Açık Kaynak Kodlu Veri Madenciliği Yazılımlarının Bir Veri Seti Üzerinden Karşılaştırılması
|
|
- Si̇mge Uysal
- 8 yıl önce
- İzleme sayısı:
Transkript
1 Açık Kaynak Kodlu Veri Madenciliği Yazılımlarının Bir Veri Seti Üzerinden Karşılaştırılması Yrd.Doç.Dr.Abdullah BAYKAL Dicle Üniversitesi Fen Fakültesi Matematik Bölümü Özet: Veri madenciliği, büyük miktardaki mevcut veri içinden anlamlı, potansiyel olarak kullanışlı, gelecekle ilgili tahmin yapılmasını sağlayan bağıntı ve kuralların bilgisayar programları kullanarak bulunmasıdır. Günümüzde bu konuyla ilgili ticari ya da açık kaynak kodlu bir çok program kullanılmaktadır. Bu çalışmada özellikle açık kaynak kodlu programlardan Weka, Orange, KNIME, RapidMiner ve Tanagra üzerinde 1728 kayıttan oluşan Araç Değerlendirme Veri Seti[1] üzerinde Kümeleme Analizi (Cluster Analysis) karşılaştırılmaları yapılmaktadır. Anahtar Kelimler: Veri Madenciliği, Kümeleme Analizi,Açık Kaynak Veri Madenciliği Araçları Comparison of Open Source Data Mining Software Tools Over a Data Set Abstract: Data mining is to find correlations and rules which ensure meaningful and potentially useful estimations to be carried out for future among vast amount of existing data through computer programs. Today, many commercial or open source software tools are used regarding this matter. In this study, Cluster Analysis comparisons were carried out over the car evaluation data set [1] consisting of 1728 registers especially on Weka, Orange, KNIME, RapidMiner and Tanagra as open source software tools. Keywords: Data Mining,Cluster Analysis, Open Source Data Mining Tools 1.Giriş Güney Kalifornia da bir üniversitede görev yapan bilim insanları 2011 yılında yaptıkları araştırmada insanlığın şimdiye dek da 295 exabayt bilgiyi depoladığı sonucuna ulaşmışlardır. Her 20 ayda bir, dünyadaki bilgi miktarının iki katına çıktığı tahmin edildiğine göre bilgi toplama ve toplanan bilgileri saklama olanaklarında büyük bir artış olmaktadır. Günümüzde, kredi kartı kullanımı, tıbbi test sonuçları, telefon konuşmaları, süper marketlerde bir kerede satın alınan ürünler gibi en basit hareketler bile bilgisayar ortamına kaydedilmektedir. Her geçen gün işletmeler ve devlet kurumları veri tabanı sistemine daha fazla yatırım yapmakta ve daha fazla oranda veriyi bu sistemlerde depolamaktadır. Bu büyük boyuttaki verilerden yararlanmak için, bu veriler üzerinde yöntem ve kurallar uygulanarak değerli bilginin keşfedilmesine gerek duyulmuştur. Veri madenciliği, büyük miktardaki mevcut veri içinden anlamlı, potansiyel olarak kullanışlı, gelecekle ilgili tahmin yapılmasını sağlayan bağıntı ve kuralların bilgisayar programları kullanarak bulunmasıdır. Birçok sektörde kullanımı giderek yaygınlaşan veri madenciliğinin uygulama alanlarından biri de süpermarketlerdeki müşteri, ürün ve satış bilgilerinden yararlanarak ilişki ve kuralların elde edildiği market sepet analizidir. Market sepet analizinde ürünlerin birbiriyle olan satış ilişkilerinin elde edilmesi ve veri madenciliği konularından biri olan birliktelik kurallarının çıkarılması, şirketlerin kârını arttırıcı etkenlerdir. Birliktelik kuralları, satış hareket verileri içinde birlikte hareket eden nesnelerin ve nesneler arasındaki bağıntıların keşfedilerek geleceğe yönelik tahminlerin üretilmesini sağlar. Bu kuralların elde edilebilmesi için 90 lı yılların basından itibaren birçok algoritma geliştirilmiştir. Bu algoritmaların birbirine göre farklı koşullar altında üstünlükleri ve farklı çalışma yöntemleri mevcuttur. Veritabanının taranması, birleştirme, budama yöntemlerinin uygulanması ve minimum destek değeri yardımı ile nesneler arasındaki birliktelik ilişkilerinin bulunması, algoritmaların genel mantığını teşkil eder. Veri Madenciliği konusunda çalışma yapabilmek için bu konuda geliştirilmiş programları kullanmak gerekir. Bu kapsamda, pek çok ticari ve açık kaynak program geliştirilmiştir. Ticari programların başlıcaları SAP Kxen, SPSS Clementine, SAS, Angoss, SQL Server, MATLAB, açık kaynak yazılımlarından ilk 5 ise Orange, RapidMiner, Weka,JHepWork, KNIME, Tanagra [2] şeklinde sıralanmaktadır. 2. Veri Madenciliği Süreçleri
2 Veri madenciliği işlemciliği bir çok aşamadan oluşmaktadır. Veri madenciliği süreçleri başlıca aşamaları aşağıda verilmiştir. Bunlar; 1) İlgi alanını anlama 2) Veri seçimi 3) Ayıklama ve Uygulama öncesi işlemler 4) Modelin Kurulması 5) Yorumlama 2.1. İlgi Alanını Anlama İlgi alanını anlama aşaması veri madenciliği uygulamalarının çalışma hedeflerini öğrenmenin yanında konuyla ilgili önceki bilgileri toplamayı da gerektirir. Veri madenciliği tekniklerinin gerekli ilgi alanı bilgisine sahip olmadan, anlamadan kullanılması çoğunlukla alakasız ya da anlamsız örneklerin bulunmasıyla sonuçlanır Veri Seçimi Veri seçimi aşaması kullanıcının bir veri tabanını hedeflemesini ya da bir alanın veya veri kayıtlarının alt başlıklarını seçmesini gerektirmektedir. Bu aşamada yeterli ilgi alanı bilgisine sahip olmak yararlı verilerin seçilmesine yardımcı olur. Bazen bir şirketin bünyesinde bütün gerekli veriler bulunmayabilir. Bu durumlarda veriler bir dış kaynaktan alınır Ayıklama ve Uygulama Öncesi İşlemler Bütün veri madenciliği işleminin en çok zaman alan aşaması bu aşamadır. Veriler hiçbir zaman ayıklanmış ve de veri madenciliği için uygun formda değildir. Kuruluşların veri tabanlarındaki tipik veri karışıklığı örnekleri arasında şunlar bulunmaktadır: Ayıklama Tekrarlama: Bu tür bir veri karışıklığı, bir kayıt örneğin bir veri tabanında bir çok kez görüldüğünde ortaya çıkar. Bu kredi kartı firmaları gibi müşterilerle şahsen ilgilenen firmaların veri tabanlarında görülen veri karışıklığı sorunlarından en yaygın olanıdır. Eksik Veri Alanları: Çok çeşitli nedenlerden ötürü bir veri tabanında eksik alanlar olabilir. Örneğin müşteri istenen bilgileri doldurmaktan sıkılmış olabilir ya da bir alana yanlış veri girişi yapılmasıyla o alanda veri giriş hatası oluşması nedeniyle de bir alan eksik kalabilir. Taşma: Taşma, aynı alandaki başka verilerden çok farklı olan bir alandaki veri değeridir. Buna örnek olarak bir kamu kuruluşundaki müşteriler için aylık enerji tüketimi alanını düşünün. Eğer bu alan tipik olarak KW aralığındaysa ve bizim bazı müşteriler için 10,000KW lık bir girişimiz varsa; bu durumda bu giriş taşma olarak nitelendirilir Uygulama Öncesi İşlemler Bu adımda kurulacak modele bağlı olarak veri seçimi yapılır. Örneğin tahmin edici bir model için bu adım, bağımlı ve bağımsız değişkenlerin ve modelde kullanılacak veri kümesinin seçilmesi anlamını taşımaktadır. Sıra numarası, kimlik numarası gibi anlamlı olmayan değişkenlerin modele girmemesi gerekmektedir. Çünkü bu tip değişkenler, diğer değişkenlerin modeldeki ağırlığının azalmasına ve veriye ulaşma zamanlarının uzamasına neden olabilmektedir. Bazı veri madenciliği algoritmaları konu ile ilgisi olmayan bu tip değişkenleri otomatik olarak elese de, pratikte bu işlemin kullanılan yazılıma bırakılmaması daha akılcı olacaktır. Örneğin; her bir müşterinin gerçek doğum tarihinin uygulama aşamasında gösterilmesi verimliliğe ters etki yapabilir. Bunun yerine müşterileri farklı yaş gruplarına ayırıp, gruplandırmak daha iyi olabilir Modelin Kurulması Modelin kurulması aşaması bütün veri madenciliği uygulamanın merkezidir diyebiliriz. Bu verilerdeki gizli örneklerin ve eğilimlerin açığa çıktığı aşamadır. Modelin kurulması aşamasıyla ilgili pek çok yaklaşım vardır. Bunlar birleştirme, sınıflandırma, kümeleme, sıra analizi ve görüntüleme bulunmaktadır. Bu yaklaşımlardan her biri istatistik veri analizi, bilgisayarla öğrenme, sinirsel çalışmalar ve model onaylama gibi birbiriyle rekabet eden çok çeşitli yöntemlerden biri kullanılarak uygulamaya geçirilebilir. Veri madenciliğinin çoğu zaman disiplinler arası bir alan olarak görülmesinin nedeni de çok çeşitli yöntemler kullanılıyor olmasıdır Yorumlama Veri madenciliği uygulamasının yorumlama aşaması kullanıcı tarafından daha önceki aşamalara geri dönülmesi gerekip gerekmediğini belirlemek için bulduklarının niteliğini ve değerini değerlendirmek amacıyla kullanılır. Bu aşamada bulunan örneklere bir değer yüklemek için konunun iyi anlaşılması çok önemlidir.
3 3. Örnek Veri Seti Aşağıdaki Tablo-1 de verildiği gibi örnek Araç değerlendirme veri seti 1728 kayıttan oluşmakta ve araba satın alma, bakım gideri, kapı sayısı, yolcu kapasitesi, bagaj genişliği ve araç güvenliği bir alanlardan oluşmaktadır. Araç Değerlendirme Veri Seti : Alan :6 Kayıt:1728 Class : unacc,acc,good,vgood (4 değer) Araç kabul durumu Alan Tür İçerik Bilgi Buying Ayrık vhigh,high,med,low Alım Fiyatı Maint Ayrık vhigh,high,med,low Bakım Fiyatı Doors Ayrık 2,3,4,5more Kapı sayısı Persons Ayrık 2, 4, more Taşıma Kapasitesi Luggage Ayrık Small, med, big Bagaj Kapasitesi Safety Ayrık Low, med, high Güvenlik Düzeyi Tablo 1. Araç Değerlendirme Veri Deseni Tablosu 4. Açık Kaynak Kodlu Veri Madenciliği Yazılımları 4.1 WEKA Waikato Üniveristesi tarafından java üzerinde açık kaynak kodlu olarak geliştirilen ve halen gelişimi devam eden Weka yazılımı veri sınıflandırma, kümelenme, ilişki kuralı oluşturma ve görüntüleme özelliklerine Sahiptir. Weka ismi, "Waikato Environment for Knowledge Analysis" kelimelerinin baş harflerinden oluşmuş bir yazılımdır. Weka, tamamen modüler bir tasarıma sahip olup, içerdiği özelliklerle veri kümeleri üzerinde görselleştirme, veri analizi, iş zekası uygulamaları, veri madenciliği gibi işlemler yapabilmektedir. Weka yazılımı, kendisine özgü olarak bir.arff uzantısı desteği ile gelmektedir. Ancak Weka yazılımının içerisinde CSV dosyalarını da ARFF formatına çevirmeye yarayan araçlar mevcuttur. [3] Herhangi bir text dosyasındaki verileri Weka ile işlemek olanaksızdır, Arff, Csv, C4.5 formatında bulunan dosyalar. Ayrıca Jdbc kullanılarak veritabanına bağlanıp burada da işlemler yapılabilir.[4] Veri Ön işleme (Data Pre-Processing) Görselleme (Visualization) Son olarak Weka Kütüphanesinde veri kümelerini içeren dosyalar üzerinde çalışan çok sayıda hazır fonksiyon bulunmaktadır Simple K-Means Uygulaması Weka K-Means uygulaması 4 sınıf oluşturması için çalıştırılmış, aşağıdaki Şekil 1 de göründüğü gibi değerler elde edilmiştir. Weka daki k-means işlemi ayrık değerlerle de çalışabildiği için orjinal ver seti üzerinde çalıştırılmıştır. Bunun için kayıtlar aşağıda gösterildiği gibi arff formatına çevrilerek Weka programına aktarılmış ve Şekil 1 deki sonuçlar bulunmuştur. ARFF formatındaki araba değerlendirme veri seti kayıt Buying Maint Doors Persons Luggage Safety Class {unacc,acc,good,vgood} Temel olarak aşağıdaki 3 Veri Madenciliği işlemi Weka ile yapılabilir: Şekil 1. Weka yazılımındaki K-Means sonuçları Sınıflandırma (Classification) Bölütleme (Clustering) İlişkilendirme (Association) Ayrıca yukarıdaki işlemlere ilave olarak, veri kümeleri üzerinde ön ve son işlemler yapılabilir
4 4.2 ORANGE ORANGE yazılımı Slovenya Ljubljana Üniversitesi Bilgisayar ve Enformatik Bilimleri bölümü yapay zeka araştırmaları ekibi tarafından geliştirilmiştir. Orange, C++ ve Python kullanılarak yazılan, grafiksel arayüz için ise Qt framework çapraz-platformu kullanan bir veri madenciliği ve makine öğrenmesi uygulamasıdır. Kullanıcı dostu güçlü ve esnek, veri önişleme, özellik skorlama ve filtreleme,modelleme, model değerlendirme ve keşif teknikleri gibi geniş kapsamlı bileşen seti içerir. Orange ; *.tab, *.txt, *.basket, *.names, *.csv, *.tsv, *.arff, *.xml, *.svm dosya türlerinden veri okuyabilmektedir. Orange yazılımında, K-means uygulaması Weka programında olduğu gibi ayrık veriler üzerinden çalışabildiğinden orijinal verileri içeren text dosyasından kayıtlar aktarılmıştır. Orange yazılımında Şekil 2 de verilen sonuçlar bulunmuştur formatta yazmaya yarayan Data Write bileşenine de sahiptir.k-means çalışmasında Knime programı ayrık verilerşe çalışmadığı için veriler sayısal değerlerle değiştirilerek aktarılmış ve Şekil 3 d verilen sonuçlar bulunmuştur. Şekil 3. Knime yazılımındaki K-Means sonuçları 4.4 Tanagra Şekil 2. Oranage yazılımındaki K-Means sonuçları Tanagra Veri analizi, istatistiksel ve makine öğrenme gibi bir çok veri madenciliği metotlarını sağlar. Tanagra, kümeleme, faktöriyel analiz, parametrik ve nanparametrik istatistik, birliktelik kuralı, özellik seçimi ve yapı algoritması gibi bazı denetlenmiş öğrenme, ayrıca diğer paradigmaları içerir. [7]. Tanagra *.txt, *.xls, *.arff ve *.dat uzantılı dosyalardan veri okuyabilmektedir. Tanagra yazılımı da Knme yazılımında olduğu gibi K-means uygulamasında ayrık veri kabul etmediğinden, Knime de uygulanan kullanılan veri dosyası kullanılmış ve Şekil 4 verilen değerler bulunmuştur. 4.3 KNIME Konstanz Üniversitesi görsel veri madenciliği araştırma grubu tarafından Eclipse Rich Client Platform üzerinde geliştirilmiştir.[5] Bu yazılımda sık kullanılan veri madenciliği yöntemlerinin tamamına yakını mevcuttur. Bunlar arasında Destek vektör makinaları, Bayes ve Multi dimensional Scaling (MDS) gibi yöntemler de bulunmaktadır. Knime *.txt., *.csv,*.arff dosyalarından veri okuyabilmekte ayrıca veritabanı sunuculardan SQL sorgulama ile veri alma işlemini ve veri madenciliği ve istatistik uygulamaları arasında veri transferine olanak sağlayan PMML (Predictive Model Markup Language) adlı XML tabanlı dilde veri okuma işlemini de desteklemektedir. Bu programda benzer programlarda bulunmayan okuduğu veri farklı bir Şekil 4. Tanagra yazılımındaki K-Means sonuçları
5 5. Sonuç Araç Değerlendirme veri seti üzerinde yapılan Weka, Orange, Knime ve Tanagra yazılımların K-Means uygulamasında 4 sınıfa ayrılmış aşağıdaki sonuçlar elde edilmiştir, Yazılım C-1 C-2 C-3 C-4 Weka Orange Knime Tanagra Kaynaklar [1] Internet : [2] Internet : [3] Internet: [4] Tekerek A, Veri Madenciliği Süreçleri ve Açık Kaynak Kodlu Veri Madenciliği Araçları Akademik Bilişim Konferansı 2011, İnönü Üniversitesi, Malatya [5] Bilgin T., Veri Akışı Diyagramları TabanlıI Veri Madenciliği Araçları Ve Yazılım Geliştirme Ortamları, Akademik Bilişim Konferansı 2009 Harran Üniversitesi, Şanlıurfa
Açık Kaynak Kodlu Veri Madenciliği Yazılımlarının Karşılaştırılması
Akademik Bilişim 14 - XVI. Akademik Bilişim Konferansı Bildirileri Açık Kaynak Kodlu Veri Madenciliği Yazılımlarının Karşılaştırılması Mümine Kaya 1, Selma Ayşe Özel 2 1 Adana Bilim ve Teknoloji Üniversitesi,
DetaylıVERİ MADENCİLİĞİ önemsiz olmayan, gizli, önceden bilinmeyen, potansiyel olarak kullanışlı
Veri Madenciliği, örüntü tanıma, istatistik ve matematiksel yöntemlerin kullanımıyla devasa miktardaki güncel ya da geçmiş veri içerisinden ilgi çekici ( önemsiz olmayan, gizli, önceden bilinmeyen, potansiyel
DetaylıVeri Akışı Diyagramları Tabanlı Veri Madenciliği Araçları ve Yazılım Geliştirme Ortamları
Akademik Bilişim 09 - XI. Akademik Bilişim Konferansı Bildirileri 11-13 Şubat 2009 Harran Üniversitesi, Şanlıurfa Veri Akışı Diyagramları Tabanlı Veri Madenciliği Araçları ve Yazılım Geliştirme Ortamları
DetaylıVeri Ambarından Veri Madenciliğine
Veri Ambarından Veri Madenciliğine Yrd. Doç. Dr. Ömer Utku Erzengin 1, Uzman Emine Çetin Teke 2, İstatistikçi Nurzen Üzümcü 3 1 Süleyman Demirel Üniversitesi Fen Edebiyat Fakültesi İstatistik Bölümü 2
DetaylıT.C. ÇANAKKALE ONSEKİZ MART ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ İLERİ VERİTABANI SİSTEMLERİ DERSİ RAPORUN SUNULDUĞU TARİH 24.05.
T.C. ÇANAKKALE ONSEKİZ MART ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ İLERİ VERİTABANI SİSTEMLERİ DERSİ RAPORUN SUNULDUĞU TARİH 24.05.2011 PROJE KONUSU Genel Seçim Çalışmaları PROJE GRUBU Semih Erdem 080401009
Detaylıİş Analitiği'ne Netezza ile Yüksek Performans Katın
İş Analitiği'ne Netezza ile Yüksek Performans Katın Umut ŞATIR İleri Analitik Çözüm Mimarı 2012 IBM Corporation Netezza and IBM Business Analytics Baştan sona bir İş Analitiği çözümü Performans Kolaylık
DetaylıVeri Madenciliği Araçları (Data Mining Tools)
YBS Ansiklopedi www.ybsansiklopedi.com Cilt 3, Sayı 4, Aralık 2016 Veri Madenciliği Araçları (Data Mining Tools) Merve YILDIZ 1, Şadi Evren ŞEKER 2 1. Karabük Üniversitesi, Mühendislik Fakültesi, Bilgisayar
DetaylıVERİ MADENCİLİĞİNE BAKIŞ
VERİ MADENCİLİĞİNE BAKIŞ İçerik Veri Madenciliği Neden Veri Madenciliği? Veri ve Veri Madenciliğinin Önemi Günümüzde Kullanılan Veri Madenciliğinin Çeşitli İsimleri Veri Madenciliği Nedir? Neden Veri Madenciliği?
DetaylıPARALEL VERİ MADENCİLİĞİ ALGORİTMALARI. BAŞARIM 09, 15-18 Nisan 2009, ODTÜ, Ankara
PARALEL VERİ MADENCİLİĞİ ALGORİTMALARI BAŞARIM 09, 15-18 Nisan 2009, ODTÜ, Ankara Veri Madenciliğine Genel Bir Bakış Veri Madenciliğinin Görevleri Sınıflama Seri Sınıflama Algoritmaları Paralel Sınıflama
DetaylıVeri ve Metin Madenciliği
Veri ve Metin Madenciliği Zehra Taşkın Veri Madenciliği Bir kutu toplu iğne İçine 3 boncuk düşürdünüz Nasıl alacağız? Fikirler? Veri Madenciliği Data Information Knowledge Veri madenciliği; Büyük yoğunluklu
DetaylıVeri ve Metin Madenciliği. Zehra
Veri ve Metin Madenciliği Zehra Taşkın @zehrataskin Büyük Veri https://www.youtube.com/watch?v=tzxmjbl-i4y Veri Madenciliği Bir kutu toplu iğne İçine 3 boncuk düşürdünüz Nasıl alacağız? Veri Madenciliği
DetaylıBirliktelik Kuralları Analizi. Yard. Doç. Dr. Derya BİRANT Prof. Dr. Alp KUT
İş Zekası Çözümleri için i Çok Boyutlu Birliktelik Kuralları Analizi Yard. Doç. Dr. Derya BİRANT Prof. Dr. Alp KUT İçerik 1 Veri Madenciliği 2 Birliktelik Kuralları Analizi 3 Uygulama 4 Algoritma 5 Sonuçlar
DetaylıVeri 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
DetaylıWEKA ile Veri Önişleme
WEKA ile Veri Önişleme Doç. Dr. Suat Özdemir Bahar 2017 Doç. Dr. Suat Özdemir 1 Weka 3: Data Mining Software in Java Açık kaynak Veri madenciliği yazılımı (Java) İndirmek için http://www.cs.waikato.ac.nz/ml/weka/
DetaylıZaman Serileri Madenciliği Kullanılarak Nüfus Artışı Tahmin Uygulaması
Zaman Serileri Madenciliği Kullanılarak Nüfus Artışı Tahmin Uygulaması Maltepe Üniversitesi, Yazılım Mühendisliği Bölümü, İstanbul zeynepguven@maltepe.edu.tr, turgaybilgin@maltepe.edu.tr Özet: Zaman serileri
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;
DetaylıDuvar İnşa Edilmesinde Verimliliği Etkileyen Faktörlerin Apriori Veri Madenciliği Yöntemi Kullanılarak Analizi
Akademik Bilişim 14 - XVI. Akademik Bilişim Konferansı Bildirileri 5-7 Şubat 2014 Mersin Üniversitesi Duvar İnşa Edilmesinde Verimliliği Etkileyen Faktörlerin Apriori Veri Madenciliği Yöntemi Kullanılarak
DetaylıVERI TABANLARıNDA BILGI KEŞFI
1 VERİ MADENCİLİĞİ VERI TABANLARıNDA BILGI KEŞFI Veri Tabanlarında Bilgi Keşfi, veriden faydalı bilginin keşfedilmesi sürecinin tamamına atıfta bulunmakta ve veri madenciliği bu sürecin bir adımına karşılık
DetaylıVeritabanı Yönetim Sistemleri (Veritabanı Kavramı) Veri Modelleri
Veritabanı Yönetim Sistemleri (Veritabanı Kavramı) Veri Modelleri Konular Veritabanı Tasarım Aşamaları Veri Modeli Nedir? Veri Modeli Temel Bileşenleri İş Kuralları (Business Rules) İş Kurallarını Veri
DetaylıVERİ MADENCİLİĞİ VE SOSYAL AĞ ANALİZİ ARAŞTIRMA LABORATUVARI
BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ VERİ MADENCİLİĞİ VE SOSYAL AĞ ANALİZİ ARAŞTIRMA LABORATUVARI 10 Aralık 2011, Cumartesi Fen ve Mühendislik Alanlarındaki Çeşitli Araştırma Projelerinden Örneklemeler İçerik
DetaylıZaman Serileri Madenciliği Kullanılarak Nüfus Artışı Tahmin Uygulaması
Zaman Serileri Madenciliği Kullanılarak Nüfus Artışı Tahmin Uygulaması Zeynep Behrin Güven 1, Turgay Tugay Bilgin 1 1 Maltepe Üniversitesi, Yazılım Mühendisliği Bölümü, İstanbul zeynepguven@maltepe.edu.tr,
DetaylıUzaktan Eğitim Uygulama ve Araştırma Merkezi
JAVA PROGRAMLAMA Öğr. Gör. Utku SOBUTAY İÇERİK 2 Java Kodlarına Yorum Satırı Eklemek Java Paket Kavramı Java Kütüphane Kavramı Konsoldan Veri Çıkışı ve JOPtionPane Kütüphanesi JOptionPane Kütüphanesi Kullanarak
DetaylıVERİ MADENCİLİĞİNİN GÖREVLERİ
VERİ MADENCİLİĞİNİN GÖREVLERİ VERİ MADENCİLİĞİNİN GÖREVLERİ Classification (Sınıflandırma) Karakterizasyon (Betimleme) Regression (İlişki Çıkarımı) Clustering (Kümeleme) Association (İlişki Analizi) Forecasting
Detaylıİş Zekâsı Sistemi Projesi
BI İş Zekâsı Sistemi Projesi Ulaş Kula, Bilişim Ltd. Esinkap 5. Ar-Ge Proje Pazarı 31 Mayıs 2012 Bilişim Ltd. 1985 te kurulan Bilişim Ltd, Türkiye nin üstün başarıyla sonuçlanmış önemli projelerine imza
DetaylıTurquaz. Açık kodlu muhasebe yazılımı http://www.turquaz.com. Turquaz Proje Grubu
Turquaz Açık kodlu muhasebe yazılımı http://www.turquaz.com Turquaz Proje Grubu Konu Başlıkları 1. Turquaz Proje Grubu 2. Programın fikri 3. Geliştirme aşaması 4. Programın içeriği 5. Yapılacaklar 6. Dizayn
DetaylıSAP FORUM İSTANBUL Discover Simple Kararlarınızı ileri analitiklerle aydınlatın
SAP FORUM İSTANBUL Discover Simple Kararlarınızı ileri analitiklerle aydınlatın Konuşmacı Adı : Beyhan BOYACIOGLU Firma Adı : METRIC Yazılım Use this title slide only with an image Gündem İleri Analiz
DetaylıÇok fazla bilgiden gizli kalmış örüntüleri ortaya çıkarma sürecine Veri Madenciliği denir.
Veri Madenciliği Çok fazla bilgiden gizli kalmış örüntüleri ortaya çıkarma sürecine Veri Madenciliği denir. istatistik + makine öğrenmesi + yapay zeka = veri madenciliği Veri madenciliği süreçleri CRISP-DM
DetaylıBÜYÜK ÖLÇEKLİ VERİ TABANLARINDA BİLGİ KEŞFİ
BÜYÜK ÖLÇEKLİ VERİ TABANLARINDA BİLGİ KEŞFİ Şühedanur KAVURKACI 1, Zeynep GÜRKAŞ AYDIN 2, Rüya ŞAMLI 3 1,2,3 İstanbul Üniversitesi Bilgisayar Mühendisliği Bölümü 1 sskavurkaci@gmail.com, 2 zeynepg@istanbul.edu.tr,
DetaylıVeritabanı Dersi. Teoriden Pratiğe. Çağıltay N.E., Tokdemir G. Veritabanı Sistemleri Dersi -Bölüm XXV: Web'den Erişim Çağıltay, N., Tokdemir, G.
Veritabanı Dersi Teoriden Pratiğe Çağıltay N.E., Tokdemir G. Veritabanı Sistemleri Dersi -Bölüm XXV: Web'den Erişim Çağıltay, N., Tokdemir, G. BÖLÜM 25 Web den Erişim Ortak Geçit Arayüzü Bazı Web Kavramları
DetaylıGiriş Düzeyinde Örnek Bir Veri Madenciliği Projesi-1
Giriş Düzeyinde Örnek Bir Veri Madenciliği Projesi-1 Gerçekleştirecek olduğumuz bu projede bir kitapevi firmasının müşterilerinin, Excelde tutulmuş olan verilerinden yola çıkarak; müşterilerini segmente
DetaylıTarih Saat Modül Adı Öğretim Üyesi. 01/05/2018 Salı 3 Bilgisayar Bilimlerine Giriş Doç. Dr. Hacer Karacan
BİLGİ TEKNOLOJİLERİ YÖNETİMİ EĞİTİM MODÜLLERİ Tarih Saat Modül Adı Öğretim Üyesi 01/05/2018 Salı Bilgisayar Bilimlerine Giriş Doç. Dr. Hacer Karacan Bu dersin amacı, bilgisayar bilimlerinin temel kavramlarını
DetaylıKaraciğerde 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
DetaylıAkdeniz Üniversitesi Mühendislik Fakültesi Bilgisayar Mühendisliği Bölüm Tanıtımı
Akdeniz Üniversitesi Mühendislik Fakültesi Bilgisayar Mühendisliği Bölüm Tanıtımı cse@akdeniz.edu.tr Antalya, 2016 2 Özet Akdeniz Üniversitesi tanıtım filmi Neden Bilgisayar Mühendisliği Bilgisayar Mühendisi
DetaylıLOGO İş Zekası çözümü ile kurumsal raporlama ve analizler. Cem Yılmaz Genel Müdür LOGOBI Yazılım
LOGO İş Zekası çözümü ile kurumsal raporlama ve analizler Cem Yılmaz Genel Müdür LOGOBI Yazılım Hakkımızda LOGOBI Yazılım A.Ş. iş zekası alanında faaliyet gösteren, Türkiye de sahip olduğu yüzlerce müşterinin
DetaylıKurulum ve Başlangıç Kılavuzu. DataPage+ 2012 için
DataPage+ 2012 için Son Güncelleme: 29 Ağustos 2012 İçindekiler Tablosu Önkoşul Olan Bileşenleri Yükleme... 1 Genel Bakış... 1 Adım 1: Setup.exe'yi Çalıştırın ve Sihirbazı Başlatın... 1 Adım 2: Lisans
DetaylıBAŞAK ÇOBAN MERVE SARITAŞ AZİME AKÇAÖZ BÜŞRA AYDEMİR
VERİ MADENCİLİĞİ İSİMLER BAŞAK ÇOBAN MERVE SARITAŞ AZİME AKÇAÖZ BÜŞRA AYDEMİR MOLEKÜLER BİYOLOJİ ve GENETİK GEBZE TEKNİK ÜNİVERSİTESİ ARALIK 2015 İçindekiler ÖZET... iii 1.GİRİŞ... 1 1.1 Veri Ambarı, Veri
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
DetaylıFırat Üniversitesi Personel Otomasyonu
Fırat Üniversitesi Personel Otomasyonu Fırat Üniversitesi, Enformatik Bölümü, 23119, Elazığ fatihtalu@firat.edu.tr, rdas@firat.edu.tr Özet: Bu çalışmada, Fırat Üniversitesi Personel Daire Başkanlığı için
Detaylıbitık MOBİL TİCARET UYGULAMASI ABDULLAH ÇİÇEKCİ
bitık MOBİL TİCARET UYGULAMASI ABDULLAH ÇİÇEKCİ - 150110046 İÇERİK Uygulama ve uygulamaya ilişkin temel kavramların tanıtımı Uygulamanın yapısı Ön yüz Veritabanı Web Servisler K-Means Algoritması ile kategori
DetaylıGörsel Programlama DERS 03. Görsel Programlama - Ders03/ 1
Görsel Programlama DERS 03 Görsel Programlama - Ders03/ 1 Java Dili, Veri Tipleri ve Operatörleri İlkel(primitive) Veri Tipleri İLKEL TİP boolean byte short int long float double char void BOYUTU 1 bit
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
DetaylıApriori Algoritması ile Teknik Seçmeli Ders Seçim Analizi
Apriori Algoritması ile Teknik Seçmeli Ders Seçim Analizi Emre Güngör 1,2, Nesibe Yalçın 1,2, Nilüfer Yurtay 3 1 Bilecik Şeyh Edebali Üniversitesi, Bilgisayar Mühendisliği Bölümü, 11210, Merkez, Bilecik
DetaylıR ile Programlamaya Giriş ve Uygulamalar
R ile Programlamaya Giriş ve Uygulamalar İçerik R ye genel bakış R dili R nedir, ne değildir? Neden R? Arayüz Çalışma alanı Yardım R ile çalışmak Paketler Veri okuma/yazma İşleme Grafik oluşturma Uygulamalar
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
DetaylıSPSS & AKILLI KURUMLAR. Dr. Tülin GÜZEL ÖZDEMİR SPSS Türkiye Genel Müdür tguzel@spss.com.tr
SPSS & AKILLI KURUMLAR Dr. Tülin GÜZEL ÖZDEMİR SPSS Türkiye Genel Müdür tguzel@spss.com.tr Tarihte Yaşanan Devrimler Tarımsal Kalkınma Devrimi Tarihte Yaşanan Devrimler Endüstriyel Kalkınma Devrimi Tarihte
DetaylıBüyük Ölçekli Veri Tabanlarında Bilgi Keşfi
Akademik Bilişim 11 - XIII. Akademik Bilişim Konferansı Bildirileri Büyük Ölçekli Veri Tabanlarında Bilgi Keşfi İstanbul Üniversitesi Bilgisayar Mühendisliği Bölümü sskavurkaci@gmail.com, zeynepg@istanbul.edu.tr,
DetaylıMATLAB A GİRİŞ. EE-346 Hafta-1 Dr. Ayşe DEMİRHAN
MATLAB A GİRİŞ EE-346 Hafta-1 Dr. Ayşe DEMİRHAN MATLAB Teknik ve bilimsel hesaplamalar için yazılmış yüksek performanslı bir yazılım geliştirme aracı MATrix LABoratory (MATLAB) Boyutlandırma gerekmeyen
DetaylıMüzik Verileri İçin XML Tabanlı Diller
Müzik Verileri İçin XML Tabanlı Diller İlker KALAYCI, M. Serdar KORUKOĞLU Ege Üniversitesi Bilgisayar Mühendisliği Bölümü 2009 Akademik Bilişim '09-Harran Üniversitesi 1 İçerik Giriş MIDI Özellikleri XML
DetaylıAlanya Alaaddin Keykubat UniversityInternational Relations Office
Mühendislik Fakültesi Bilgisayar Mühendisliği Bölümü Bilgisayar Mühendisliği (Örgün Öğretim) Diploma Programı 2016 Müfredatı 1 BLG109 Üniversite'de Yaşam Kültürü ve Bilgisayar Mühendisliğine İntibak 1
DetaylıAçık Kaynak Kodlu Veri Madenciliği Programları: WEKA da Örnek Uygulama
Akademik Bilişim 09 - XI. Akademik Bilişim Konferansı Bildirileri 11-13 Şubat 2009 Harran Üniversitesi, Şanlıurfa Açık Kaynak Kodlu Veri Madenciliği Programları: WEKA da Örnek Uygulama Gazi Üniversitesi,
DetaylıMÜHENDİSLİK FAKÜLTESİ / ENSTİTÜSÜ / YÜKSEKOKULU BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ /ABD LİSANS PROGRAMI - 1 ( yılı ve sonrasında birinci
MÜHENDİSLİK FAKÜLTESİ / ENSTİTÜSÜ / YÜKSEKOKULU BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ /ABD LİSANS PROGRAMI - 1 (2016-17 yılı ve sonrasında birinci sınıfa başlayan öğrenciler için) BİRİNCİ YIL 1. Dönem
DetaylıVeri Madenciliği. Yrd. Doç. Dr. Mustafa Gökçe Baydoğan. blog.mustafabaydogan.
Veri Madenciliği Yrd. Doç. Dr. Mustafa Gökçe Baydoğan mustafa.baydogan@boun.edu.tr www.mustafabaydogan.com blog.mustafabaydogan.com İçerik p Veri Madenciliği nedir? n Bir örnek p Boğaziçi Üniversitesi
DetaylıVERİ MADENCİLİĞİ İLE DEPREM VERİLERİNİN ANALİZİ
VERİ MADENCİLİĞİ İLE DEPREM VERİLERİNİN ANALİZİ N. Duru -1, M. Canbay -1 Posta Adresi: 1- Kocaeli Üniversitesi Müh.Fak. Bilgisayar Mühendisliği 2- Kocaeli Üniversitesi Müh.Fak. Jeofizik Mühendisliği E-posta:
DetaylıYapay 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
DetaylıYazılım Nedir? 2. Yazılımın Tarihçesi 3. Yazılım Grupları 4 Sistem Yazılımları 4 Kullanıcı Yazılımları 5. Yazılımın Önemi 6
ix Yazılım Nedir? 2 Yazılımın Tarihçesi 3 Yazılım Grupları 4 Sistem Yazılımları 4 Kullanıcı Yazılımları 5 Yazılımın Önemi 6 Yazılımcı (Programcı) Kimdir? 8 Yazılımcı Olmak 9 Adım Adım Yazılımcılık 9 Uzman
DetaylıFIRAT ÜNİVERSİTESİ PERSONEL OTOMASYONU
FIRAT ÜNİVERSİTESİ PERSONEL OTOMASYONU M. Fatih TALU*, Resul DAŞ* (*) Fırat Üniversitesi, Enformatik Bölümü, 23119, ELAZIĞ fatihtalu@firat.edu.tr, rdas@firat.edu.tr ÖZET Bu çalışmada, Fırat Üniversitesi
DetaylıVERİ MADENCİLİĞİ YÖNTEMLERİ İLE DIABETES MELLITIUS HASTALIĞINA SEBEP OLAN FAKTÖRLERİN TESPİTİ
VERİ MADENCİLİĞİ YÖNTEMLERİ İLE DIABETES MELLITIUS HASTALIĞINA SEBEP OLAN FAKTÖRLERİN TESPİTİ Gizem Betül Şahin 1, Tuba Gökhan 2, Aydın Çetin 3 1 2 3 gb.sahin56@gmail.com, tubagokhan@gazi.edu.tr, acetin@gazi.edu.tr
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
DetaylıBulanık Mantık Tabanlı Uçak Modeli Tespiti
Bulanık Mantık Tabanlı Uçak Modeli Tespiti Hüseyin Fidan, Vildan Çınarlı, Muhammed Uysal, Kadriye Filiz Balbal, Ali Özdemir 1, Ayşegül Alaybeyoğlu 2 1 Celal Bayar Üniversitesi, Matematik Bölümü, Manisa
DetaylıHAM VERİNİN NİTELİKLİ BİLGİYE DÖNÜŞTÜRÜLME SÜRECİ
HAM VERİNİN NİTELİKLİ BİLGİYE DÖNÜŞTÜRÜLME SÜRECİ 04.03.2013 Ajanda 1.Hafta 1.1. Veri Madenciliği Nedir? 1.1.1. Temel Kavramlar 1.2. Veri Madenciliğine Giriş 1.2.1. Veri Madenciliğindeki Gelişim Süreci
DetaylıGoogle Web Toolkit ile Öğretim Elemanı Otomasyon Sistemi
Google Web Toolkit ile Öğretim Elemanı Otomasyon Sistemi Mehmet Karakoç Akdeniz Üniversitesi Bilgisayar Bilimleri Araştırma ve Uygulama Merkezi 28.11.2014 inet-tr'14 : GWT AUFaculty Project 1 İçerik Giriş
DetaylıDers Adı : Nesne Tabanlı Programlama-I Ders No : Teorik : 3 Pratik : 1 Kredi : 3.5 ECTS : 4. Ders Bilgileri.
Image not found http://bologna.konya.edu.tr/panel/images/pdflogo.png Ders Adı : Nesne Tabanlı Programlama-I Ders No : 0690130114 Teorik : 3 Pratik : 1 Kredi : 3.5 ECTS : 4 Ders Bilgileri Ders Türü Öğretim
DetaylıData Science Boot Camp
Data Science Boot Camp Eğitim Detayları Eğitim Süresi : 3 Gün Kontenjan : 12 Ön Koşullar : Eğitim Hakkında Data Science Boot Camp Sertifikasyon Programı Introductory Python, Data Science with Python: Data
DetaylıÜst Düzey Programlama
Üst Düzey Programlama XML 1 XML XML (Extensible Markup Language) verileri belirli yapıda tutmak için kullanılan bir işaretleme dilidir. Bu yapı bilindiği için verinin istenildiğinde kullanılmasını, değiştirilmesini
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
DetaylıMesleki Terminoloji II Veri Madenciliği
Mesleki Terminoloji II Veri Madenciliği Burak Düşün - 14011055 Akif Berkay Gürcan - 14011023 Veri Madenciliği Nedir? Veri madenciliği, büyük miktarda verinin anlamlı örüntüler bulmak amacıyla otomatik
Detaylı13 Aralık 2007. Đlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL. Đlgili Modül/ler : Raporlar. Kullanıcı Tanımlı Raporlar Bölümünden Yapabildiklerimiz
13 Aralık 2007 Đlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL Đlgili Modül/ler : Raporlar KULLANICI TANIMLI RAPORLAR Kullanıcı Tanımlı Raporlar Bölümünden Yapabildiklerimiz Kendi isteklerinize özel rapor tasarımları
DetaylıAkademik Dünyada Özgür Yazılım. Akademik Dünyada. Onur Tolga Şehitoğlu 10-02-2007
Akademik Dünyada Özgür Yazılım Onur Tolga Şehitoğlu 10-02-2007 1 Özgür Yazılım Nedir? Neden Özgür Yazılım? 2 Masaüstü İşletim Sistemi Ofis Uygulamaları 3 Görüntüleme 4 Bilimsel Araçlar Octave SciLab R
DetaylıSmart Automation, Quality and IT Excellence Solutions - our experience, your success. Versiyon 2.5.
Versiyon 2.5 Page 1 Kapsamlı Bir Veri Denizini Temel Zekaya Dönüştürün Operasyonel verilerinizi temel KPIlar a dönüştürün, karar vermenize yardımcı olacak raporları oluşturun ve ATS Intelligence sayesinde
DetaylıHAM VERİNİN NİTELİKLİ BİLGİYE DÖNÜŞTÜRÜLME SÜRECİ
HAM VERİNİN NİTELİKLİ BİLGİYE DÖNÜŞTÜRÜLME SÜRECİ Cenk BALKAN Kavramlar HAM VERİ İngilizcesi raw data olan, düzenlenmemiş veri olarak ifade edilebilir. VERİ Satır ve kolonlar bazında ifade edilmiş, bir
Detaylıhttp://www.mertsarica.com http://twitter.com/mertsarica
Android üzerine Penetrasyon testi üzerine Penetrasyon testi adımları Örnek Zafiyetler Sonuç http://www.mertsarica.com http://twitter.com/mertsarica Ahlaklı Korsan Blog Yazarı Python Programcısı Zararlı
DetaylıC# nedir,.net Framework nedir?
1 C# nedir,.net Framework nedir? C# nedir? C#, C/C++ ve Java dillerinde türetilmiş,bu dillerin dezavantajlarının elenip iyi yönlerinin alındığı, güçlü basit, esnek, tip-güvenli(typesafe,tür dönüşümlerindeki
DetaylıBilkent Üniversitesi Bilgisayar Mühendisliği Bölümü. Bilgisayar Mühendisliği
Bilkent Üniversitesi Bilgisayar Mühendisliği Bölümü Bilgisayar Mühendisliği Bilgisayar Mühendisliği Günümüzde, finans, tıp, sanat, güvenlik, enerji gibi bir çok sektör, bilgisayar mühendisliğindeki gelişimlerden
DetaylıAÇIK KAYNAK KODLU VERİ MADENCİLİĞİ PROGRAMLARI: WEKA DA ÖRNEK UYGULAMA
AÇIK KAYNAK KODLU VERİ MADENCİLİĞİ PROGRAMLARI: WEKA DA ÖRNEK UYGULAMA Murat DENER Gazi Üniversitesi Elektronik-Bilgisayar Eğitimi Bölümü muratdener@gazi.edu.tr Murat DÖRTERLER Gazi Üniversitesi Elektronik-Bilgisayar
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
DetaylıŞimdi Pro Zamanı: MapInfo Pro 64 bit versiyonu tanıtımı!
Şimdi Pro Zamanı: MapInfo Pro 64 bit versiyonu tanıtımı! MapInfo Professional v 12.5 MapInfo Professional v12.5 Temaları Kartografik çıktı Performans iyileştirmeleri Çıktı penceresindeki haritayla doğrudan
DetaylıBaşlık: Windows Sistem Yöneticisi Yardımcısı
SVR Bilgi Teknolojileri A.Ş. ve Yıldız Teknik Üniversitesi TeknoPark A.Ş. ortaklığı ve Gebze Teknik Üniversitesi işbirliği ile 2014 yılında kurulan, Türkiye nin ilk özel girişim süper bilgisayar sistemine
DetaylıSelahattin Esim CEO
info@esimyazilim.com www.esimyazilim.com Selahattin Esim CEO A private cloud is a new model for IT delivery. It turns a datacenter s infrastructure resources into a single compute cloud and enables the
DetaylıKurulum ve Başlangıç Kılavuzu. DataPage+ 2013 için
DataPage+ 2013 için En Son Güncellenme Tarihi: 25 Temmuz 2013 İçindekiler Tablosu Önkoşul Olan Bileşenleri Yükleme... 1 Genel Bakış... 1 Adım 1: Setup.exe'yi Çalıştırın ve Sihirbazı Başlatın... 1 Adım
DetaylıVeritabanı Yönetim Sistemleri (Veritabanı Kavramı) İş Kuralları ve Veri Modelleri
Celal Çeken Veysel Harun Şahin Veritabanı Yönetim Sistemleri (Veritabanı Kavramı) İş Kuralları ve Veri Modelleri Konular Veritabanı Tasarımı Yaşam Döngüsü Veri Modeli Nedir? Veri Modeli Temel Bileşenleri
DetaylıYazılım Mühendisliği 1
Yazılım Mühendisliği 1 HEDEFLER Yazılım, program ve algoritma kavramları anlar. Yazılım ve donanım maliyetlerinin zamansal değişimlerini ve nedenleri hakkında yorum yapar. Yazılım mühendisliği ile Bilgisayar
Detaylı2. Oracle Data Miner İle Örnek Bir Veri Madenciliği Çalışması
2. Oracle Data Miner İle Örnek Bir Veri Madenciliği Çalışması Bu örnek uygulamada bir önceki yazımda Oracle SQL Developer a yüklediğim Data Miner Repository ile gelen hazır bir sigorta şirketi veri setini
DetaylıYüksek Performanslı Veri Ambarı ve Analitik
Yüksek Performanslı Veri Ambarı ve Analitik Umut Şatır Predictive Analytics Solution Architect, CEE Ayhan Önder Pure Data for Analytics CTP 2 Paris Hilton Kim Kardashian 3 Analitik Veri Ambarı 4 5 Neden?
DetaylıNazlı Deniz ERGÜÇ 1, Hamza EROL 2, Bekir Yiğit YILDIZ 3, Vedat PEŞTEMALCI 4
454 [1280] LANDSAT ÇOK-BANTLI UYDU GÖRÜNTÜ VERİSİNİN VERİ MADENCİLİĞİ YÖNTEMLERİ KULLANILARAK SINIFLANDIRILMASI Nazlı Deniz ERGÜÇ 1, Hamza EROL 2, Bekir Yiğit YILDIZ 3, Vedat PEŞTEMALCI 4 1 Özel Öğrenci,
DetaylıBİLGİYİ YÖNETME. Mustafa Çetinkaya
BİLGİYİ YÖNETME Mustafa Çetinkaya Veri, Bilgi ve Veritabanı Veri, deney, gözlem veya araştırma neticesinde elde edilen işlenmemiş nitel ve nicel öğelerdir. Bilgi, verinin çeşitli yöntem ve sistemler tarafından
DetaylıVeri Madenciliği. Bölüm 1. Giriş. Doç. Dr. Suat Özdemir. w3.gazi.edu.tr/~suatozdemir
Bölüm 1. Giriş w3.gazi.edu.tr/~suatozdemir Ders bilgileri Öğretim üyesi: E-posta: suatozdemir@gazi.edu.tr Websayfası: w3.gazi.edu.tr/~suatozdemir/teaching/dm Bütün duyuru, ödev, vb. için ders web sayfasını
Detaylı1.BÖLÜM: GİRİŞ VE KURULUM
1.BÖLÜM: GİRİŞ VE KURULUM 1.1 Giriş Bu bölümde Knıme giriş yapılacaktır. Bu kitaptaki amaç veri bilimine giriş yapmak ve veri biliminin ne olduğunu, buna bağlı olarak diğer disiplinleri makine öğrenmesi,
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
DetaylıBütün XML dökümanlarının bir kök elemanı olmalıdır. Diğer bütün elemanlar kök elemanı tarafından kapsanır.
XML Genişletilebilir İşaretleme Dili (extensible Markup Language), hem insanlar hem bilgi işlem sistemleri tarafından kolayca okunabilecek dokümanlar oluşturmayı sağlamaktadır W3C tarafından tanımlanmış
DetaylıBilecik Üniversitesi Mühendislik Fakültesi Moodle Uzaktan Öğretim Sistemi
Akademik Bilişim 12 - XIV. Akademik Bilişim Konferansı Bildirileri Bilecik Üniversitesi Mühendislik Fakültesi Moodle Uzaktan Öğretim Sistemi Bilgisayar Mühendisliği Bölümü, Bilecik Üniversitesi, Bilecik
DetaylıMoodle-IST Kullanım Klavuzu
Moodle-IST Kullanım Klavuzu 1 İÇİNDEKİLER 1. ÖYS (Öğrenim Yönetim Sistemi) ve Moodle Nedir?...3 2. Sisteme Giriş...4 2. Ders Takibi...5 4. Ödev yükleme...7 2 1. ÖYS (Öğrenim Yönetim Sistemi) ve Moodle
Detaylıbilişim ltd İş Zekâsı Sistemi
BI İş Zekâsı Sistemi Bilişim Ltd. 1985 te kurulan Bilişim Ltd, Türkiye nin üstün başarıyla sonuçlanmış önemli projelerine imza atan öncü bir yazılımevi ve danışmanlık kurumu dur. Önemli kuruluşların bilgi
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
DetaylıAPRIORI ALGORİTMASI İLE ÖĞRENCİ BAŞARISI ANALİZİ
APRIORI ALGORİTMASI İLE ÖĞRENCİ BAŞARISI ANALİZİ Murat KARABATAK 1, Melih Cevdet İNCE 2 1 Fırat Üniversitesi Teknik Eğitim Fakültesi Elektronik Bilgisayar Eğitimi Bölümü 2 Fırat Üniversitesi Mühendislik
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
DetaylıMOODLE UZAKTAN ÖĞRETİM SİSTEMİ
MOODLE UZAKTAN ÖĞRETİM SİSTEMİ ÖZET Genel Bilgiler Moodle nedir? Sistem Gereksinimleri Moodle Sisteminin Kurulumu Ders ve kategori eklenmesi Bir dersin sistem özellikleri İstatistikler Sonuç ve öneriler
DetaylıUZAKTAN EĞİTİM MERKEZİ
ÜNİTE 2 VERİ TABANI İÇİNDEKİLER Veri Tabanı Veri Tabanı İle İlgili Temel Kavramlar Tablo Alan Sorgu Veri Tabanı Yapısı BAYBURT ÜNİVERSİTESİ UZAKTAN EĞİTİM MERKEZİ BİLGİSAYAR II HEDEFLER Veri tabanı kavramını
DetaylıÖnsöz. İçindekiler Algoritma Algoritma Nasıl Hazırlanır? Yazılımda Algoritma Mantığı Nedir? 1.2. Algoritma Örnekleri ve Sorular
Önsöz Giriş İçindekiler V VII IX 1.1. Algoritma 1.1.1. Algoritma Nasıl Hazırlanır? 1.1.2. Yazılımda Algoritma Mantığı Nedir? 1.2. Algoritma Örnekleri ve Sorular 2.1. Programın Akış Yönü 19 2.2. Başlama
Detaylı1. VERİ TABANI KAVRAMLARI VE VERİ TABANI OLUŞTUMA
BÖLÜM15 D- VERİ TABANI PROGRAMI 1. VERİ TABANI KAVRAMLARI VE VERİ TABANI OLUŞTUMA 1.1. Veri Tabanı Kavramları Veritabanı (DataBase) : En genel tanımıyla, kullanım amacına uygun olarak düzenlenmiş veriler
DetaylıCBS Arc/Info Kavramları
Arc/Info Kavramları Prof.Dr. Emin Zeki BAŞKENT Karadeniz Teknik Üniversitesi Orman Fakültesi (ESRI) Environmental Systems Research Institute Dünyadaki 50 büyük yazılım şirketinden birisidir Pazarın 1/3
Detaylı