Fen Bilimleri Enstitüsü Endüstri Mühendisliği ABD, 2 Sakarya Üniversitesi
DetaylıMedde İstatistikleri, Test İstatiskleri
Medde İstatistikleri, Test İstatiskleri 2 Madde güçlüğü Madde ayırt ediciliği Madde varyansı Madde güvenirlik indeksi Çeldiricilerin işlerliği Korelasyon katsayısı 3 1 2 3 4 5 6 7 8 9 10 1 1 1 1 1 0 0
DetaylıCOĞRAFİ BİLGİ SİSTEMLERİ VE UZAKTAN ALGILAMA
Coğrafi Bilgi Sistemleri ve Uzaktan Algılama Taşınmaz Değerleme ve Geliştirme Tezsiz Yüksek Lisans Programı COĞRAFİ BİLGİ SİSTEMLERİ VE UZAKTAN ALGILAMA 1 Coğrafi Bilgi Sistemleri ve Uzaktan Algılama İçindekiler
DetaylıANALİTİK HİYERARŞİ PROSESİ
ANALİTİK HİYERARŞİ PROSESİ 1 Bu derste; Analitik Hiyerarşi prosesi AHP Uygulama Aşamaları AHP Modellerinde Tutarlılığın Test Edilmesi AHP nin Uygula Örnekleri AHP Puanlama Yöntemi Analitik Hiyerarşi Prosesi
DetaylıKADASTRO HARİTALARININ SAYISALLAŞTIRILMASINDA KALİTE KONTROL ANALİZİ
KADASTRO HARİTALARININ SAYISALLAŞTIRILMASINDA KALİTE KONTROL ANALİZİ Yasemin ŞİŞMAN, Ülkü KIRICI Sunum Akış Şeması 1. GİRİŞ 2. MATERYAL VE METHOD 3. AFİN KOORDİNAT DÖNÜŞÜMÜ 4. KALİTE KONTROL 5. İRDELEME
DetaylıBölüm 3. Tanımlayıcı İstatistikler
Bölüm 3 Tanımlayıcı İstatistikler 1 Tanımlayıcı İstatistikler Bir veri setini tanımak veya birden fazla veri setini karşılaştırmak için kullanılan ve ayrıca örnek verilerinden hareket ile frekans dağılışlarını
DetaylıMehmet KARA Bozok Üniversitesi İİBF İşletme Bölümü E-posta: mehmetkara44@yahoo.com
ÜNİVERSİTE ÖĞRENCİLERİN İŞLETME BÖLÜMÜNÜ SEÇMELERİNDE ETKİLİ OLAN ÖNCELİKLİ FAKTÖRLERİN ANALİTİK HİYERARŞİ PROSESİ METODU İLE ANALİZİ: BOZOK ÜNİVERSİTESİ İKTİSADİ VE İDARİ BİLİMLER FAKÜLTESİNDE BİR UYGULAMA
DetaylıİÇİNDEKİLER ÖNSÖZ Bölüm 1 KÜMELER Bölüm 2 SAYILAR
İÇİNDEKİLER ÖNSÖZ III Bölüm 1 KÜMELER 11 1.1. Küme 12 1.2. Kümelerin Gösterimi 13 1.3. Boş Küme 13 1.4. Denk Küme 13 1.5. Eşit Kümeler 13 1.6. Alt Küme 13 1.7. Alt Küme Sayısı 14 1.8. Öz Alt Küme 16 1.9.
DetaylıÖLÇME VE DEĞERLENDİRME. Antrenörlük Eğitimi 4. Sınıf. Ölçme ve Değerlendirme - Yrd. Doç. Dr. Yetkin Utku KAMUK
ÖLÇME VE DEĞERLENDİRME Antrenörlük Eğitimi 4. Sınıf ÖLÇME VE DEĞERLENDİRME Merkezi Eğilim Ölçütleri Mod En çok görülen puandır ve hesaplanma yöntemi yoktur. İnceleme yolu ile bulunur. Terminal istatistiktir.
DetaylıMatematikte karşılaştığınız güçlükler için endişe etmeyin. Emin olun benim karşılaştıklarım sizinkilerden daha büyüktür.
- 1 - ÖĞRENME ALANI CEBİR BÖLÜM KARMAŞIK SAYILAR ALT ÖĞRENME ALANLARI 1) Karmaşık Sayılar Karmaşık Sayıların Kutupsal Biçimi KARMAŞIK SAYILAR Kazanım 1 : Gerçek sayılar kümesini genişletme gereğini örneklerle
DetaylıTÜRKİYE NİN BİTKİ ÖRTÜSÜ DEĞİŞİMİNİN NOAA UYDU VERİLERİ İLE BELİRLENMESİ*
TÜRKİYE NİN BİTKİ ÖRTÜSÜ DEĞİŞİMİNİN NOAA UYDU VERİLERİ İLE BELİRLENMESİ* Determination the Variation of The Vegetation in Turkey by Using NOAA Satellite Data* Songül GÜNDEŞ Fizik Anabilim Dalı Vedat PEŞTEMALCI
DetaylıSÜREKLĠ OLASILIK DAĞILIMLARI
SÜREKLĠ OLASILIK DAĞILIMLARI Sayı ekseni üzerindeki tüm noktalarda değer alabilen değişkenler, sürekli değişkenler olarak tanımlanmaktadır. Bu bölümde, sürekli değişkenlere uygun olasılık dağılımları üzerinde
DetaylıVERİ SETİNE GENEL BAKIŞ
VERİ SETİNE GENEL BAKIŞ Outlier : Veri setinde normal olmayan değerler olarak tanımlanır. Ders: Kantitatif Yöntemler 1 VERİ SETİNE GENEL BAKIŞ Veri setinden değerlendirme başlamadan çıkarılabilir. Yazım
DetaylıHafta 05 - Karar Ağaçları/Kümeleme
BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr İstanbul Şehir Üniversitesi 2018 - Bahar İçindekiler
DetaylıGİRİŞİMCİLİK (HARİTA MÜHENDİSLİĞİ BÖLÜMÜ) DERS NOTLARI. Doç. Dr. Volkan YILDIRIM yvolkan@ktu.edu.tr Karadeniz Teknik Üniversitesi, GISLab Trabzon
GİRİŞİMCİLİK (HARİTA MÜHENDİSLİĞİ BÖLÜMÜ) DERS NOTLARI Doç. Dr. Volkan YILDIRIM yvolkan@ktu.edu.tr Karadeniz Teknik Üniversitesi, GISLab Trabzon www.gislab.ktu.edu.tr GİRİŞİMCİLİK 1. İŞLETMELERİN KURULUŞ
DetaylıVERİLERİN SINIFLANDIRILMASI
VERİLERİN SINIFLANDIRILMASI Yrd. Doç. Dr. Ünal ERKORKMAZ Sakarya Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı uerkorkmaz@sakarya.edu.tr NİTEL VE NİCEL VERİLERİN SINIFLANDIRMASI Sınıflandırma
Detaylıİstatistik ve Olasılığa Giriş. İstatistik ve Olasılığa Giriş. Ders 3 Verileri Sayısal Ölçütlerle İfade Etme. Verileri Sayısal Ölçütlerle İfade Etme
İstatistik ve Olasılığa Giriş Robert J. Beaver Barbara M. Beaver William Mendenhall Presentation designed and written by: Barbara M. Beaver İstatistik ve Olasılığa Giriş Ders 3 Verileri Sayısal Ölçütlerle
Detaylı3 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI
ÖNSÖZ İÇİNDEKİLER III Bölüm 1 İSTATİSTİK ve SAYISAL BİLGİ 11 1.1 İstatistik ve Önemi 12 1.2 İstatistikte Temel Kavramlar 14 1.3 İstatistiğin Amacı 15 1.4 Veri Türleri 15 1.5 Veri Ölçüm Düzeyleri 16 1.6
DetaylıWEEK 11 CME323 NUMERIC ANALYSIS. Lect. Yasin ORTAKCI.
WEEK 11 CME323 NUMERIC ANALYSIS Lect. Yasin ORTAKCI yasinortakci@karabuk.edu.tr 2 INTERPOLATION Introduction A census of the population of the United States is taken every 10 years. The following table
Detaylı