Doğan Can, Murat Saraçlar. Bebek, İstanbul. 9 Mart, 2009
|
|
- Basak Deniz Neyzi
- 5 yıl önce
- İzleme sayısı:
Transkript
1 Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması Doğan Can, Murat Saraçlar Elektrik Elektronik Mühendisliği Bölümü Boğaziçi Üniversitesi Bebek, İstanbul 9 Mart, 2009
2 Bir Bakışta GDSKT - Dil Modeli GDSKT - Akustik Modeller Üretici Modellere karşılık Ayırıcı Modeller MLE MMIE MPE Veritabanları HTK/SRILM Tabanlı Türkçe GDSKT Sistemi Deney Sonuçları D. Can, M. Saraçlar, Boğaziçi Üniversitesi Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması 2/13
3 Geniş Dağarcıklı Sürekli Konuşma Tanıma - Dil Modeli Problem Tanımı ŝ = argmax p(a M s )p(s) s A : Akustik öznitelik vektörleri s : Sözcük dizisi p(s) : Dil modeli M s : s dizisine karşılık gelen akustik model D. Can, M. Saraçlar, Boğaziçi Üniversitesi Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması 3/13
4 Geniş Dağarcıklı Sürekli Konuşma Tanıma - Dil Modeli Problem Tanımı ŝ = argmax p(a M s )p(s) s A : Akustik öznitelik vektörleri s : Sözcük dizisi p(s) : Dil modeli M s : s dizisine karşılık gelen akustik model N li Dil Modeli s = [w 1, w 2,..., w n ] : Sözcük dizisi p(s) = p(w 1, w 2,..., w n ) n k=1 p(w k w k N+1 k 1 ) D. Can, M. Saraçlar, Boğaziçi Üniversitesi Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması 3/13
5 Geniş Dağarcıklı Sürekli Konuşma Tanıma - Akustik Modeller Üretici Modelleme Hedef : Kelime hata oranının dolaylı yoldan iyileştirilmesi Yöntem : Eğitim verisinin iyi modellenmesi (olabilirliğinin arttırılması) Eğitimde sadece referans kelime dizileri kullanılır Model varsayımları geçerli + sonsuz veri tarafsız, minimum sapmaya sahip modeller D. Can, M. Saraçlar, Boğaziçi Üniversitesi Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması 4/13
6 Geniş Dağarcıklı Sürekli Konuşma Tanıma - Akustik Modeller Üretici Modelleme Hedef : Kelime hata oranının dolaylı yoldan iyileştirilmesi Yöntem : Eğitim verisinin iyi modellenmesi (olabilirliğinin arttırılması) Eğitimde sadece referans kelime dizileri kullanılır Model varsayımları geçerli + sonsuz veri tarafsız, minimum sapmaya sahip modeller Ayırıcı Modelleme Hedef : Kelime hata oranının ya da benzer bir ölçütün doğrudan iyileştirilmesi Yöntem : Modeller arası ayrımın arttırılması, eğitim verisinin iyi modellenmesinin yanı sıra hatalı hipotezlerin olabilirliğinin (tanıma hatalarının) azaltılması Egitimde hem referans hem de olası kelime dizileri kullanılır D. Can, M. Saraçlar, Boğaziçi Üniversitesi Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması 4/13
7 Geniş Dağarcıklı Sürekli Konuşma Tanıma - MLE En Yüksek Olabilirlik Kestirimi (MLE) : Yöntem : Eğitim verisinin olabilirliğini arttırmak Tüm eğitim sözceleri eşit ağırlıklı D. Can, M. Saraçlar, Boğaziçi Üniversitesi Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması 5/13
8 Geniş Dağarcıklı Sürekli Konuşma Tanıma - MLE En Yüksek Olabilirlik Kestirimi (MLE) : Yöntem : Eğitim verisinin olabilirliğini arttırmak Tüm eğitim sözceleri eşit ağırlıklı ML Kriteri : R F MLE (λ) = log p λ (A r M sr ) r=1 λ : Model parametreleri s r, r = 1,..., R : Referans sözcük dizisi A r, r = 1,..., R : Akustik özntielik vektörleri D. Can, M. Saraçlar, Boğaziçi Üniversitesi Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması 5/13
9 Geniş Dağarcıklı Sürekli Konuşma Tanıma - MMIE En Yüksek Karşılıklı Bilgi Kestirimi (MMIE) : Yöntem : Eğitim verisinin sonsal olasılığını doğrudan arttırmak (Koşullu en yüksek olabilirlik (CML) kestirimi) D. Can, M. Saraçlar, Boğaziçi Üniversitesi Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması 6/13
10 Geniş Dağarcıklı Sürekli Konuşma Tanıma - MMIE En Yüksek Karşılıklı Bilgi Kestirimi (MMIE) : Yöntem : Eğitim verisinin sonsal olasılığını doğrudan arttırmak (Koşullu en yüksek olabilirlik (CML) kestirimi) MMI Kriteri : F MMIE (λ) = R r=1 R r=1 log p λ(a r M sr )P (s r ) s p λ(a r M s )P (s) log p λ(a r M sr )P (s r ) p λ (A r M L ) L : Olası kelime dizilerini temsil eden tanıma örüsü D. Can, M. Saraçlar, Boğaziçi Üniversitesi Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması 6/13
11 Geniş Dağarcıklı Sürekli Konuşma Tanıma - MPE En Düşük Sesbirimi Hatası (MPE) : Yöntem : Referans metinler ile olası kelime dizileri arasındaki Levenshtein uzaklıklarını en aza indirmek D. Can, M. Saraçlar, Boğaziçi Üniversitesi Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması 7/13
12 Geniş Dağarcıklı Sürekli Konuşma Tanıma - MPE En Düşük Sesbirimi Hatası (MPE) : Yöntem : Referans metinler ile olası kelime dizileri arasındaki Levenshtein uzaklıklarını en aza indirmek MPE Kriteri : R F MP E (λ) = log p λ (s A r )D(s, s r ) s S r=1 D(s, s r ) : Ham ses doğruluğu ölçütü D(s, s r ) = s r daki sesbirim sayısı s deki hatalı sesbirim sayısı p λ (s A r ) : Sonsal olasılık p λ (s A r ) = p λ(a r M s )P (s) p λ (A r M L ) S : Bir eğitim sözcesine (s r ) karşılık gelen tüm olası kelime dizileri D. Can, M. Saraçlar, Boğaziçi Üniversitesi Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması 7/13
13 Veritabanları [Arısoy et al., 2009] Boğaziçi Üniversitesi Türkçe Haber Bültenleri Akustik Veritabanı : 4 TV, 1 Radyo kanalından kaydedilen haber programları Eğitim : Mart Mart 2008 Sınama : Mayıs 2008 Çeşitli koşullardaki veri miktarı (saat) Kısım f0 f1 f2 f3 f4 fx Toplam Eğitim Sınama (f0) temiz konuşma, (f1) doğal konuşma, (f2) telefon konuşması, (f3) arkaplan müziği, (f4) kötü akustik koşullar ve (f5) diğerleri D. Can, M. Saraçlar, Boğaziçi Üniversitesi Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması 8/13
14 Veritabanları [Arısoy et al., 2009] Boğaziçi Üniversitesi Türkçe Haber Bültenleri Akustik Veritabanı : 4 TV, 1 Radyo kanalından kaydedilen haber programları Eğitim : Mart Mart 2008 Sınama : Mayıs 2008 Çeşitli koşullardaki veri miktarı (saat) Kısım f0 f1 f2 f3 f4 fx Toplam Eğitim Sınama (f0) temiz konuşma, (f1) doğal konuşma, (f2) telefon konuşması, (f3) arkaplan müziği, (f4) kötü akustik koşullar ve (f5) diğerleri Boğaziçi Üniversitesi Türkçe Metin Veritabanları : Türkçe Haber Veri Tabanı (HVT) : Kullanılan akustik verinin referans metinleri, 1.3 M kelime Türkçe Genel Veri Tabanı (GVT) : Haber portallarından toplanmış metin derlemi, M kelime D. Can, M. Saraçlar, Boğaziçi Üniversitesi Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması 8/13
15 Veritabanları [Arısoy et al., 2009] Boğaziçi Üniversitesi Türkçe Haber Bültenleri Akustik Veritabanı : 4 TV, 1 Radyo kanalından kaydedilen haber programları Eğitim : Mart Mart 2008 Sınama : Mayıs 2008 Çeşitli koşullardaki veri miktarı (saat) Kısım f0 f1 f2 f3 f4 fx Toplam Eğitim Sınama (f0) temiz konuşma, (f1) doğal konuşma, (f2) telefon konuşması, (f3) arkaplan müziği, (f4) kötü akustik koşullar ve (f5) diğerleri Boğaziçi Üniversitesi Türkçe Metin Veritabanları : Türkçe Haber Veri Tabanı (HVT) : Kullanılan akustik verinin referans metinleri, 1.3 M kelime Türkçe Genel Veri Tabanı (GVT) : Haber portallarından toplanmış metin derlemi, M kelime B.Ü. veritabanları için Yrd. Doç. Murat Saraçlar ile temasa geçebilirsiniz. D. Can, M. Saraçlar, Boğaziçi Üniversitesi Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması 8/13
16 HTK/SRILM Tabanlı Türkçe GDSKT Sistemi Temel Akustik Model Eğitimi Aşamaları - HTK [Young et al., 2006]: 1. Öznitelikler : 10 milisaniye ile ötelenen 25 milisaniyelik her ses çerçevesi için 12 MFCC ve 1 enerji özniteliği, bunların birinci ve ikinci zaman türevleri D. Can, M. Saraçlar, Boğaziçi Üniversitesi Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması 9/13
17 HTK/SRILM Tabanlı Türkçe GDSKT Sistemi Temel Akustik Model Eğitimi Aşamaları - HTK [Young et al., 2006]: 1. Öznitelikler : 10 milisaniye ile ötelenen 25 milisaniyelik her ses çerçevesi için 12 MFCC ve 1 enerji özniteliği, bunların birinci ve ikinci zaman türevleri sesbirime (29 harf ve 1 sessizlik) ait her HMM durumunda tek Gauss bileşeni içeren akustik modeller (MLE) D. Can, M. Saraçlar, Boğaziçi Üniversitesi Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması 9/13
18 HTK/SRILM Tabanlı Türkçe GDSKT Sistemi Temel Akustik Model Eğitimi Aşamaları - HTK [Young et al., 2006]: 1. Öznitelikler : 10 milisaniye ile ötelenen 25 milisaniyelik her ses çerçevesi için 12 MFCC ve 1 enerji özniteliği, bunların birinci ve ikinci zaman türevleri sesbirime (29 harf ve 1 sessizlik) ait her HMM durumunda tek Gauss bileşeni içeren akustik modeller (MLE) 3. Bağlama dayalı model eğitimi için ses üçlülerinin Türkçe ses yapısına uyarlanmış karar ağaçları yardımıyla kümelenmesi D. Can, M. Saraçlar, Boğaziçi Üniversitesi Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması 9/13
19 HTK/SRILM Tabanlı Türkçe GDSKT Sistemi Temel Akustik Model Eğitimi Aşamaları - HTK [Young et al., 2006]: 1. Öznitelikler : 10 milisaniye ile ötelenen 25 milisaniyelik her ses çerçevesi için 12 MFCC ve 1 enerji özniteliği, bunların birinci ve ikinci zaman türevleri sesbirime (29 harf ve 1 sessizlik) ait her HMM durumunda tek Gauss bileşeni içeren akustik modeller (MLE) 3. Bağlama dayalı model eğitimi için ses üçlülerinin Türkçe ses yapısına uyarlanmış karar ağaçları yardımıyla kümelenmesi 4. Karar ağaçları ve eğitim esnasında toplanan istatistikler kullanılarak yapılan kümeleme sonucunda toplamda HMM durumu içeren üçlü sesbirim modeli D. Can, M. Saraçlar, Boğaziçi Üniversitesi Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması 9/13
20 HTK/SRILM Tabanlı Türkçe GDSKT Sistemi Temel Akustik Model Eğitimi Aşamaları - HTK [Young et al., 2006]: 1. Öznitelikler : 10 milisaniye ile ötelenen 25 milisaniyelik her ses çerçevesi için 12 MFCC ve 1 enerji özniteliği, bunların birinci ve ikinci zaman türevleri sesbirime (29 harf ve 1 sessizlik) ait her HMM durumunda tek Gauss bileşeni içeren akustik modeller (MLE) 3. Bağlama dayalı model eğitimi için ses üçlülerinin Türkçe ses yapısına uyarlanmış karar ağaçları yardımıyla kümelenmesi 4. Karar ağaçları ve eğitim esnasında toplanan istatistikler kullanılarak yapılan kümeleme sonucunda toplamda HMM durumu içeren üçlü sesbirim modeli 5. Her HMM durumundaki Gauss bileşenlerinin sayısının arttırılması Sessizlik modelinde : Diğer modellerde : Her bileşen arttırımın ardından ML eğitimi D. Can, M. Saraçlar, Boğaziçi Üniversitesi Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması 9/13
21 HTK/SRILM Tabanlı Türkçe GDSKT Sistemi Dil Modellerinin Oluşturulması - SRILM [Stolcke, 2002]: 1. GVT ve HVT nin birleştirilip, en sık geçen 50 bin kelimenin tanıma dağarcığı olarak seçilmesi D. Can, M. Saraçlar, Boğaziçi Üniversitesi Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması 10/13
22 HTK/SRILM Tabanlı Türkçe GDSKT Sistemi Dil Modellerinin Oluşturulması - SRILM [Stolcke, 2002]: 1. GVT ve HVT nin birleştirilip, en sık geçen 50 bin kelimenin tanıma dağarcığı olarak seçilmesi 2. Tanıma dağarcığı + HVT de geçip tanıma dağarcığında olmayan kelimeler ayırıcı eğitim dağarcığı D. Can, M. Saraçlar, Boğaziçi Üniversitesi Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması 10/13
23 HTK/SRILM Tabanlı Türkçe GDSKT Sistemi Dil Modellerinin Oluşturulması - SRILM [Stolcke, 2002]: 1. GVT ve HVT nin birleştirilip, en sık geçen 50 bin kelimenin tanıma dağarcığı olarak seçilmesi 2. Tanıma dağarcığı + HVT de geçip tanıma dağarcığında olmayan kelimeler ayırıcı eğitim dağarcığı 3. SRILM araçları ve Kneser-Ney yumuşatıcı model yöntemiyle Tanıma dağarcığı + GVT veri budama eşiği olan üçlü dil modeli Tanıma dağarcığı + HVT budanmamış üçlü dil modeli Ayırıcı eğitim dağarcığı + GVT budanmamış tekli dil modeli Ayırıcı eğitim dağarcığı + HVT budanmamış tekli dil modeli D. Can, M. Saraçlar, Boğaziçi Üniversitesi Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması 10/13
24 HTK/SRILM Tabanlı Türkçe GDSKT Sistemi Dil Modellerinin Oluşturulması - SRILM [Stolcke, 2002]: 1. GVT ve HVT nin birleştirilip, en sık geçen 50 bin kelimenin tanıma dağarcığı olarak seçilmesi 2. Tanıma dağarcığı + HVT de geçip tanıma dağarcığında olmayan kelimeler ayırıcı eğitim dağarcığı 3. SRILM araçları ve Kneser-Ney yumuşatıcı model yöntemiyle Tanıma dağarcığı + GVT veri budama eşiği olan üçlü dil modeli Tanıma dağarcığı + HVT budanmamış üçlü dil modeli Ayırıcı eğitim dağarcığı + GVT budanmamış tekli dil modeli Ayırıcı eğitim dağarcığı + HVT budanmamış tekli dil modeli 4. Bu modellerin eşit ağırlıklı doğrusal aradeğerlenmesi sonucu üçlü, ikili, tekli içeren tanıma dil modeli tekli içeren zayıf dil modeli D. Can, M. Saraçlar, Boğaziçi Üniversitesi Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması 10/13
25 HTK/SRILM Tabanlı Türkçe GDSKT Sistemi Ayırıcı Akustik Model Eğitimi Aşamaları - HTK: 1. Temel akustik modeller ve dil modeli ile tüm eğitim verisinin tanınması ve her sözce için en olası tanıma hipotezlerini içeren kelime örülerinin oluşturulması D. Can, M. Saraçlar, Boğaziçi Üniversitesi Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması 11/13
26 HTK/SRILM Tabanlı Türkçe GDSKT Sistemi Ayırıcı Akustik Model Eğitimi Aşamaları - HTK: 1. Temel akustik modeller ve dil modeli ile tüm eğitim verisinin tanınması ve her sözce için en olası tanıma hipotezlerini içeren kelime örülerinin oluşturulması 2. Kelime örülerinin zayıf dil modeli ile yeniden ağırlıklandırılarak farklı hipotezler arasındaki karmaşıklığın arttırılması D. Can, M. Saraçlar, Boğaziçi Üniversitesi Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması 11/13
27 HTK/SRILM Tabanlı Türkçe GDSKT Sistemi Ayırıcı Akustik Model Eğitimi Aşamaları - HTK: 1. Temel akustik modeller ve dil modeli ile tüm eğitim verisinin tanınması ve her sözce için en olası tanıma hipotezlerini içeren kelime örülerinin oluşturulması 2. Kelime örülerinin zayıf dil modeli ile yeniden ağırlıklandırılarak farklı hipotezler arasındaki karmaşıklığın arttırılması 3. Yeniden ağırlıklandırılmış kelime örüleri kullanılarak, temel akustik modellerin iki farklı ayrım kıstasını (MMI ve MPE) eniyileyecek şekilde güncellenmesi D. Can, M. Saraçlar, Boğaziçi Üniversitesi Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması 11/13
28 Deney Sonuçları ML MMI MPE KHO GZÇ Farklı akustik modeller ile yapılan konuşma tanıma deney sonuçları: MLE : %25.8 (9.4xGZ) MMIE : %24.3 (9.9xGZ) MPE : %23.7 (8.0xGZ) D. Can, M. Saraçlar, Boğaziçi Üniversitesi Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması 12/13
29 Referanslar Arısoy, E., Can, D., Parlak, S., Sak, H., and Saraçlar, M. (2009). Turkish broadcast news transcription and retrieval. IEEE Transactions on Audio, Speech and Language Processing. Stolcke, A. (2002). SRILM An extensible language modeling toolkit. In Proc. ICSLP, volume 2, pages , Denver. Young, S., Evermann, G., Gales, M., Hain, T., Kershaw, D., Liu, X., Moore, G., Odell, J., Ollason, D., Povey, D., Valtchev, V., and Woodland, P. (2006). The HTK book (for HTK version 3.4), Cambridge University Engineering Department. D. Can, M. Saraçlar, Boğaziçi Üniversitesi Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması 13/13
Türkçe için Konuşma Tanıma ve Derin Öğrenmeyle Dil Modelleme
Türkçe için Konuşma Tanıma ve Derin Öğrenmeyle Dil Modelleme Ebru Arısoy Elektrik-Elektronik Mühendisliği Bölümü MEF Üniversitesi 3 Temmuz 218 EBRU ARISOY 22 Boğaziçi Universitesi EE (BS) 24 Boğaziçi Universitesi
DetaylıPamukkale Üniversitesi Mühendislik Bilimleri Dergisi Pamukkale University Journal of Engineering Sciences
Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi Pamukkale University Journal of Engineering Sciences Mobil araçlarda Türkçe konuşma tanıma için yeni bir veri tabanı ve bu veri tabanı ile elde edilen
Detaylı2.1 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...............
DetaylıKAHKAHA TANIMA İÇİN RASSAL ORMANLAR
KAHKAHA TANIMA İÇİN RASSAL ORMANLAR Heysem Kaya, A. Mehdi Erçetin, A. Ali Salah, S. Fikret Gürgen Bilgisayar Mühendisliği Bölümü Boğaziçi Üniversitesi / Istanbul Akademik Bilişim'14, Mersin, 05.02.2014
DetaylıÖZGEÇMİŞ. 7. Yayınlar 7.1 Uluslararası hakemli dergilerde yayınlanan makaleler (SCI,SSCI,Arts and Humanities)
ÖZGEÇMİŞ 1. Adı Soyadı : Ebru Arısoy SARAÇLAR 2. Doğum Tarihi : 01.01.1979 3. Unvanı : Doktor 4. Öğrenim Durumu : Doktora Derece Alan Üniversite Yıl Lisans Elektrik-Elektronik Mühendisliği Boğaziçi Üniversitesi
DetaylıMEH535 Örüntü Tanıma. Karar Teorisi
MEH535 Örüntü Tanıma 2. Karar Teorisi Doç.Dr. M. Kemal GÜLLÜ Elektronik ve Haberleşme Mühendisliği Bölümü web: http://akademikpersonel.kocaeli.edu.tr/kemalg/ E-posta: kemalg@kocaeli.edu.tr Karar Teorisi
DetaylıSINGLE-CHANNEL SPEECH-MUSIC SEPARATION USING NMF FOR AUTOMATIC SPEECH RECOGNITION
KONUŞMA TANIMA İÇİN NOMA İLE TEK-KANALDA KONUŞMA-MÜZİK AYRIŞTIRMA SINGLE-CHANNEL SPEECH-MUSIC SEPARATION USING NMF FOR AUTOMATIC SPEECH RECOGNITION Cemil Demir 1,3, Mehmet Uğur Doğan 1, A. Taylan Cemgil
DetaylıTürkçe de Ünlülerin Formant Analizi
Türkçe de Ünlülerin Formant Analizi Oytun Türk*, Ömer Şayli**, A. Sumru Özsoy***, Levent M. Arslan* Boğaziçi Üniversitesi *Elektrik-Elektronik Mühendisliği Bölümü **Biyomedikal Mühendisliği Enstitüsü ***Batı
DetaylıBilgisayarla Görüye Giriş
Bilgisayarla Görüye Giriş Ders 12 Video, Optik Akış ve Takip Alp Ertürk alp.erturk@kocaeli.edu.tr Video Video, farklı zamanlarda alınan çerçeveler dizisidir Videolar, iki boyut uzamsal, üçüncü boyut zaman
DetaylıBÖLÜM 1: YAşAM ÇÖzÜMLEMEsİNE GİRİş... 1
ÖN SÖZ...iii BÖLÜM 1: Yaşam Çözümlemesine Giriş... 1 1.1. Giriş... 1 1.2. Yaşam Süresi... 2 1.2.1. Yaşam süresi verilerinin çözümlenmesinde kullanılan fonksiyonlar... 3 1.2.1.1. Olasılık yoğunluk fonksiyonu...
DetaylıAşağı Link MC-CDMA Sistemlerinde Kullanılan PIC Alıcının EM-MAP Tabanlı Olarak İlklendirilmesi
IEEE 15. Sinyal İşleme ve İletişim Uygulamaları Kurultayı - 2007 Aşağı Link MC-CDMA Sistemlerinde Kullanılan PIC Alıcının EM-MAP Tabanlı Olarak İlklendirilmesi Hakan Doğan 1,Erdal Panayırcı 2, Hakan Ali
DetaylıSAĞLIK TEKNOLOJİ DEĞERLENDİRME (STD) İÇİN MODELLEME VE BENZETİM. Dr. Murat Günal
1 SAĞLIK TEKNOLOJİ DEĞERLENDİRME (STD) İÇİN MODELLEME VE BENZETİM Dr. Murat Günal SAĞLIK TEKNOLOJİ DEĞERLENDİRME (STD) Sekröte sunulacak Yeni Ürün (veya Teknoloji) Mevcut ve gelecekteki demografik durum
DetaylıUlusal Metroloji Enstitüsü GENEL METROLOJİ
Ulusal Metroloji Enstitüsü GENEL METROLOJİ METROLOJİNİN TANIMI Kelime olarak metreden türetilmiş olup anlamı ÖLÇME BİLİMİ dir. Metrolojinin Görevi : Bütün ölçme sistemlerinin temeli olan birimleri (SI
DetaylıBilgisayarla Görüye Giriş
Bilgisayarla Görüye Giriş Ders 10 Nesne / Yüz Tespiti ve Tanıma Alp Ertürk alp.erturk@kocaeli.edu.tr Nesne Tespiti Belirli bir nesnenin sahne içindeki konumunun tespitidir Tespit edilecek nesne önceden
DetaylıTürkçe de Ünlülerin FormantĐncelemesi
Türk, O., Şayli, Ö., Özsoy, S., Arslan, L., Türkçede Ünlülerin Formant Frekans Đncelemesi, 18. Ulusal Dilbilim Kurultayı, Ankara Üniversitesi, 20-21 Mayıs 2004 (Sözel sunum) Türkçe de Ünlülerin FormantĐncelemesi
DetaylıMIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009
MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.
DetaylıDinamik Zaman Bükmesi Yöntemiyle Hece Tabanlı Konuşma Tanıma Sistemi
Akademik Bilişim 2008 Çanakkale Onsekiz Mart Üniversitesi, Çanakkale, 30 Ocak - 01 Şubat 2008 Dinamik Zaman Bükmesi Yöntemiyle Rıfat AŞLIYAN 1, Korhan GÜNEL 2, Tatyana YAKHNO 1 1 Dokuz Eylül Üniversitesi,
DetaylıTürkçe Ses Sentezi için Süre Modellenmesi
Türkçe Ses Sentezi için Süre Modellenmesi Ömer Şayli 1, Levent M. Arslan 1 ve A. Sumru Özsoy 2 Boğaziçi Üniversitesi, Bebek, 80815,İstanbul 1 Elektrik-Elektronik Mühendisliği Bölümü 2 Batı Dilleri ve Edebiyatı
DetaylıERCİYES ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ SİVİL HAVACILIK ANABİLİM DALI YENİ DERS ÖNERİSİ/ DERS GÜNCELLEME
/ DERS GÜNCELLEME Dersin Kodu SHA 615 Dersin Adı İSTATİSTİKSEL SİNYAL İŞLEME Yarıyılı GÜZ Dersin İçeriği: Olasılık ve olasılıksal süreçlerin gözden geçirilmesi. Bayes kestirim kuramı. Büyük olabilirlik
DetaylıBoosting. Birol Yüceoğlu Migros T.A.Ş.
Boosting Birol Yüceoğlu Migros T.A.Ş. www.veridefteri.com biroly@migros.com.tr İçerik Karar ağaçları Bagging Boosting Ana fikir Boosting vs. Bagging LightGBM Scikit-learn AdaBoost Calibration Gradient
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
DetaylıMEH535 Örüntü Tanıma
MEH535 Örünü Tanıma 4. Paramerik Sınıflandırma Doç.Dr. M. Kemal GÜLLÜ Elekronik ve Haberleşme Mühendisliği Bölümü web: hp://akademikpersonel.kocaeli.edu.r/kemalg/ E-posa: kemalg@kocaeli.edu.r Paramerik
DetaylıÇabuk Yazılandırma Kılavuzu (Rapid Transcription Guide) v0.4
Çabuk Yazılandırma Kılavuzu (Rapid Transcription Guide) v0.4 Murat Saraçlar 1 Ekim 2006 Çabuk yazılandırma, Türkçe konuşma tanıma sistemleri için veri tabanı oluşturmayı amaçlamaktadır. Ana hedef konuşmanın
DetaylıSÜREKLİ SAKLI MARKOV MODELLERİ İLE METİNDEN BAĞIMSIZ KONUŞMACI TANIMA PARAMETRELERİNİN İNCELENMESİ
Uludağ Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, Cilt 12, Sayı 1, 2007 SÜREKLİ SAKLI MARKOV MODELLERİ İLE METİNDEN BAĞIMSIZ KONUŞMACI TANIMA PARAMETRELERİNİN İNCELENMESİ Cemal HANİLÇİ Figen
DetaylıÖZGEÇMİŞ. Yrd. Doç. Dr. MURAT SARAÇLAR
ÖZGEÇMİŞ Yrd. Doç. Dr. MURAT SARAÇLAR TC Kimlik No / Pasaport No: 60520304774 Doğum Yılı: 1972 Yazışma Adresi : Telefon : 212-3596422 Faks : 212-2872465 e-posta : Boğaziçi Üniversitesi Elektrik-Elektronik
DetaylıKONUŞMA TANIMA TEORİSİ VE TEKNİKLERİ 1 SPEECH RECOGNITION THEORY AND TECHNIQUES
Mart 2008 Cilt:16 No:1 Kastamonu Eğitim Dergisi 249-266 KONUŞMA TANIMA TEORİSİ VE TEKNİKLERİ 1 Nursel YALÇIN Gazi Ü., Endüstriyel Sanatlar Eğitim Fakültesi, Bilgisayar Eğitimi Bölümü, Ankara. Özet Konuşma
Detaylı2. 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
DetaylıBilgisayar ve Bilişim Bilimleri Fakültesi Sakarya Üniversitesi
SAKLI MARKOV MODEL KULLANARAK TÜRKÇE KONUŞMAYI VE YAZIYI İŞARET DİLİNE ÇEVİRME Cemil Öz 1, Beyza Eken 2, Büşra Şahin 3, Esra Akbulut 4, Fatma Akbulut 5 1,2,3,4,5 Bilgisayar Mühendisliği Bölümü Bilgisayar
DetaylıZahmetsiz örüntü tanıma: Nokta bulutlarının karşılaştırılması yoluyla veri-tabanlı ve parametresiz istatistiksel öğrenme
Zahmetsiz örüntü tanıma: Nokta bulutlarının karşılaştırılması yoluyla veri-tabanlı ve parametresiz istatistiksel öğrenme Doç. Dr. Bilge Karaçalı Biyomedikal Veri İşleme Laboratuvarı Elektrik-Elektronik
DetaylıVeri 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
DetaylıĐST 474 Bayesci Đstatistik
ĐST 474 Bayesci Đstatistik Ders Sorumlusu: Dr. Haydar Demirhan haydarde@hacettepe.edu.tr Đnternet Sitesi: http://yunus.hacettepe.edu.tr/~haydarde Đçerik: Olasılık kuramının temel kavramları Bazı özel olasılık
DetaylıKümeleme 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
DetaylıMAK 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
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
DetaylıDOKUZ EYLÜL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRLÜĞÜ DERS/MODÜL/BLOK TANITIM FORMU. Dersin Orjinal Adı: Pattern Recognition
Dersi Veren Birim: Fen Bilimleri Enstitüsü Dersin Türkçe Adı: Örüntü Tanıma Dersin Orjinal Adı: Pattern Recognition Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora) Lisansüstü Dersin Kodu: CSE
Detaylıİçindekiler vii Yazarların Ön Sözü xiii Çevirenin Ön Sözü xiv Teşekkürler xvi Semboller Listesi xvii. Ölçme, İstatistik ve Araştırma...
İçindekiler İçindekiler vii Yazarların Ön Sözü xiii Çevirenin Ön Sözü xiv Teşekkürler xvi Semboller Listesi xvii BÖLÜM 1 Ölçme, İstatistik ve Araştırma...1 Ölçme Nedir?... 3 Ölçme Süreci... 3 Değişkenler
DetaylıHTK ĐLE KONUŞMACIDAN BAĞIMSIZ TÜRKÇE KONUŞMA TANIMA SĐSTEMĐ OLUŞTURMA Nursel YALÇIN 1 Ömer Faruk BAY 2
79 2007 Gazi Üniversitesi Endüstriyel Sanatlar Eğitim Fakültesi Dergisi Sayı:21, s.79-97 ÖZET HTK ĐLE KONUŞMACIDAN BAĞIMSIZ TÜRKÇE KONUŞMA TANIMA SĐSTEMĐ OLUŞTURMA Nursel YALÇIN 1 Ömer Faruk BAY 2 Konuşma
DetaylıKABLOSUZ İLETİŞİM
KABLOSUZ İLETİŞİM 805540 DENKLEŞTİRME, ÇEŞİTLEME VE KANAL KODLAMASI İçerik 3 Denkleştirme Çeşitleme Kanal kodlaması Giriş 4 Denkleştirme Semboller arası girişim etkilerini azaltmak için Çeşitleme Sönümleme
DetaylıCEVAP ANAHTARI. Tempo Testi D 2-B 3-A 4-A 5-C 6-B 7-B 8-C 9-B 10-D 11-C 12-D 13-C 14-C
01. BÖLÜM: FONKSİYONLARLA İLGİLİ UYGULAMALAR - 1 1-E 2-D 3-C 4-E 5-B 6-C 7-C 8-B 9-C 10-D 11-C - 2 1-D 2-E 3-C 4-D 5-E 6-E 7-C 8-D 9-E 10-B - 3 1-E 2-A 3-B 4-D 5-A 6-E 7-E 8-C 9-C 10-C 11-C 1-A 2-B 3-E
DetaylıOperasyonel Risk Ölçümünde Modelleme ve Sınırları. Burak Saltoğlu Boğaziçi Üniversitesi ve Riskturk 3 Aralık 2013
Operasyonel Risk Ölçümünde Modelleme ve Sınırları Burak Saltoğlu Boğaziçi Üniversitesi ve Riskturk 3 Aralık 2013 Operasyonel Risk Ölçüm ve Sermayelendirilmesi Giris: Operasyonel Risk Tanım ve İçeriği Ölçüm
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
DetaylıBilgisayarla Görüye Giriş
Bilgisayarla Görüye Giriş Ders 9 Stereo Görüntüleme Alp Ertürk alp.erturk@kocaeli.edu.tr Tek Kamera Geometrisi??? x Tek Kamera Geometrisi Tek Kamera Geometrisi İğne Deliği Kamera Modeli ) /, / ( ),, (
DetaylıJEODEZİK GPS AĞLARINDA DUYARLIK ve
I. ULUSAL MÜHENDİSLİK ÖLÇMELERİ SEMPOZYUMU JEODEZİK GPS AĞLARINDA DUYARLIK ve GÜVEN ANALİZİ Mualla YALÇINKAYA Kamil TEKE Temel BAYRAK mualla@ktu.edu.tr k_teke@ktu.edu.tr temelbayrak@hotmail.com ÇALIŞMANIN
DetaylıDENGELEME HESABI-I DERS NOTLARI
DENGELEME HESABI-I DERS NOTLARI Ağırlıkları Eşit Dolaysız (Direkt) Ölçüler Dengelemesi Prof. Dr. Mualla YALÇINKAYA Yrd. Doç. Dr. Emine TANIR KAYIKÇI Karadeniz Teknik Üniversitesi, Harita Mühendisliği Bölümü
DetaylıYAZILIM ÜRÜN HATTINDA YETENEK MODELİNDEN ÜRÜN KONFİGÜRASYONUNUN OLUŞTURULMASI
YAZILIM ÜRÜN HATTINDA YETENEK MODELİNDEN ÜRÜN KONFİGÜRASYONUNUN OLUŞTURULMASI Mustafa Özpınar Aselsan A.Ş. SST-MD-YMM, 06172, Yenimahalle, Ankara mozpinar@aselsan.com.tr Özet. Yazılım ürün hattı, belli
DetaylıİÇİNDEKİLER. 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
DetaylıOkut. Yüksel YURTAY. İletişim : (264) Sayısal Analiz. Giriş.
Okut. Yüksel YURTAY İletişim : Sayısal Analiz yyurtay@sakarya.edu.tr www.cs.sakarya.edu.tr/yyurtay (264) 295 58 99 Giriş 1 Amaç : Mühendislik problemlerinin bilgisayar ortamında çözümünü mümkün kılacak
DetaylıPerformance Analysis of MFCC Features On Emotion Recognition from Speech
Performance Analysis of MFCC Features On Emotion Recognition from Speech Mesut Durukal (Corresponding author) Department of Electronics Engineering, Gebze Technical University 41400, Kocaeli, Turkey E-mail:
DetaylıİÇİNDEKİLER KISIM I SİSTEMATİK YAKLAŞIM
İÇİNDEKİLER KISIM I SİSTEMATİK YAKLAŞIM 1 BİLİM DİSİPLİN ARAŞTIRMA... 3 1. BİLİM NEDİR?... 3 2. DİSİPLİN NEDİR?... 6 3. DOĞA BİLİMLERİ VE SOSYAL BİLİMLER ARASINDAKİ TEMEL FARK... 7 4. ARAŞTIRMA NEDİR?...
DetaylıBüyük Veri ve Endüstri Mühendisliği
Büyük Veri ve Endüstri Mühendisliği Mustafa Gökçe Baydoğan Endüstri Mühendisliği Bölümü Boğaziçi Üniversitesi İstanbul Yöneylem Araştırması/Endüstri Mühendisliği Doktora Öğrencileri Kolokyumu 21-22 Nisan
DetaylıÖlçme ve Değerlendirmenin. Eğitim Sistemi Açısından. Ölçme ve Değerlendirme. TESOY-Hafta Yrd. Doç. Dr.
TESOY-Hafta-1 ve Değerlendirme BÖLÜM 1-2 ve Değerlendirmenin Önemi ve Temel Kavramları Yrd. Doç. Dr. Çetin ERDOĞAN cetinerdogan@gmail.com Eğitimde ölçme ve değerlendirme neden önemlidir? Eğitim politikalarına
DetaylıVeritabanı Tasarımı Ve Yönetimi. Varlık-İlişki Modeli
Veritabanı Tasarımı Ve Yönetimi Varlık-İlişki Modeli Veritabanı Tasarım Aşamaları Gereksinim Analizi Kavramsal Tasarım Mantıksal Tasarım İlişkilerin Normalizasyonu Veritabanı Uyarlaması Uygulama Programı
DetaylıAkdeniz Üniversitesi Mühendislik Fakültesi Bilgisayar Mühendisliği Bölüm Tanıtımı
Akdeniz Üniversitesi Mühendislik Fakültesi Bilgisayar Mühendisliği Bölüm Tanıtımı cse@akdeniz.edu.tr Antalya, 2017 2 Özet Akdeniz Üniversitesi tanıtım filmi Neden Bilgisayar Mühendisliği Bilgisayar Mühendisi
DetaylıTAŞINMAZ DEĞERLEMEDE İSTATİSTİKSEL ANALİZ
Taşınmaz Değerlemede İstatistiksel Analiz Taşınmaz Değerleme ve Geliştirme Tezsiz Yüksek Lisans Programı TAŞINMAZ DEĞERLEMEDE İSTATİSTİKSEL ANALİZ 1 Taşınmaz Değerlemede İstatistiksel Analiz İçindekiler
DetaylıBeykent Üniversitesi Mühendislik ve Mimarlık Fakültesi Yazılım Mühendisliği. Movie Prediction
Beykent Üniversitesi Mühendislik ve Mimarlık Fakültesi Yazılım Mühendisliği STD Dökümantasyonu Versiyon 1.0 Movie Prediction 120301009 - Sefa Said Deniz 120301019 - Orhan Özgün Ergen 120301027 - Ahmet
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
DetaylıRastgelelik, Rastgele Sinyaller ve Sistemler Rastgelelik Nedir?
Rastgelelik, Rastgele Sinyaller ve Sistemler Rastgelelik Nedir? Rastgelelik en basit anlamda kesin olarak bilinememektir. Rastgele olmayan deterministiktir (belirli). Bazı rastgele olgu örnekleri şöyle
DetaylıNDEN BELİRLENEBİLME LME POTANSİYELİ UYDU GÖRÜNTÜLERİNDEN
BİNALARIN YÜKSEK Y ÇÖZÜNÜRLÜKLÜRLÜKL UYDU GÖRÜNTÜLERİNDEN NTÜLER NDEN BELİRLENEBİLME LME POTANSİYELİ Dilek KOÇ SAN dkoc@metu metu.edu.tr Orta Doğu u Teknik Üniversitesi, Jeodezi ve Coğrafi Bilgi Teknolojileri
DetaylıYAPAY SİNİR AĞI KULLANARAK DEPREM EĞİLİMİNİN KESTİRİMİ. Umut FIRAT
YAPAY SİNİR AĞI KULLANARAK DEPREM EĞİLİMİNİN KESTİRİMİ Umut FIRAT ufirat@yahoo.com Öz: Depremler yeryüzünde en çok yıkıma neden olan doğal afetlerdir. Bu durum, depremlerin önceden tahmin edilmesi fikrini
DetaylıDoç. Dr. Dilek ALTAŞ İSTATİSTİKSEL ANALİZ
I Doç. Dr. Dilek ALTAŞ İSTATİSTİKSEL ANALİZ II Yayın No : 2845 Teknik Dizisi : 158 1. Baskı Şubat 2013 İSTANBUL ISBN 978-605 - 377 868-4 Copyright Bu kitabın bu basısı için Türkiye deki yayın hakları BETA
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
DetaylıCopyr i g ht 2015, SAS Ins titut e Inc. All rights res er ve d. ADRES DOĞRULAMA VE ZENGİNLEŞTİRME
ADRES DOĞRULAMA VE ZENGİNLEŞTİRME ADRESLERDEKİ GENEL SORUNLAR Adreslerin eksik yazılması Adreste il olmaması Adreste ilçe olmaması Adreste mahalle/köy olmaması Adreslerin güncelleğini yitirmesi Yeni ilçe
DetaylıSahne Geçişlerinin Geometrik Tabanlı olarak Saptanması
Sahne Geçişlerinin Geometrik Tabanlı olarak Saptanması 1 Giriş Binnur Kurt, H. Tahsin Demiral, Muhittin Gökmen İstanbul Teknik Üniversitesi, Bilgisayar Mühendisliği Bölümü, Maslak, 80626 İstanbul {kurt,demiral,gokmen}@cs.itu.edu.tr
DetaylıDENİZ HARP OKULU ENDÜSTRİ MÜHENDİSLİĞİ BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ
DENİZ HARP OKULU ENDÜSTRİ MÜHENDİSLİĞİ BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ Dersin Adı Kodu Sınıf/Y.Y. Ders Saati (T+U+L) Kredi AKTS YÖNEYLEM ARAŞTIRMASI - I ENM-11 /1 +0 Dersin Dili Dersin Seviyesi
DetaylıVERİ TABANI UYGULAMALARI
VERİ TABANI UYGULAMALARI VERİ TABANI NEDİR? Bir konuyla ilgili çok sayıda verinin tutulmasına, depolanmasına ve belli bir mantık içerisinde gruplara ayrılmasına veri tabanı denir. Veri tabanı programları;
DetaylıEVREN, ÖRNEK, TEMSİLİYET. Prof. Mustafa Necmi İlhan
EVREN, ÖRNEK, TEMSİLİYET Prof. Mustafa Necmi İlhan MD, PhD, PhD, MBA Gazi Üniversitesi Tıp Fakültesi Halk Sağlığı AbD mnilhan@gazi.edu.tr 1 Neden Araştırma Yaparız? Bilimsel gerçeğe ulaşmak Bilinenlerin
DetaylıTürkçe Dokümanlar Ġçin Yazar Tanıma
Türkçe Dokümanlar Ġçin Yazar Tanıma Özcan KOLYĠĞĠT, Rıfat AġLIYAN, Korhan GÜNEL Adnan Menderes Üniversitesi, Matematik Bölümü Bölümü, Aydın okolyigit@gmail.com, rasliyan@adu.edu.tr, kgunel@adu.edu.tr Özet:
DetaylıFiziksel Sistemlerin Matematik Modeli. Prof. Neil A.Duffie University of Wisconsin-Madison ÇEVİRİ Doç. Dr. Hüseyin BULGURCU 2012
Fiziksel Sistemlerin Matematik Modeli Prof. Neil A.Duffie University of Wisconsin-Madison ÇEVİRİ Doç. Dr. Hüseyin BULGURCU 2012 Matematik Modele Olan İhtiyaç Karmaşık denetim sistemlerini anlamak için
DetaylıİSTANBUL RUMELİ ÜNİVERSİTESİ MESLEK YÜKSEKOKULU BİLGİSAYAR PROGRAMCILIĞI 1.SINIF 2.YARIYIL İNTERNET PROGRAMCILIĞI II DERS İZLENCESİ
İSTANBUL RUMELİ ÜNİVERSİTESİ MESLEK YÜKSEKOKULU BİLGİSAYAR PROGRAMCILIĞI 1.SINIF 2.YARIYIL İNTERNET PROGRAMCILIĞI II DERS İZLENCESİ Kodu: BLG104 Adı: İnternet Programcılığı II Teorik + Uygulama: 3 + 2
DetaylıT.C. MARDİN ARTUKLU ÜNİVERSİTESİ Uzaktan Öğretim Uygulama ve Araştırma Merkezi Müdürlüğü
Evrak Tarih ve Sayısı: 0//207-5952 T.C. MARDİN ARTUKLU ÜNİVERSİTESİ Uzaktan Öğretim Uygulama ve Araştırma Merkezi Müdürlüğü Sayı : 5432052-934.0.- Konu : Teklif Mektubu Hk. İLGİLİ FİRMALARA Üniversitemiz
DetaylıPAPATYA YAYINCILIK EĞİTİM Bilgisayar Sis. San. ve Tic. A.Ş. Veri Madenciliği Yöntemleri Dr. Yalçın ÖZKAN -II-
Dr. Yalçın ÖZKAN Dr. Yalçın ÖZKAN PAPATYA YAYINCILIK EĞİTİM Bilgisayar Sis. San. ve Tic. A.Ş. Ankara Caddesi, Prof. Fahreddin Kerim Gökay Vakfı İşhanı Girişi, No: 11/3, Cağaloğlu (Fatih)/İstanbul Tel
DetaylıSAYISAL ÇÖZÜMLEME Yrd. Doç. Dr. Adnan SONDAŞ Sayısal Çözümleme
SAYISAL ÇÖZÜMLEME Yrd. Doç. Dr. Adnan SONDAŞ asondas@kocaeli.edu.tr 0262-303 22 58 1 SAYISAL ÇÖZÜMLEME 1. Hafta SAYISAL ANALİZE GİRİŞ 2 AMAÇ Mühendislik problemlerinin çözüm aşamasında kullanılan sayısal
DetaylıBKİ farkı Standart Sapması (kg/m 2 ) A B BKİ farkı Ortalaması (kg/m 2 )
4. SUNUM 1 Gözlem ya da deneme sonucu elde edilmiş sonuçların, rastlantıya bağlı olup olmadığının incelenmesinde kullanılan istatistiksel yöntemlere HİPOTEZ TESTLERİ denir. Sonuçların rastlantıya bağlı
DetaylıFIRAT ÜNİVERSİTESİ TEKNOLOJİ FAKÜLTESİ Yazılım Mühendisliği Bölümü
FIRAT ÜNİVERSİTESİ TEKNOLOJİ FAKÜLTESİ Yazılım Mühendisliği Bölümü YMH114 - Yazılım Mühendisliğinin Temelleri Dersi Proje Uygulaması ve Dokümantasyonu AKILLI ŞEHİR UYGULAMALARININ İNCELENMESİ VE ÖRNEK
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
DetaylıOLASILIK ve KURAMSAL DAĞILIMLAR
OLASILIK ve KURAMSAL DAĞILIMLAR Kuramsal Dağılımlar İstatistiksel çözümlemelerde; değişkenlerimizin dağılma özellikleri, çözümleme yönteminin seçimi ve sonuçlarının yorumlanmasında önemlidir. Dağılma özelliklerine
DetaylıBilişim Sistemleri. Modelleme, Analiz ve Tasarım. Yrd. Doç. Dr. Alper GÖKSU
Bilişim Sistemleri Modelleme, Analiz ve Tasarım Yrd. Doç. Dr. Alper GÖKSU Ders Akışı Hafta 10-11. Nesneye Yönelik Sistem Tasarımı Haftanın Amacı Bilişim sistemleri geliştirmede nesneye yönelik sistem tasarımı
DetaylıIDE4DB Veritabanı Geliştirme Platformu Bitirme Projesi Sunumu
IDE4DB Veritabanı Geliştirme Platformu Bitirme Projesi Sunumu Onur EKER 040970627 Danışman: Yrd. Doç Dr. Feza BUZLUCA Sunum İçeriği Projenin Tanımı Projenin Amacı Projenin Analizi Projenin Çözüm Sunduğu
DetaylıKarar Verme. Karar Verme ve Oyun Teorisi. Kararların Özellikleri. Karar Analizi
Karar Verme Karar Verme ve Oyun Teorisi Yrd.Doç.Dr. Gökçe BAYSAL TÜRKÖLMEZ Belirli bir amaca ulaşabilmek için, Değişik alternatiflerin belirlenmesi ve Bunlar içinden en etkilisinin seçilmesi işlemidir.
DetaylıSes Komut Tanıma ile Gezgin Araç Kontrolü
Ses Komut Tanıma ile Gezgin Araç Kontrolü Rifat Edizkan 1, Burak Tiryaki 1, Tunç Büyükcan 1, İsmail Uzun 2 1 Eskişehir Osmangazi Üniversitesi, Elektrik Elektronik Mühendisliği Bölümü, 26480, Eskişehir
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
DetaylıBağıl Konum Belirleme. GPS ile Konum Belirleme
Mutlak Konum Belirleme Bağıl Konum Belirleme GPS ile Konum Belirleme büroda değerlendirme (post-prosessing) gerçek zamanlı (real-time) statik hızlı statik kinematik DGPS (kod) gerçek zamanlı kinematik
Detaylı1.SINIF 1. DÖNEM DERS MÜFREDATI. (9) TEORİ/UYG. (SAAT) MATH 101 Matematik I Calculus I Zorunlu 4-6 PHYS 101 Fizik I Physics I Zorunlu 3 2 6 ECE 101
1.SINIF 1. DÖNEM MÜFREDATI (3)SINIFI : 1 MATH 101 Matematik I Calculus I Zorunlu 4-6 PHYS 101 Fizik I Physics I Zorunlu 3 2 6 ECE 101 Elektronik ve Haberleşme Introduction to Electronics and Mühendisliğine
DetaylıBİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ 2013/2014 BAHAR DÖNEMİ BÜTÜNLEME SINAV TAKVİMİ Lisansüstü Bilgisayar Müh. Bölümü
BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ 2013/2014 BAHAR DÖNEMİ BÜTÜNLEME SINAV TAKVİMİ Lisansüstü Bilgisayar Müh. Bölümü 09:00 10:00 11:00 16.06.2014 17.06.2014 18.06.2014 19.06.2014 20.06.2014 Pazartesi Salı Çarşamba
DetaylıYazılım Test Maliyet Fonksiyonlarının Otomatik Olarak Keşfedilmesi
Yazılım Test Maliyet Fonksiyonlarının Otomatik Olarak Keşfedilmesi Gülşen Demiröz ve Cemal Yılmaz {gulsend, cyilmaz}@sabanciuniv.edu Sabancı Üniversitesi, İstanbul 10. Ulusal Yazılım Mühendisliği Sempozyumu
DetaylıBİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ 2013/2014 BAHAR DÖNEMİ BÜTÜNLEME SINAV TAKVİMİ Lisansüstü Bilgisayar Müh. Bölümü
BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ 2013/2014 BAHAR DÖNEMİ BÜTÜNLEME SINAV TAKVİMİ Lisansüstü Bilgisayar Müh. Bölümü 09:00 10:00 10:00 11:00 11:00 12:00 12:00 13:00 13:00 14:00 BIL 606 208 14:00 15:00 15:00
DetaylıTOBB Ekonomi ve Teknoloji Üniversitesi İKT351 Ekonometri I, Ara Sınavı
TOBB Ekonomi ve Teknoloji Üniversitesi Öğr.Gör.: Yrd. Doç. Dr. A. Talha YALTA Ad, Soyad: Açıklamalar: Bu sınav toplam 100 puan değerinde 4 sorudan oluşmaktadır. Sınav süresi 90 dakikadır ve tüm soruların
DetaylıÜNİBİLGİ 26. Üniversitemizin yeni Kütüphane Otomasyon Programı olan e-libs in kullanımını tanıtacağız.
ÜNİBİLGİ 26 Ankara Üniversitesi Kütüphane ve Dokümantasyon Daire Başkanlığı Bülteni Ekim 2003 Sayı:26 Üniversitemizin yeni Kütüphane Otomasyon Programı olan e-libs in kullanımını tanıtacağız. Üniversitemizin
DetaylıAkdeniz Üniversitesi Mühendislik Fakültesi Bilgisayar Mühendisliği Bölüm Tanıtımı
Akdeniz Üniversitesi Mühendislik Fakültesi Bilgisayar Mühendisliği Bölüm Tanıtımı cse@akdeniz.edu.tr Antalya, 2015 2 Özet Akdeniz Üniversitesi tanıtım filmi Neden Bilgisayar Mühendisliği Bilgisayar Mühendisi
DetaylıHafta 10 - Vektör Uzay Modelleri
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
DetaylıT.C. SELÇUK ÜNİVERSİTESİ REKTÖRLÜĞÜ
T.C. SELÇUK ÜNİVERSİTESİ REKTÖRLÜĞÜ Fen Fakültesi Dekanlığı İstatistik Bölümü 017-018 Eğitim-Öğretim Yılı Normal Öğretim Güz Ve Bahar Yarıyıllarda Okutulacak Dersler 1. SINIF I.YARIYIL AKTS Adı 7011 Matematik
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
DetaylıEME 3117 SİSTEM SİMÜLASYONU. Üçgensel Dağılım. Sürekli Düzgün Dağılım. Sürekli Rassal Değişkenlerin Modellemesinde Kullanılan Dağılımlar
9.0.06 Sürekli Rassal Değişkenlerin Modellemesinde Kullanılan Dağılımlar EME 7 SİSTEM SİMÜLASYONU Simulasyonda İstatistiksel Modeller (Sürekli Dağılımlar) Ders 5 Sürekli Düzgün Dağılım Sürekli Düzgün (Uniform)
DetaylıİSTATİSTİK. Bölüm 1 Giriş. Ankara Üniversitesi SBF İstatistik 1 Ders Notları Prof. Dr. Onur Özsoy 4/4/2018
İSTATİSTİK Bölüm 1 Giriş 1 Bu Bölümde Anlatılacak Konular Bir Yönetici Neden İstatistik Bilmeli? Modern İstatistiğin Gelişimi İstatistiksel Düşünce ve Yönetim Tanımsal ve Yargısal İstatistik Data Türleri
DetaylıÖrüntü 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
DetaylıKonuşma Terapisine Yönelik Otomatik Konuşma Tanıma Yöntemleri
Konuşma Terapisine Yönelik Otomatik Konuşma Tanıma Yöntemleri Oytun Türk Levent M. Arslan Elektrik-Elektronik Müh. Bölümü, Boğaziçi Üniversitesi, Bebek, İstanbul Sestek A.Ş., ARI-1 Teknopark Binası, İTÜ
DetaylıUzaktan 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
DetaylıKABLOSUZ İLETİŞİM
KABLOSUZ İLETİŞİM 805540 MODÜLASYON TEKNİKLERİ FREKANS MODÜLASYONU İçerik 3 Açı modülasyonu Frekans Modülasyonu Faz Modülasyonu Frekans Modülasyonu Açı Modülasyonu 4 Açı modülasyonu Frekans Modülasyonu
DetaylıYazılım Mimari Tasarımından Yazılım Geliştirme Çatısının Üretilmesinde Model Güdümlü Bir Yaklaşım
Yazılım Mimari Tasarımından Yazılım Geliştirme Çatısının Üretilmesinde Model Güdümlü Bir Yaklaşım İbrahim Onuralp Yiğit 1, Nafiye Kübra Turhan 2, Ahmet Erdinç Yılmaz 3, Bülent Durak 4 1,2,3,4 ASELSAN A.Ş.
DetaylıMONTAJ MODELLEME ( ASSEMBLY MODELING)
MONTAJ MODELLEME ( ASSEMBLY MODELING) Bilgisayar destekli çizim araçlarında temel montaj modelleme 3 yöntem ile yapılır. 1. YUKARIDAN AŞAĞIYA (TOP-DOWN) MODELLEME: Bu montaj tekniği daha çok, montajı oluşturan
Detaylı