İş Zekası. Hafta 6 Kestirimci Modelleme Teknikleri. Yrd. Doç. Dr. H. İbrahim CEBECİ

Save this PDF as:
 WORD  PNG  TXT  JPG

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "İş Zekası. Hafta 6 Kestirimci Modelleme Teknikleri. Yrd. Doç. Dr. H. İbrahim CEBECİ"

Transkript

1 İş Zekası Hafta 6 Kestirimci Modelleme Teknikleri Business Intelligence and Analytics: Systems for Decision Support 10e isimli eserden adapte edilmiştir

2 Bölüm Amaçları Yapay Sinir Ağları (YSA) kavramını anlamak Farklı YSA yapılarını öğrenmek YSA içinde öğrenmenin nasıl olduğunu anlamak YSA uygulamalarına aşinalığı artırmak YSA duyarlılık analizini anlamak Destek Vektörü Makineleri (DVM) yapısını ve kavramını anlamak k-en yakın komşu algoritmasını (k-eyk) anlamak k-eyk öğrenme sürecini anlamak k-eyk, DVM ve YSA farkları ile birbirleri üzerindeki avantaj ve dezavantajlarını anlamak 10e isimli eserden adapte edilmiştir 2/40

3 Açılış Vakası Kestirimci modelleme Karmaşık medikal prosedürleri anlamada ve yönetmede yardımcı oluyor!!! Genel Bilgiler Problem Tanımı Önerilen Çözüm Sonuçlar Vaka sorularının cevapları ve genel tartışmalar Medikal prosedürleri çalışmak neden önemlidir? Tahmin edilen çıktıların değeri nedir? Sağlık süreçlerini anlamak ve yönetmek için en kritik faktörler nelerdir? Kestirimci modelleme sağlık alanında nasıl bir etki sağlar? Acaba yönetim ve medikal personel yerine kullanılabilir mi? Çalışma çıktıları nelerdir? Bu çıktıları kimler kullanır? 10e isimli eserden adapte edilmiştir 3/40

4 Sinir Ağları Kavramı Sinir Ağları: Bilgi işleme süreçleri için bir beyin metaforu Sinirsel Hesaplama Ne için kullanılır YAPAY SİNİR AĞLARI Örüntü Tanıma Tahmin (Ne zaman deprem olabilir) Kestirim (önümüzdeki on yılda deprem olabilir mi?) Sınıflandırma Nerede kullanılır Finans Pazarlama İmalat Bilişim Sistemleri. 10e isimli eserden adapte edilmiştir 4/40

5 Biyolojik Sinir Ağları Sinaps (Bağlantı Noktası) Dendrit (Dallar) Sinaps (Bağlantı Noktası) Akson Akson Çekirdek (Soma) Dendrit (Dallar) Çekirdek (Soma) Birbirine bağlı iki beyin hücresi (Nöron) 10e isimli eserden adapte edilmiştir 5/40

6 İşlem Elemanı (İE-Nöron) Ağ Yapısı Gizli Katmanlar Paralel İşleme Ağ için bilgi işleme süreci Girdi Çıktı Bağlantı ağırlıkları Toplama Fonksiyonu YSA Bileşenleri 10e isimli eserden adapte edilmiştir 6/40

7 YSA Bilgi İşleme Süreci Girdiler Ağırlıklar Çıktılar Nöron (İE) Toplama Transfer Fonksiyonu... Çıktı ve Girdiler ile birlikte tek bir nöron (İşlem elemanı) 10e isimli eserden adapte edilmiştir 7/40

8 Biyoloji Analojisi Biyolojik vs Yapay Sinir Ağları Çekirdek Düğüm (node) Dendrit Girdi Akson Çıktı Sinaps Ağırlık Yavaş (Milisaniye) Hızlı (Nanosaniye) Çok sayıda Nöron ( Az Nöron (~100) 10e isimli eserden adapte edilmiştir 8/40

9 YSA Bileşenleri (İE) Ağrılıklı Ortalama (Σ) (İE) Transfer Fonksiyonu (Σ) (İE) (İE) (İE) (İE) Çıktı Katmanı (İE) Gizli Katman Girdi Katmanı Tek gizli katmanlı Sinir Ağı 10e isimli eserden adapte edilmiştir 9/40

10 YSA Bileşenleri Tek Nöron Çoklu Nöron (İE) (İE) Tek bir nöron ve Çoklu nöronlar için toplama fonksiyonu (İE) (İE) 10e isimli eserden adapte edilmiştir 10/40

11 YSA Bileşenleri Dönüşüm (Transfer) Fonksiyonu Lineer (Doğrusal) Fonksiyon Sigmoid (Mantıksal Aktivitasyon) Fonksiyon [0 1] Tanjant Hipebolik Fonksiyon [-1 1] Toplama Fonksiyonu: 3 0,2 1 0,4 2 0,1 1,2 Transfer Fonksiyonu: 1/1, 0,77, İşlem Elemanı,, Eşik Değeri??? 10e isimli eserden adapte edilmiştir 11/40

12 Sinir Ağları Mimarileri YSA mimarileri tamamen ilgili görevlere bağlı olarak seçilir Sınıflandırma, regresyon, kümeleme, optimizasyon, birliktelik En çok tercih edilen YSA mimarisi Geri beslemeli öğrenme içeren çok katmanlı algılayıcı modeli Regresyon temelli ve sınıflandırma problemlerinde kullanılır Diğer YSA mimariler Yinelemeli (Recurrent) Özdüzenleyici Haritalar (Self Organizing feature Maps) Hopfield ağları 10e isimli eserden adapte edilmiştir 12/40

13 YSA Mimarileri İleriye Doğru (Geri Beslemeli) Çok Katmanlı Algılayıcı (Tek bir gizli katman) Sosyo Demografik Din Tahmin vs Realite Finansal Diğer GİRDİ KATMANI GİZLİ KATMAN ÇIKTI KATMANI 10e isimli eserden adapte edilmiştir 13/40

14 YSA Mimarileri Yinelemeli Yapay Sinir Ağları Girdi 1 Girdi 2 Çıktı 1 Girdi 3 Çıktı 2 Girdi n çıktı değeri olmayan gizli nöronları ifade eder 10e isimli eserden adapte edilmiştir 14/40

15 YSA Mimarileri Özdüzenleyici Haritalar (SOM) Girdi 1 Girdi 2 Girdi 3 Kohonen s SOM olarak da bilinir Kümeleme sorularının çözümünde tercih edilir. 10e isimli eserden adapte edilmiştir 15/40

16 YSA Mimarileri Hopfield Ağları GİRDİLER... Ç I K T I L A R Hopfiel tarafından ortaya atılmıştır Yüksek derecede bağlı nöronları içerir Karmaşık hesaplama problemleri çözümünde kullanılır (Optimizasyon) 10e isimli eserden adapte edilmiştir 16/40

17 Daha fazla veri bul, Veriyi yeniden biçimlendir Veriyi alt setlere tekrar böl Ağ mimarisini değiştir Öğrenme algoritmasını değiştir Ağ parametrelerini değiştir YSA Geliştirme Süreci Veri toplama, organize etme ve biçimlendirme Veriyi eğitim, doğrulama ve test olarak üçe bölme YSA mimarisine ve yapısına karar verme Öğrenme algoritması seçme Ağ parametrelerini belirleme ve girme Adım Tekrar eğitime al Ağırlıkları girme ve eğitimi başlatma Eğitimi durdurma, ağırlıkları dondurma 6 7 Eğitilmiş ağı test etme 8 Bilinmeyen vakalarda kullanma için ağın yayılımı 9 10e isimli eserden adapte edilmiştir 17/40

18 Film Hasılatı Tahmini için ÇKA-YSA Yapısı 1 Sınıf 1 Hasılat < 1M MPPA (5) (G, PG, PG13, R, NR) 1 2 Sınıf 2 1M<Hasılat < 10M Rekabet (3) (Yüksek, Orta Düşük) 2 3 Sınıf 3 10M<Hasılat < 20M Yıldız Değeri (3) (Yüksek, Orta Düşük) Film Türü (10) (Macera, Komedi ) Görsel Efekt (3) (Yüksek, Orta Düşük) Sıra Filmi (2) (Evet, Hayır) Matine Sayısı (Pozitif Tamsayı) Sınıf 4 20M<Hasılat < 40M Sınıf 5 40M<Hasılat < 65M Sınıf 6 65M<Hasılat < 100M Sınıf 7 100M<Hasılat < 150M Sınıf 8 150M<Hasılat < 200M Sınıf 9 Hasılat > 200M Girdi Katmanı (27 IE) Gizli Katman (18 IE) Gizli Katman (16 IE) Çıktı Katmanı (9 IE) 10e isimli eserden adapte edilmiştir 18/40

19 Eğitilmiş bir YSA Modelinin Testi Veri 3 kısma bölünür Eğitim (~%60) Doğrulama (~%20) Test (~%20) k-katlamalı çapraz doğrulama Daha az ön yargı Çok zaman alıcı 3 katlamalı ÇD VERİ Eğitim Eğitim Test Eğitim Test Eğitim Test Eğitim Eğitim Hata Hata Hata Hata Ortalaması 10e isimli eserden adapte edilmiştir 19/40

20 YSA Öğrenme Süreci Denetimli Öğrenme Süreci YSA Modeli Ağırlıkları yeniden ata Hayır Çıktı Hesaplama Beklenen çıktı sağlandı mı? 1 Geçici çıktıları hesapla 2 Çıktılar ile arzu edilen değerleri karşılaştır 3 ağırlıkları yeniden atayıp süreçleri tekrarla Evet Öğrenmeyi Durdur 10e isimli eserden adapte edilmiştir 20/40

21 Geri Besleme Algoritması Hata... Nöron (İE) Toplama Fonksiyonu = Transfer Fonksiyonu 10e isimli eserden adapte edilmiştir 21/40

22 Geri Besleme Algoritması Öğrenmesi Öğrenme algoritması süreci 1. İlk ağırlıkları rastgele ata ve diğer ağ parametrelerini belirle 2. Girdi ve beklenen çıktı değerlerini oku 3. Yeni çıktı değerini hesapla (Katmaları kullanarak) 4. Hata oranını hesapla (beklenen değer ile hesaplanan değer farkından) 5. Ağırlıkları gizli katmanlar boyunca hata oranlarını dikkate alarak yeniden belirle adımları öğrenme kararlı bir hal alıncaya kadar tekrarla 10e isimli eserden adapte edilmiştir 22/40

23 Kara Kutuyu Aydınlatmak Duyarlılık Analizi YSA modelleri için yapılan en büyük eleştiri özellikle gizli katmanlar içerisinde yapılan hesaplamaların tam olarak bilinememesi (şeffaflık ve açıklanabilirlik eksik) Kara kutu sendromu!!! Cevap Duyarlılık analizi Bir YSA modeli kurulur. Herhangi bir girdi değişkeni değiştirilir ve çıktıdaki değişiklik hesaplanır. Böylece en önemli girdi değişkenleri belirlenmiş olur. 10e isimli eserden adapte edilmiştir 23/40

24 Kara Kutuyu Aydınlatmak Duyarlılık Analizi Systematically Sistematik Değiştirilmiş Perturbed Inputs Girdi Trained Eğitilmiş ANN YSA the «KARA black-box KUTU» Observed Çıktıda Change Gözlenen in Outputs Değişimler 10e isimli eserden adapte edilmiştir 24/40

25 Destek Vektör Makineleri (DVM) En popüler makine öğrenmesi tekniklerindendir Doğrusal olmayan modelleri doğrusal yapıda göstermeye olanak sağlar Girdi değişkenlerinin doğrusal kombinasyonlarını kullanarak sınıflandırma ve regresyon kararlarında kullanılabilir Mimari olarak birbirine oldukça benzer olduklarından DVM çoğu zaman YSA kullanılmaktadır (veya karşılaştırılmaktadır) 10e isimli eserden adapte edilmiştir 25/40

26 Destek Vektör Makineleri DVM amacı: girdi değişkenlerini çıktı değişkenleri ile eşleştirecek bir matematiksel fonksiyon belirlemek DVM öncelikle kernel fonksiyonları kullanarak doğrusal olmayan yapıdaki ilişkileri doğrusal olarak ayrılabilen uzaylara ayırır. Kernel Fonksiyonu: Doğrusal sınıflandırma algoritmalarının genel adı En bilinen kernek fonksiyonu RBF (Radial Based Function) dir. Daha sonra öğrenme setinde maksimum aralıklı hiperdüzlemlere ayırılır Hiperdüzlem: Farklı sınıftaki nesneleri birbirinden nasıl ayrıldığını açıklayan geometrik kavram DVM de iki paralel Hiperdüzlem oluşturulur ve bunların aralığı maksimum yapılmaya çalışılır 10e isimli eserden adapte edilmiştir 26/40

27 Destek Vektör Makineleri Margin Maximum-margin hyperplane 10e isimli eserden adapte edilmiştir 27/40

28 Örnek Vaka Öğrenci Elde Tutma Ham Veri Veri Önişleme 10 Katlamalı Çapraz Doğrulama İşlenmiş Veri Deney Tasarımı 10% 10% 10% 10% 10% 10% Modelin Test Edilmesi Modelin Kurulması 10% 10% 10% 10% Kestirimci Modelleme Karar Ağaçları YSA DVM Lojistik Regresyon Modelin Yayılımı EVET HAYIR Deney Sonuçları EVET Doğru Tahmin EVET Yanlış Tahmin HAYIR HAYIR Yanlış Tahmin EVET Doğru Tahmin HAYIR 10e isimli eserden adapte edilmiştir 28/40

29 Örnek Vaka Öğrenci Elde Tutma Hata Matrisi YSA (ÇKA) KA (C5) DVM LR Hayır Evet Hayır Evet Hayır Evet Hayır Evet Hayır Evet Toplam Sınıf Doğruluğu %74,72 %84,98 %74,79 %86,50 %74,85 %87,51 %68,77 %79,74 Genel Doğruluk %79,85 %80,65 %81,18 %74,26 Öğrenci elde tutma oranlarının 4 farklı veri madenciliği yöntemi ile yapılan tahminlerinin karşılaştırılması (Dengeli Kümeler ve 10 katlamalı çapraz doğrulama kullanılmıştır.) 10e isimli eserden adapte edilmiştir 29/40

30 DVM nasıl çalışır Eğitim Verisi Veri Önişleme Süreci Veri Temizleme Kayıp, yanlış, tutarsız, gürültülü veriler Veri Dönüştürme Normalizasyon ve Standadizasyon İşlenmiş Veri Modelin Kurulması Kernel türünün seçilmesi RBF, Sigmoid, Polinomial Kernel değerlerini belirleme Grid tarama veya v-katlamalı ÇD Deneyleme «Eğitim/Test» Doğrulanmış DVM Modeli Modelin Yayılımı Model katsayılarını çıkar Eğitilmiş modeli KDS içerisine ekle (Kodla) Modeli izle ve sürdür Kestirim Modeli 10e isimli eserden adapte edilmiştir 30/40

31 Neden Destek Vektör Makineleri? Mükemmel genelleme yeteneği Üst düzey kestirim kabiliyeti Kolay kullanım Mükemmel teorik kökleri olması Karar Ağaçları Regresyon SOM DVM YSA 10e isimli eserden adapte edilmiştir 31/40

32 k-en Yakın Komşu Yöntemi (k-nn) YSA ve DVM zaman alıcı, hesaplama açısından yoğun, iteratif k-nn hesaplama açısından kolay ve karşılaştırmalı olarak oldukça iyi sonuçlar üreten bir yaklaşım YSA ve DVM gibi sınıflandırma ve regresyon kararlarında kullanılabilir k-nn örnek tabanlı öğrenme (Tembel Öğrenme) yöntemidir. İşin çoğu tahmin yapma kısmındadır (modelleme değil) k kullanılacak komşu sayısı 10e isimli eserden adapte edilmiştir 32/40

33 k-en Yakın Komşu Yöntemi (k-nn) Cevap k değerine bağlıdır K=3 Yuvarlak K=5 Kare 10e isimli eserden adapte edilmiştir 33/40

34 k-en Yakın Komşu Yöntemi (k-nn) Geçmiş Veriler Eğitim Seti Doğrulama Seti Parametre Seçimi Uzaklık Ölçütü Komşu sayısı (k) Yeni Veri Kestirim Komşu sayısını dikkate alarak tahmin oluşturma 10e isimli eserden adapte edilmiştir 34/40

35 1. Benzerlik Ölçütleri Minkowski uzaklığı k-nn Model Parametreleri Manhattan uzaklığı (q=1) Öklid uzaklığı (q=2) 10e isimli eserden adapte edilmiştir 35/40

36 1. Komşu Sayısı (k) k-nn Model Parametreleri En iyi değer tamamen eldeki veriye bağlıdır Büyük değerler gürültülü veriyi ekarte ederken sınıflar arasındaki farklılıkları da daha az belirgin kılar. «En uygun değer» sezgisel olarak belirlenir En uygun değerin belirlenmesinde «Çapraz Doğrulama» ve «Grid Arama» yöntemleri de kullanılabilir 10e isimli eserden adapte edilmiştir 36/40

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

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

Detaylı

Yapay Sinir Ağları. (Artificial Neural Networks) DOÇ. DR. ERSAN KABALCI

Yapay Sinir Ağları. (Artificial Neural Networks) DOÇ. DR. ERSAN KABALCI Yapay Sinir Ağları (Artificial Neural Networks) J E O L O J İ M Ü H E N D İ S L İ Ğ İ A. B. D. E S N E K H E S A P L A M A Y Ö N T E M L E R İ - I DOÇ. DR. ERSAN KABALCI Yapay Sinir Ağları Tarihçe Biyolojik

Detaylı

Esnek Hesaplamaya Giriş

Esnek Hesaplamaya Giriş Esnek Hesaplamaya Giriş J E O L O J İ M Ü H E N D İ S L İ Ğ İ A. B. D. E S N E K H E S A P L A M A Y Ö N T E M L E R İ - I DOÇ. DR. ERSAN KABALCI Esnek Hesaplama Nedir? Esnek hesaplamanın temelinde yatan

Detaylı

VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN

VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Kümeleme İşlemleri Kümeleme Tanımı Kümeleme Uygulamaları Kümeleme Yöntemleri Kümeleme (Clustering) Kümeleme birbirine

Detaylı

VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN

VERİ 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

Detaylı

Zeki Optimizasyon Teknikleri

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

Detaylı

Web Madenciliği (Web Mining)

Web Madenciliği (Web Mining) Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimli Öğrenmenin Temelleri Karar Ağaçları Entropi ID3 Algoritması C4.5 Algoritması Twoing

Detaylı

Özörgütlemeli Öğrenme (SOM) A. Cumhur KINACI

Özörgütlemeli Öğrenme (SOM) A. Cumhur KINACI Özörgütlemeli Öğrenme (SOM) A. Cumhur KINACI Öğrenme Türleri Eğiticili Öğrenme Eğiticisiz Öğrenme: Ağın verilerin sınıflandırmasını dışarıdan yardım almadan kendi başına yapmasıdır. Bunun olabilmesi için

Detaylı

Web Madenciliği (Web Mining)

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

Detaylı

Uzaktan Algılama Teknolojileri

Uzaktan Algılama Teknolojileri Uzaktan Algılama Teknolojileri Ders 11 Hiperspektral Görüntülerde Kümeleme ve Sınıflandırma Alp Ertürk alp.erturk@kocaeli.edu.tr Sınıflandırma Sınıflandırma işleminin amacı, her piksel vektörüne bir ve

Detaylı

YZM 3217 YAPAY ZEKA DERS#10: KÜMELEME

YZM 3217 YAPAY ZEKA DERS#10: KÜMELEME YZM 317 YAPAY ZEKA DERS#10: KÜMELEME Sınıflandırma (Classification) Eğiticili (supervised) sınıflandırma: Sınıflandırma: Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğunu bilinir Eğiticisiz (unsupervised)

Detaylı

İlk Yapay Sinir Ağları. Dr. Hidayet Takçı

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

Detaylı

Genetik Algoritmalar. Bölüm 1. Optimizasyon. Yrd. Doç. Dr. Adem Tuncer E-posta:

Genetik Algoritmalar. Bölüm 1. Optimizasyon. Yrd. Doç. Dr. Adem Tuncer E-posta: Genetik Algoritmalar Bölüm 1 Optimizasyon Yrd. Doç. Dr. Adem Tuncer E-posta: adem.tuncer@yalova.edu.tr Optimizasyon? Optimizasyon Nedir? Eldeki kısıtlı kaynakları en iyi biçimde kullanmak olarak tanımlanabilir.

Detaylı

VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN

VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma

Detaylı

Veri Madenciliği Yaklaşımı ile Mesleki Yönlendirme Sistemi

Veri Madenciliği Yaklaşımı ile Mesleki Yönlendirme Sistemi Veri Madenciliği Yaklaşımı ile Mesleki Yönlendirme Sistemi YRD. DOÇ. DR. HÜSEYİN GÜRÜLER MUĞLA SITKI KOÇMAN ÜNİVERSİTESİ, TEKNOLOJİ FAKÜLTESİ, BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ Meslek Seçimi Meslek Seçimi

Detaylı

Tedarik Zinciri Yönetiminde Yapay Zeka Teknikler

Tedarik Zinciri Yönetiminde Yapay Zeka Teknikler Tedarik Zinciri Yönetiminde Yapay Zeka Teknikler Doç.Dr.Mehmet Hakan Satman mhsatman@istanbul.edu.tr İstanbul Üniversitesi 2014.10.22 Doç.Dr.Mehmet Hakan Satmanmhsatman@istanbul.edu.tr Tedarik Zinciri

Detaylı

Karaciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması

Karaciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması Karaciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması 1 Emre DANDIL Bilecik Ş. Edebali Üniversitesi emre.dandil@bilecik.edu.tr +90228 214 1613 Sunum İçeriği Özet Giriş

Detaylı

T.C. KIRIKKALE ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ YAPAY SİNİR AĞLARI. Doç.Dr. Necaattin BARIŞÇI FİNAL PROJESİ

T.C. KIRIKKALE ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ YAPAY SİNİR AĞLARI. Doç.Dr. Necaattin BARIŞÇI FİNAL PROJESİ T.C. KIRIKKALE ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ YAPAY SİNİR AĞLARI Doç.Dr. Necaattin BARIŞÇI YAPAY SİNİR AĞLARI İLE KORONER ARTER HASTALIĞI RİSK Öğrenci : SİNEM ÖZDER Numarası : 118229001004

Detaylı

İÇİNDEKİLER 1. GİRİŞ...

İÇİNDEKİLER 1. GİRİŞ... İÇİNDEKİLER 1. GİRİŞ... 1 1.1. Regresyon Analizi... 1 1.2. Uygulama Alanları ve Veri Setleri... 2 1.3. Regresyon Analizinde Adımlar... 3 1.3.1. Problemin İfadesi... 3 1.3.2. Konu ile İlgili Potansiyel

Detaylı

Örnek. Aşağıdaki veri setlerindeki X ve Y veri çiftlerini kullanarak herbir durumda X=1,5 için Y nin hangi değerleri alacağını hesaplayınız.

Örnek. Aşağıdaki veri setlerindeki X ve Y veri çiftlerini kullanarak herbir durumda X=1,5 için Y nin hangi değerleri alacağını hesaplayınız. Örnek Aşağıdaki veri setlerindeki X ve Y veri çiftlerini kullanarak herbir durumda X=1,5 için Y nin hangi değerleri alacağını hesaplayınız. i. ii. X 1 2 3 4 1 2 3 4 Y 2 3 4 5 4 3 2 1 Örnek Aşağıdaki veri

Detaylı

ÇİMENTO BASMA DAYANIMI TAHMİNİ İÇİN YAPAY SİNİR AĞI MODELİ

ÇİMENTO BASMA DAYANIMI TAHMİNİ İÇİN YAPAY SİNİR AĞI MODELİ ÇİMENTO BASMA DAYANIMI TAHMİNİ İÇİN YAPAY SİNİR AĞI MODELİ Ezgi Özkara a, Hatice Yanıkoğlu a, Mehmet Yüceer a, * a* İnönü Üniversitesi Mühendislik Fakültesi Kimya Mühendisliği Bölümü, Malatya, 44280 myuceer@inonu.edu.tr

Detaylı

VERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr

VERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr VERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma

Detaylı

Web Madenciliği (Web Mining)

Web Madenciliği (Web Mining) Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Sınıflandırıcıların Değerlendirilmesi Skorlar Karışıklık matrisi Accuracy Precision Recall

Detaylı

Muhammet Fatih AKBAŞ, Enis KARAARSLAN, Cengiz GÜNGÖR

Muhammet Fatih AKBAŞ, Enis KARAARSLAN, Cengiz GÜNGÖR Yazılım Tanımlı Ağların Güvenliğinde Yapay Zeka Tabanlı Çözümler: Ön İnceleme Muhammet Fatih AKBAŞ, Enis KARAARSLAN, Cengiz GÜNGÖR İzmir Katip Çelebi Üniversitesi, Muğla Sıtkı Koçman Üniversitesi, Ege

Detaylı

SÜREKLİ DOĞAL GERİLİM VERİLERİNİN YAPAY SİNİR AĞLARI İLE DEĞERLENDİRİLMESİ, DEPREM ve YAĞIŞLARLA İLİŞKİSİ

SÜREKLİ DOĞAL GERİLİM VERİLERİNİN YAPAY SİNİR AĞLARI İLE DEĞERLENDİRİLMESİ, DEPREM ve YAĞIŞLARLA İLİŞKİSİ SÜREKLİ DOĞAL GERİLİM VERİLERİNİN YAPAY SİNİR AĞLARI İLE DEĞERLENDİRİLMESİ, DEPREM ve YAĞIŞLARLA İLİŞKİSİ ÖZET: Petek SINDIRGI 1 ve İlknur KAFTAN 2 1 Yardımcı Doçent Dr. Jeofizik Müh. Bölümü, Dokuz Eylül

Detaylı

ESTIMATION OF EFFLUENT PARAMETERS AND EFFICIENCY FOR ADAPAZARI URBAN WASTEWATER TREATMENT PLANT BY ARTIFICIAL NEURAL NETWORK

ESTIMATION OF EFFLUENT PARAMETERS AND EFFICIENCY FOR ADAPAZARI URBAN WASTEWATER TREATMENT PLANT BY ARTIFICIAL NEURAL NETWORK ESTIMATION OF EFFLUENT PARAMETERS AND EFFICIENCY FOR ADAPAZARI URBAN WASTEWATER TREATMENT PLANT BY ARTIFICIAL NEURAL NETWORK ADAPAZARI KENTSEL ATIKSU ARITMA TESĐSĐ ÇIKIŞ SUYU PARAMETRELERĐ VE VERĐM DEĞERLERĐNĐN

Detaylı

YAPAY BAĞIŞIKLIK SİSTEMİ. Arş. Gör. Burcu ÇARKLI YAVUZ

YAPAY BAĞIŞIKLIK SİSTEMİ. Arş. Gör. Burcu ÇARKLI YAVUZ YAPAY BAĞIŞIKLIK SİSTEMİ Arş. Gör. Burcu ÇARKLI YAVUZ İnsanoğlu doğadaki müthiş uyumu yıllar önce keşfetmiş ve doğal sistemlerin işleyişini günümüz karmaşık problemlerinin çözümünde uygulayarak, karmaşık

Detaylı

Yapay Sinir Ağlarına Giriş. Dr. Hidayet Takçı

Yapay Sinir Ağlarına Giriş. Dr. Hidayet Takçı Yapay Sinir Ağlarına Giriş Dr. Hidayet Takçı htakci@gmail.com http://htakci.sucati.org Giriş Neden Yapay Sinir Ağları (YSA) Bazı işler insanlar tarafından kolaylıkla yerine getirilirken mevcut bilgisayarlar

Detaylı

Kümeleme Algoritmaları. Tahir Emre KALAYCI

Kümeleme Algoritmaları. Tahir Emre KALAYCI Tahir Emre KALAYCI 2010 Gündem En önemli gözetimsiz öğrenme (unsupervised learning) problemi olarak değerlendirilmektedir Bu türdeki diğer problemler gibi etiketsiz veri kolleksiyonları için bir yapı bulmakla

Detaylı

ROBOTLARIN YAPAY SİNİR AĞLARI KULLANILARAK DENETİMİ.

ROBOTLARIN YAPAY SİNİR AĞLARI KULLANILARAK DENETİMİ. ROBOTLARIN YAPAY SİNİR AĞLARI KULLANILARAK DENETİMİ Murat ŞEKER 1 Ahmet BERKAY 1 EMurat ESİN 1 ArşGör,Gebze Yüksek Teknoloji Enstitüsü, Bilgisayar MühBöl 41400 Gebze mseker@bilmuhgyteedutr aberkay@bilmuhgyteedutr,

Detaylı

VERİ MADENCİLİĞİ (Veri Önişleme-1) Yrd.Doç.Dr. Kadriye ERGÜN

VERİ MADENCİLİĞİ (Veri Önişleme-1) Yrd.Doç.Dr. Kadriye ERGÜN VERİ MADENCİLİĞİ (Veri Önişleme-1) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma Kümeleme

Detaylı

YOLCULUK YARATIMININ YAPAY SİNİR AĞLARI İLE MODELLENMESİ MODELLING OF THE TRIP GENERATION WITH ARTIFICIAL NEURAL NETWORK

YOLCULUK YARATIMININ YAPAY SİNİR AĞLARI İLE MODELLENMESİ MODELLING OF THE TRIP GENERATION WITH ARTIFICIAL NEURAL NETWORK YOLCULUK YARATIMININ YAPAY SİNİR AĞLARI İLE MODELLENMESİ * Nuran BAĞIRGAN 1, Muhammet Mahir YENİCE 2 1 Dumlupınar Üniversitesi, Mühendislik Fakültesi, İnşaat Mühendisliği Bölümü, Kütahya, nbagirgan@dumlupinar.edu.tr

Detaylı

YAPAY SĠNĠR AĞLARININ EKONOMĠK TAHMĠNLERDE KULLANILMASI

YAPAY SĠNĠR AĞLARININ EKONOMĠK TAHMĠNLERDE KULLANILMASI P A M U K K A L E Ü N İ V E R S İ T E S İ M Ü H E N D İ S L İ K F A K Ü L T E S İ P A M U K K A L E U N I V E R S I T Y E N G I N E E R I N G C O L L E G E M Ü H E N D ĠS L ĠK B ĠL ĠM L E R ĠD E R G ĠS

Detaylı

2.1 Bir Sınıfı Örneklerinden Öğrenme... 15 2.2 Vapnik-Chervonenkis (VC) Boyutu... 20 2.3 Olası Yaklaşık Doğru Öğrenme... 21

2.1 Bir Sınıfı Örneklerinden Öğrenme... 15 2.2 Vapnik-Chervonenkis (VC) Boyutu... 20 2.3 Olası Yaklaşık Doğru Öğrenme... 21 İçindekiler Önsöz İkinci Basım için Önsöz Türkçe Çeviri için Önsöz Gösterim xiii xv xvii xix 1 Giriş 1 1.1 Yapay Öğrenme Nedir?......................... 1 1.2 Yapay Öğrenme Uygulamalarına Örnekler...............

Detaylı

Veri ve Metin Madenciliği

Veri 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

Detaylı

Çok katmanlı ileri sürümlü YSA da standart geri yayıyım ve momentum geri yayılım algoritmalarının karşılaştırılması. (Eğitim/Hata geri yayılım)

Çok katmanlı ileri sürümlü YSA da standart geri yayıyım ve momentum geri yayılım algoritmalarının karşılaştırılması. (Eğitim/Hata geri yayılım) Çok katmanlı ileri sürümlü YSA da standart geri yayıyım ve momentum geri yayılım algoritmalarının karşılaştırılması (Eğitim/Hata geri yayılım) Özetçe Bu çalışmada çok katmanlı ve ileri sürümlü bir YSA

Detaylı

K-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi

K-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi K-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi Erdal TAŞCI* Aytuğ ONAN** *Ege Üniversitesi Bilgisayar Mühendisliği Bölümü **Celal Bayar Üniversitesi

Detaylı

DENEYSEL SONUÇLARIN ANALİZİNDE YAPAY SİNİR AĞLARI KULLANIMI VE BETON DAYANIM TESTİ İÇİN BİR UYGULAMA

DENEYSEL SONUÇLARIN ANALİZİNDE YAPAY SİNİR AĞLARI KULLANIMI VE BETON DAYANIM TESTİ İÇİN BİR UYGULAMA DENEYSEL SONUÇLARIN ANALİZİNDE YAPAY SİNİR AĞLARI KULLANIMI VE BETON DAYANIM TESTİ İÇİN BİR UYGULAMA Özlem HASGÜL Balıkesir Üniversitesi A. Sermet ANAGÜN Osmangazi Üniversitesi Özet Üretim sistemlerinde

Detaylı

TUĞLA VE KİREMİT FABRİKALARININ HAVA KİRLİLİĞİNE KATKILARININ YAPAY SİNİR AĞI MODELLEMESİ İLE ARAŞTIRILMASI

TUĞLA VE KİREMİT FABRİKALARININ HAVA KİRLİLİĞİNE KATKILARININ YAPAY SİNİR AĞI MODELLEMESİ İLE ARAŞTIRILMASI TUĞLA VE KİREMİT FABRİKALARININ HAVA KİRLİLİĞİNE KATKILARININ YAPAY SİNİR AĞI MODELLEMESİ İLE ARAŞTIRILMASI Merve ARABACI a, Miray BAYRAM a, Mehmet YÜCEER b, Erdal KARADURMUŞ a a Hitit Üniversitesi, Mühendislik

Detaylı

Yapay Sinir Ağları ve Uygulamaları (EE 423) Ders Detayları

Yapay Sinir Ağları ve Uygulamaları (EE 423) Ders Detayları Yapay Sinir Ağları ve Uygulamaları (EE 423) Ders Detayları Ders Adı Ders Dönemi Ders Uygulama Laboratuar Kredi AKTS Kodu Saati Saati Saati Yapay Sinir Ağları ve Uygulamaları EE 423 Her İkisi 3 0 0 3 5

Detaylı

Zeki Optimizasyon Teknikleri

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

Detaylı

TC. GAZİ ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ İŞLETME ANABİLİM DALI ÜRETİM YÖNETİMİ BİLİM DALI

TC. GAZİ ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ İŞLETME ANABİLİM DALI ÜRETİM YÖNETİMİ BİLİM DALI TC. GAZİ ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ İŞLETME ANABİLİM DALI ÜRETİM YÖNETİMİ BİLİM DALI YAPAY SİNİR AĞLARI VE BEKLEME SÜRESİNİN TAHMİNİNDE KULLANILMASI YÜKSEK LİSANS TEZİ Hazırlayan Muhammet DEVECİ

Detaylı

Veri Tabanı, Veri Ambarı, Veri Madenciliği. Veri Madenciliği Uygulama Alanları

Veri 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,

Detaylı

Örüntü Tanıma (EE 448) Ders Detayları

Örüntü Tanıma (EE 448) Ders Detayları Örüntü Tanıma (EE 448) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Örüntü Tanıma EE 448 Bahar 3 0 0 3 5 Ön Koşul Ders(ler)i Dersin Dili Dersin Türü Dersin

Detaylı

Konular. VERİ MADENCİLİĞİ Veri Önişleme. Değer Kümeleri. Veri Nedir? Nitelik Türleri. Konular. Veri Veri Önişleme Benzerlik ve farklılık

Konular. VERİ MADENCİLİĞİ Veri Önişleme. Değer Kümeleri. Veri Nedir? Nitelik Türleri. Konular. Veri Veri Önişleme Benzerlik ve farklılık 0 VERİ MADENCİLİĞİ Veri Önişleme Yrd. Doç. Dr. Şule Gündüz Öğüdücü Veri Nedir? nesneler ve nesnelerin niteliklerinden oluşan küme kayıt (record), varlık (entity), örnek (sample, instance) nesne için kullanılabilir.

Detaylı

8 Haziran 2007 TBD İstanbul Bilişim Kongresi

8 Haziran 2007 TBD İstanbul Bilişim Kongresi Finansal Uygulamalarda Veri Madenciliği Ali Alkan ali.alkan@infora.com.tr 1/48 Gündem 1. Neden veri madenciliği? 2. Veri madenciliği türleri 3. Veri madenciliği teknikleri 4. Veri madenciliği uygulamaları

Detaylı

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

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

Detaylı

İSTANBUL TİCARET ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ BİLGİSAYAR SİSTEMLERİ LABORATUARI

İSTANBUL TİCARET ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ BİLGİSAYAR SİSTEMLERİ LABORATUARI İSTANBUL TİCARET ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ BİLGİSAYAR SİSTEMLERİ LABORATUARI Lineer Ayrılabilen Paternlerin Yapay Sinir Ağı ile Sınıflandırılması 1. Biyolojik Sinirin Yapısı Bilgi işleme

Detaylı

BİLGİSAYAR MÜHENDİSLİĞİ DOKTORA DERS PROGRAMI (Lisanstan gelenler için)

BİLGİSAYAR MÜHENDİSLİĞİ DOKTORA DERS PROGRAMI (Lisanstan gelenler için) BİLGİSAYAR MÜHENDİSLİĞİ DOKTORA DERS PROGRAMI (Lisanstan gelenler için) HAZIRLIK PROGRAMI COME 27 İleri Nesneye Yönelik Programlama 5 COME 21 Veri Yapıları ve Algoritmalar COME 22 COME 1 COME 1 COME 411

Detaylı

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

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

Detaylı

Uzaktan Algılama Uygulamaları

Uzaktan 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

Detaylı

Görüntü Sınıflandırma

Görüntü 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

Detaylı

BİLGİSAYAR VE ENFORMASYON BİLİMLERİ YÜKSEK LİSANS DERS PROGRAMI (Tezli Program)

BİLGİSAYAR VE ENFORMASYON BİLİMLERİ YÜKSEK LİSANS DERS PROGRAMI (Tezli Program) BİLGİSAYAR VE ENFORMASYON BİLİMLERİ YÜKSEK LİSANS DERS PROGRAMI (Tezli Program) HAZIRLIK PROGRAMI COME 27 İleri Nesneye Yönelik Programlama 2+2 3 5 COME 218 Veri Yapıları ve Algoritmalar 2+2 3 6 COME 226

Detaylı

Bahadır KARASULU, Aybars UĞUR Ege Üniversitesi, Bilgisayar Mühendisliği Bölümü

Bahadır KARASULU, Aybars UĞUR Ege Üniversitesi, Bilgisayar Mühendisliği Bölümü ÖZÖRGÜTLEMELİ YAPAY SİNİR AĞI MODELİ NİN KULLANILDIĞI KUTUP DENGELEME PROBLEMİ İÇİN PARALEL HESAPLAMA TEKNİĞİ İLE BİR BAŞARIM ENİYİLEŞTİRME YÖNTEMİ Bahadır KARASULU, Aybars UĞUR Ege Üniversitesi, Bilgisayar

Detaylı

Yapay Sinir Ağları ve Yüksek Enerji Fiziği Uygulamaları

Yapay Sinir Ağları ve Yüksek Enerji Fiziği Uygulamaları Yapay Sinir Ağları ve Yüksek Enerji Fiziği Uygulamaları Ece Akıllı Université de Genève 12 Eylül 2016 CERN TR E. Akıllı (UNIGE) Yapay Sinir Ağları 12.09.2016 1 / 18 Akış 1 Makine Ogrenimi 2 Yapay Sinir

Detaylı

Otomatik Doküman Sınıflandırma

Otomatik Doküman Sınıflandırma Otomatik Doküman Sınıflandırma Rumeysa YILMAZ, Rıfat AŞLIYAN, Korhan GÜNEL Adnan Menderes Üniversitesi, Fen Edebiyat Fakültesi Matematik Bölümü, Aydın rumeysa2903@gmailcom, rasliyan@aduedutr, kgunel@aduedutr

Detaylı

PAPATYA YAYINCILIK EĞİTİM Bilgisayar Sis. San. ve Tic. A.Ş. Veri Madenciliği Yöntemleri Dr. Yalçın ÖZKAN -II-

PAPATYA 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

Detaylı

Tedarik Zinciri Yönetimi

Tedarik 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

Detaylı

YEŞİLIRMAK NEHRİ İÇİN TOPLAM ORGANİK KARBON ÖNGÖRÜ MODELLERİ

YEŞİLIRMAK NEHRİ İÇİN TOPLAM ORGANİK KARBON ÖNGÖRÜ MODELLERİ YEŞİLIRMAK NEHRİ İÇİN TOPLAM ORGANİK KARBON ÖNGÖRÜ MODELLERİ Mehmet Yüceer a*, İlknur Atasoy b, Eda Semizer c, Erdal Karadurmuş d, Kazım Yetik e, Ayla Çalımlı c, Rıdvan Berber c a İnönü Üniversitesi Mühendislik

Detaylı

Simpleks Yönteminde Kullanılan İlave Değişkenler (Eşitliğin yönüne göre):

Simpleks Yönteminde Kullanılan İlave Değişkenler (Eşitliğin yönüne göre): DP SİMPLEKS ÇÖZÜM Simpleks Yöntemi, amaç fonksiyonunu en büyük (maksimum) veya en küçük (minimum) yapacak en iyi çözüme adım adım yaklaşan bir algoritma (hesaplama yöntemi) dir. Bu nedenle, probleme bir

Detaylı

Yapay Sinir Ağları ile Web İçeriklerini Sınıflandırma. Yazarlar: Esra Nergis Güven, Hakan Onur ve Şeref Sağıroğlu. Sunan : Esra Nergis Güven

Yapay Sinir Ağları ile Web İçeriklerini Sınıflandırma. Yazarlar: Esra Nergis Güven, Hakan Onur ve Şeref Sağıroğlu. Sunan : Esra Nergis Güven Yapay Sinir Ağları ile Web İçeriklerini Sınıflandırma Yazarlar: Esra Nergis Güven, Hakan Onur ve Şeref Sağıroğlu Sunan : Esra Nergis Güven İçerik Giriş Amaç ve Kapsam Sınıflandırma Geliştirilen Sistem

Detaylı

Yapay Sinir Ağları. (Artificial Neural Networks) DOÇ. DR. ERSAN KABALCI E S N E K H E S A P L A M A Y Ö N T E M L E R İ - II

Yapay Sinir Ağları. (Artificial Neural Networks) DOÇ. DR. ERSAN KABALCI E S N E K H E S A P L A M A Y Ö N T E M L E R İ - II Yapay Sinir Ağları (Artificial Neural Networks) J E O L O J İ M Ü H E N D İ S L İ Ğ İ A. B. D. E S N E K H E S A P L A M A Y Ö N T E M L E R İ - II DOÇ. DR. ERSAN KABALCI Yapay Sinir Ağları Tarihçe Biyolojik

Detaylı

doğrusal programlama DOĞRUSAL PROGRAMLAMA (GENEL)

doğrusal programlama DOĞRUSAL PROGRAMLAMA (GENEL) DOĞRUSAL PROGRAMLAMA (GENEL) Belirli bir amacın gerçekleşmesini etkileyen bazı kısıtlayıcı koşulların ve bu kısıtlayıcı koşulların doğrusal eşitlik ya da eşitsizlik biçiminde verilmesi durumunda amaca

Detaylı

3 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI

3 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

Detaylı

T.C. GAZİOSMANPAŞA ÜNİVERSİTESİ SAĞLIK BİLİMLERİ ENSTİTÜSÜ

T.C. GAZİOSMANPAŞA ÜNİVERSİTESİ SAĞLIK BİLİMLERİ ENSTİTÜSÜ T.C. GAZİOSMANPAŞA ÜNİVERSİTESİ SAĞLIK BİLİMLERİ ENSTİTÜSÜ LOJİSTİK REGRESYON ANALİZİ (LRA), YAPAY SİNİR AĞLARI (YSA) ve SINIFLANDIRMA ve REGRESYON AĞAÇLARI (C&RT) YÖNTEMLERİNİN KARŞILAŞTIRILMASI ve TIP

Detaylı

WEB SAYFALARINA İLİŞKİN YAPAY SİNİR AĞLARI İLE SINIFLANDIRMA YÖNTEMİ

WEB SAYFALARINA İLİŞKİN YAPAY SİNİR AĞLARI İLE SINIFLANDIRMA YÖNTEMİ WEB SAYFALARINA İLİŞKİN YAPAY SİNİR AĞLARI İLE SINIFLANDIRMA YÖNTEMİ Doç.Dr Erhan Akyazı Marmara Üniversitesi Bilişim Bölümü eakyazi@marmara.edu.tr Şafak Kayıkçı Marmara Üniversitesi Bilişim Bölümü safak@safakkayikci.com

Detaylı

Kredi Limit Optimizasyonu:

Kredi Limit Optimizasyonu: Kredi Limit Optimizasyonu: «Teorik Değil Pratik" Simge Danışman Analitik Direktörü, Experian EMEA Kar Gelişimi Kredi Limit Optimizasyonu Optimizasyona Genel Bakış Profilleme Modelleme Karar Matrisleri

Detaylı

TRAKYA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MAKİNA MÜHENDİSLİĞİ ANABİLİM DALI DOKTORA PROGRAMI ŞEKİL TANIMA ÖDEV 2 KONU : DESTEK VEKTÖR MAKİNELERİ

TRAKYA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MAKİNA MÜHENDİSLİĞİ ANABİLİM DALI DOKTORA PROGRAMI ŞEKİL TANIMA ÖDEV 2 KONU : DESTEK VEKTÖR MAKİNELERİ TRAKYA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MAKİNA MÜHENDİSLİĞİ ANABİLİM DALI DOKTORA PROGRAMI ŞEKİL TANIMA ÖDEV 2 KONU : DESTEK VEKTÖR MAKİNELERİ Kenan KILIÇASLAN Okul No:1098107203 1. DESTEK VEKTÖR MAKİNELER

Detaylı

MİKROŞERİT HAT ENDÜKTANS BÜYÜKLÜĞÜNÜN BİLGİ TABANLI YAPAY SİNİR AĞLARI ile MODELLENMESİ

MİKROŞERİT HAT ENDÜKTANS BÜYÜKLÜĞÜNÜN BİLGİ TABANLI YAPAY SİNİR AĞLARI ile MODELLENMESİ MİKROŞERİT HAT ENDÜKTANS BÜYÜKLÜĞÜNÜN BİLGİ TABANLI YAPAY SİNİR AĞLARI ile MODELLENMESİ Levent AKSOY e-posta: levent@ehb.itu.edu.tr Neslihan Serap ŞENGÖR e-posta: neslihan@ehb.itu.edu.tr Elektronik ve

Detaylı

BSM-767 MAKİNE ÖĞRENMESİ. Doğrusal Ayırıcılar (Linear Discriminants)

BSM-767 MAKİNE ÖĞRENMESİ. Doğrusal Ayırıcılar (Linear Discriminants) BSM-767 MAKİNE ÖĞRENMESİ Doğrusal Ayırıcılar (Linear Discriminants) Yrd. Doç. Dr. Ümit ATİLA umitatila@karabuk.edu.tr http://web.karabuk.edu.tr/umitatilla/ Perceptron Perceptron, bir giriş kümesinin ağırlıklandırılmış

Detaylı

2. BASİT DOĞRUSAL REGRESYON 12

2. BASİT DOĞRUSAL REGRESYON 12 1. GİRİŞ 1 1.1 Regresyon ve Model Kurma / 1 1.2 Veri Toplama / 5 1.3 Regresyonun Kullanım Alanları / 9 1.4 Bilgisayarın Rolü / 10 2. BASİT DOĞRUSAL REGRESYON 12 2.1 Basit Doğrusal Regresyon Modeli / 12

Detaylı

Kolektif Öğrenme Metotları

Kolektif Öğrenme Metotları Kolektif Öğrenme Metotları Kolektif öğrenme algoritmalarına genel bakış 1-Bagging 2-Ardışık Topluluklarla Öğrenme (Boosting) 3-Rastsal Altuzaylar 4-Rastsal Ormanlar 5-Aşırı Rastsal Ormanlar 6-Rotasyon

Detaylı

127 - Twoing Algoritması ile Sınıflandırma Kalp Hastalığı Uygulaması MEHMET AKİF ERSOY ÜNİVERSİTESİ İLHAN UYSAL MEHMET BİLEN SAMİ ULUKUŞ

127 - Twoing Algoritması ile Sınıflandırma Kalp Hastalığı Uygulaması MEHMET AKİF ERSOY ÜNİVERSİTESİ İLHAN UYSAL MEHMET BİLEN SAMİ ULUKUŞ 127 - Twoing Algoritması ile Sınıflandırma Kalp Hastalığı Uygulaması MEHMET AKİF ERSOY ÜNİVERSİTESİ İLHAN UYSAL MEHMET BİLEN SAMİ ULUKUŞ Veri Madenciliği : Bir sistemin veri madenciliği sistemi olabilmesi

Detaylı

YAPAY SİNİR AĞLARI YÖNTEMİ İLE PAFTALARININ SAYISALLAŞTIRILMASI ARTIFICIAL NEURAL NETWORKS METHOD FOR MAP DIGITIZATION

YAPAY SİNİR AĞLARI YÖNTEMİ İLE PAFTALARININ SAYISALLAŞTIRILMASI ARTIFICIAL NEURAL NETWORKS METHOD FOR MAP DIGITIZATION YAPAY SİNİR AĞLARI YÖNTEMİ İLE PAFTALARININ SAYISALLAŞTIRILMASI Y.ŞİŞMAN 1, H. DEMİRTAŞ 2 1 Ondokuz Mayıs Üniversitesi, Harita Mühendisliği Bölümü, 55139, Samsun/TÜRKİYE ysisman@omu.edu.tr 2 Sağlık Bakanlığı,

Detaylı

Akış YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

Akış YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ Akış Makine Öğrenmesi nedir? Günlük Hayatımızdaki Uygulamaları Verilerin Sayısallaştırılması Özellik Belirleme Özellik Seçim Metotları Bilgi Kazancı (Informaiton Gain-IG) Sinyalin Gürültüye Oranı: (S2N

Detaylı

Doğrusal Programlama (IE 502) Ders Detayları

Doğrusal Programlama (IE 502) Ders Detayları Doğrusal Programlama (IE 502) Ders Detayları Ders Adı Ders Dönemi Ders Uygulama Laboratuar Kredi AKTS Kodu Saati Saati Saati Doğrusal Programlama IE 502 Güz 3 0 0 3 7.5 Ön Koşul Ders(ler)i Dersin Dili

Detaylı

BAŞKENT ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ BENZER SÜREÇLERDE ÜRETİLEN ÜRÜNLER İÇİN YAPAY ZEKA İLE ZAMAN TAHMİNİ SONER ŞÜKRÜ ALTIN

BAŞKENT ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ BENZER SÜREÇLERDE ÜRETİLEN ÜRÜNLER İÇİN YAPAY ZEKA İLE ZAMAN TAHMİNİ SONER ŞÜKRÜ ALTIN BAŞKENT ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ BENZER SÜREÇLERDE ÜRETİLEN ÜRÜNLER İÇİN YAPAY ZEKA İLE ZAMAN TAHMİNİ SONER ŞÜKRÜ ALTIN YÜKSEK LİSANS TEZİ 2011 BENZER SÜREÇLERDE ÜRETİLEN ÜRÜNLER İÇİN YAPAY

Detaylı

İçindekiler. Ön Söz... xiii

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

Detaylı

YAPAY SİNİR AĞI KULLANARAK DEPREM EĞİLİMİNİN KESTİRİMİ. Umut FIRAT

YAPAY 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

Detaylı

İstatistik ve Olasılık

İstatistik ve Olasılık İstatistik ve Olasılık KORELASYON ve REGRESYON ANALİZİ Doç. Dr. İrfan KAYMAZ Tanım Bir değişkenin değerinin diğer değişkendeki veya değişkenlerdeki değişimlere bağlı olarak nasıl etkilendiğinin istatistiksel

Detaylı

Endüstri Mühendisliğine Giriş

Endüstri Mühendisliğine Giriş Endüstri Mühendisliğine Giriş 5 ve 19 Aralık 2012, Şişli-Ayazağa, İstanbul, Türkiye. Yard. Doç. Dr. Kamil Erkan Kabak Endüstri Mühendisliği Bölümü,, Şişli-Ayazağa, İstanbul, Türkiye erkankabak@beykent.edu.tr

Detaylı

Kesikli Programlama (IE 506) Ders Detayları

Kesikli Programlama (IE 506) Ders Detayları Kesikli Programlama (IE 506) Ders Detayları Ders Adı Ders Dönemi Ders Uygulama Laboratuar Kredi AKTS Kodu Saati Saati Saati Kesikli Programlama IE 506 Güz 3 0 0 3 7.5 Ön Koşul Ders(ler)i Dersin Dili Dersin

Detaylı

3.2. DP Modellerinin Simpleks Yöntem ile Çözümü Primal Simpleks Yöntem

3.2. DP Modellerinin Simpleks Yöntem ile Çözümü Primal Simpleks Yöntem 3.2. DP Modellerinin Simpleks Yöntem ile Çözümü 3.2.1. Primal Simpleks Yöntem Grafik çözüm yönteminde gördüğümüz gibi optimal çözüm noktası, her zaman uygun çözüm alanının bir köşe noktası ya da uç noktası

Detaylı

Karar Destek Sistemleri

Karar Destek Sistemleri Karar Destek Sistemleri Şirketler gün geçtikçe daha fazla veri toplamaktadırlar. Ve bu veri dağları içerisinde veri avına çıkmaktaırlar. Bu işlemleri kolaylaştırmak amacıyla bazı bilgisayar tabanlı sistemler

Detaylı

ÖZET...V ABSTRACT...VII TEŞEKKÜR... IX ŞEKİLLER DİZİNİ... XIV SÖZLÜK... XIX

ÖZET...V ABSTRACT...VII TEŞEKKÜR... IX ŞEKİLLER DİZİNİ... XIV SÖZLÜK... XIX XI İÇİNDEKİLER ÖZET...V ABSTRACT...VII TEŞEKKÜR... IX ŞEKİLLER DİZİNİ... XIV SÖZLÜK... XIX 1. GİRİŞ... 1 2. PLANLAMANIN TARİHÇESİ... 7 2.1 Literatürdeki Planlayıcılar ve Kullandıkları Problem... Gösterimi

Detaylı

Yapay Sinir Ağları ve Uygulamaları (EE 505) Ders Detayları

Yapay Sinir Ağları ve Uygulamaları (EE 505) Ders Detayları Yapay Sinir Ağları ve Uygulamaları (EE 505) Ders Detayları Ders Adı Ders Dönemi Ders Uygulama Laboratuar Kredi AKTS Kodu Saati Saati Saati Yapay Sinir Ağları ve Uygulamaları EE 505 Her İkisi 3 0 0 3 7.5

Detaylı

COĞRAFİ BİLGİ SİSTEMLERİ İLERİ SEVİYE EĞİTİMLERİ ARCGIS SCHEMATİCS EĞİTİMİ

COĞRAFİ BİLGİ SİSTEMLERİ İLERİ SEVİYE EĞİTİMLERİ ARCGIS SCHEMATİCS EĞİTİMİ COĞRAFİ BİLGİ SİSTEMLERİ İLERİ SEVİYE EĞİTİMLERİ ARCGIS SCHEMATİCS EĞİTİMİ http://facebook.com/esriturkey https://twitter.com/esriturkiye egitim@esriturkey.com.tr Kursun Süresi: 3 Gün 18 Saat COĞRAFİ BİLGİ

Detaylı

Nedensel Modeller Y X X X

Nedensel Modeller Y X X X Tahmin Yöntemleri Nedensel Modeller X 1, X 2,...,X n şeklinde tanımlanan n değişkenin Y ile ilgili olmakta; Y=f(X 1, X 2,...,X n ) şeklinde bir Y fonksiyonu tanımlanmaktadır. Fonksiyon genellikle aşağıdaki

Detaylı

MAK 210 SAYISAL ANALİZ

MAK 210 SAYISAL ANALİZ MAK 210 SAYISAL ANALİZ BÖLÜM 6- İSTATİSTİK VE REGRESYON ANALİZİ Doç. Dr. Ali Rıza YILDIZ 1 İSTATİSTİK VE REGRESYON ANALİZİ Bütün noktalardan geçen bir denklem bulmak yerine noktaları temsil eden, yani

Detaylı

ULUSLARARASI ANTALYA ÜNİVERSİTESİ ENDÜSTRİ MÜHENDİSLİĞİ BÖLÜMÜ DERS KATALOĞU

ULUSLARARASI ANTALYA ÜNİVERSİTESİ ENDÜSTRİ MÜHENDİSLİĞİ BÖLÜMÜ DERS KATALOĞU ULUSLARARASI ANTALYA ÜNİVERSİTESİ ENDÜSTRİ MÜHENDİSLİĞİ BÖLÜMÜ DERS KATALOĞU ZORUNLU DERSLER IE 201 - Operasyon Modelleme Karar vermedeki belirsizlik rolü de dahil olmak üzere işletme kararlarının matematiksel

Detaylı

JEODEZİK AĞLARIN OPTİMİZASYONU

JEODEZİK AĞLARIN OPTİMİZASYONU JEODEZİK AĞLARIN OPTİMİZASYONU Jeodezik Ağların Tasarımı 10.HAFTA Dr.Emine Tanır Kayıkçı,2017 OPTİMİZASYON Herhangi bir yatırımın gerçekleştirilmesi sırasında elde bulunan, araç, hammadde, para, işgücü

Detaylı

Çok Katmanlı Algılayıcı (Multilayer Perceptron) DOÇ. DR. ERSAN KABALCI

Çok Katmanlı Algılayıcı (Multilayer Perceptron) DOÇ. DR. ERSAN KABALCI Çok Katmanlı Algılayıcı (Multilayer Perceptron) J E O L O J İ M Ü H E N D İ S L İ Ğ İ A. B. D. E S N E K H E S A P L A M A Y Ö N T E M L E R İ - I DOÇ. DR. ERSAN KABALCI Perceptron Rosenblatt (1962): İlk

Detaylı

İÇİNDEKİLER ÖN SÖZ...

İÇİNDEKİLER 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

Detaylı

Oluşturulan evren listesinden örnekleme birimlerinin seçkisiz olarak çekilmesidir

Oluşturulan 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

Detaylı

KÜTAHYA İLİNİN YAPAY SİNİR AĞLARI KULLANILARAK ELEKTRİK PUANT YÜK TAHMİNİ

KÜTAHYA İLİNİN YAPAY SİNİR AĞLARI KULLANILARAK ELEKTRİK PUANT YÜK TAHMİNİ ELECTRICAL PEAK LOAD FORECASTING IN KÜTAHYA WITH ARTIFICIAL NEURAL NETWORKS. Y. ASLAN * & C. YAŞAR * & A. NALBANT * * Elektrik-Elektronik Mühendisliği Bölümü, Mühendislik Fakültesi Dumlupınar Üniversitesi,

Detaylı

Yazılım Mühendisliği Bölüm - 3 Planlama

Yazılım Mühendisliği Bölüm - 3 Planlama 1 Yazılım Mühendisliği Bölüm - 3 Planlama 2 3 4 Planlama 5 Yazılım geliştirme sürecinin ilk aşaması Başarılı bir proje geliştirebilmek için projenin tüm resminin çıkarılması işlemi Proje planlama aşamasında

Detaylı

Veri Bilim - Yapay Öğrenme Yaz Okulu, 2017 Matematiksel Temeller ve Vaka Çalışmaları

Veri Bilim - Yapay Öğrenme Yaz Okulu, 2017 Matematiksel Temeller ve Vaka Çalışmaları Veri Bilim - Yapay Öğrenme Yaz Okulu, 2017 Matematiksel Temeller ve Vaka Çalışmaları Boğaziçi Üniversitesi, TETAM, Kandilli, İstanbul Konu ve Kapsam Bu yaz okulunda veri bilim ve yapay öğrenme alanında

Detaylı

Makine Öğrenmesi 8. hafta

Makine Öğrenmesi 8. hafta Makine Öğrenmesi 8. hafa Takviyeli Öğrenme (Reinforcemen Learning) Q Öğrenme (Q Learning) TD Öğrenme (TD Learning) Öğrenen Vekör Parçalama (LVQ) LVQ2 LVQ-X 1 Takviyeli Öğrenme Takviyeli öğrenme (Reinforcemen

Detaylı

EME 3105 Giriş SISTEM SIMÜLASYONU Sistem Simülasyonuna Giriş Simülasyon Ders 1 Simülasyon, Yrd.Doç.Dr.Beyazıt Ocaktan

EME 3105 Giriş SISTEM SIMÜLASYONU Sistem Simülasyonuna Giriş Simülasyon Ders 1 Simülasyon, Yrd.Doç.Dr.Beyazıt Ocaktan EME 3105 Giriş SISTEM SIMÜLASYONU Sistem Simülasyonuna Giriş Gerçek Dünya Sureci Sistemin davranışıyla ilişkili varsayımlar seti Modelleme & Analiz Ders 1 Yrd.Doç.Dr.Beyazıt Ocaktan Simülasyon, gerçek

Detaylı

İnsan beyni, birbiri ile karmaşık ilişkiler içinde bulunan nöron hücreleri kitlesidir. Tüm aktivitelerimizi kontrol eder, yaradılışın en görkemli ve

İnsan beyni, birbiri ile karmaşık ilişkiler içinde bulunan nöron hücreleri kitlesidir. Tüm aktivitelerimizi kontrol eder, yaradılışın en görkemli ve YAPAY SİNİRAĞLARI İnsan beyni, birbiri ile karmaşık ilişkiler içinde bulunan nöron hücreleri kitlesidir. Tüm aktivitelerimizi kontrol eder, yaradılışın en görkemli ve gizemli harikalarından biridir. İnsan

Detaylı