YAPAY ÖĞRENME İLE TÜRKİYE NİN KURULU GÜCÜNÜN 2023 YILINA KADAR TAHMİNİ
|
|
- Emine Taşkıran
- 5 yıl önce
- İzleme sayısı:
Transkript
1 YAPAY ÖĞRENME İLE TÜRKİYE NİN KURULU GÜCÜNÜN 2023 YILINA KADAR TAHMİNİ Cihan DEMİR 1, Fatih AYDIN 2 1Kırklareli Üniversitesi, Teknik Bilimler M.Y.O, 39100, KIRKLARELİ 2 Kırklareli Üniversitesi, Teknik Bilimler M.Y.O, 39100, KIRKLARELİ cihan.demir@klu.edu.tr (corresponding author) ÖZET Türkiye de son yıllarda yenilenebilir enerji kaynaklarının kullanımında önemli ölçüde artış olmasına rağmen kurulu gücün tamamına yakınını termik ve hidrolik kaynaklar teşkil etmektedir. Bu çalışmada, yılları arasında Türkiye de hidrolik ve termik kaynaklardan oluşan kurulu güç, yıl ve nüfus verileri kullanılarak yılları arasındaki termik ve hidrolik güç değerleri tahmin edilmiştir. SMOReg, bu çalışmada kullanılan Yapay Öğrenme algoritmasıdır. Çalışmanın sonuçlarına göre Türkiye Cumhuriyetinin 100. yılı olan 2023 te termik ve hidroelektrik kaynaklardan elde edilecek kurulu güç değerleri 74799,205 MW ve 45619,552 MW olarak tahmin edilmiştir yılları arasındaki termik ve hidrolik kurulu güç tahminlerinin korelasyon katsayısı 0,973 ve 0,963 olarak elde edilmiştir. Anahtar Kelimeler: Hidrolik, Termik, Yapay Öğrenme, Kurulu güç 1. GİRİŞ Türkiye de kurulu gücün büyük bir bölümü hidrolik ve termik kaynaklardan sağlanmaktadır. Dolayısıyla bu kaynaklardan gelecekte enerji üretimine katkı düzeyinin ne oranlarda olacağının bilinmesi enerji planlamacıları açısından hayati önem arz etmektedir. Bu bağlamda literatürde yapılmış birçok çalışma bulunmaktadır. Balcı vd. [1] yük tahmininin etkin bir güç sistemi planlaması açısından vazgeçilmez olduğunu ifade etmişlerdir. Dahası Türkiye nin yılları arası saatlik enerji tüketim verileri yardımıyla 2004 yılından başlayarak yılları arasında regresyon analizi, en küçük kareler yöntemi ile kullanılarak kısa dönem yük tahmini gerçekleştirmişlerdir [1]. Aslan vd. [2] Kütahya ili için elektrik puant yük tahmini yapay sinir ağları (YSA) ile geriye doğru son beş yılı ( arası) baz alarak nüfus ve sıcaklık gibi etkenlerin puant yük 52
2 tahminine etkisini araştırmışlardır. Benzer şekilde Hamzaçebi ve Kutay [3] yapay sinir ağları ile Türkiye nin Elektrik enerjisi tüketiminin 2010 yılına kadar tahmin etmişlerdir. Hengirmen [4] Gaziantep in yük talebini üç farklı tahmin metodu kullanarak belirlemiş ve bu yöntemleri karşılaştırmıştır. Karacasu ve Hocaoğlu [5] ise Gaziantep in yük tahminini yapay sinir ağları ile gerçekleştirmişlerdir. Bu çalışmada Türkiye Cumhuriyetinin 100. Yılı olan 2023 yılına kadar kurulu gücün her yıl ne kadarının hidrolik, ne kadarının termik kaynaklardan karşılanacağı Yapay Öğrenme algoritması olan SMOReg algoritması kullanılarak güvenilirliği yüksek derecede tahmin edilmesi planlanmaktadır. Giriş verisi olarak nüfus, kaynaklara ait yük talebi değerleri dikkate alınmıştır yılları arasında Türkiye de hidrolik ve termik kaynaklardan oluşan kurulu güç verileri kullanılarak yılları arasındaki kurulu gücün termik ve hidrolik kaynaklar açısından karşılanma durumu tahmin edilmeye çalışılmıştır. 2. MATERYAL VE YÖNTEM Yapay Öğrenme bir dizi örnekten bir görevi öğrenen mantıksal ya da ikili operasyonlara dayalı olarak otomatik hesaplama yordamlarını kapsayan bir çalışma alanıdır [6]. Bu çalışmadaki tahmin problemi WEKA (Waikato Environment for Knowledge Analysis) içerisinde yer alan SMOReg (Sequential Minimal Optimization for Regression) algoritması kullanılarak çözülmüştür. Bir kimse, WEKA ile veri kümelerini işleyebilir, sınıflandırıcı sonuçlarını analiz edebilir ve herhangi bir kod yazmadan WEKA nın performansından faydalanabilir [7]. Bir Yapay Öğrenme algoritmasının öğrenme sürecinin sonucunda ne kadar başarılı olduğuna karar verilmesi için çeşitli ölçütlere gereksinim vardır. Bu çalışmaya konu olan öğrenme sisteminin başarımını ölçmek için korelasyon katsayısı (KK) ve ortalama karesel hatanın karekökü (OKHK) ölçütleri kullanılmıştır. SMO algoritması, Destek Yöney Makinalarının (DYM) eğitilmesi için kullanılan hızlı bir algoritmadır. DYM nin eğitilmesi çok büyük kuadratik programlama optimizasyon problemi çözümünü gerektirmektedir. SMO ise bu büyük problemi daha küçük kuadratik programlama problemlerine dönüştürür ve analitik olarak çözer. SMO için gerekli hafıza miktarı eğitim kümesinin boyutuna göre doğrusal olarak değişir. DYM; el yazısı tanıma, yüz tanıma, yaya tanıma ve metin sınıflandırma gibi birçok problem üzerinde iyi bir genelleme performansı vermektedir [8]. DYM nin iyi bir genelleme performansı vermesinde güçlü bir varsayım öne sürmesi yatmaktadır. Bu varsayıma göre; pozitif ve negatif örneklerin destek yöneylerinin seçilmesi ve sınıflandırmayı yapan optimal ayırıcı 53
3 hiperdüzlemin diğer hiperdüzlemlere (her iki destek yöneyine) eşit mesafede olması genelleme performansını arttırmaktadır. Bu durum ve hiperdüzlemlerin geometrisinin cebirsel ifadesi Şekil 1 de gösterilmektedir. Şekil 1. DYM için destek yöneyinin belirlenmesi [9] Bu cebirsel ifadelerde w ağırlık vektörünü ve b ise hiperdüzlemlerin orijin dışında başka noktaları da kesmesini sağlayan sabit bir değeri ifade etmektedir. Şekil 1 de yer alan sınıflandırma problemi doğrusal bir şekilde ayrılabilen bir problemdir. Ancak doğrusal bir biçimde ayrılamayan durumlarla karşılaşıldığında DYM çekirdek olarak doğrusal olmayan fonksiyonlar kullanır. Böylelikle doğrusal biçimde ayrılamayan örnekler çekirdek fonksiyonu yardımıyla doğrusal biçimde ayrılabilecek başka bir uzaya eşlenirler. Bu eşlemeden sonra örnekler doğrusal bir ayırıcı ile ayrılabilecek duruma gelirler. Bu çalışmada çekirdek olarak polinomal çekirdek kullanılmıştır. DYM de, sınıflandırma problemlerinde uygulanan yöntem regresyon problemleri için de geçerlidir. Bu durumda hiperdüzlemler örnekleri birbirinden ayırmak için değil örneklerin sınırlarını belirlemek için kullanılır. Optimal hiperdüzlem ise regresyon fonksiyonunu ifade etmektedir. KK, gerçek değer ile tahmini değer arasındaki istatistiksel ilişkiyi ölçer. Weka da KK nın hesaplanması için Karl Pearson ın korelasyon katsayısı formülü kullanılır [10]. Bu formül eşitlik (1) de görülmektedir. (1) KK değeri -1 ve +1 arasında değişmekte olup bu değerin yorumlanması gerçek dünya probleminin değişkenleri üzerindeki kapsama bağlı olduğu için özneldir. Yani çeşitli 54
4 alanlara göre KK nın yorumlanması değişebilmektedir [11]. KK nın yorumlanmasında Tablo 1 deki yorumlardan faydalanılmıştır. Tablo 1. Korelasyon Katsayısının Yorumlanması (Mkt Tech Assoc, 2015) Korelasyon Katsayısı Yorumu Değer Mükemmel derecede güçlü Çok güçlü Güçlü Orta derecede güçlü Orta Anlamlı Düşük Çok düşük Çok zayıf İlişki yok OKHK, Ortalama Karesel Hata (OKH) değerinin karekökünün alınmasıyla hesaplanır. OKH belli başlı ve çok yaygın olarak kullanılan bir ölçüttür. Birçok matematiksel teknik (doğrusal regresyon gibi) matematiksel olarak işlenmesi en kolay ölçüt olduğu için OKH yi kullanır. Yapay Öğrenmede kullanım alanı ise sınıflandırıcıların performans ölçümünü yapmaktır [7]. Bir tahmin edicinin hata oranı gelişigüzel bir tahmin yapmasından ya da doğru bir tahmin yapabilmesini sağlayacak bilgiyi yakalayamamasından kaynaklanır [12]. OKH ve OKHK değeri sıfıra ne kadar yakınsa hata oranı o kadar azdır. Ayrıca her öğrenme için OKH ya da OKHK nin kabul edilebilir hata değeri farklıdır. OKH ve OKHK nin denklemleri sırasıyla eşitlik (2) ve (3) görülmektedir. Buna göre p, yapılan tahmini değerleri; a, ise gerçek değerleri ifade etmektedir. (2) (3) 55
5 3. TARTIŞMA VE DEĞERLENDİRMELER yılları arasında Türkiye nin termik ve hidrolik kurulu gücünün gelişimi Şekil 2 de gösterilmektedir. Bu verilere göre 1960 lı yıllardan günümüze geldikçe termik santrallerden elde edilen güç miktarı hidroelektrik santrallerden elde edilen güç miktarından oldukça fazla olmaktadır. Şekil 2. Türkiye nin kurulu gücünün yılları itibariyle gelişimi yılları arasındaki kurulu termik güç verileri kullanılarak yapılan yılları arasındaki tahmini termik güç ve gerçek kurulu termik güç grafiği Şekil 3 te gösterilmektedir. Bu grafiğe göre yılları dışında gerçek ve tahmini değerler birbirlerine oldukça yakındır. SMOReg algoritması ile elde edilen modelin OKHK değeri 1280,614 ve KK değeri 0,9735 olarak elde edilmiştir. Bu sonuçlara göre elde edilen modelin çok performanslı bir model olduğu söylenebilir. Bu nedenle yılları arasındaki termik gücün tahmininde bu model kullanılmıştır. Model oluşturulurken SMOReg algoritmasının performansını en iyi yapacak şekilde parametrelerde değişiklikler yapılmıştır: komplekslik değeri 1,1 ve gecikme uzunluğu (lag length) 31 alınmıştır. Ayrıca bilinmeyen gecikme değerlerine sahip örnekler kaldırılmış, zamanın etkisi ve gecikme değerleri modelde kullanılmıştır. 56
6 Şekil yılları arasında Türkiye de kurulu termik gücün gerçek ve tahmini değerleri Termik güç modeli kullanılarak yılları arasındaki termik gücün tahmini güç değerleri Şekil 4 te gösterilmektedir. Bu grafiğe göre 2023 yılında termik güç üretimi 74799,2052 MW olarak tahmin edilmiştir. Oluşturulan modelin yılları arasında yapmış olduğu hatalar göz önüne alınarak yılları arasındaki tahminlere bu hataların etkileri yansıtılmıştır. Bu hata oranları kullanılarak yapılan tahminin alt ve üst sınırları belirlenmiştir. Hata oranının hesaplanmasında eşitlik (4) kullanılmıştır. Bu ifadede p, tahmini değeri; a ise gerçek değeri ifade etmektedir. (4) Eşitlik (4) teki oran kullanılarak yılları arasındaki tahminin sapmaları hesaplanır. Bu sapma değerleri eşitlik (5) te gösterildiği gibi hesaplanmaktadır. (5) Buna göre yılları arasında yapılan tahminlerin alt ve üst sınırları (p-δ, p+δ) şeklinde hesaplanmaktadır. Böylelikle 2023 yılı için yapılan tahminin alt-üst sınırları 72509,6412 MW ve 77088,7692 MW dır. Ayrıca tahmini planlanan yılın alt ve üst sınırları yıl değeri arttıkça artmaktadır. Bu durum zamanın artması ile tahminin doğruluğunun azalması gerçeğini de desteklemektedir. 57
7 Şekil yılları arasında Türkiye deki termik güç üretiminin tahmini değerleri yılları arasındaki kurulu hidrolik güç verileri kullanılarak yapılan yılları arasındaki tahmini hidrolik güç ve gerçek kurulu hidrolik güç grafiği Şekil 5 te gösterilmektedir. Bu grafiğe göre 2005 ve 2012 yılları dışında gerçek ve tahmini değerler birbirlerine uzaklaşmaktadır. SMOReg algoritması ile elde edilen modelin OKHK değeri 1502,4709 ve KK değeri 0,9636 olarak elde edilmiştir. Bu sonuçlara göre elde edilen modelin çok performanslı bir model olduğu söylenebilir. Bu nedenle yılları arasındaki hidrolik gücün tahmininde bu model kullanılmıştır. Model oluşturulurken SMOReg algoritmasının performansını en iyi yapacak şekilde parametrelerde değişiklikler yapılmıştır: komplekslik değeri 1,1 ve gecikme uzunluğu 39. Ayrıca bilinmeyen gecikme değerlerine sahip örnekler kaldırılmış, zamanın etkisi ve gecikme değerleri modelde kullanılmıştır. Şekil yılları arasında Türkiye de Kurulu hidrolik gücün gerçek ve tahmini değerleri Yukarıdaki hidrolik güç modeli kullanılarak yılları arasındaki hidrolik gücün tahmini güç değerleri Şekil 6 da gösterilmektedir. Bu grafiğe göre 2023 yılında hidrolik güç üretimi 45619,5529 MW olarak tahmin edilmiştir. Oluşturulan modelin yılları arasında yapmış olduğu hatalar göz önüne alınarak yılları arasındaki 58
8 tahminlere bu hataların etkileri yansıtılmıştır. Bu hata oranları kullanılarak yapılan tahminin alt ve üst sınırları belirlenmiştir yılı için yapılan tahminin alt-üst sınırları 41664,1274 MW ve 49574,9784 MW dır. Şekil yılları arasında Türkiye deki hidrolik güç üretiminin tahmini değerleri 4. SONUÇLAR Bu çalışmada Türkiye Cumhuriyetinin 100. Yılı olan 2023 yılına kadar kurulu gücün her yıl ne kadarının hidrolik, ne kadarının termik kaynaklardan karşılanacağı Yapay Öğrenme algoritması olan SMOReg algoritması kullanılarak güvenilirliği yüksek derecede tahmin edilmiştir. Giriş verisi olarak nüfus, kaynaklara ait yük talebi değerleri dikkate alınmıştır yılları arasında Türkiye de hidrolik ve termik kaynaklardan oluşan kurulu güç verileri ve nüfus verileri kullanılarak yılları arasındaki kurulu gücün termik ve hidrolik kaynaklar açısından karşılanma durumu tahmin edilmiştir yılında termik güç üretimi 74799,2052 MW olarak tahmin edilmiştir. Oluşturulan modelin yılları arasında yapmış olduğu hatalar göz önüne alınarak yılları arasındaki tahminlere bu hataların etkileri yansıtılmıştır. Bu hata oranları kullanılarak yapılan tahminin alt ve üst sınırları belirlenmiştir yılı için yapılan tahminin alt-üst sınırları 72509,6412 MW ve 77088,7692 MW dır yılında hidrolik güç üretimi 45619,5529 MW olarak tahmin edilmiştir. Oluşturulan modelin yılları arasında yapmış olduğu hatalar göz önüne alınarak yılları arasındaki tahminlere bu hataların etkileri yansıtılmıştır. Bu hata oranları kullanılarak yapılan tahminin alt ve üst sınırları belirlenmiştir. Hata parametreleri dikkate alınarak alt ve üst değer aralığı belirlenmiş ve 2023 yılı için yapılan tahminin alt-üst sınırları 41664,1274 MW ve 49574,9784 MW dır. 5. KAYNAKLAR [1] H. Balcı, İ. I. Esener, and M. Kurban, Regresyon Analizi Kullanılarak Kısa Dönem Yük Tahmini, in ELECO 2012 Elektrik - Elektronik ve Bilgisayar Mühendisliği Sempozyumu, 2012, pp [2] Y. Aslan, C. Yaşar, and A. Nalbant, Electrical peak load forecasting in Kütahya with artificial neural networks, Dumlupınar Üniversitesi Fen Bilim. Enstitüsü Derg., vol. 11, pp , [3] C. Hamzaçebi and F. Kutay, Yapay Sinir Ağları ile Türkiye Elektrik Enerjisi Tüketiminin 2010 Yılına Kadar Tahmini, Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Derg., vol. 19, 59
9 no. 3, [4] M. O. Hengirmen, Comparison of Three Forecast Methods for Power Demand in Gaziantep, in Eleco 99 International Conference On Electrical And Electronics Engineering, 1999, pp [5] Ö. Karacasu and M. H. Hocaoğlu, Yapay Sinir Ağları ile Gaziantep Yöresi için Yük Tahmin Analizi, in International XII. Turkish Symposium on Artificial Intelligence and Neural Networks, [6] D. Michie and D. Spiegelhalter, Machine Learning: Neural and Statistical Classification. Overseas Press, [7] I. H. Witten, E. Frank, and M. A. Hall, Data Mining: Practical machine learning tools and techniques, 3rd ed. Morgan Kaufmann, [8] J. Platt, Fast training of support vector machines using sequential minimal optimization, in Advances in Kernel Methods - Support Vector Learning, B. Schoelkopf, C. Burges, and A. Smola, Eds. MIT Press, 1998, pp [9] B. J. Marafino, J. M. Davies, N. S. Bardach, M. L. Dean, R. A. Dudley, and J. Boscardin, N-gram support vector machines for scalable procedure and diagnosis classification, with applications to clinical free text data from the intensive care unit, J. Am. Med. Informatics Assoc., vol. 21, no. 5, pp , Sep [10] S. M. Stigler, Francis Galton s Account of the Invention of Correlation, Stat. Sci., vol. 4, no. 2, pp , [11] Mkt Tech Assoc, CMT Level II 2016: Theory and Analysis, 1st ed. Wiley, [12] E. L. Lehmann and G. Casella, Theory of Point Estimation. New York: Springer-Verlag,
Regresyon Analizi Kullanılarak Kısa Dönem Yük Tahmini. Short-Term Load Forecasting using Regression Analysis
ELECO '0 Elektrik - Elektronik ve Bilgisayar Mühendisliği Sempozyumu, 9 Kasım - 0 Aralık 0, Bursa Regresyon Analizi Kullanılarak Kısa Dönem Yük i Short-Term Load Forecasting using Regression Analysis Hüseyin
DetaylıKÜTAHYA İLİNİN YAPAY SİNİR AĞLARI KULLANILARAK ELEKTRİK PUANT YÜK TAHMİNİ
ELECTRICAL PEAK LOAD FORECASTING IN KÜTAHYA WITH ARTIFICIAL NEURAL NETWORKS. Y. ASLAN * & C. YAŞAR * & A. NALBANT * * Elektrik-Elektronik Mühendisliği Bölümü, Mühendislik Fakültesi Dumlupınar Üniversitesi,
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
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
DetaylıFatih Kölmek. ICCI 2012-18.Uluslararası Enerji ve Çevre Fuarı ve Konferansı 25 Nisan 2012, İstanbul, Türkiye
Fatih Kölmek ICCI 2012-18.Uluslararası Enerji ve Çevre Fuarı ve Konferansı 25 Nisan 2012, İstanbul, Türkiye Türkiye Elektrik Piyasası Dengeleme ve Uzlaştırma Mekanizması Fiyat Tahmin Modelleri Yapay Sinir
DetaylıKORELASYON VE REGRESYON ANALİZİ. Doç. Dr. Bahar TAŞDELEN
KORELASYON VE REGRESYON ANALİZİ Doç. Dr. Bahar TAŞDELEN Günlük hayattan birkaç örnek Gelişim dönemindeki bir çocuğun boyu ile kilosu arasındaki ilişki Bir ailenin tükettiği günlük ekmek sayısı ile ailenin
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
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
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
DetaylıÖZGEÇMİŞ. Derece Bölüm/Program Üniversite Yıl Lisans. Görev Ünvanı Alan Görev Yeri Yıl Arş. Gör.
ÖZGEÇMİŞ 1. Adı Soyadı : Asım Gökhan YETGİN 2. Doğum Tarihi : 1979-Kütahya 3. Ünvanı : Yrd. Doç. Dr. 4. E-mail : gokhan.yetgin@dpu.edu.tr 5. Öğrenim Durumu: Derece Bölüm/Program Üniversite Yıl Lisans Elektrik
DetaylıKorelasyon, Korelasyon Türleri ve Regresyon
Korelasyon, Korelasyon Türleri ve Regresyon İçerik Korelasyon Korelasyon Türleri Korelasyon Katsayısı Regresyon KORELASYON Korelasyon iki ya da daha fazla değişken arasındaki doğrusal ilişkiyi gösterir.
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık KORELASYON ve REGRESYON ANALİZİ Doç. Dr. İrfan KAYMAZ Tanım Bir değişkenin değerinin diğer değişkendeki veya değişkenlerdeki değişimlere bağlı olarak nasıl etkilendiğinin istatistiksel
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
DetaylıYAPAY SĠNĠR AĞLARI ĠLE KOCAELĠ ĠLĠNĠN PUANT YÜK TAHMĠNĠ. Oya DEMİRER Demet ÖZDEMİR Melih İNAL
YAPAY SĠNĠR AĞLARI ĠLE KOCAELĠ ĠLĠNĠN PUANT YÜK TAHMĠNĠ Oya DEMİRER Demet ÖZDEMİR Melih İNAL Kocaeli Ü. Müh.Fak. Elektrik Müh.Bl.MSB İzmit İnşaat BaşkanlığıKocaeli Ü.Tek.Fak.Elektronik Eğ. odemirer@hotmail.com
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
DetaylıDestekçi Vektör Makineleri. Destekçi Vektör Makineleri(Support Vector Machines)
Destekçi Vektör Makineleri Destekçi Vektör Makineleri(Support Vector Machines) Değişkenler arasındaki örüntülerin bilinmediği veri setlerindeki sınıflama problemleri için önerilmiş bir makine öğrenmesi
DetaylıK-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
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,
DetaylıYrd.Doç. Dr. Tülin ÇETİN
Yrd.Doç. Dr. Tülin ÇETİN ÖĞRENİM DURUMU Derece Üniversite Bölüm / Program Lisans Ege Üniversitesi Bilgisayar Mühendisliği 1987-1992 Lisans Celal Bayar Üniversitesi İnşaat Mühendisliği 2001-2004 Y. Lisans
DetaylıKİNETİK MODEL PARAMETRELERİNİN BELİRLENMESİNDE KULLANILAN OPTİMİZASYON TEKNİKLERİNİN KIYASLANMASI
KİNETİK MODEL PARAMETRELERİNİN BELİRLENMESİNDE KULLANILAN OPTİMİZASYON TEKNİKLERİNİN KIYASLANMASI Hatice YANIKOĞLU a, Ezgi ÖZKARA a, Mehmet YÜCEER a* İnönü Üniversitesi Mühendislik Fakültesi Kimya Mühendisliği
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Sınıflandırıcıların Değerlendirilmesi Skorlar Karışıklık matrisi Accuracy Precision Recall
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
DetaylıElazığ'daki Hava Şartları ve Güneşlenme Şiddetinin Modellenmesi
Tesisat Mühendisliği Dergisi Sayı: 90, s. 54-61, 2005 Elazığ'daki Hava Şartları ve Güneşlenme Şiddetinin Modellenmesi Yaşar BİÇER* Ebru KAVAK AKPINAR* Fatih OZBEY Özet Bu çalışmada, Elazığ ilindeki sıcaklık,
DetaylıGeriye Yayılım ve Levenberg Marquardt Algoritmalarının YSA Eğitimlerindeki Başarımlarının Dinamik Sistemler Üzerindeki Başarımı. Mehmet Ali Çavuşlu
Geriye Yayılım ve Levenberg Marquardt Algoritmalarının YSA Eğitimlerindeki Başarımlarının Dinamik Sistemler Üzerindeki Başarımı Mehmet Ali Çavuşlu Özet Yapay sinir ağlarının eğitiminde genellikle geriye
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?
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
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
DetaylıYük Tahmini İçin Hibrit (YSA ve Regresyon) Model
Yük Tahmini İçin Hibrit (YSA ve Regresyon) Model * 1 Kübra KAYSAL 2 Fatih Onur HOCAOĞLU ve 3 Ahmet KAYSAL 1,2,3 Elektrik & Elektronik Mühendisliği Bölümü, Afyon Kocatepe Üniversitesi, Türkiye Abstract
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
DetaylıYrd. Doç. Dr. A. Burak İNNER
Yrd. Doç. Dr. A. Burak İNNER Kocaeli Üniversitesi Bilgisayar Mühendisliği Yapay Zeka ve Benzetim Sistemleri Ar-Ge Lab. http://yapbenzet.kocaeli.edu.tr Regresyon o EnKüçük Kareler Yöntemi Doğru Uydurma
DetaylıÖrnek. Aşağıdaki veri setlerindeki X ve Y veri çiftlerini kullanarak herbir durumda X=1,5 için Y nin hangi değerleri alacağını hesaplayınız.
Örnek Aşağıdaki veri setlerindeki X ve Y veri çiftlerini kullanarak herbir durumda X=1,5 için Y nin hangi değerleri alacağını hesaplayınız. i. ii. X 1 2 3 4 1 2 3 4 Y 2 3 4 5 4 3 2 1 Örnek Aşağıdaki veri
DetaylıGevşek Hesaplama (COMPE 474) Ders Detayları
Gevşek Hesaplama (COMPE 474) Ders Detayları Ders Adı Gevşek Hesaplama Ders Kodu COMPE 474 Dönemi Ders Uygulama Laboratuar Kredi AKTS Saati Saati Saati Bahar 3 0 0 3 5 Ön Koşul Ders(ler)i Dersin Dili Dersin
DetaylıMeslek lisesi ve devlet lisesine giden N tane öğrenci olduğu ve bunların yıllık okul harcamalarına ait verilerin olduğu varsayılsın.
KUKLA DEĞİŞKENLİ MODELLER Bir kukla değişkenli modeller (Varyans Analiz Modelleri) Kukla değişkenlerin diğer kantitatif değişkenlerle alındığı modeller (Kovaryans Analizi Modeller) Kukla değişkenlerin
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
DetaylıÖrneklemden elde edilen parametreler üzerinden kitle parametreleri tahmin edilmek istenmektedir.
ÇIKARSAMALI İSTATİSTİKLER Çıkarsamalı istatistikler, örneklemden elde edilen değerler üzerinde kitleyi tanımlamak için uygulanan istatistiksel yöntemlerdir. Çıkarsamalı istatistikler; Tahmin Hipotez Testleri
DetaylıYük Tahmini İçin Hibrit (YSA ve Regresyon) Model. Hybrid Model for Load Forecasting (ANN and Regression)
Yük Tahmini İçin Hibrit (YSA ve Regresyon) Model Fatih Onur Hocaoğlu, *Kübra Kaysal, Ahmet Kaysal Afyon Kocatepe Üniversitesi Mühendislik Fakültesi, Afyonkarahisar Özet Teknolojinin hızla gelişmesi enerji
Detaylı2013 2014 EĞİTİM ÖĞRETİM YILI 8. SINIF MATEMATİK DERSİ KONULARININ ÇALIŞMA TAKVİMİNE GÖRE DAĞILIM ÇİZELGESİ ALT ÖĞRENME. Örüntü ve Süslemeler
2013 2014 EĞİTİM ÖĞRETİM YILI 8. SINIF MATEMATİK DERSİ KONULARININ ÇALIŞMA TAKVİMİNE GÖRE DAĞILIM ÇİZELGESİ SÜRE ÖĞRENME Ay Hafta D.Saati ALANI EYLÜL 2 Geometri 2 3 Geometri 2 Geometri 2 Olasılıkve ALT
DetaylıKorelasyon ve Regresyon
Korelasyon ve Regresyon Korelasyon- (lineer korelasyon) Açıklayıcı (Bağımsız) Değişken x çalışma zamanı ayakkabı numarası İki değişken arasındaki ilişkidir. Günlük sigara sayısı SAT puanı boy Yanıt (Bağımlı)
DetaylıKorelasyon testleri. Pearson korelasyon testi Spearman korelasyon testi. Regresyon analizi. Basit doğrusal regresyon Çoklu doğrusal regresyon
Korelasyon testleri Pearson korelasyon testi Spearman korelasyon testi Regresyon analizi Basit doğrusal regresyon Çoklu doğrusal regresyon BBY606 Araştırma Yöntemleri Güleda Doğan Ders içeriği Korelasyon
DetaylıARIMA MODELLERİ KULLANILARAK YAPILAN ENERJİ TÜKETİMİ TAHMİN ÇALIŞMASI
ARIMA MODELLERİ KULLANILARAK YAPILAN ENERJİ TÜKETİMİ TAHMİN ÇALIŞMASI Mehmet KURBAN 1 Ümmühan BAŞARAN FİLİK 2 Sevil ŞENTÜRK 3 1,2 Elektrik ve Elektronik Mühendisliği Bölümü, Mühendislik-Mimarlık Fakültesi,
DetaylıR ILE ENERJI MODELLEMESI
DEPARTMENT OF TECHNOLOGY & OPERATIONS MANAGEMENT R ILE ENERJI MODELLEMESI EZGI AVCI, MSC,PHDC TALEP TAHMIN MODELLERI ELEKTRIK ARZ SISTEMI YONETIMI Elektrik arz sisteminin doğru planlanması ve yönetilmesi
DetaylıİSTATİSTİKSEL DARALTICI (SHRINKAGE) MODEL VE UYGULAMALARI * A Statistical Shrinkage Model And Its Applications*
Ç.Ü. Fen Bilimleri Enstitüsü Yıl:010 Cilt:-1 İSTATİSTİKSEL DARALTICI (SHRINKAGE) MODEL VE UYGULAMALARI * A Statistical Shrinkage Model And Its Applications* Işıl FİDANOĞLU İstatistik Anabilim Dalı Fikri
DetaylıYAPAY SİNİR AĞLARI. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ
YAPAY SİNİR AĞLARI Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ İÇERİK Sinir Hücreleri Yapay Sinir Ağları Yapısı Elemanları Çalışması Modelleri Yapılarına Göre Öğrenme Algoritmalarına Göre Avantaj ve
DetaylıYÖNEYLEM ARAŞTIRMASI - III
YÖNEYLEM ARAŞTIRMASI - III Prof. Dr. Cemalettin KUBAT Yrd. Doç. Dr. Özer UYGUN İçerik Quadratic Programming Bir karesel programlama modeli aşağıdaki gibi tanımlanır. Amaç fonksiyonu: Maks.(veya Min.) z
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
DetaylıEvrimsel Çok amaçlı eniyileme. Tahir Emre Kalaycı Ege Üniversitesi Bilgisayar Mühendisliği Bölümü 25 Mart 2010
Evrimsel Çok amaçlı eniyileme Tahir Emre Kalaycı Ege Üniversitesi Bilgisayar Mühendisliği Bölümü 25 Mart 2010 Gündem Çok amaçlı eniyileme Giriş Evrimsel çok amaçlı eniyileme Sonuç Giriş Gerçek dünya problemleri
DetaylıBAYES ÖĞRENMESİ BİLECİK ÜNİVERSİTESİ. Araş. Gör. Nesibe YALÇIN. Yapay Zeka-Bayes Öğrenme
BAYES ÖĞRENMESİ Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ Yapay Zeka-Bayes Öğrenme 1 İÇERİK Bayes Teoremi Bayes Sınıflandırma Örnek Kullanım Alanları Avantajları Dezavantajları Yapay Zeka-Bayes Öğrenme
DetaylıALANSAL VARİOGRAM YÖNTEMİ İLE KISA SÜRELİ RÜZGAR ENERJİSİ TAHMİNİ 4. İZMİR RÜZGAR SEMPOZYUMU
ALANSAL VARİOGRAM YÖNTEMİ İLE KISA SÜRELİ RÜZGAR ENERJİSİ TAHMİNİ 4. İZMİR RÜZGAR SEMPOZYUMU Murat Durak 1 ve Ahmet Duran Şahin 2 1: Meteoroloji Mühendisi md@enermet.com.tr 2: Prof Dr, İTÜ Meteoroloji
Detaylıİş Zekası. Hafta 6 Kestirimci Modelleme Teknikleri. Yrd. Doç. Dr. H. İbrahim CEBECİ
İş Zekası Hafta 6 Kestirimci Modelleme Teknikleri Business Intelligence and Analytics: Systems for Decision Support 10e isimli eserden adapte edilmiştir Bölüm Amaçları Yapay Sinir Ağları (YSA) kavramını
DetaylıA. SCI ve SCIE Kapsamındaki Yayınlar
A. SCI ve SCIE Kapsamındaki Yayınlar A.1. Erilli N.A., Yolcu U., Egrioglu E., Aladag C.H., Öner Y., 2011 Determining the most proper number of cluster in fuzzy clustering by using artificial neural networks.
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
DetaylıCBS ve Coğrafi Hesaplama
Yıldız Teknik Üniversitesi CBS ve Coğrafi Hesaplama 2. Bölüm Yrd. Doç. Dr. Alper ŞEN Harita Mühendisliği Bölümü Kartografya Anabilim Dalı web: http://www.yarbis.yildiz.edu.tr/alpersen/ E mail: alpersen@yildiz.edu.tr
DetaylıÖZGEÇMİŞ. 1. Adı Soyadı : Kamile ŞANLI KULA İletişim Bilgileri : Ahi Evran Üniversitesi, Fen Edebiyat Fakültesi, Adres Matematik Bölümü, KIRŞEHİR
Resim ÖZGEÇMİŞ 1. Adı Soyadı : Kamile ŞANLI KULA İletişim Bilgileri : Ahi Evran Üniversitesi, Fen Edebiyat Fakültesi, Adres Matematik Bölümü, KIRŞEHİR Telefon : 386 280 45 50 Mail : kskula@ahievran.edu.tr
DetaylıYöneylem Araştırması II
Yöneylem Araştırması II Öğr. Gör. Dr. Hakan ÇERÇİOĞLU cercioglu@gazi.edu.tr BÖLÜM I: Doğrusal Programlama Tekrarı Doğrusal Programlama Tanımı Doğrusal Programlama Varsayımları Grafik Çözüm Metodu Simpleks
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Ara sınav - 25% Ödev (Haftalık) - 10% Ödev Sunumu (Haftalık) - 5% Final (Proje Sunumu) - 60% - Dönem sonuna kadar bir optimizasyon tekniğiyle uygulama geliştirilecek (Örn:
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:
DetaylıÇİMENTO BASMA DAYANIMI TAHMİNİ İÇİN YAPAY SİNİR AĞI MODELİ
ÇİMENTO BASMA DAYANIMI TAHMİNİ İÇİN YAPAY SİNİR AĞI MODELİ Ezgi Özkara a, Hatice Yanıkoğlu a, Mehmet Yüceer a, * a* İnönü Üniversitesi Mühendislik Fakültesi Kimya Mühendisliği Bölümü, Malatya, 44280 myuceer@inonu.edu.tr
DetaylıMAK 210 SAYISAL ANALİZ
MAK 210 SAYISAL ANALİZ BÖLÜM 1- GİRİŞ Doç. Dr. Ali Rıza YILDIZ 1 Mühendislikte, herhangi bir fiziksel sistemin matematiksel modellenmesi sonucu elde edilen karmaşık veya analitik çözülemeyen denklemlerin
DetaylıKüçük ve Mikro Ölçekli Enerji Yatırımları için Hibrit Enerji Modeli
Küçük ve Mikro Ölçekli Enerji Yatırımları için Hibrit Enerji Modeli Mustafa Yıldız Enerji Mühendisliği Yüksek Lisans Programı Bitirme Tezi Danışman: Yard. Doç. Dr. Ferhat Bingöl 4. İzmir Rüzgar Sempozyumu
DetaylıÖğr. Elemanı: Dr. Mustafa Cumhur AKBULUT
Ünite 10: Regresyon Analizi Öğr. Elemanı: Dr. Mustafa Cumhur AKBULUT 10.Ünite Regresyon Analizi 2 Ünitede Ele Alınan Konular 10. Regresyon Analizi 10.1. Basit Doğrusal regresyon 10.2. Regresyon denklemi
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
DetaylıRÜZGAR ENERJİSİ KAYNAĞI VE BELİRSİZLİK
4. İzmir Rüzgâr Sempozyumu // 28-30 Eylül 2017 // İzmir RÜZGAR ENERJİSİ KAYNAĞI VE BELİRSİZLİK Prof. Dr. Barış Özerdem İzmir Ekonomi Üniversitesi Havacılık ve Uzay Mühendisliği Bölümü baris.ozerdem@ieu.edu.tr
DetaylıMekatronik Mühendisliği Uygulamalarında Yapay Zekâ. Ders 1- Yapay Zekâya Giriş. Erhan AKDOĞAN, Ph.D.
Mekatronik Mühendisliği Uygulamalarında Yapay Zekâ Ders 1- Yapay Zekâya Giriş Erhan AKDOĞAN, Ph.D. Yapay Zekâ nedir?! İnsanın düşünme ve karar verme yeteneğini bilgisayarlar aracılığı ile taklit etmeye
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
DetaylıTRAKYA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MAKİNA MÜHENDİSLİĞİ ANABİLİM DALI DOKTORA PROGRAMI ŞEKİL TANIMA ÖDEV 2 KONU : DESTEK VEKTÖR MAKİNELERİ
TRAKYA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MAKİNA MÜHENDİSLİĞİ ANABİLİM DALI DOKTORA PROGRAMI ŞEKİL TANIMA ÖDEV 2 KONU : DESTEK VEKTÖR MAKİNELERİ Kenan KILIÇASLAN Okul No:1098107203 1. DESTEK VEKTÖR MAKİNELER
DetaylıDestek Vektör Makinesi Yöntemi ile Sondaj İlerleme Hızı Optimizasyonu. Korhan KOR, Türkiye Petrolleri; Gürşat ALTUN, İstanbul Teknik Üniversitesi
Destek Vektör Makinesi Yöntemi ile Sondaj İlerleme Hızı Optimizasyonu Korhan KOR, Türkiye Petrolleri; Gürşat ALTUN, İstanbul Teknik Üniversitesi ÖZ Günümüzde enerji kaynaklarına olan talep artışı nedeniyle
DetaylıSayısal Yöntemler (COMPE 350) Ders Detayları
Sayısal Yöntemler (COMPE 350) Ders Detayları Ders Adı Sayısal Yöntemler Ders Kodu COMPE 350 Dönemi Ders Uygulama Saati Saati Laboratuar Saati Kredi AKTS Bahar 2 2 0 3 5.5 Ön Koşul Ders(ler)i Dersin Dili
DetaylıALTIN ORAN ARAMA (GOLDEN SECTION SEARCH) METODU
ALTIN ORAN ARAMA (GOLDEN SECTION SEARCH) METODU Tek değişkenli bir f(x) fonksiyonunu ele alalım. [Bazı x ler için f (x) bulunamayabilir.] Aşağıdaki DOP modelini çözmek istediğimizi var sayalım. Max f(x)
DetaylıTÜRKİYE NİN UZUN DÖNEM ELEKTRİK TALEBİ VE BUNA BAĞLI CO 2 EMİSYONUNUN TAHMİNİ
Hava Kirliliği ve Kontrolü Ulusal Sempozyumu 2008, 22 25 Ekim 2008, HATAY TÜRKİYE NİN UZUN DÖNEM ELEKTRİK TALEBİ VE BUNA BAĞLI CO 2 EMİSYONUNUN TAHMİNİ Levent TÜRKER, Merih AYDINALP KÖKSAL ( ) Hacettepe
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
Detaylı3.2. DP Modellerinin Simpleks Yöntem ile Çözümü Primal Simpleks Yöntem
3.2. DP Modellerinin Simpleks Yöntem ile Çözümü 3.2.1. Primal Simpleks Yöntem Grafik çözüm yönteminde gördüğümüz gibi optimal çözüm noktası, her zaman uygun çözüm alanının bir köşe noktası ya da uç noktası
Detaylı1. YARIYIL / SEMESTER 1
T.C. NECMETTİN ERBAKAN ÜNİVERSİTESİ MÜHENDİSLİK VE MİMARLIK FAKÜLTESİ, MEKATRONİK MÜHENDİSLİĞİ BÖLÜMÜ, 2017-2018 AKADEMİK YILI ÖĞRETİM PLANI T.C. NECMETTIN ERBAKAN UNIVERSITY ENGINEERING AND ARCHITECTURE
Detaylı17 Ekim Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge. 1 Yıldız Teknik Üniversitesi
ÇOK DEĞİŞKENLİ REGRESYON ANALİZİ: TAHMİN Hüseyin Taştan 1 1 Yıldız Teknik Üniversitesi İktisat Bölümü Ders Kitabı: Introductory Econometrics: A Modern Approach (2nd ed.) J. Wooldridge 17 Ekim 2012 Ekonometri
Detaylıİstanbul İli Avrupa Yakası İçin Uzun Dönem Elektrik Enerjisi Yük Tahmini Long Term Load Forecasting For Istanbul European Side
Eleco 014 Elektrik Elektronik Bilgisayar ve Biyomedikal Mühendisliği Sempozyumu, 7 9 Kasım 014, Bursa İstanbul İli Avrupa Yakası İçin Uzun Dönem Elektrik Enerjisi Yük Tahmini Long Term Load Forecasting
DetaylıYÖNEYLEM ARAŞTIRMASI - III
YÖNEYLEM ARAŞTIRMASI - III Prof. Dr. Cemalettin KUBAT Yrd. Doç. Dr. Özer UYGUN İçerik Altın Oran (Golden Section Search) Arama Metodu Tek değişkenli bir f(x) fonksiyonunu ele alalım. [Bazı x ler için f
DetaylıTÜREK 2015. RES lerde Üretim Tahminleri ve Elektrik Satışı. Uğuray ALTAYLI Satış Müdürü Istanbul, 05 Kasım 2015
TÜREK 2015 RES lerde Tahminleri ve Elektrik Satışı Uğuray ALTAYLI Satış Müdürü Istanbul, 05 Kasım 2015 İÇERİK RÜZGAR SANTRALLERİNİN SATIŞ KANALLARI RES lerde ÜRETİM TAHMİNLERİNİN ETKİSİ ÇÖZÜM ÖNERİLERİ
Detaylı2013 2014 EĞİTİM ÖĞRETİM YILI 8. SINIF MATEMATİK DERSİ KAZANIMLARININ ÇALIŞMA TAKVİMİNE GÖRE DAĞILIM ÇİZELGESİ KAZANIMLAR
KASIM EKİM EYLÜL Ay Hafta D.Saat i 0 04 EĞİTİM ÖĞRETİM YILI 8. SINIF MATEMATİK DERSİ KAZANIMLARININ ÇALIŞMA TAKVİMİNE GÖRE SÜRE ÖĞRENME ALANI ALT ÖĞRENME ALANI Örüntü Süslemeler si KAZANIMLAR.Doğru, çokgen
DetaylıBAZI İLLER İÇİN GÜNEŞ IŞINIM ŞİDDETİ, GÜNEŞLENME SÜRESİ VE BERRAKLIK İNDEKSİNİN YENİ ÖLÇÜMLER IŞIĞINDA ANALİZİ
Güneş Günü Sempozyumu 99-28 Kayseri, 2-27 Haziran 1999 BAZI İLLER İÇİN GÜNEŞ IŞINIM ŞİDDETİ, GÜNEŞLENME SÜRESİ VE BERRAKLIK İNDEKSİNİN YENİ ÖLÇÜMLER IŞIĞINDA ANALİZİ Hüsamettin BULUT Çukurova Üni. Müh.
DetaylıÖRNEK BULGULAR. Tablo 1: Tanımlayıcı özelliklerin dağılımı
BULGULAR Çalışma tarihleri arasında Hastanesi Kliniği nde toplam 512 olgu ile gerçekleştirilmiştir. Olguların yaşları 18 ile 28 arasında değişmekte olup ortalama 21,10±1,61 yıldır. Olguların %66,4 ü (n=340)
DetaylıELEKTRİK DAĞITIM ŞEBEKELERİNDE TALEP TAHMİNİ
1 45 89 133 177 221 265 309 353 397 441 485 529 573 617 661 705 GW MW ELEKTRİK DAĞITIM ŞEBEKELERİNDE TALEP TAHMİNİ Mehmet ÖZEN 1 e-posta: ozenmehmet.92@gmail.com Ömer GÜL 1 e-posta: enerjikalitesi@gmail.com
DetaylıTUĞLA VE KİREMİT FABRİKALARININ HAVA KİRLİLİĞİNE KATKILARININ YAPAY SİNİR AĞI MODELLEMESİ İLE ARAŞTIRILMASI
TUĞLA VE KİREMİT FABRİKALARININ HAVA KİRLİLİĞİNE KATKILARININ YAPAY SİNİR AĞI MODELLEMESİ İLE ARAŞTIRILMASI Merve ARABACI a, Miray BAYRAM a, Mehmet YÜCEER b, Erdal KARADURMUŞ a a Hitit Üniversitesi, Mühendislik
Detaylı4. Çok büyük ve çok küçük pozitif sayıları bilimsel gösterimle ifade eder.
LENDİRME ŞEMASI ÜNİTE Üslü 1. Bir tam sayının negatif kuvvetini belirler ve rasyonel sayı olarak ifade eder.. Ondalık kesirlerin veya rasyonel sayıların kendileriyle tekrarlı çarpımını üslü sayı olarak
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
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
DetaylıDerece Bölüm/Program Üniversite Yıl
DR. ALI S. NAZLIPINAR Dumlupınar Üniversitesi, Fen Ed. Fakültesi Matematik Bölümü, Kütahya, TÜRKİYE ali.nazlipinar@dpu.edu.tr Tel: +90 274 2652031 /3065 (Dahili) Öğrenim Durumu Derece Bölüm/Program Üniversite
DetaylıDiferansiyel Evrim Algoritması Destekli Yapay Sinir Ağı ile Orta Dönem Yük Tahmini
International Journal of Research and Development, Vol.3, No., January 20 28 Diferansiyel Evrim Algoritması Destekli Yapay Sinir Ağı ile Orta Dönem Yük Tahmini İbrahim EKE Gazi Üniversitesi Mühendislik
DetaylıDOKUZ EYLÜL ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ DEKANLIĞI DERS/MODÜL/BLOK TANITIM FORMU. Dersin Kodu: END 4910
Dersi Veren Birim: Endüstri Mühendisliği Dersin Türkçe Adı: MATEMATİKSEL PROGRAMLAMADA SEÇİLMİŞ KONULAR Dersin Orjinal Adı: MATEMATİKSEL PROGRAMLAMADA SEÇİLMİŞ KONULAR Dersin Düzeyi:(Ön lisans, Lisans,
DetaylıİÇİNDEKİLER ÖN SÖZ...
İÇİNDEKİLER ÖN SÖZ... v GİRİŞ... 1 1. İSTATİSTİK İN TARİHÇESİ... 1 2. İSTATİSTİK NEDİR?... 3 3. SAYISAL BİLGİDEN ANLAM ÇIKARILMASI... 4 4. BELİRSİZLİĞİN ELE ALINMASI... 4 5. ÖRNEKLEME... 5 6. İLİŞKİLERİN
DetaylıElectronic Letters on Science & Engineering 1(1) 2005 Available online at www.e-lse.org
Electronic Letters on Science & Engineering 1(1) 2005 Available online at www.e-lse.org Solution of Forward Kinematic for Five Axis Robot Arm using ANN A. Mühürcü 1 1 Sakarya University, Electrical-Electronical
DetaylıYARI LOGARİTMİK MODELLERDE KUKLA DECİşKENLERİN KA TSA YıLARıNIN YORUMU
Marmara Üniversitesi U.B.F. Dergisi YIL 2005, CİLT XX, SAyı 1 YARI LOGARİTMİK MODELLERDE KUKLA DECİşKENLERİN KA TSA YıLARıNIN YORUMU Yrd. Doç. Dr. Ebru ÇACLAYAN' Arş. Gör. Burak GÜRİş" Büyüme modelleri,
DetaylıÇok katmanlı ileri sürümlü YSA da standart geri yayıyım ve momentum geri yayılım algoritmalarının karşılaştırılması. (Eğitim/Hata geri yayılım)
Çok katmanlı ileri sürümlü YSA da standart geri yayıyım ve momentum geri yayılım algoritmalarının karşılaştırılması (Eğitim/Hata geri yayılım) Özetçe Bu çalışmada çok katmanlı ve ileri sürümlü bir YSA
DetaylıADNAN MENDERES ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MATEMATİK ANABİLİM DALI MATEMATİK PROGRAMI DERS LİSTESİ
Ders List ADNAN MENDERES ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MATEMATİK ANABİLİM DALI MATEMATİK PROGRAMI DERS LİSTESİ 17.11.2016 Yüksek Lisans Dersleri Kod Ders Adı Ders Adı (EN) T U L K AKTS MTK501 Reel
DetaylıYABANCI DİL EĞİTİMİ VEREN ÖZEL BİR EĞİTİM KURUMUNDAKİ ÖĞRENCİLERİN BEKLENTİLERİNİN ARAŞTIRILMASI. Sibel SELİM 1 Efe SARIBAY 2
Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü Dergisi Cilt 5, Sayı:2, 2003 YABANCI DİL EĞİTİMİ VEREN ÖZEL BİR EĞİTİM KURUMUNDAKİ ÖĞRENCİLERİN BEKLENTİLERİNİN ARAŞTIRILMASI Sibel SELİM 1 Efe SARIBAY
Detaylıİçindekiler. Ön Söz... xiii
İçindekiler Ön Söz.................................................... xiii Bölüm 1 İstatistiğe Giriş....................................... 1 1.1 Giriş......................................................1
DetaylıGenetik Algoritma ile Türkiye Net Elektrik Enerjisi Tüketiminin 2020 Yılına Kadar Tahmini
International Journal of Engineering Research and Development, Vol.3, No.2, June 2011 37 Genetik Algoritma ile Türkiye Net Elektrik Enerjisi Tüketiminin 2020 Yılına Kadar Tahmini Vecihi Yigit Industrial
DetaylıİÇİNDEKİLER ÖNSÖZ Bölüm 1 SAYILAR 11 Bölüm 2 KÜMELER 31 Bölüm 3 FONKSİYONLAR
İÇİNDEKİLER ÖNSÖZ III Bölüm 1 SAYILAR 11 1.1. Sayı Kümeleri 12 1.1.1.Doğal Sayılar Kümesi 12 1.1.2.Tam Sayılar Kümesi 13 1.1.3.Rasyonel Sayılar Kümesi 14 1.1.4. İrrasyonel Sayılar Kümesi 16 1.1.5. Gerçel
DetaylıÖZGEÇMİŞ. Derece Alan Üniversite Yıl
1. Adı Soyadı : Atınç YILMAZ 2. Doğum Tarihi : 01/05/1983 3. Unvanı : Dr.Öğr.Üyesi 4. Öğrenim Durumu: ÖZGEÇMİŞ Derece Alan Üniversite Yıl Lisans Bilgisayar Mühendisliği Haliç Üniversitesi 2005 (Burslu)
DetaylıGenel Matematik (MATH 103) Ders Detayları
Genel Matematik (MATH 103) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Genel Matematik MATH 103 Güz 3 2 0 4 6 Ön Koşul Ders(ler)i - Dersin Dili Dersin
DetaylıÖ Z G E Ç M İ Ş. 1. Adı Soyadı: Mustafa GÖÇKEN. 2. Doğum Tarihi: 12 Haziran 1976. 3. Unvanı: Yrd. Doç. Dr. 4. Öğrenim Durumu: Ph.D.
Ö Z G E Ç M İ Ş 1. Adı Soyadı: Mustafa GÖÇKEN 2. Doğum Tarihi: 12 Haziran 1976 3. Unvanı: Yrd. Doç. Dr. 4. Öğrenim Durumu: Ph.D. Derece Alan Üniversite Yıl Lisans Endüstri Mühendisliği Çukurova Üniversitesi
Detaylı