Metin Sınıflandırmada Benzerlik Hesaplama Tekniklerinin Değerlendirilmesi. Evaluation of Similarity Measurement Techniques for Text Classification
|
|
- Altan Şerif
- 5 yıl önce
- İzleme sayısı:
Transkript
1 Metin Sınıflandırmada Benzerlik Hesaplama Tekniklerinin Değerlendirilmesi Mehmet Fatih KARACA1, Mustafa GÜNEL1, Akif Alkan TAŞTAN1 1Gaziosmanpaşa Üniversitesi, Erbaa Meslek Yüksekokulu, Tokat Özet: Teknolojik gelişmeler bilgisayar kullanımını ve dolayısıyla bilginin yayılmasını arttırmıştır. Bu durum, veri miktarında oldukça büyük artışlara neden olmuştur. Büyük boyutlardaki verilerin manuel yöntemlerle analiz edilmesi pek mümkün olmamaktadır. Veri boyutunun artmasının sebebi olan bilgisayar, bu verileri işlemek için de kullanılmaktadır. Veri madenciliği, eldeki veriler kullanılarak yeni bilgiler çıkarma işlemidir. Dijital ortamdaki veriler içerisinde metinsel veriler bulunmaktadır. Metin madenciliği, yapısal olmayan bu verilerin madencilik işlemlerinde kullanılmak üzere yapısal veri haline dönüştürülmesi için kullanılmaktadır. Bu çalışmada, internet gazetelerindeki köşe yazılarının sınıflandırılmasında knn algoritması ile 15 farklı benzerlik hesaplama tekniği uygulanmıştır. Bu tekniklerin elde ettiği sonuçlar hem başarı hem de işlem süresi olarak incelenmiş olup 5 teknikte %100 doğrulukla sınıflandırma gerçekleştirildiği görülmüştür. Anahtar Sözcükler: Veri madenciliği, metin madenciliği, metin sınıflandırma, benzerlik ölçümü. Evaluation of Similarity Measurement Techniques for Text Classification Abstract: Technological advances have increased the use of computers, and thus spread the knowledge. This has led to rather large increase in the amount of data. Manual methods of analyzing data in large size are not unlikely. Computer, the reason of the increasing size of the data, is used to process data. Data mining is a new information extraction using the available data. There are textual data in digital environment. Text mining is to realize for conversion of non-structural data into structured data. In this study, for the classification of the Internet newspaper columnist s columns 15 different similarity calculation techniques are applied with knn algorithm. These techniques results are examined as success and processing time and 5 technique is performed with 100% accuracy of classification was seen. Keywords: Data mining, text mining, text classification, similarity measurement. 1. Giriş Bilgisayar günlük hayatta yoğun ve etkin bir şekilde kullanılmaktadır. Bu kullanım eldeki veri miktarını oldukça arttırmıştır. Yüksek boyutlardaki verilerin işlenmesinde klasik veri işleme teknikleri yetersiz kalmış ve yeni tekniklerin doğmasına neden olmuştur. Eldeki büyük boyutlardaki verilerden fayda sağlayıcı bilgileri ortaya çıkararak veriyi anlamlandırma işlemi olan veri madenciliği bu tekniklerdendir [4]. Fakat veri, veri madenciliği tekniklerini gerçekleştirmek için uygun olmayabilir. Metinsel veriler veri madenciliği işlemlerinde, olduğu gibi alınıp doğrudan kullanılamaz. Bu durumda metin madenciliği kullanılmakta ve metinler veri madenciliğinde uygulanabilir formlara dönüştürülmektedir [7]. Metin sınıflandırma, önceden tanımlanmış sınıflara dokümanların atanması işlemidir [8]. Sınıflandırma zaman alıcı bir işlemdir. Bunun yanında manuel yöntemlerle yapılan sınıflandırmalarda sınıflandırma yapan uzmanların vermiş oldukları kararlara bağlı olarak sonuç değişebilmektedir. Bu sebeple bilgisayarlar yardımıyla gerçekleştirilen sınıflandırma zorunlu hale gelmiştir [5]. Metinsel verilerin sınıflandırılmasında metinler öncelikle ön işlemden geçirilir ardından özellik seçimi uygulanır ve daha sonra ağırlıklandırma yapılarak doküman vektörleri elde edilir. Bu işlemlerin gerçekleştirilmesi ile yapısal olmayan metinsel verilerde yapısallık sağlanmıştır ve veriler veri madenciliği tekniklerinin uygulanabileceği formatta elde edilmiş olur. Banka, hastane, seyahat, alış/veriş ve daha birçok işlemde kullanılan internet mail alma/gönderme işleminin gerçekleştiği bir ortam olmanın ötesine geçmiştir. Teknolojinin ucuzlaması, insanların yoğun iş tempoları, veriye erişimin kolaylaşması, gün içi gündemin bile sürekli değişmesi ve günümüzde internete bilgisayar, tablet veya cep telefonlarından erişimin mümkün olması internet gazetelerine olan ilgiyi arttırmıştır. Bu ilgi geleneksel gazetecilik denilen basılı medyanın haber verme ortamında yeniliklere sebep olmuş ve gazetelerin dijital ortama taşınmasını 783
2 zorunlu hale getirmiştir. İnternet gazeteciliği denilen platformda özellikle son dakika haberleri ve bu çalışmanın konusu olan köşe yazıları yoğun olarak takip edilmektedir. Köşe yazarlarının genelde belirli bir alanda yazmalarına karşın bazen de yazılarında alanları dışında farklı konulardan bahsetmektedirler. Köşe yazılarında başlık gibi içerikle ilgili bilgi verici bazı nitelikler bulunabilir. Fakat bazı durumlarda başlıkla içerik uyuşmayabilmektedir. Bu durumda içeriğin analiz edilmesi ve hangi alanda bir yazı olduğu ile ilgili bilgi vermesi okuyucuya zaman kazandırması açısından önemlidir. 2. Sistemin Yapısı ve Uygulanması Sınıflandırma işlemi çeşitli alt işlemlerden oluşur; veri seti elde edilir, ön işlem uygulanır, özellik seçimi uygulanır, sözcük ağırlıklandırma gerçekleştirilir, sınıf özellik vektörü ve doküman vektörleri elde edilir, benzerlikler hesaplanır ve sınıflandırma gerçekleştirilir. Bu çalışmada ekonomi, spor, sağlık, eğitim ve yaşam kategorilerine ait dokümanların sınıflandırılması gerçekleştirilmiştir. Çalışmada kullanılan eğitim ve test dokümanları internet ortamında yayın yapan günlük gazetelerdeki köşe yazılarıdır. Bu çalışmada benzerlik hesaplama tekniklerinin performanslarının hem başarı hem de işlem süresi olarak karşılaştırılması amaçlanmıştır. Bu tekniklerin metin sınıflandırma başarısına olan etkileri köşe yazıları kullanılarak ortaya konmuştur. 2.1 Veri Seti Veri setinde yeteri kadar doküman bulunmalıdır. Eğitim doküman sayısının azlığı sınıflandırma başarısını düşürür [11]. Bunun yanında sınıflar arasındaki veri sayılarının dengesizliği, dokümanların kısalığı ve bir doküman içerisinde çok farklı konulardan bahsedilmesi de sınıflandırma başarısını düşürecektir. Bu sebeple, bu duruma en uygun örneklerden biri olan günlük yayın yapan gazetelerin internet sitelerinden alınan köşe yazıları tercih edilmiştir. 5 farklı gazeteden her sınıfta eşit sayıda olmak üzere toplam 25 yazar yine her sınıfta eşit sayıda olmak üzere toplam 500 eğitim ve 250 test dokümanı kullanılmıştır. sözcüklerle yapılmaktadır. Ön işlem aşaması eldeki verinin formatına göre değişkenlik gösterebilir. Web verileri normal metinlerin ön işlem aşamalarından farklıdır ve şu şekildedir; metni HTML etiketlerinden, özel karakterlerden, gereksiz kelimelerden (stop words) temizlemek ve sonuçta elde edilen kelimeleri köklerine ayırarak sözcükleri elde etmek [6]. Hem eğitim hem de test dokümanları sınıflandırma öncesinde ön işlemden geçirilir ve metni oluşturan kelimelerin kökleri olan sözcükler elde edilir. 2.3 Özellik Seçimi Metin sınıflandırma işlemi gerçekleştirilirken eğitim ve test dokümanlarında geçen ve metni oluşturan tüm sözcükleri çalışmaya dahil etmek çalışma zamanını arttırmak anlamına gelmektedir. Bunun yerine metni temsil ettiği düşünülen sözcükleri seçmek sınıflandırma süresini ciddi boyutlarda düşürecektir. Ayrıca düşük boyutlu özellik vektörleri ile daha başarılı sonuçlar elde edilebilmektedir [3]. Bu sebeple özellik seçimi sadece boyut azaltarak çalışma zamanın düşürülmesi şeklinde değerlendirilmemeli, sınıflandırma başarısına etkileri de göz önüne alınmalıdır. Özellik seçiminin amacı sözcükleri seçmek, vektör boyutunu azaltmak ve metin hakkında bilgi verici niteliği bulunmayan sözcükleri çıkarmaktır [12]. Özellik seçimi sonrasında çalışmada kullanılacak sözcükler belirlenmiş olur. Çalışmada iki farklı özellik seçimi tercih edilmiştir; Yöntem1: Her sınıfta en fazla sayıda dokümanda geçen ve her sınıftan 175 er kelime ile oluşturulan sözlük. Yöntem2: Dokümanlardaki bütün ayrık kelimelerle oluşturulan sözlük. 2.4 Sözcük Ağırlıklandırma Özellik seçimi sonrası elde edilen sözcüklerin kendileri değil onları temsil eden sayısal değerleri kullanılır. Ağırlıklandırma işlemine sözcüklerin doküman üzerindeki etkisi de denilebilir [6]. Yapısal olmayan metinler ağırlıklandırma ile tam olarak yapısal hale dönüştürülmüş olur. Bu çalışmada binary, bit veya boolean ağırlıklandırma şeklinde isimlendirilen, sözcüğün doküman içerisinde varlığı veya yokluğu ile ilgilenen ve birçok çalışmada tercih edilen yöntem tercih edilmiştir. Binary ağırlıklandırma Denklem 1 de verilmiştir. 2.2 Ön İşlem Metin analizi işlemlerinde sınıflandırma ve benzerlik bulma metinle değil metni oluşturan 784
3 Sınıf Özellik ve Doküman Vektörü Dokümanların dokümanları oluşturan sözcüklerle vektör şeklinde ifade edilmesine vektör uzay modeli denilmektedir [9]. Ön işlem sonucu elde edilen metne özellik seçimi uygulanarak çalışmada kullanılacak sözcükler belirlenmiş olur. Metin madenciliği çalışmalarında iki vektör kullanılır; sınıf özellik vektörü ve doküman vektörü. Sınıf özellik vektörü çalışmada kullanılacak sözcüklerin vektörel ifadesidir. Doküman vektörleri, sınıf özellik vektörünü oluşturan sözcüklerin dokümanda geçme durumlarına bağlı olarak sözcüklerin ağırlıklandırılmış halleriyle meydana gelmiş vektörlerdir. Doküman vektörleri hem eğitim hem de test dokümanları için kullanılmakta olup X={w 1,w 2,w 3,,w n } şeklinde ifade edilir. Benzerlik hesaplama işlemleri bu vektörler üzerinden gerçekleştirilir. 2.6 Benzerliklerin Hesaplanması Test dokümanının hangi sınıfa ait olduğu test doküman vektörü ile eğitim doküman vektörleri arasındaki ilişkiye ve bu ilişkinin seviyesine bağlıdır. Sınıflandırma işleminde vektörel olarak ifade edilen eğitim ile test dokümanları arasındaki benzerlik ve mesafe ölçülür. Benzerlik bazı metotlarda mesafe ölçümü ilkesine dayanırken bazı metotlarda ilişki seviyesi belirlenmesi ilkesine dayanır. Bu çalışmada da tercih edilen ve X ile Y vektörü arasındaki benzerliğin hesaplanması için kullanılan tekniklere ilişkin formüller Denklem 2 ile Denklem 18 arasında verilmiştir. 2.7 k-nearest neighbors (knn) Algoritması ile Sınıflandırma Metin sınıflandırma, önceden belirlenmiş kategorilere dokümanların atanmasıdır [8]. Kullanılan benzerlik hesaplama ve sınıflandırma algoritmasına göre sınıflandırma işlemi gerçekleştirilir. Metin sınıflandırma doğal dil metinleriyle çalışan bir sınıflandırmadır [10]. Sınıflandırma işlemi test dokümanı ile eğitim dokümanları arasındaki yakınlığı dikkate alır. Test dokümanı hangi eğitim dokümanına yakınsa o eğitim dokümanın bulunduğu sınıfa ait olduğu düşünülür. Test dokümanı ile bütün eğitim dokümanlarının benzerlikleri tek tek hesaplanır ve benzerlik değerine göre eğitim dokümanları sıralanır. knn, önceden belirlenmiş k değeri kullanılarak eğitim dokümanlarından sınıflandırılacak olan test dokümanına en çok benzeyen k eğitim dokümanı içerisindeki en fazla sayıda tekrar eden sınıfın test dokümanının sınıfına atanmasıdır [2]. k değeri için herhangi bir standart bulunmamaktadır. Bu çalışmada k komşu değeri 7 olarak kullanılmıştır. 785
4 Sınıflardaki eğitim doküman sayılarının dengesizliği yani bir sınıfa ait eğitim dokümanı sayısının başka bir sınıftakinden fazla olması knn nin dezavantajıdır [1]. Böyle bir durumda k içerisine fazla sayıda eğitim dokümanına sahip sınıftan dokümanların girme olasılığı yüksek olacaktır ki bu sınıflandırma başarısını düşürecektir. Bunlar göz önünde bulundurularak bu çalışmada her sınıftan eşit sayıda eğitim ve test dokümanı ile sınıflandırma işlemi gerçekleştirilmiştir. 2.8 Sınıflandırma Başarısı Sınıflandırma başarısının ölçülmesinde Denklem 19 kullanılmıştır. 3. Uygulama Sonuçları Yöntem1, Yöntem2 özellik seçimleri ve 15 benzerlik hesaplama tekniği ile yapılan sınıflandırmalara ilişkin sonuçlar ve işlem süreleri Tablo 1, Tablo 2 ve Tablo 3 de verilmiştir. Tablo 1 e göre Cosine ve Pearson Correlation ile Tablo 2 ye göre ise Bray Curtis, Tanimoto ve Dice benzerlik hesaplama teknikleri ile bütün sınıflandırmalar doğru gerçekleştirilmiştir. Yöntem 2 de bazı tekniklerin başarılarının oldukça düştüğü görülmüştür. Buna karşın Yöntem2 de bazı tekniklerde artışlar da dikkat çekmektedir. 7 tekniğin sınıflandırma başarısında artış görülürken 8 teknikte ise düşüş gözlemlenmiştir. %100 doğruluk elde edilen 5 tekniğin iki yöntemdeki başarıları arasındaki fark %1 den azdır ve bu tekniklerle iki yöntemde de yüksek doğrulukta sınıflandırmalar yapılmıştır. İşlem sürelerinin ise yakın olduğu gözlemlenmiştir. Tablo 1. Yöntem1 e göre sınıflandırma sonuçları. Tablo 2. Yöntem2 ye göre sınıflandırma sonuçları. 786
5 Tablo 3. İşlem süreleri (Saniye cinsinden). 4. Sonuç ve Öneriler Bu çalışmada knn algoritması k=7 değeri ile uygulanmıştır. Özellik seçimi olarak tercih edilen iki farklı yöntem 15 farklı benzerlik bulma tekniğiyle uygulanarak sınıflandırma performansları değerlendirilmiştir. 5 farklı benzerlik bulma tekniğiyle bütün test dokümanlarının tamamının doğru sınıflandırıldığı gözlemlenmiştir. İlerleyen çalışmalarda daha büyük boyutlardaki veri seti, daha fazla sınıf, fazla sayıda özellik seçimi ve ağırlıklandırma teknikleriyle sınıflandırma işlemleri gerçekleştirilerek performansları test edilebilir. 5. Kaynaklar [1] Coomans, D. and Massart, D.L., Alternative k-nearest neighbour rules in supervised pattern recognition : Part 1. k-nearest neighbour classification by using alternative voting rules, Analytica Chimica Acta, 136: (1982). [2] Dasarathy, B.V., Nearest-neighbor classification techniques, IEEE Computer Society Press, Los Alamitos, California (1991). [3] Durmaz, O. ve Bilge, H.Ş., Metin sınıflandırmada boyut azaltmanın etkileri ve özellik seçimi, Signal Processing and Communications Applications (SIU 2011) (2011). [7] Karadağ, A. ve Takçı, H., Metin madenciliği ile benzer haber tespiti, Akademik Bilişim 2010, Muğla Üniversitesi, Muğla (2010). [8] Mitchell, T.M., Machine learning, Mc- Craw Hill (1997). [9] Salton, G., Wong, A. and Yang, C.S., A vector space model for automatic indexing Communications of the ACM, 18(11): (1975). [10] Soucy, P. and Mineau, G.W., A simple knn algorithm for text categorization. Proceedings IEEE International Conference on Data Mining (ICDM 01), California, (2001). [11] Toraman, Ç., Can, F. ve Koçberber, S., Developing a text categorization template for Turkish news portals, International Symposium on INnovations in Intelligent SysTems and Applications (INISTA 2011), İstanbul, (2011). [12] Yang, Y. and Pedersen, J.O., A comparative study on feature selection in text categorization, Proceedings Fourteenth International Conference on Machine Learning (ICML 97), Nashville, Tennessee, (1997). [4] Han, J. and Kamber, M., Data mining: Concepts and techniques, Morgan Kaufmann Publishers (2006). [5] İlhan, U., Application Of KNN and FPTC based text categorization algorithms to Turkish news reports, Bilkent Üniversitesi (2001). [6] Karaca, M.F. ve Görgünoğlu, S., ColumnREADY: İnternet gazeteleri köşe yazılarını hazırlama uygulama yazılımı, Akademik Bilişim 2012, Uşak Üniversitesi, Uşak (2012). 787
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
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:
DetaylıMakine Öğrenmesi İle Duygu Analizinde Veri Seti Performansı
Makine Öğrenmesi İle Duygu Analizinde Veri Seti Performansı Hatice NİZAM İstanbul Üniversitesi Bilgisayar Mühendisliği Bölümü haticenizam@outlook.com Saliha Sıla AKIN ERS Turizm Yazılım Şirketi, Bilgisayar
DetaylıK-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi
K-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi Erdal Taşcı 1, Aytuğ Onan 2 1 Ege Üniversitesi, Bilgisayar Mühendisliği Bölümü, İzmir 2 Celal Bayar
DetaylıOtomatik 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
DetaylıOtomatik Doküman Sınıflandırma
Akademik Bilişim 12 - XIV Akademik Bilişim Konferansı Bildirileri Otomatik Doküman Sınıflandırma Adnan Menderes Üniversitesi, Fen Edebiyat Fakültesi Matematik Bölümü, Aydın rumeysa2903@gmailcom, rasliyan@aduedutr,
DetaylıWeb 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
DetaylıAYTUĞ ONAN CELAL BAYAR ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ SERDAR KORUKOĞLU EGE ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
Metin Sınıflandırmada Öznitelik Seçim Yöntemlerinin Değerlendirilmesi AYTUĞ ONAN CELAL BAYAR ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ SERDAR KORUKOĞLU EGE ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
DetaylıVERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Sınıflandırma yöntemleri Karar ağaçları ile sınıflandırma Entropi Kavramı ID3 Algoritması C4.5
DetaylıK En Yakın Komşu Methodu (KNearest Neighborhood)
K En Yakın Komşu Methodu (KNearest Neighborhood) K-NN algoritması, Thomas. M. Cover ve Peter. E. Hart tarafından önerilen, örnek veri noktasının bulunduğu sınıfın ve en yakın komşunun, k değerine göre
DetaylıVERİ MADENCİLİĞİ Metin Madenciliği
VERİ MADENCİLİĞİ Metin Madenciliği Yrd. Doç. Dr. Şule Gündüz Öğüdücü 1 2 Metin için Veri Madenciliği Metin Madenciliğinde Sorunlar Metin madenciliği: Veri madenciliği teknikleri ile yazılı belgeler arasındaki
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
DetaylıInstance Based Learning k-nn. YZM 3226 Makine Öğrenmesi
Instance Based Learning k-nn YZM 3226 Makine Öğrenmesi Outline Eager vs. Lazy Learning Instance Based Learning K-Nearest Neighbor Algorithm Nearest Neighbor Approach Basic k-nearest Neighbor Classification
DetaylıÖZGEÇMİŞ. 1. Adı Soyadı : Olcay Taner Yıldız. 2. Doğum Tarihi : 15.05.1976. 3. Unvanı : Doç. Dr. 4. Öğrenim Durumu :
ÖZGEÇMİŞ 1. Adı Soyadı : Olcay Taner Yıldız 2. Doğum Tarihi : 15.05.1976 3. Unvanı : Doç. Dr. 4. Öğrenim Durumu : Derece Alan Üniversite Yıl Lisans Bilgisayar Mühendisliği Boğaziçi Üniversitesi 1997 Y.
DetaylıVERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma
DetaylıZamansal Veri Madenciliği ve Anomali Tespiti için Bir Uygulama
Zamansal Veri Madenciliği ve Anomali Tespiti için Bir Uygulama Mehmet Yavuz ONAT Yrd.Doç.Dr.Engin YILDIZTEPE Dokuz Eylül Üniversitesi, İstatistik Bölümü Akademik Bilişim 2015, Anadolu Üniversitesi, Eskişehir
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
DetaylıDoküman dili tanıma için ikili örüntüler tabanlı yeni bir yaklaşım
Doküman dili tanıma için ikili örüntüler tabanlı yeni bir yaklaşım Yılmaz KAYA 1, Ömer Faruk ERTUĞRUL 2, Ramazan TEKİN 3 1 Siirt Üniversitesi, Bilgisayar Mühendisliği Bölümü 2 Batman Üniversitesi, Elektrik-Elektronik
DetaylıMetin Sınıflandırma. Akış
Metin Sınıflandırma Mehmet Fatih AMASYALI BLM 5212 Doğal Dil İşlemeye Giriş Ders Notları Akış Görev Eğiticili Eğiticisiz Öğrenme Metin Özellikleri Metin Kümeleme Özellik Belirleme Çok Boyutlu Verilerle
DetaylıVERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr
VERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma
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
DetaylıAPRİORİ ALGORİTMASI İLE TEKNİK SEÇMELİ DERS SEÇİM ANALİZİ SELECTION BEHAVIOR ANALYSIS OF TECHNICAL ELECTIVE COURSES USING APRIORI ALGORITHM
APRİORİ ALGORİTMASI İLE TEKNİK SEÇMELİ DERS SEÇİM ANALİZİ Nesibe Yalçın 1 Emre Güngör 1 Nilüfer Yurtay ÖZET Bu çalışmada, Veri Madenciliği' nde Birliktelik Kuralı çıkarım algoritmalarından biri olan Apriori
DetaylıELECO '2012 Elektrik - Elektronik ve Bilgisayar Mühendisliği Sempozyumu, 29 Kasım - 01 Aralık 2012, Bursa
Türkçe Metinlerin Kümelenmesinde Farklı Yöntemlerinin Etkisinin Araştırılması Examining the Impact of Different Stemming Methods on Clustering Turkish Texts Volkan Tunalı, Turgay Tugay Bilgin Yazılım Mühendisliği
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
DetaylıKelime Gösterimleri (Word Representation Word Embeddings)
Kelime Gösterimleri (Word Representation Word Embeddings) Kelime, cümlede kullanımına göre farklı anlamlar kazanabilir Anlamsal bilginin çıkarılması metinlerin işlenmesinde önemlidir Kelimelerin işlenebilir
DetaylıT.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ EĞİTİM ÖĞRETİM YILI DERS KATALOĞU
T.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ - EĞİTİM ÖĞRETİM YILI DERS KATALOĞU Ders Kodu Bim Kodu Ders Adı Türkçe Ders Adı İngilizce Dersin Dönemi T Snf Açıl.Dönem P
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
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?
DetaylıVeri Madenciliği Karar Ağacı Oluşturma
C4.5 Algoritması Veri Madenciliği Karar Ağacı Oluşturma Murat TEZGİDER 1 C4.5 Algoritması ID3 algoritmasını geliştiren Quinlan ın geliştirdiği C4.5 karar ağacı oluşturma algoritmasıdır. ID3 algoritmasında
Detaylı91-03-01-517 YAPAY ZEKA (Artificial Intelligence)
91-03-01-517 YAPAY ZEKA (Artificial Intelligence) Dersi Veren Öğretim Üyesi Y. Doç. Dr. Aybars UĞUR Ders Web Sayfası : http://yzgrafik.ege.edu.tr/~ugur 27.09.2009 Y. Doç. Dr. Aybars UĞUR (517 Yapay Zeka)
DetaylıFIRAT ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ/YAZILIM MÜHENDİSLİĞİ (DR)
FATİH ERTAM DOKTOR ÖĞRETİM ÜYESİ E-Posta Adresi fatih.ertam@firat.edu.tr Telefon (İş) Telefon (Cep) Faks Adres 4242370000-7640 5356514539 Fırat Üniversitesi Teknoloji Fakültesi B Blok Adli Bilişim Mühendisliği
DetaylıYard. Doç. Dr. İrfan DELİ. Matematik
Unvanı Yard. Doç. Dr. Adı Soyadı İrfan DELİ Doğum Yeri ve Tarihi: Çivril/Denizli -- 06.04.1986 Bölüm: E-Posta Matematik irfandeli20@gmail.com, irfandeli@kilis.edu.tr AKADEMİK GELİŞİM ÜNİVERSİTE YIL Lisans
DetaylıKablosuz Sensör Ağlar ve Eniyileme. Tahir Emre KALAYCI. 21 Mart 2008
Kablosuz Sensör Ağlar ve Eniyileme Tahir Emre KALAYCI 21 Mart 2008 Gündem Genel Bilgi Alınan Dersler Üretilen Yayınlar Yapılması Planlanan Doktora Çalışması Kablosuz Sensör Ağlar Yapay Zeka Teknikleri
DetaylıBilgiye Erişim Sistemlerinde Veri Arama ve Eşleştirme
Bilgiye Erişim Sistemlerinde Veri Arama ve Eşleştirme M. Erkan YÜKSEL 1, Özgür Can TURNA 1, M. Ali ERTÜRK 1 1 İstanbul Üniversitesi, Bilgisayar Mühendisliği Bölümü, İstanbul {eyuksel, ozcantur}@istanbul.edu.tr,
DetaylıELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ DOKTORA YETERLİK SINAVI YÖNETMELİĞİ
ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ DOKTORA YETERLİK SINAVI YÖNETMELİĞİ Doktora Yeterlik Sınavı, başvurunun yapıldığı ve Doktora Yeterlik Komitesi nin başvuruyu onayladığı dönemdeki, dönem sonu sınavlarının
DetaylıÖZGEÇMİŞ. 2. Doğum Yeri ve Tarihi : Washington DC - 22 Temmuz 1978. Derece Alan Üniversite Yılı Bilgisayar-Kontrol Marmara Üniversitesi
ÖZGEÇMİŞ 1. Adı Soyadı : Serhat ÖZEKES 2. Doğum Yeri ve Tarihi : Washington DC - 22 Temmuz 1978 3. Unvanı : Doç. Dr. 4. Öğrenim Durumu : Derece Alan Üniversite Yılı ve Kontrol Marmara Üniversitesi 2000
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
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
DetaylıMÜHENDİSLİK FAKÜLTESİ / ENSTİTÜSÜ / YÜKSEKOKULU BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ /ABD LİSANS PROGRAMI - 2 ( yılı öncesinde birinci
MÜHENDİSLİK FAKÜLTESİ / ENSTİTÜSÜ / YÜKSEKOKULU BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ /ABD LİSANS PROGRAMI - 2 (2016-17 yılı öncesinde birinci sınıfa başlayan öğrenciler için) BİRİNCİ YIL 1. Dönem CMPE113
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
DetaylıYönetim Bilişim Sistemleri (Karma) - 1. yarıyıl. 380000000001101 Hukukun Temelleri Fundamentals of Law 2 0 0 2 2 5 TR
- - - - - Bölüm Seçin - - - - - Gönder Yönetim Bilişim Sistemleri (Karma) - 1. yarıyıl 141000000001101 Akademik ve Sosyal Oryantasyon Academic and Social Orientation 1 0 0 1 0 1 TR 380000000001101 Hukukun
DetaylıMühendislik ve Fen Bilimleri Dergisi Journal of Engineering and Natural Sciences
Mühendislik ve Fen Bilimleri Dergisi Journal of Engineering and Natural Sciences Sigma 5 8-14, 2013 Araştırma Makalesi / Research Article METİNLERİN ANLAMSAL UZAYDAKİ TEMSİL YÖNTEMLERİNİN SINIFLANDIRMA
DetaylıDoç.Dr. M. Mengüç Öner Işık Üniversitesi Elektrik-Elektronik Mühendisliği Bölümü oner@isikun.edu.tr
Doç.Dr. M. Mengüç Öner Işık Üniversitesi Elektrik-Elektronik Bölümü oner@isikun.edu.tr 1. Adı Soyadı : Mustafa Mengüç ÖNER 2. Doğum Tarihi : 01.02.1977 3. Unvanı : Doçent Dr. 4. Öğrenim Durumu : ÖĞRENİM
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
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
DetaylıÖZGEÇMİŞ. Dr. Aytuğ ONAN
ÖZGEÇMİŞ İletişim Bilgileri Dr. Aytuğ ONAN Çalıştığı Kurum: Doktor Öğretim Üyesi, Manisa Celal Bayar Üniversitesi, Hasan Ferdi Turgutlu Teknoloji Fakültesi, Yazılım Mühendisliği Bölümü, Turgutlu-MANİSA.
DetaylıGÜR EMRE GÜRAKSIN AFYON KOCATEPE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ / BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ / AFYONKARAHİSAR
GÜR EMRE GÜRAKSIN AFYON KOCATEPE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ / BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ / AFYONKARAHİSAR KİŞİSEL BİLGİLER İş: (272) 228 14 23 E-mail: emreguraksin@aku.edu.tr Uyruğu Doğum Yeri
DetaylıCoğrafi Veri Üretimi Bakış Açısı İle TÜBİTAK UZAY daki Uzaktan Algılama Araştırmaları
Coğrafi Veri Üretimi Bakış Açısı İle TÜBİTAK UZAY daki Uzaktan Algılama Araştırmaları Sunan: Dr. Ufuk SAKARYA TÜBİTAK UZAY Katkıda Bulunanlar: Mustafa Teke, Can Demirkesen, Ramazan Küpçü, Hüsne Seda Deveci,
DetaylıKümeleme Tekniklerinin Temel Bilimlerde Kullanımı
Akademik Bilişim 2013 Akdeniz Üniversitesi, Antalya, 23-25 Ocak 2013 Kümeleme Tekniklerinin Temel Bilimlerde Kullanımı Oğuz Akpolat 1 *, Sinem Çağlar Odabaş 2, Gülçin Özevci 3, Nezahat İpteş 4 1 Muğla
DetaylıSİSMİK DARBELERİN SINIFLANDIRILARAK DEPREM TEHLİKESİNİN TAHMİN EDİLMESİ
SİSMİK DARBELERİN SINIFLANDIRILARAK DEPREM TEHLİKESİNİN TAHMİN EDİLMESİ Mehmet BİLEN 1, Ali Hakan IŞIK 2,Tuncay YİĞİT 3 1 Mehmet Akif Ersoy Üniversitesi, Çavdır Meslek Yüksek Okulu, Burdur 2 Mehmet Akif
DetaylıDOKUZ EYLÜL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRLÜĞÜ DERS/MODÜL/BLOK TANITIM FORMU. Dersin Kodu: CSE 5072
Dersi Veren Birim: Fen Bilimleri Enstitüsü Dersin Türkçe Adı: Veri Madenciliği ve Bilgi Keşfi Dersin Orjinal Adı: Data Mining and Knowledge Discovery Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora)
DetaylıProje Yürütücüsü: Doç. Dr. Selahattin ARSLAN (KTÜ, Fatih Eğitim Fakültesi)
1. PROJELER 1) Bursiyer, Matematik Öğretiminde Uyarlanabilir Zeki Web Tabanlı Eğitim Sisteminin Tasarlanması, Uygulanması ve Değerlendirilmesi, 109K543 No'lu Tübitak 1001 Araştırma Projesi (Tamamlandı)
DetaylıANKARA ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ
ANKARA ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ SANAL ARTIRILMIŞ VE AKILLI TEKNOLOJİLER (SAAT) LABORATUVARI SAAT Laboratuvarı Koordinatör: Yrd. Doç. Dr. Gazi Erkan BOSTANCI SAAT
DetaylıReklam İçerikli Epostaların Metin Madenciliği Yöntemleri ile Otomatik Tespiti
BİLİŞİM TEKNOLOJİLERİ DERGİSİ, CİLT: 6, SAYI: 1, OCAK 2013 1 Reklam İçerikli Epostaların Metin Madenciliği Yöntemleri ile Otomatik Tespiti Kübra ÇALIŞ, Oya GAZDAĞI, Oktay YILDIZ Bilgisayar Mühendisliği,
DetaylıSözlük Kullanarak Türkçe için Kavram Madenciliği Metotları Geliştirme
1 Cem Rıfkı Aydın, 1 Ali Erkan, 1 Tunga Güngör, 2 Hidayet Takçı 1 Boğaziçi Üniversitesi, 2 Cumhuriyet Üniversitesi Sözlük Kullanarak Türkçe için Kavram Madenciliği Metotları Geliştirme AB 14 7 Şubat 2014
DetaylıDijital Sinyal İşleme (COMPE 463) Ders Detayları
Dijital Sinyal İşleme (COMPE 463) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Dijital Sinyal İşleme COMPE 463 Bahar 3 0 0 3 5 Ön Koşul Ders(ler)i Dersin
DetaylıYZM 3217 YAPAY ZEKA DERS#10: KÜMELEME
YZM 317 YAPAY ZEKA DERS#10: KÜMELEME Sınıflandırma (Classification) Eğiticili (supervised) sınıflandırma: Sınıflandırma: Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğunu bilinir Eğiticisiz (unsupervised)
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
DetaylıTürkçe Twitter Mesajlarında Gizli Dirichlet Tahsisine Dayalı Duygu Analizi
Türkçe Twitter Mesajlarında Gizli Dirichlet Tahsisine Dayalı Duygu Analizi Aytuğ Onan 1 1 Celal Bayar Üniversitesi, Yazılım Mühendisliği Bölümü, Manisa aytug.onan@cbu.edu.tr Özet: Duygu analizi, görüş
DetaylıSayı sistemleri-hesaplamalar. Sakarya Üniversitesi
Sayı sistemleri-hesaplamalar Sakarya Üniversitesi Sayı Sistemleri - Hesaplamalar Tüm sayı sistemlerinde sayılarda işaret kullanılabilir. Yani pozitif ve negatif sayılarla hesaplama yapılabilir. Bu gerçek
Detaylıİleri Örüntü Tanıma Teknikleri Ve Uygulamaları İçerik
Tekrar Konular İleri Örüntü Tanıma Teknikleri Ve Uygulamaları İçerik 1. Uygulamalar ve tanımlamalar 2. Örüntü tanıma sistemleri ve bir örnek 3. Bayes karar teorisi 4. En yakın komşu sınıflandırıcıları
DetaylıDoktora Sayısal Yöntemler İstanbul Üniversitesi 2015 Yüksek Ortaöğretim Matematik Öğretmenliği Selçuk Üniversitesi 2005
ÖZGEÇMİŞ 1. Adı Soyadı : Muhammet Atalay 2. Doğum Tarihi : 11.08.1980 3. Unvanı : Doktor Öğretim Üyesi 4. Eğitim Bilgileri : Derece Alan Üniversite Yıl Doktora Sayısal Yöntemler İstanbul Üniversitesi 2015
DetaylıMetin Madenciliği Kullanarak Yazılım Kullanımına Dair Bulguların Elde Edilmesi
Metin Madenciliği Kullanarak Yazılım Kullanımına Dair Bulguların Elde Edilmesi Deniz Kılınç 1, Fatma Bozyiğit 1, Akın Özçift 1, Fatih Yücalar 1, Emin Borandağ 1 1 Celal Bayar Üniversitesi, Hasan Ferdi
DetaylıGörev Unvanı Alan Üniversite Yıl Prof. Dr. Elek.-Eln Müh. Çukurova Üniversitesi Eylül 2014
ÖZGEÇMİŞ 1. Adı Soyadı : MUSTAFA GÖK 2. Doğum Tarihi: : 1972 3. Unvanı : Prof. Dr. 4. Öğrenim Durumu Derece Alan Üniversite Yıl Lisans Elektronik Mühendisliği İstanbul Üniversitesi 1995 Yüksek Lisans Electrical
DetaylıBİLGİSAYAR DESTEKLİ TASARIM HAFTA 6 COSMOSWORKS İLE ANALİZ
BİLGİSAYAR DESTEKLİ TASARIM HAFTA 6 COSMOSWORKS İLE ANALİZ Makine parçalarının ve/veya eş çalışan makine parçalarından oluşan mekanizma veya sistemlerin tasarımlarında önemli bir aşama olan ve tasarıma
Detaylıİleri Veri Madenciliği (COMPE 506) Ders Detayları
İleri Veri Madenciliği (COMPE 506) Ders Detayları Ders Adı İleri Veri Madenciliği Ders Kodu COMPE 506 Dönemi Ders Uygulama Laboratuar Kredi AKTS Saati Saati Saati Güz 3 0 0 3 7.5 Ön Koşul Ders(ler)i Dersin
DetaylıBENİM DÜNYAM ÇOCUK OYUNU: BİR MOBİL UYGULAMA
XVI. Akademik Bilişim Konferansı 5-7 Şubat 2014 Mersin Akademik Bilişim Mersin Üniversitesi BENİM DÜNYAM ÇOCUK OYUNU: BİR MOBİL UYGULAMA Meliha ACAR N. Tuğbagül ALTAN AKIN Sümeyye Elif GÖKDAĞ Zeynep Gazal
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Giriş Bilgi Erişiminde Temel Yaklaşımlar Bilgi Erişim Modelleri Boolean model Vector space
DetaylıPERFORMANCE COMPARISON OF KARATSUBA AND NIKHILAM MULTIPLICATION ALGORITHMS FOR DIFFERENT BIT LENGTHS
İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi Yıl:14 Sayı: 27 Bahar 2015 s. 55-64 Araştırma Makalesi KARATSUBA VE NIKHILAM ÇARPMA İŞLEMİ ALGORİTMALARININ FARKLI BİT UZUNLUKLARI İÇİN PERFORMANSLARININ
DetaylıEş-Talim Yöntemi ile Metin Sınıflandırma İçin Bir Uygulama
Eş-Talim Yöntemi ile Metin Sınıflandırma İçin Bir Uygulama Katira Soleymanzadeh1, Ufuk Hürriyetoğlu1, Bahar Karaoğlan1, Senem Kumova Metin2, Tarık Kışla3 1 Ege Üniversitesi, Uluslararası Bilgisayar Enstitüsü,
DetaylıMÜFREDAT DERS LİSTESİ
MÜFREDAT DERS LİSTESİ MÜHENDİSLİK FAK. / BİLGİSAYAR MÜHENDİSL / 2010 BİLGİSAYAR MÜHENDİSLİĞİ Müfredatı 0504101 Matematik I Calculus I 1 GÜZ 4 5 Z 0504102 Genel Fizik I General Physics I 1 GÜZ 4 4 Z 0504103
DetaylıElena Battini SÖNMEZ Önder ÖZBEK N. Özge ÖZBEK. 2 Şubat 2007
AVUÇ İZİ VE PARMAK İZİNE DAYALI BİR BİYOMETRİK TANIMA SİSTEMİ Elena Battini SÖNMEZ Önder ÖZBEK N. Özge ÖZBEK İstanbul Bilgi Üniversitesi Bilgisayar Bilimleri 2 Şubat 2007 Biyometrik Biyometrik, kişileri
DetaylıMetin Madenciliğinde Yazar Tanıma (Author Recognition in Text Mining)
YBS Ansiklopedi www.ybsansiklopedi.com Cilt 5, Sayı 1, Mayıs 2018 Metin Madenciliğinde Yazar Tanıma (Author Recognition in Text Mining) Deniz İrem ÜNAL 1, Şadi Evren ŞEKER 2 1. Yıldız Teknik Üniversitesi,Matematik
DetaylıEğitim seti (training set) sınıflandırma modelinin elde edileceği kayıtları içerir
sınıflandırma: temel kavramlar, karar ağaçları ve model değerlendirme Sınıflandırma : Tanım Eğitim seti (training set) sınıflandırma modelinin elde edileceği kayıtları içerir Eğitim setindeki her kayıt
DetaylıMakine Öğrenmesi 2. hafta
Makine Öğrenmesi 2. hafta Uzaklığa dayalı gruplandırma K-means kümeleme K-NN sınıflayıcı 1 Uzaklığa dayalı gruplandırma Makine öğrenmesinde amaç birbirine en çok benzeyen veri noktalarını aynı grup içerisinde
Detaylı: ahabes@nny.edu.tr, asuman83@gmail.com. 2006 2013 Gazi Üniversitesi Araş. Gör. 4. Eğitim Derece Alan Üniversite Yıl
Özgeçmiş - CV Yrd. Doç. Dr. Asuman SAVAŞCIHABEŞ 1. Kişisel Bilgiler Adı Soyadı Unvanı Adres :Asuman SAVAŞCIHABEŞ :Yrd.Doç.Dr. :Nuh Naci Yazgan Üniversitesi Mühendislik Fakültesi, Elektrik-Elektronik Mühendisliği
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
DetaylıMOD419 Görüntü İşleme
MOD419 Görüntü İşleme Ders Kitabı: Digital Image Processing by Gonzalez and Woods Puanlama: %30 Lab. %20 Vize %10 Quizes %40 Final %60 devam mecburiyeti Görüntü İşleme ye Giriş Görüntü İşleme Nedir? Özellikle
DetaylıKelebek Görüntülerin Sınıflandırılmasında Yeni Yerel İkili Örüntüler
Kelebek Görüntülerin Sınıflandırılmasında Yeni Yerel İkili Örüntüler Yılmaz KAYA 1, Lokman KAYCİ 2 1 Bilgisayar Mühendisliği Bölümü, Siirt Üniversitesi, 56100 Siirt 2 Biyoloji Bölümü, Siirt Üniversitesi,
DetaylıÖZGEÇMİŞ VE ESERLER LİSTESİ
ÖZGEÇMİŞ VE ESERLER LİSTESİ ÖZGEÇMİŞ Adı Soyadı : Ömer AKGÖBEK Doğum Tarihi : 01.01.1970 Unvanı : Yardımcı Doçent Öğrenim Durumu: Derece Bölüm/Program Üniversite Yıl Lisans Endüstri Mühendisliği İstanbul
DetaylıEğitim ve Öğretim Araştırmaları Dergisi Journal of Research in Education and Teaching Kasım 2017 Cilt: 6 Sayı: 4 ISSN:
UZAKTAN EĞİTİM DERSLERİNDE YILİÇİ ETKİNLİKLERİNİN ARTTIRILMASININ AKADEMİK BAŞARIYA ETKİLERİ Öğr. Gör. Dr. Serdar Solak Kocaeli Üniversitesi serdars@kocaeli.edu.tr Yrd. Doç. Dr. Umut Altınışık Kocaeli
DetaylıDerece Adı, İlçe, İl Bitirme Yılı Lise : Şanlıurfa Anadolu Lisesi Üniversite : Selçuk Üniversitesi Bilgisayar Mühendisliği 2003
ÖZGEÇMİŞ 1. Adı Soyadı: İbrahim Berkan AYDİLEK 2. Doğum Tarihi: 1981 Şanlıurfa 3. Unvanı: Yrd. Doç. Dr. 4. Öğrenim Durumu: Derece Adı, İlçe, İl Bitirme Yılı Lise : Şanlıurfa Anadolu Lisesi 1999 Üniversite
DetaylıBİLECİK ŞEYH EDEBALİ ÜNİVERSİTESİ AKADEMİK ÖZGEÇMİŞ FORMU
BİLECİK ŞEYH EDEBALİ ÜNİVERSİTESİ AKADEMİK ÖZGEÇMİŞ FORMU KİŞİSEL BİLGİLER Adı Soyadı Tolga YÜKSEL Ünvanı Birimi Doğum Tarihi Yrd. Doç. Dr. Mühendislik Fakültesi/ Elektrik Elektronik Mühendisliği 23.10.1980
DetaylıSE4SEE A Grid-Enabled Search Engine for
SEE-GRID Bölgesel Uygulaması SE4SEE A Grid-Enabled Search Engine for South Eastern Europe Doğu Avrupa Bölgesi için Grid-Tabanlı Arama Motoru B. Barla Cambazoglu, Ata Turk, Evren Karaca, Cevdet Aykanat,
DetaylıÜnite 4 Kaba Verinin örneklenmesi ve Araştırılması. Örnekleme Tasarım Adımları. Ana konular. Örnekleme Boyutu. Örnekleme
Ünite 4 Kaba Verinin örneklenmesi ve Araştırılması Sistem Analizi ve Tasarımı Sedat TELÇEKEN Örneklemeye neden ihtiyaç duyulur? Sistem Analistleri örneklemeyi; Maliyetleri azaltmak, Veri Toplama sürecini
DetaylıDUYGULU Projesi Tasarım Raporu
2242 DUYGULU Projesi Tasarım Raporu İçindekiler 1. Giriş... 3 1.1. Problem Tanımı... 3 1.2. Amaç... 3 1.3. Kapsam... 3 1.4. Projenin Özgünlüğü... 4 1.5. Kısaltmalar... 4 2. Sistem Tasarımı... 4 2.1. Genel
DetaylıIEEE Online Mühendislikte Günümüz Araştırmacılarının Temel Bilgi Kaynağı. UASL Eğitim Programı. 10 Mayıs, 2006
IEEE Online Mühendislikte Günümüz Araştırmacılarının Temel Bilgi Kaynağı UASL Eğitim Programı TÜBİTAK-ULAKBİM 10 Mayıs, 2006 2004 MIKRO 1 Institute of Electrical and Electronics Enineers (IEEE) Hakkında
DetaylıMetin Sınıflandırma Text Classification
Metin Sınıflandırma Text Classification A. Cüneyd TANTUĞ İTÜ Bilgisayar ve Bilişim Fakültesi tantug@itu.edu.tr Özetçe Geçtiğimiz yirmi yıl göz önüne alındığında, bilgisayar ortamında üretilen belgelerin
DetaylıTürkçe Metin Özetlemede Kullanılan Yöntemler
Türkçe Metin Özetlemede Kullanılan Yöntemler Özlem Evrim Gündoğdu 1, Nevcihan Duru 2 1 Kocaeli Üniversitesi, Elektronik ve Haberleşme Mühendisliği Bölümü, Kocaeli 2 Kocaeli Üniversitesi, Bilgisayar Mühendisliği
DetaylıYüz Tanımaya Dayalı Uygulamalar. (Özet)
4 Yüz Tanımaya Dayalı Uygulamalar (Özet) Günümüzde, teknolojinin gelişmesi ile yüz tanımaya dayalı bir çok yöntem artık uygulama alanı bulabilmekte ve gittikçe de önem kazanmaktadır. Bir çok farklı uygulama
DetaylıCOURSES OFFERED FOR ERASMUS INCOMING STUDENTS
COURSES OFFERED FOR ERASMUS INCOMING STUDENTS Department : Computer Engineering 152111001 CALCULUS I 3 2 4 5 152111005 PHYSICS I 3 0 3 3 152111006 PHYSICS I LAB 0 2 1 2 152111007 CHEMISTRY 3 0 3 3 152111008
DetaylıMekatronik Mühendisliği Uygulamalarında Yapay Zekâ. Makine Öğrenmesi. Erhan AKDOĞAN, Ph.D.
Mekatronik Mühendisliği Uygulamalarında Yapay Zekâ Makine Öğrenmesi Erhan AKDOĞAN, Ph.D. Bu ders notunun hazırlanmasında Dr. U.Orhan ve Banu Diri nin ders notlarından yararlanılmıştır. Makine öğrenmesi
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
DetaylıAdana Toplu Taşıma Eğilimleri
Adana Toplu Taşıma Eğilimleri Doç. Dr. Mustafa Gök Elektrik Elektronik Mühendisliği Bilgisayar Bilimleri Ana Bilim Dalı Başkanı 13.06.2014 Doç. Dr. Mustafa Gök (Ç. Ü.) Adana Toplu Taşıma Eğilimleri 13.06.2014
DetaylıTek Değişkenli Optimizasyon OPTİMİZASYON. Gradient Tabanlı Yöntemler. Bisection (İkiye Bölme) Yöntemi
OPTİMİZASYON Gerçek hayatta, çok değişkenli optimizasyon problemleri karmaşıktır ve nadir olarak problem tek değişkenli olur. Bununla birlikte, tek değişkenli optimizasyon algoritmaları çok değişkenli
DetaylıBİTİRME ÖDEVİ VE TASARIM PROJESİ ARA RAPOR YAZIM KILAVUZU
BİTİRME ÖDEVİ VE TASARIM PROJESİ ARA RAPOR YAZIM KILAVUZU 1. Başlık ve Kapak Sayfası Başlık sayfası formatı için bölüm web sayfasında bulunan rapor_kapak.docx başlıklı MS Office Word dokümanı kullanılacaktır.
DetaylıÖZGEÇMİŞ VE ESERLER LİSTESİ
ÖZGEÇMİŞ VE ESERLER LİSTESİ ÖZGEÇMİŞ Adı Soyadı: Göksel Günlü Doğum Tarihi: 04 12 1979 Öğrenim Durumu: Derece Bölüm/Program Üniversite Yıl Lisans Elektrik-Elektr. Muh. Gazi Üniversitesi 2001 Y. Lisans
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
Detaylı- Yurtiçinde ULUSLARARASI Bilimsel Toplantılarda Sunulan ve Bilimsel Toplantı Kitabında Yayınlanan Bildiriler
1. Adı Soyadı 2. Doğum Tarihi 3. Unvanı 4. Öğrenim Durumu : Ahmet Faik KAŞLI : 12/0711954 : ProfDr. ÖZGEÇMlş Derece Alan Universite Yıl Lisans Matematik Ege 1977 Y. Lisans Bilgisayar Bilimleri Ege 1979
DetaylıMetin Sınıflandırmada Öznitelik Seçim Yöntemlerinin Değerlendirilmesi
Metin Sınıflandırmada Öznitelik Seçim Yöntemlerinin Değerlendirilmesi Aytuğ Onan 1, Serdar Korukoğlu 2 1 Celal Bayar Üniversitesi, Bilgisayar Mühendisliği Bölümü, Manisa 2 Ege Üniversitesi, Bilgisayar
Detaylı