TÜRKÇE ULUSAL DİL DERLEMİ PROJESİ BİÇİMBİRİM ÇALIŞMALARINDA BELİRSİZLİKLERİN SINIFLANDIRILMASI VE DAĞILIMI
|
|
- Alp Batur
- 8 yıl önce
- İzleme sayısı:
Transkript
1 TÜRKÇE ULUSAL DİL DERLEMİ PROJESİ BİÇİMBİRİM ÇALIŞMALARINDA BELİRSİZLİKLERİN SINIFLANDIRILMASI VE DAĞILIMI Yeşim AKSAN, Ümit MERSİNLİ, Yılmaz YALDIR ve Umut Ufuk DEMİRHAN Mersin Üniversitesi 1. GİRİŞ 1.1. Alanyazın Türkçe için yapılan biçimbirim belirginleştirme çalışmaları incelendiğinde Oflazer ve Kuruöz (1994) ün Tagging and Morphological Disambiguation of Turkish Text başlıklı çalışmalarında Türkçenin iki düzeyli biçimbilimsel bir tanımının PC-KIMMO yazılımına Türkçe kural setlerini tanımlanarak yapıldığı gözlenmektedir. Uyarlanan açımlayıcı, olasılık temelli bilgi toplanması ve kullanımı, çok sözcüklü yapı tanıma ve kısıtlama ve sözcük türü belirginleştirme çözümleyicisi ile genişletilmiştir. Sözcük kullanım sıklıklarıyla ilgili hesaplamalı bilgiler, belirsizliklerin çözümlenmesinde kullanılmaktadır. İstatistiki bilgilerin kullanıldığı yerlerden biri de, bir sözcüğün çok ender kullanılan anlamlarının elenmesidir. Oflazer ve Kuruöz (1994) bu istatistiklerin toplanmasının yanı sıra, işaretleyicinin kullanıcı tarafından belirtilen hatalı ayrıştırmalarını da kayda geçirdiğini ve böylelikle biçimbilimsel çözümleyicinin düzeltilebildiğini ifade etmektedir. Biçimbirimsel belirsizlik, istatistiki bilgi kullanılarak, otomatik olarak çözümlenemezse, bu belirsizlikleri çözmek için sözdizimsel bağlamlara gitmek durumunda kalınacaktır. Bir sözcüğün çoklu açımlamalarının belirginleştirilmesi için, sözcüğün yerel bağlamı üzerindeki kısıtlamaların neler olduğu saptanmaktadır. Tür (1996) ün Using Multiple Sources of Information for Constraint-Based Morphological Disambiguation başlıklı çalışması otomatik belirginleştirme yöntemini kullanarak; eğitici derlemden (training corpus), eğiticisiz öğrenme (unsupervised learning) yoluyla öğrenilen elle hazırlanmış kısıtlama kurallarını, biçimbilimsel belirginleştirilmesi yapılan derlemden elde edilen ek olasılıksal bilgiyle birleştirmektedir. Elle oluşturulmuş kuralların geri çağırmadan (recall) kısıtlama yapmaksızın, kesinlik (precision) artıracak şekilde düzenlenen dilbilimsel kurallar olduğu bildirilmektedir. Geri çağırma doğru olarak işaretlenmiş örnekçe sayısının, işaretlenen toplam örnekçe sayısına bölünmesiyle elde edilen orandır. Kesinlik ise işaretleyicinin metinden attığı istenmeyen işaret sayısıdır. Tür (1996) de tanıtılan bu çözümleyici %93-94 lük bir kesinlik ve örnekçe başına lük çözümleme (parse) oranındaki belirsizlikle, %96-97 lik geri çağırmaya sahiptir. Yüret ve Türe (2006) nin Learning Morphological Disambiguation Rules for Turkish adlı çalışması Türkçe metinlerin kural temelli bir biçimbirimsel belirginleştirme çalışmasıdır. Çalışma karar listelerini temel alan yeni bir yöntem kullanmaktadır. Karar listeleri, sıralanmış kural dizileridir. Her bir kural ise bir örüntü (pattern) ve bir sınıflandırmadan (classification) meydana gelmiştir. Bu kurallar, kural-temelli denetlemeli çalıştırma yöntemi (supervised learning) kullanan algoritma tarafından üretilmektedir. Algoritma, bir problemin çözümünde kullanılan işlemler dizisidir. Yeni karar listesi öğrenebilen bu algoritma ile 126 biçimbirimsel özelliğin her biri için farklı bir model eğitilmiş, elde edilen karar listeleriyle bir sözcüğün olası ayrıştırılmalarına olasılık değeri verilerek son işaretleme yapılmıştır. Çalışmada en iyi çözümü seçmek üzere her bir karar listesinin doğruluğu da hesaba katılarak sonuçlar olasılık temelinde birleştirilmiştir. Yüret & Türe (2006) modellerinin doğruluk oranını %96 olarak vermekte ve bu oranın kendilerinden önceki bildirilmiş en iyi doğruluk oranlarından biraz daha yüksek olduğunu ifade etmektedirler. Daybelge ve Çiçekli (2007) Türkçe için kural-temelli bir biçimbilimsel belirginleştirici geliştirmiştir. Geliştirdikleri biçimbirimsel belirginleştirici İngilizce ile Türkçe arasında örnektemelli makine-çeviri sisteminin bir parçası olarak kullanılmak üzere planlanmıştır. Bu kural-
2 temelli biçimbirimsel belirginleştiriciyi değerlendirmek üzere internet ortamından rastgele seçilmiş 15 makaleyi içeren bir test kümesi hazırlamışlardır. Farklı işlem basamakları sonucunda ulaştıkları duyarlık düzeyi % 81,2 ve geri çağırma oranıda % 98,5 olmuştur. Morphological Disambiguation of Turkish Text with Perceptron Algorithm adlı çalışmada Sak vd. (2007) ise Türkçe metinlerin biçimbilimsel işaretlemesini ve biçimbilimsel belirginleştirilmesini olasılık temelli Perceptron Algoritması kullanarak yapmıştır. Bu çalışmanın en önemli özelliği Türkçe metinlerin biçimbilimsel belirginleştirilmesi için perceptron algoritmasını uygulamasıdır. Perceptron terimi, insan beyninin tanıma ve ayırtetme yetilerini taklit etmeye çalışan modeller için kullanılmaktadır. Sak vd. (2007) ne göre biçimbilimsel belirginleştirme yapmak üzere eğitilmiş perceptron, temel modelin doğruluk derecesini % 93,61 den % 96,80 e yükseltmektedir. Perceptron un sözcük türü işaretleyicisi olarak eğitildiği durumda ise doğruluk oranı % 98,27 olarak bildirilmektedir. Elde edilen Türkçenin biçimbilimsel belirginleştirilmesi ve sözcük türü işaretlemesi sonuçlarının bugüne kadar bildirilen en iyi sonuçlar olduğu vurgulanmaktadır Biçimbirim Açımlamada Kullanılan Temel Kavramlar Biçimbirim açımlamada sıklıkla kullanılan temel kavramlar Belirsizlik (ambiguity), Belirginleştirme (disambiguation), Kural tabanlı belirginleştirme (rule-based disambiguation), Olasılığa dayalı belirginleştirme (probabilistic disambiguation) olarak sıralanabilir Belirsizlik Kullanılan temel kavramlardan ilki belirsizlik kavramıdır. Derlem açımlamada, belirsizliğin ortaya çıktığı durumlar, bir derlem metni içinde herhangi bir noktada iki ya da daha fazla işaretleme seçeneğinin bulunduğu durumlardır. Örneğin; sözcük türü işaretlemede, bazı sözcüklerin dilbilgisel ulamlarını belirlemek kolay değildir. Bazı durumlarda belirsizliği gidermek için ikili işaret (portmanteau tag) kullanılabilir. Sözcüğün içinde bulunduğu bağlamın incelenmesi de belirsizliği gidermede kullanılmaktadır (Baker vd., 2006) Belirginleştirme Belirginleştirme, derlem açımlamada, metnin verili bir noktasında, mümkün olan bir grup işaret arasından doğru açımlamanın seçilme işlemidir. Bu işlem elle veya otomatik olarak yapılabilir. Sözcük türü işaretlemeye yönelik pek çok yaklaşım belirginleştirme yapmaya odaklanmıştır. Belirginleştirme yapılırken, öncelikle, her bir örnekçeye, işaretleme sözlüğüne bakarak ya da bir biçimbilimsel çözümleyici kullanarak farklı bağlamlarda alabileceği bütün işaretler atanır. Belirginleştirme yazılımı doğru işareti seçmek için çoğunlukla bağlamı kullanır. Belirginleştirme; kural-tabanlı ya da olasılık temelli yaklaşımlarla, çoğu zaman da bunların karması olan melez yaklaşımlarla gerçekleştirilir (Baker vd., 2006) Kural tabanlı belirginleştirme Derlemdeki bir ögenin doğru işaretinin belirlenmesinde olasılıktan çok, kuralları kullanan bir işaretleme tekniğidir. Örneğin, ad ya da eylem olma ihtimali bulunan bir sözcükten hemen önce bir sıfat geliyorsa ya da bir eylem tarafından takip ediliyorsa, bu sözcüğün ad olarak işaretlenmesinin anlamlı olacağını söyler (Baker vd., 2006) Olasılığa dayalı belirginleştirme Olasılığa dayalı belirginleştirme, otomatik derlem açımlamada iki ya da daha fazla alternatif arasından doğru işareti seçmek amacıyla, doğru işaretlemenin ne olabileceğine ilişkin iyi bir
3 tahmin yapmak üzere geliştirilmiş; olasılık ya da istatistik hesaplarına dayanan bir dizi yönteme verilen addır. Olasılığa dayalı belirginleştirmede kullanılan bu istatistikler temelde sözcük sıklıklarıdır. İstatistikler, çoğunlukla işaretlenmemiş metinler üzerinde ileride bir çözümlemenin yapılabilmesi için, daha önceden açımlanmış derlemlerden türetilmektedirler (Baker vd., 2006). 2. AMAÇ Bu çalışmanın amacı Türkçe Ulusal Derlemi (TUDD) Oluşturma Projesi kapsamında oluşturulan, 5 milyon sözcüklük, biçimbirim açımlaması yapılmış bir alt derlem kullanarak; biçimbirim açımlamada ortaya çıkan belirsizlik türlerini sınıflandırmak, sınıflandırılan türlerin gözlenen sıklıklarını belirlemek ve belirsizlik türlerini ortadan kaldırabilecek kural tabanlı belirginleştirme örnekleri sunmaktır. 3. YAZILIM Türkçe Ulusal Dil Derlemi Projesi Biçimbirim Çalışmalarında Belirsizliklerin Sınıflandırılması ve Dağılımı adlı bu çalışma Silberztein (2003) tarafından ayrıntılandırılan NooJ uygulamasının Türkçe Eklentisi aracılığıyla yapılmıştır. Türkçe eklentisi, uygulamanın Türkçe için uyarlanmış sözlüklerini ve kural dosyalarını içermektedir. 4. VERİ Çalışma öncesinde yapılan pilot uygulama kapsamında TUDD Oluşturma Projesi veri tabanları kullanılarak hazırlanan 250 bin sözcüklük alt derlemden belirsizlik listeleri alınmıştır. Pilot çalışma sonucunda gözlemlenen yanlış işaretlemeleri içeren çizelgeler düzeltilmiş, yapay belirsizlikler kaldırılmış ve çalışmada kullanılacak 5 milyon sözcüklük derlem üzerinde çalışma tamamlanmıştır. Oluşturulan 5 milyon sözcüklük, yıllarında yayınlanmış metin örneklerinden oluşan alt derlem aşağıda belirtilen yayın türlerini ve sözcük sayılarını kapsamaktadır: Bilgilendirici Metin (1 milyon sözcük) Kurgusal Metin (1 milyon sözcük) Süreli Yayın (2 milyon sözcük) Yazılı / Basılmamış Metin ( sözcük) Sözlü Metin ( sözcük) 5. YÖNTEM Çalışmanın ilk aşamasını; 5 milyon sözcükten oluşan alt derlemin NooJ uygulamasının Türkçe Eklentisi ile işaretlenmesi oluşturmuştur. İşaretlenen alt derlemin belirsizlik listeleri yine aynı uygulama yardımıyla alınmış ve gözlenen sıklık değeri 100 den fazla olan belirsizlikler çalışma kapsamına alınmıştır. Gözlenen sıklık değeri 100 den fazla olan belirsizlik sınıfları aşağıda belirtilen başlıklar altında File Maker Pro 8.5 aracılığıyla sınıflandırılmıştır: Eşyazımlı başsözcükler et (V), et (N) Eşyazımlı ekler defter+in (p2s), defter+in (gen) Ekleme sonucu oluşan eşyazımlılıklar birlikte (AV), birlik+te(loc) Eşyazımlı ek-ek birleşimleri taşı+makta (cont), taşı+mak (nz1)+ta(loc) 6. BELİRSİZLİKLERİN SINIFLANDIRILMASI TUDD Oluşturma projesi kapsamında 5 milyon sözcüklük veri tabanı kullanılarak yapılan çalışmanın bu bölümünde ortaya çıkan belirsizlik türleri ve gözlenen sıklık değerleri belirtilecektir. NooJ Türkçe Eklentisi kullanılarak yapılan çalışma sonucunda eşyazımlı
4 başsözcükler, eşyazımlı ekler, ekleme sonucu ortaya çıkan eşyazımlılıklar ve eşyazımlı ek-ek birleşimleri olmak üzere 4 farklı belirsizlik türü ortaya çıkmıştır. Ortaya çıkan eşyazımlı başsözcüklere ait belirsizlik türlerinin İngilizce-Türkçe gösterimleri ve kısaltmaları Tablo 1 de ve eşyazımlı eklerle ilgili belirsizlik türlerine ait İngilizce-Türkçe gösterimler ve kısaltmalar ise Tablo 2 de yer almaktadır. Tablo 1 Eşyazımlı başsözcüklerin NooJ Türkçe Eklentisindeki İngilizce-Türkçe gösterimleri ve kısaltmaları İngilizce Noun Türkçe Ad Gösterim N Verb Eylem V Adjective Sıfat A Pronoun Adıl PN Adverb Belirteç AV Postposition İlgeç PP Determiner Belirleyici DT Tablo 2 Eşyazımlı eklerin NooJ Türkçe Eklentisindeki İngilizce-Türkçe gösterimleri ve kısaltmaları Biçimbirim Açıklama (Türkçe) Gösterim I Belirtme durumu acc In Tamlayan durumu gen Im Kişi Eki c1s m İyelik Eki p1s I(n) İyelik Eki p2s I İyelik Eki p3s mak Adlaştırıcı nz1 AcAk Adlaştırıcı pc1 A Yönelme Durumu dat da Kalma Durumu loc ile Araç Durumu ins DAn Çıkma Durumu abl Belirtecimsi AV0* r z Geniş Zaman aor DI Bitmişlik / Geçmiş past An Sıfatlaştırıcı pc3 DIr Koşaç cop In 2. çoğul Emir Kipi imp I Ara ses I bfi n Ara ses n bfn 6.1. Eşyazımlı Başsözcükler Çalışma sonucunda; eşyazımlı başsözcükler ulamında en sık belirsizlik oluşturan sözcük türleri; belirleyici (determiner) ve adıl (pronoun) olarak ortaya çıkmıştır. Eşyazımlı başsözcüklerle ilgili oluşan belirsizlik ulamında karşılaşılan belirsizliklerin gözlenen sıklık değeri tır. İkinci sırada; ad (N) - eylem (V) belirsizliği gelmektedir ve gözlenen sıklık değeri dir. Belirteç
5 (AV) ve belirleyici (DT) belirsizliği üçüncü sırada karşımıza çıkmış ve sıklık değerine sahiptir. Dördüncü sırada yer alan bir diğer belirsizlik türü ise sıfat(a) ve ad (N) belirsizliğidir. İlgili belirsizliğin gözlenen sıklık değeri dır. Eşyazımlı başsözcükler ulamında yer alan diğer belirsizlik türleri Şekil 1 de yer almaktadır. Şekil 1: Sözcük türlerine göre eşyazımlı başsözcükler Eşyazımlı başsözcükler ulamında 1. sırada yer alan belirleyici (DT) ve adıl (PN) belirsizliğine ait bağlam içi örnek (1) ve (2) de gösterilmektedir: (1) 1950 lerde liberal ekonomi anlayışının tekrar uygulanmaya konulması ile ilgili bir çaba sarfedilse de bu (PN) çok uzun sürmedi. (2) Maliye Bakanlığı bu (DT) konuda gerekli düzenlemeleri yapmaya yetkilidir. Eşyazımlı başsözcükler ulamında 2. sırada yer alan ad (N) ve eylem (V) belirsizliği ile ilgili belirsizliğin bağlam içi örneği ise (3) ve (4) te yer almaktadır: (3) İşte bunları duyunca ona yeniden yol göründü. Önce Marmaris, sonra Gökova Akyaka Köyü İzmir in kurtuluş günü 9 Eylül de oraya vardı (V). (4) Bu sefer aile üyeleri yerine sanatçı arkadaşları, Suna Yıldızoğlu, Çetin Alp, Perihan Sözen vardı (N) yanlarında Yukarıda adı geçen ve 4. sırada yer alan ad (N) ve sıfat (A) belirsizliğine ait bağlam içi örnekler (5) ve (6) daki gibidir: (5) Fonlar ın finansman dengesinin 1998 yılında 76 trilyon Türk lirası açık (N) vererek, GSMH ya oranının binde 1 düzeyinde olması beklenmektedir. (6) Birim hissesinin getirisi konusunda açık (A), şeffaf ve geniş katılım içeren usul ve esaslarla tamamen üniversitelerce yapılması öngörülmektedir Eşyazımlı Ekler Çalışmanın sonunda en sık karşılaşılan belirsizlik ulamı 3. tekil kişi iyelik eki (p3s) ve belirtme durum ekinde (acc) göze çarpmaktadır. İkinci sırada 2. tekil iyelik eki (p2s) ve 3. tekil kişi iyelik eki (p3s) belirsizliği gelmektedir. Bu bağlamda, eşyazımlı eklerin oluşturduğu belirsizlik türleri incelendiğinde Tablo 3 teki bulgulara erişilmiştir:
6 Tablo 3 Eşyazımlı eklerin oluşturduğu belirsizlik türleri ve sayıları 3. Tekil Kişi iyelik eki (p3s) belirtme durum eki (acc) Tekil Kişi iyelik eki (p2s) 3. Tekil Kişi iyelik eki (p3s) Tekil Kişi iyelik eki (p2s) Tamlayan durum eki (gen) Tekil Kişi iyelik eki (p2s) Ara ses n (bfn) Kişi eki (c1s) 1. Tekil Kişi iyelik eki (p1s) Bitmemişlik / sürerlilik eki (cont) - Adlaştırıcı (nz1) (-mak) Diğerleri Yukarıda adı geçen belirsizliklerden ilk sıradaki 3. tekil iyelik eki (p3s) ve belirtme durum ekinin (acc) oluşturduğu belirsizliğin bağlam içi örüntülerine aşağıdaki örnekler verilebilir: (7) Kimsenin işi (iş,n+ p3s (3. tekil iyelik eki) kimseyi ilgilendirmez. (8) İşi (iş,n+acc (belirtme durum eki) aldığımı biliyorum Ekleme Sonucu Oluşan Eşyazımlılıklar Ekleme sonucu oluşan eşyazımlılık ulamları incelendiğinde ise ilk üç sırada yer alan sözcüklerin yönelme durum eki (dat), 2. tekil kişi iyelik eki (p2s) ve 1. tekil kişi iyelik ekinin tek harfli morfemler ile çekimlenerek, 4. ve 5. sıradaki sözcüklerin ise kalma durum eki (loc) ve araç durum (ins) ekiyle çekimlenerek belirsizlik oluşturduğu söylenebilir. Şekil 3 ekleme sonucu oluşan eşyazımlılıkların dağılımını göstermektedir. Şekil 2: Ekleme sonucu oluşan eşyazımlılıkların belirsizlik türleri Ekleme sonucu oluşan belirsizlik türlerinden sıfatlaştırıcı (-An (pc3)) ekin sözcüğe eklendiğinde oluşturduğu belirsizlik türü aşağıdaki bağlam içi örnekte görünmektedir. (9) Birinci basamak sınavından (ÖSS) en az 120 puan alan (-An (pc3)) öğrenciler, ikinci basamak sınavı olarak bilinen Öğrenci Yerleştirme Sınavı'na (ÖYS) girmeye hak kazanmaktadırlar.
7 (10) Öğrenciler, çeşitli alan (Ad (N)) bilgisi testlerinden oluşan ikinci basamak sınavı sonuçlarına göre lisans düzeyindeki örgün öğretim programlarına (fakülteler ve 4 yıllık yüksekokullar) yerleştirilmektedir Eşyazımlı Ek-Ek Birleşimleri Son olarak; eşyazımlı ek-ek birleşimleri ulamları incelendiğinde ise belirtecimsi (AV08) ve adlaştırıcı+çıkma durum eki (nz2+abl) birleşimi saptanmıştır (Örneğin, bilmeden). Bu belirsizlik ulamının gözlenen sıklık değerinin toplamda 672, bitmemişlik/sürerlik eki ve adlaştırıcı+kalma durum eki+koşaç birleşiminin (Örneğin, taşımaktadır) gözlenen sıklık değerinin 330 olduğu çalışma sonunda ortaya çıkmıştır. Her iki belirsizlik türü toplamda olarak belirlenmiştir. Belirtecimsi (AV08) ve adlaştırıcı+çıkma durum ekinin (nz2+abl) oluşturduğu bağlam içi örnekler aşağıda yer almaktadır: (11) Batıdaki pek çok insan doğuyu, orada gerçekte ne olup bittiğini bilmeden (belirtecimsi (AV08)) ve anlamadan yargılıyor. (12) Biz Müslümanlar bu gerçekleri bilmeden (adlaştırıcı+çıkma durum eki (nz2+abl)) önce de iman edip misvağı kullandık. 6. BELİRGİNLEŞTİRME ÇALIŞMALARI Bu bölümde, yukarıda dizinlenen belirsizliklerin giderilmesi konusunda yararlanılan araçların kullanımına kısaca değinilecektir. Öncelikle eşyazımlı başsözcükler konusunda, elde edilen çoklu açımlamaların gözlenen sıklık değerleri arasında belirgin bir fark görüldüğünden (en, AV/N gibi) birden çok sözlük oluşturularak, işlemlemede öncelik sırası belirlemek uygun görünmektedir. Eşyazımlı ekler konusunda ise oluşturulan çizelgelerde belirleyici bağlam bulunmaması durumunda, sözdizimsel kural yazımına gidilmesi yolu benimsenmiştir. Kural yazımı Şekil 4 teki gibi çizelgelerle yapılmaktadır. Şekil 3. Örnek belirginleştirme çizelgesi
8 Yukarıdaki örnekte, öyle, böyle, şöyle sözcüklerinin belirteç ve belirleyici kullanımları arasındaki bağlam farklılığı gösterilerek, açımlamada söz konusu bağlamın gözetilmesi sağlanmaktadır. Yine aynı belirginleştirme, metinsel kural yazımı yoluyla (13) deki gibi gerçekleştirilebilmektedir. (13) A = (öyle böyle şöyle)/<av> (<V> <AJ>) ; B = (öyle böyle şöyle)/<dt> (<N> <PN>) ; NooJ v3 (Silberztein, 2003) te, belirsizliğin araştırmacı tarafından giderilmesi de mümkün olmaktadır. Böylece özellikle eğitici-derlem oluşturmada araştırmacılar tarafından kullanılabilir bir araç olmaktadır. 7. SONUÇ Bu çalışmada Doğal Dil İşleme çalışmaları için yararlı olabileceğini düşündüğümüz, Türkçedeki belirsizlik kaynaklarının bir dökümü sunulmuştur. Yine gözlenen sıklık değerlerine yer verilerek Türkçede odaklanılması gereken yapılar sunulmaya çalışılmıştır. Yapılan sınıflama kural-tabanlı belirsizlik giderme çalışmalarında kullanılabilecektir. Türkçe Ulusal Derlemi Oluşturma Projesi kapsamında yürütülen kural-tabanlı belirginleştirme çalışmalarında da bu bildiride ayrıntılandırılan bulgulardan yararlanılmıştır ve bu konudaki çalışmalar sürmektedir. Notlar Bu bildiri TÜBİTAK 108K242; BAP-FEF (SYA) A ve BAP-FEF İDE (MŞA) A no lu projeler kapsamında hazırlanmıştır. Katkılarından dolayı TÜBİTAK a ve Mersin Üniversitesi Bilimsel Araştırma Projeleri Birimine teşekkür ederiz. Kaynakça Baker, P. A. Hardie & T. McEnery A Glossary of Corpus Linguistics. Edinburgh University Press. Biber, D.,S. Conrad & V. Cortes If you look at Lexical Bundles in University Teaching and Textbooks. Applied Linguistics 25 (3), Daybelge, T. & İ. Çiçekli A Rule-Based Morphological Disambiguator for Turkish. Proceedings of Recent Advances in Natural Language Processing (RANLP 2007). Oflazer, K. & İ.Kuruöz Tagging and Morphological Disambiguation of Turkish Text. Proceedings of the 4th Applied Natural Language Processing Conference. Sak, H., T. Güngör & M. Saraçlar Morphological Disambiguation of Turkish Text with Perceptron Algorithm. Gelbukh, A. (Haz.), Proceedings of International Conference on Intelligent Text Processing and Computational Linguistics. Springer. Silberztein, M Nooj Manual. Erişim Tarihi: 13 Mayıs Tür, G Using Multiple Sources of Information for Constraint-Based Morphological Disambiguation. Yüksek Lisans Tezi. Bilkent Üniversitesi. Ankara. Yuret. D. & Türe, F Learning Morphological Disambiguation Rules for Turkish. Proceedings of HLT-NAACL 2006 Türkçe Ulusal Derlemi Oluşturma Projesi.
BİÇİMBİRİM AÇIMLAMA VE BELİRGİNLEŞTİRME. Ümit MERSİNLİ, Mustafa AKSAN Mersin Üniversitesi umit@mersinli.org, mustafa@aksan.org
BİÇİMBİRİM AÇIMLAMA VE BELİRGİNLEŞTİRME Ümit MERSİNLİ, Mustafa AKSAN Mersin Üniversitesi umit@mersinli.org, mustafa@aksan.org 1. GİRİŞ Doğal Dil İşleme alanlarından Sözcük Türü İşaretleme (Part-of-Speech
DetaylıYeşim AKSAN, Selma Ayşe ÖZEL, Yasin BEKTAŞ, Mustafa AKSAN, Umut Ufuk DEMİRHAN, Ümit MERSİNLİ, Hakan YILMAZER. Sunan : Yasin BEKTAŞ.
Yeşim AKSAN, Selma Ayşe ÖZEL, Yasin BEKTAŞ, Mustafa AKSAN, Umut Ufuk DEMİRHAN, Ümit MERSİNLİ, Hakan YILMAZER Sunan : Yasin BEKTAŞ 5 Şubat 2014 1. Giriş 2. Alanyazın 3. Açık Kaynak / Ücretsiz Yazılımlarla
DetaylıTÜRKÇENİN BİÇİMBİRİM VE SÖZCÜK TÜRÜ İŞARETLEMESİ 1. Ümit MERSİNLİ ve Mustafa AKSAN Mersin Üniversitesi umit@mersinli.org, mustafa@aksan.
TÜRKÇENİN BİÇİMBİRİM VE SÖZCÜK TÜRÜ İŞARETLEMESİ 1 Ümit MERSİNLİ ve Mustafa AKSAN Mersin Üniversitesi umit@mersinli.org, mustafa@aksan.org 1. GİRİŞ Türkçe bilgisayarlı dil işleme ve derlem dilbilim alanlarında
Detaylıhttp://www.tnc.org.tr
http://www.tnc.org.tr Yeşim Aksan, Mustafa Aksan, S. Ayşe Özel, Hakan Yılmazer, Umut U. Demirhan, Ümit Mersinli, Yasin Bektaş, Serap Altunay Mersin Üniversitesi, Çukurova Üniversitesi Türkçe Ulusal Derlemi
DetaylıTS Corpus Türkçe Derlemi *
TS Corpus Türkçe Derlemi * Taner Sezer Mersin Üniversitesi admin@tscorpus.com taner@tanersezer.com Özet: Derlem dilbilim son yıllarda dilbilimin giderek ilgisini artırdığı bir alandır. Bilgisayar teknolojilerinde
DetaylıTÜRKÇENİN DERLEM-TEMELLİ SIKLIK SÖZLÜĞÜ: TEMEL İLKELER VE UYGULAMA
TÜRKÇENİN DERLEM-TEMELLİ SIKLIK SÖZLÜĞÜ: TEMEL İLKELER VE UYGULAMA A CORPUS-BASED FREQUENCY DICTIONARY OF TURKISH: BASIC PRINCIPLES AND IMPLEMENTATION 3 Yeş m Aksan; Mustafa Aksan *Mersin 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:
DetaylıTürkçe Tümcelerin Sonunu Belirlemede Açık Kaynak / Ücretsiz Yazılımlar ve Performans Analizleri
Akademik Bilişim 14 - XVI. Akademik Bilişim Konferansı Bildirileri 5-7 Şubat 2014 Mersin Üniversitesi Türkçe Tümcelerin Sonunu Belirlemede Açık Kaynak / Ücretsiz Yazılımlar ve Performans Analizleri Yeşim
DetaylıTürkçe nin Bağlılık Ayrıştırması. Gülşen Cebiroğlu Eryiğit
Türkçe nin Bağlılık Ayrıştırması Gülşen Cebiroğlu Eryiğit Bağlılık Ayrıştırması Doğal Dil İşleme ve Bölümleri Türkçe'nin Bağlılık Ayrıştırması @ 2007 Gülşen Cebiroğlu Eryiğit 2/45 Bağlılık Ayrıştırması
DetaylıBiçimbirim Dizilerinin Farklı Metin Türlerindeki Görünümleri *
30. Ulusal Dilbilim Kurultayı Bildirileri, 2017 Dilbilim Derneği Yayınları, Ankara 35-41 Biçimbirim Dizilerinin Farklı Metin Türlerindeki Görünümleri * Yeşim Aksan ve Ümit Mersinli Mersin Üniversitesi
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
DetaylıİSTANBUL TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ TÜRKÇE İÇİN BİÇİMBİRİMSEL BELİRSİZLİK GİDERİCİ. YÜKSEK LİSANS TEZİ Müh. Z.
İSTANBUL TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ TÜRKÇE İÇİN BİÇİMBİRİMSEL BELİRSİZLİK GİDERİCİ YÜKSEK LİSANS TEZİ Müh. Z. İlknur KARADENİZ Anabilim Dalı : BİLGİSAYAR MÜHENDİSLİĞİ Programı : BİLGİSAYAR
DetaylıYeşim AKSAN ve Yılmaz YALDIR Mersin Üniversitesi yaksan@mersin.edu.tr, yilmazyaldir@hotrnail.com
TÜRKÇE SÖZVARLIGININ NİcEL BETİMLEMESİ 1 Yeşim AKSAN ve Yılmaz YALDIR Mersin Üniversitesi yaksan@mersin.edu.tr, yilmazyaldir@hotrnail.com ı. GİRİş Bilgisayar bilimlerindeki son dönem gelişmeler, bilgisayarların
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
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
DetaylıDoç. Dr. Bülent ÖZKAN Mersin Üniversitesi
Türkçe için Kendi Kendine Derlem Platformu nun (KKDP) İnternet Tabanlı Türkçe Yeterlik Sınavı (İTS) Yazma Beceresi Modülüne Eklemlenmesi ve Yazma Hatalarının Belirlenmesi Temelinde Öğrenici Derlemi Altyapısı
DetaylıTürkçe için Karşılaştırmalı bir Kelime Anlamı Belirginleştirme Uygulaması
Türkçe için Karşılaştırmalı bir Kelime Anlamı Belirginleştirme Uygulaması Özet: Kelime anlamı belirginleştirme (KAB), bir kelimenin bulunduğu bağlamda hangi anlamı ile kullanıldığının otomatik olarak belirlenebilmesidir.
DetaylıYÖK tarafından ülkemizdeki yükseköğretim kurumlarının akademik ve idari hizmetlerinin kalite düzeylerinin iyileştirilmesine yönelik olarak
YÖK tarafından ülkemizdeki yükseköğretim kurumlarının akademik ve idari hizmetlerinin kalite düzeylerinin iyileştirilmesine yönelik olarak Yükseköğretim Kurumlarında Akademik Değerlendirme ve Kalite Geliştirme
DetaylıYÖK DOKÜMANTAYON MERKEZİ HİZMETLERİ
TÜBİTAK-ULAKBİM CAHİT ARF BİLGİ MERKEZİ DANIŞMA HİZMETLERİ NDEKİ GELİŞMELER VE MAKALE FOTOKOPİ İSTEK SİSTEMİ Filiz YÜCEL Internet ve bilgi teknolojisindeki hızlı gelişmeler bilgi merkezlerinin verdiği
DetaylıİLKÖĞRETİM TÜRKÇE DERS KİTAPLARI DERLEMİ VE TÜRKÇE ULUSAL DİL DERLEMİ ÖRNEKLEMİNDEKİ SÖZCÜK SIKLIKLARI 1
İLKÖĞRETİM TÜRKÇE DERS KİTAPLARI DERLEMİ VE TÜRKÇE ULUSAL DİL DERLEMİ ÖRNEKLEMİNDEKİ SÖZCÜK SIKLIKLARI 1 Yeşim Aksan Ümit Mersinli Yılmaz Yaldır Mersin Üniversitesi yesim.aksan@gmail.com umit@mersinli.org
DetaylıGeçmişten Günümüze Kastamonu Üniversitesi Dergisi: Yayımlanan Çalışmalar Üzerine Bir Araştırma 1
Mart 2017 Cilt:25 No:2 Kastamonu Eğitim Dergisi xii-xxi Geçmişten Günümüze Kastamonu Üniversitesi Dergisi: Yayımlanan Çalışmalar Üzerine Bir Araştırma 1 Lütfi İNCİKABI, Samet KORKMAZ, Perihan AYANOĞLU,
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
DetaylıİNGİLİZCE HAZIRLIK PROGRAMI SEVİYE 1 DERS MÜFREDATI
CEFR Seviyesi: A1 İNGİLİZCE HAZIRLIK PROGRAMI SEVİYE 1 DERS MÜFREDATI 2017-2018 Ders programı: Ofis saatleri: Birebir dersler: Seviyenin tanımı: Bu seviyenin hedefleri: Dersler 8 hafta sürmektedir. Öğrenciler,
DetaylıKullanım Kılavuzu Aralık 2017
Kullanım Kılavuzu Aralık 2017 İçindekiler 1 Giriş... 3 2 Atıfta Ara ve İçerikte Ara... 3 2.1... Bazı Atıf Tarama İpuçları... 4 2.2... Detaylar Bölümü... 5 3 Profil Görüntüleme Ekranı... 7 4 Diğer Menü
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
DetaylıİLKÖCRETİM TÜRKÇE DERS KİTAPLARI DERLEMİ VE TÜRKÇE ULUSAL DİL DERLEMİ ÖRNEKLEMİNDEKİ SÖZCÜK SIKLIKLARı i
İLKÖCRETİM TÜRKÇE DERS KİTAPLARI DERLEMİ VE TÜRKÇE ULUSAL DİL DERLEMİ ÖRNEKLEMİNDEKİ SÖZCÜK SIKLIKLARı i Yeşim Aksan yesi m.aksan@gmail.com Ümit Mersinli Mersin Üniversitesi umit@mersinli.org Yılmaz Yaldır
DetaylıULUSLARARASI ANTALYA ÜNİVERSİTESİ AKADEMİK YAYINLARI TEŞVİK YÖNERGESİ BİRİNCİ BÖLÜM
ULUSLARARASI ANTALYA ÜNİVERSİTESİ AKADEMİK YAYINLARI TEŞVİK YÖNERGESİ BİRİNCİ BÖLÜM Amaç ve Kapsam Madde 1- Bu yönergenin amacı Uluslararası Antalya Üniversitesi nde (UAÜ) görevli Öğretim Üyelerinin ve
Detaylı127 - Twoing Algoritması ile Sınıflandırma Kalp Hastalığı Uygulaması MEHMET AKİF ERSOY ÜNİVERSİTESİ İLHAN UYSAL MEHMET BİLEN SAMİ ULUKUŞ
127 - Twoing Algoritması ile Sınıflandırma Kalp Hastalığı Uygulaması MEHMET AKİF ERSOY ÜNİVERSİTESİ İLHAN UYSAL MEHMET BİLEN SAMİ ULUKUŞ Veri Madenciliği : Bir sistemin veri madenciliği sistemi olabilmesi
DetaylıKullanım Kılavuzu Eylül 2018
Kullanım Kılavuzu Eylül 2018 İçindekiler 1 Giriş... 3 2 Arama Seçeneği... 3 2.1... Bazı Atıf Tarama İpuçları... 4 2.2... Atıf Arama Sonuçlarını Yazdırın... 7 2.3... Detaylar Bölümü... 7 2.4.Gelişmiş Arama
DetaylıSÖZCÜK TÜRLERİNDEKİ BELiRSiZLİKLER ÜZERİNE DERLEM TEMELLi BAGLAM-İÇİ GÖZLEMLER Aygül UÇAR & Özlem KURTOGLU & İpek YILDIZ Mersin Vniversitesi aygulucar@ gmail.com, ozlemkurtoglu77@ hotmail.com, ipekyildiz09@
DetaylıKullanım Kılavuzu Aralık 2017
Kullanım Kılavuzu Aralık 2017 İçindekiler 1 Giriş... 3 2 Atıfta Ara ve İçerikte Ara... 3 2.1... Bazı Atıf Tarama İpuçları... 4 2.2... Atıf Arama Sonuçlarını Yazdırın... 7 2.3... Detaylar Bölümü... 7 3
DetaylıDİZİN. Not: Koyu harfle yazılan sayfalar ilgili terimin yoğun olarak geçtiği sayfaları göstermektedir.
DİZİN Not: Koyu harfle yazılan sayfalar ilgili terimin yoğun olarak geçtiği sayfaları göstermektedir. A ağırlıklandırma bkz. terim ağırlıklandırma AltaVista, 6, 31, 37, 45-47, 93, 135 anahtar sözcükler,
DetaylıYönetim Anasayfa : Tanımlar : Parametreler : Seo yolu izlenerek dinamik seo modülüne erişebilirsiniz.
Güncelleme Dokümanı Versiyon 3.00 Dinamik SEO Modülü Dinamik SEO modülü site sayfalarının arama motoru sitelerinde daha üst sıralarda çıkabilmesine yönelik yapılan optimizasyon modülüdür. Yeni eklentiler
DetaylıBĠYOLOJĠ EĞĠTĠMĠ LĠSANSÜSTÜ ÖĞRENCĠLERĠNĠN LĠSANSÜSTÜ YETERLĠKLERĠNE ĠLĠġKĠN GÖRÜġLERĠ
359 BĠYOLOJĠ EĞĠTĠMĠ LĠSANSÜSTÜ ÖĞRENCĠLERĠNĠN LĠSANSÜSTÜ YETERLĠKLERĠNE ĠLĠġKĠN GÖRÜġLERĠ Osman ÇİMEN, Gazi Üniversitesi, Biyoloji Eğitimi Anabilim Dalı, Ankara, osman.cimen@gmail.com Gonca ÇİMEN, Milli
DetaylıTS Corpus: Herkes için Türkçe derlem. Taner Sezer * Bengü Sever Sezer ** Mersin Ünivesitesi
TS Corpus: Herkes için Türkçe derlem Özet Taner Sezer * Bengü Sever Sezer ** Mersin Ünivesitesi TS Corpus un ilk versiyonu 1 Mart 2012, ikinci versiyonu 30 Ağustos 2012 de yayınlanmıştır. TS Corpus 491M+
DetaylıEğitim Bağlamında Oyunlaştırma Çalışmaları: Sistematik Bir Alanyazın Taraması
Eğitim Bağlamında Oyunlaştırma Çalışmaları: Sistematik Bir Alanyazın Taraması Meryem Fulya GÖRHAN Hacettepe Üniversitesi, Eğitim Bilimleri Enstitüsü, Bilgisayar ve Öğretim Teknolojileri Eğitimi Anabilim
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
DetaylıSağlık Bilimleri Türkçe Derlemi
Sağlık Bilimleri Türkçe Derlemi Memduh Çağrı Demir 1, Mehmet Kamil Sulubulut 1 ve Atilla Aral 2 1 Yonca Teknoloji, Ankara, Türkiye {cagri.demir,kamil.sulubulut}@yt.com.tr http://www.yt.com.tr 2 Ankara
DetaylıÖZGEÇMİŞ Doç. Dr. BÜLENT ÖZKAN
ÖZGEÇMİŞ Doç. Dr. BÜLENT ÖZKAN TC Kimlik No / Pasaport No: 18773153342 Doğum Yılı: 1977 Yazışma Adresi : Telefon : e posta : MERSİN ÜNİVERSİTESİ, EĞİTİM FAKÜLTESİ, BÖLÜMÜ, YENİŞEHİR KAMPUSU/MERSİN Mersin/Türkiye
DetaylıTemel ve Uygulamalı Araştırmalar için Araştırma Süreci
BÖLÜM 8 ÖRNEKLEME Temel ve Uygulamalı Araştırmalar için Araştırma Süreci 1.Gözlem Genel araştırma alanı 3.Sorunun Belirlenmesi Sorun taslağının hazırlanması 4.Kuramsal Çatı Değişkenlerin açıkça saptanması
Detaylıe-öğrenme Hizmetlerinde Bütünsellik, Kalite ve Sürdürülebilirlik
e-öğrenme Hizmetlerinde Bütünsellik, Kalite ve Sürdürülebilirlik Abdulkadir KARADENİZ abdulkadirkaradeniz@anadolu.edu.tr Misyon Bilim, teknoloji, sanat ve spor alanlarında eğitim, araştırma ve projelerle
DetaylıDİYETİSYEN OTOMASYONU ÖĞRETİM TASARIMI RAPORU ÜYELER 1) BÜŞRA KORKMAZ 2) NURCAN YILDIRIM
DİYETİSYEN OTOMASYONU ÖĞRETİM TASARIMI RAPORU ÜYELER 1) BÜŞRA KORKMAZ 2) NURCAN YILDIRIM 1. Analiz 1.1. Öğretim Ortamının Analizi 1.2. Öğretim Analizi 1.3. Medya Analizi 1.4. İçerik Analizi 1.5. İhtiyaç
DetaylıTürkçe ve Doğal Dil İşleme Turkish Natural Language Processing. Özet. Kemal Oflazer Carnegie Mellon Üniversitesi - Katar Doha, Katar ko@cs.cmu.
Türkçe ve Doğal Dil İşleme Turkish Natural Language Processing Kemal Oflazer Carnegie Mellon Üniversitesi - Katar Doha, Katar ko@cs.cmu.edu Özet Bu makalede Türkçe nin doğal dil işleme açısından ilginç
Detaylı3. sınıf. Bilgisayarla kataloglamanın doğuşu gelişimi ve bugünkü durum ele alınmaktadır. Bu derste
3. sınıf 5. Yarıyıl (Güz Dönemi) Bilgi Kaynaklarının Tanımlanması ve Erişimi I (AKTS 5) 3 saat Bilgisayarla kataloglamanın doğuşu gelişimi ve bugünkü durum ele alınmaktadır. Bu derste Kütüphane Otomasyon
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
DetaylıUygur Tümcesinin Bilgisayar ile Çözümlenmesi
Uygur Tümcesinin Bilgisayar ile Çözümlenmesi Murat Orhun İstanbul Bilgi Üniversitesi, Bilgisayar Mühendisliği Bölümü,İstanbul murat.orhun@bilgi.edu.tr Özet: Bilgisayarlı çeviride, kaliteli çevirinin yapılabilinmesi
DetaylıDağıtık Sistemler CS5001
Dağıtık Sistemler CS5001 Th. Letschert Çeviri: Turgay Akbaş TH Mittelhessen Gießen University of Applied Sciences Biçimsel model nedir Biçimsel model matematiksel olarak tanımlanmış olan bir modeldir.
DetaylıİDV ÖZEL BİLKENT ORTAOKULU SINIFLARINA KONTENJAN DAHİLİNDE ÖĞRENCİ ALINACAKTIR.
İDV ÖZEL BİLKENT ORTAOKULU 5-6-7-8.SINIFLARINA KONTENJAN DAHİLİNDE ÖĞRENCİ ALINACAKTIR. ORTAOKUL 5.6.7.8.SINIFLAR Kontenjan İlanı : 07.06.2018 Başvuru Tarihleri : 07-11 Haziran 2018 Başvuru Evrakları :
DetaylıÜNİBİLGİ. Ankara Üniversitesi Kütüphane ve Dokümantasyon Daire Başkanlığı
ÜNİBİLGİ Ankara Üniversitesi Kütüphane ve Dokümantasyon Daire Başkanlığı Elektronik kütüphanemizde yer alan yeni veri tabanlarının daha aktif olarak kullanımına olanak sağlamak amacıyla yaptığımız tanıtım
DetaylıBÖLÜM 1 ÖLÇME VE DEĞERLENDİRMEDE TEMEL KAVRAMLAR
İÇİNDEKİLER BÖLÜM 1 ÖLÇME VE DEĞERLENDİRMEDE TEMEL KAVRAMLAR I. Öğretimde Ölçme ve Değerlendirmenin Gerekliliği... 2 II. Ölçme Kavramı... 3 1. Tanımı ve Unsurları... 3 2. Aşamaları... 3 2.1. Ölçülecek
DetaylıPSİKOLOJİDE ÖLÇEK KAVRAMI VE ÖLÇEK TÜRLERİ /11 Bogardus Tutum Ölçeği /12 Thurston Ölçeği /13 Likert Tipi Ölçekler /13 Guttmann Tutum Ölçeği /15
İÇİNDEKİLER BİRİNCİ BÖLÜM PSİKOLOJİK TESTLER /1 PSİKOLOJİK TESTLERİN SINIFLANDIRILMASI /3 Ölçülen Nitelik ve Amacına göre Testler /5 Maksimum Performans ve Davranış Testleri /5 Bireysel ve Grup Testleri
DetaylıÖğrencilerin Üst Düzey Zihinsel Becerilerinin Belirlenmesi. Öğrenci Portfolyoları
Öğrencilerin Üst Düzey Zihinsel Becerilerinin Belirlenmesi Öğrenci Portfolyoları Doç.Dr. İsmail KARAKAYA Gazi Üniversitesi Gazi Eğitim Fakültesi Eğitim Bil. Böl. Eğitimde Ölçme ve Değerlendirme ABD. 1
DetaylıKKTC de ilkokulda zihin engelli öğrencilere okuma öğretiminde uygulanan yöntem cümle çözümleme yöntemidir. Bu yöntem Türkiye deki Eğitim Uygulama
CÜMLE YÖNTEMİ KKTC de ilkokulda zihin engelli öğrencilere okuma öğretiminde uygulanan yöntem cümle çözümleme yöntemidir. Bu yöntem Türkiye deki Eğitim Uygulama Okulları için de kullanılmaktadır. Bu yöntemde
DetaylıKOCAELİ ÜNİVERSİTESİ UZAKTAN EĞİTİM ARAŞTIRMA VE UYGULAMA MERKEZİ DESTEK DOKÜMANLARI
KOCAELİ ÜNİVERSİTESİ UZAKTAN EĞİTİM ARAŞTIRMA VE UYGULAMA MERKEZİ DESTEK DOKÜMANLARI 1. Şartlı İçerikler Oluşturma Ders içerisinde oluşturulan herhangi bir etkinliğe erişime belirli şartlar dâhilinde kısıtlama
DetaylıDeneysel Verilerin Değerlendirilmesi. Dersi Veren Öğretim Üyeleri: Yrd. Doç. Dr. Özge ANDİÇ ÇAKIR. Prof. Dr. Murat ELİBOL FİNAL SINAVI
Deneysel Verilerin Değerlendirilmesi Dersi Veren Öğretim Üyeleri: Yrd. Doç. Dr. Özge ANDİÇ ÇAKIR Prof. Dr. Murat ELİBOL FİNAL SINAVI Ödevi Hazırlayan: Özge AKBOĞA 91100019124 (Doktora) Güz,2012 İzmir 1
DetaylıİRİSTEN KİMLİK TANIMA SİSTEMİ
ÖZEL EGE LİSESİ İRİSTEN KİMLİK TANIMA SİSTEMİ HAZIRLAYAN ÖĞRENCİLER: Ceren KÖKTÜRK Ece AYTAN DANIŞMAN ÖĞRETMEN: A.Ruhşah ERDUYGUN 2006 İZMİR AMAÇ Bu çalışma ile, güvenlik amacıyla kullanılabilecek bir
DetaylıVeri Tabanı Yönetim Sistemleri Bölüm - 5
Veri Tabanı Yönetim Sistemleri Bölüm - 5 İçerik SELECT deyimi (devam) Verinin Sınırlandırılması (WHERE) Karşılaştırma İşleçleri (=, >, =,
DetaylıKoşullu Rastgele Alanlar ile Türkçe Haber Metinlerinin Etiketlenmesi (Labelling Turkish News Stories with Conditional Random Fields)
Koşullu Rastgele Alanlar ile Türkçe Haber Metinlerinin Etiketlenmesi (Labelling Turkish News Stories with Conditional Random Fields) Seda KAZKILINÇ İTÜ Bilgisayar Mühendisliği Bölümü kazkilinc@itu.edu.tr
Detaylı5.3 Elektronik kaynaklar Elektronik sözlükler. (a) elektronik sözlükler, (b) metin bütünceleri.
5.3 Elektronik kaynaklar (a) elektronik sözlükler, (b) metin bütünceleri. 5.3.1 Elektronik sözlükler CD-ROM formatında bulunan başlıca İngilizce tekdilli (monolingual) sözlükler şunlardır: 1. Oxford English
Detaylıadresinden ÖĞRETİM ÜYESİ GİRİŞİ
Sisteme giriş yapabilmek için butonunu tıklayınız. http://turtep.yesevi.edu.tr/ adresinden ÖĞRETİM ÜYESİ GİRİŞİ Açılan pencerede ilgili kısımlara kullanıcı adınızı ve şifrenizi girip Giriş butonunu tıklayınız.
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
DetaylıÖĞRETMEN ADAYLARININ PROBLEM ÇÖZME BECERİLERİ
ÖĞRETMEN ADAYLARININ PROBLEM ÇÖZME BECERİLERİ Doç. Dr. Deniz Beste Çevik Balıkesir Üniversitesi Necatibey Eğitim Fakültesi Güzel Sanatlar Eğitimi Bölümü Müzik Eğitimi Anabilim Dalı beste@balikesir.edu.tr
DetaylıYZM Biçimsel Diller ve Otomata Teorisi. Ders#06
YZM 3229- Biçimsel Diller ve Otomata Teorisi Ders#06 İçerikten Bağımsız Diller İçerikten Bağımsız Diller (Context-Free Languages) Şu ana değin Düzenli Dilleri İfade Etmek için Kullanılabilecek Yapıları
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
DetaylıGazi Üniversitesi Merkez Kütüphanesi
Kapsam SCOPUS; 4000 yayın evinden 14.000 eser adı içerir, Aynı zamanda 180 milyon bilimsel web sayfasını tarar (patent bilgileri de dahil), Kütüphanemizin abone olduğu elektronik dergilerin tam metnine
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
DetaylıİŞ VE MESLEK DANIŞMANLIĞI HİZMETLERİ
İŞ VE MESLEK DANIŞMANLIĞI HİZMETLERİ 2 BİREYSEL GÖRÜŞME Yüz yüze yapılan görüşmelerdir. Danışanın yeterlilikleri ve yetkinlikleri doğrultusunda İşe yönlendirme Aktif programlara yönlendirme Ya da diğer
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)
DetaylıZahmetsiz örüntü tanıma: Nokta bulutlarının karşılaştırılması yoluyla veri-tabanlı ve parametresiz istatistiksel öğrenme
Zahmetsiz örüntü tanıma: Nokta bulutlarının karşılaştırılması yoluyla veri-tabanlı ve parametresiz istatistiksel öğrenme Doç. Dr. Bilge Karaçalı Biyomedikal Veri İşleme Laboratuvarı Elektrik-Elektronik
DetaylıVeri 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
DetaylıBölüm 2 Varlık-İlişki Veri Modeli: Araçlar ve Teknikler. Fundamentals, Design, and Implementation, 9/e
Bölüm 2 Varlık-İlişki Veri Modeli: Araçlar ve Teknikler Fundamentals, Design, and Implementation, 9/e Üç Şema Modeli Üç şema modeli 1975 de ANSI/SPARC tarafından geliştirildi Veri modellemeninç ve rolünü
DetaylıEğiticili (supervised) öğrenme: Sınıflandırma (classification) Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğu bilinir
Eğiticili (supervised) öğrenme: Sınıflandırma (classification) Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğu bilinir Eğiticisiz (unsupervised) öğrenme: Kümeleme (clustering) Hangi nesnenin hangi
DetaylıUlusal Yeterlilikler Çerçevesine Dayalı AKTS Uygulamaları. Prof. Dr. Oğuz ESEN
Ulusal Yeterlilikler Çerçevesine Dayalı AKTS Uygulamaları Prof. Dr. Oğuz ESEN İzmir Ekonomi Üniversitesi Türkiye nin Bologna sürecine paralel olarak İEÜ de 2005 de DE verilmeye başlanmış 2010 yılında tüm
DetaylıBÖLÜM 2 VERİ SETİNİN HAZIRLANMASI VE DÜZENLENMESİ
1 BÖLÜM 2 VERİ SETİNİN HAZIRLANMASI VE DÜZENLENMESİ Veri seti; satırlarında gözlem birimleri, sütunlarında ise değişkenler bulunan iki boyutlu bir matristir. Satır ve sütunların kesişim bölgelerine 'hücre
DetaylıGENETİK ALGORİTMALAR. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ
GENETİK ALGORİTMALAR Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ GENETİK ALGORİTMALAR Genetik algoritmalar, Darwin in doğal seçim ve evrim teorisi ilkelerine dayanan bir arama ve optimizasyon yöntemidir.
DetaylıAçıköğretim Uygulamaları ve Araştırmaları Dergisi AUAd
Açıköğretim Uygulamaları ve Araştırmaları Dergisi AUAd auad.anadolu.edu.tr Başlarken AUAd Yazım Kuralları sayfasından size uygun olan şablonu seçiniz. Microsoft Word 2010 ortamı ya da üstü sürümü kullanınız.
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
DetaylıŞekil 1. Sitiller ve biçimlendirme
ŞABLONUN KULLANILMASI Şablon yazım kuralları belirli olan metinlerin yazımında kolaylık sağlayan araçlardır. Bu şablonlarda yazım kuralları ile ilgili detaylar tanımlanarak kullanıcının detaylarla uğraşmadan
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
DetaylıTAGEM AÇIK ARŞİV SİSTEMİ BİLGİ NOTU
TAGEM AÇIK ARŞİV SİSTEMİ BİLGİ NOTU Elektronik açık arşivler Üniversite ve Enstitülerin bilimsel ürünlerini kaydeden ve koruyan dijital derlemelerdir. Bilimsel yayınlara açık erişim düşüncesinin bir ürünü
DetaylıUYGULAMALI BİLİMLER FAKÜLTESİ
UYGULAMALI BİLİMLER FAKÜLTESİ FAALİYET RAPORU () YÖNETiM Dekan Prof.Dr. Harun TANRIVERMİŞ Dekan Yardımcısı Doç. Dr. F. Nihan ÖZDEMİR SÖNMEZ Fakülte Sekreteri Vekili Nuri KOCAER Fakülte Yönetim Kurulu Üyeleri
DetaylıTS Corpus: Herkes için Türkçe Derlem
TS Corpus: Herkes için Türkçe Derlem Taner Sezer Bengü Sever Sezer Mersin Ünivesitesi Çalışmanın Amacı Derlemdilbilim ülkemizde son dönemde oldukça ilgi görmeye başlamış bir alandır. Bu alanda çeşitli
DetaylıAnlam Belirsizliği İçeren Türkçe Sözcüklerin Hesaplamalı Dilbilim Uygulamalarıyla Belirginleştirmesi
Anlam Belirsizliği İçeren Türkçe Sözcüklerin Hesaplamalı Dilbilim Uygulamalarıyla Belirginleştirmesi Zeynep Altan Maltepe Üniversitesi Bilgisayar Mühendisliği Bölümü zaltan@maltepe.edu.tr Zeynep Orhan
DetaylıBÖLÜM 13 HİPOTEZ TESTİ
1 BÖLÜM 13 HİPOTEZ TESTİ Bilimsel yöntem aşamalarıyla tanımlanmış sistematik bir bilgi üretme biçimidir. Bilimsel yöntemin aşamaları aşağıdaki gibi sıralanabilmektedir (Karasar, 2012): 1. Bir problemin
DetaylıAlgoritmalar. Arama Problemi ve Analizi. Bahar 2016 Doç. Dr. Suat Özdemir 1
Algoritmalar Arama Problemi ve Analizi Bahar 2016 Doç. Dr. Suat Özdemir 1 Arama Problemi Sıralama algoritmaları gibi arama algoritmaları da gerçek hayat bilgisayar mühendisliği problemlerinin çözümünde
DetaylıSisteme giriş yapıldığında ana sayfa üzerinde işlem menüleri, Hızlı erişim butonları ve mail gönderim istatistikleri yer alır.
Kullanım Kılavuzu 1. Sisteme Giriş... 2 2. JetMail Ana Sayfa... 2 3. Kişi Listesi Ekleme... 3 3.1. Özel Alan Ekleme... 3 3.2. Segment Görüntüleme... 4 3.3. Bounced Kabul Edilen Mailler... 5 4. Kişi Ekleme...
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.
DetaylıIŞIK ÜNİVERSİTESİ BİLİMSEL ARAŞTIRMA PROJELERİ SONUÇ RAPORU
IŞIK ÜNİVERSİTESİ BİLİMSEL ARAŞTIRMA PROJELERİ SONUÇ RAPORU 10A303 ANLAMSAL TÜRKÇE ARAMA MOTORU Doç.Dr. Olcay Taner YILDIZ İÇİNDEKİLER 1. GENEL ÖZET 2. HARCAMALAR LİSTESİ 3. TEKNİK RAPOR 4. ÜRÜNLER LİSTESİ
DetaylıTÜRKİYE DEKİ ÜNİVERSİTE KÜTÜPHANELERİNDE KULLANILAN TÜRKÇE KONU BAŞLIKLARI UYGULAMASI. ŞULE YILMAZ Kadir Has Üniversitesi
TÜRKİYE DEKİ ÜNİVERSİTE KÜTÜPHANELERİNDE KULLANILAN TÜRKÇE KONU BAŞLIKLARI UYGULAMASI ŞULE YILMAZ Kadir Has Üniversitesi ÜNAK'04 "Bilgide Kaybolmamak İçin Bilgiyi Yönetmek" ( 23-25 Eylül 2004 ) Maltepe
DetaylıDers 9 Hastanelerde Veri Toplama Yöntemleri
Ders 9 Hastanelerde Veri Toplama Yöntemleri İstatistik Nedir? İstatistik; veri olarak ifade edilir. Sayılabilen her bilgi veridir. İstatistik; verilerin toplanması, düzenlenmesi, analiz edilmesi ve yorumlanmasıdır.
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
DetaylıUygulamalı Meta-Analiz
Eğitim Bilimlerinde Uygulamalı Meta-Analiz Serkan DİNÇER Serkan Dinçer EĞİTİM BİLİMLERİNDE UYGULAMALI META-ANALİZ ISBN 978-605-364-844-4 Kitapta yer alan bölümlerin tüm sorumluluğu yazarlarına aittir.
DetaylıEKLER VE SÖZCÜĞÜN YAPISI
EKLER VE SÖZCÜĞÜN YAPISI *KÖK * YAPIM EKLERİ * ÇEKİM EKLERİ * YAPILARINA GÖRE SÖZCÜKLER K Ö K Sözcüğü oluşturan en küçük anlamlı dil birimine kök denir. Kök halinde bulunan sözcükler yapım eki almamıştır
DetaylıMİNİ MBA LİDERLİK AKADEMİSİ. NMT Danışmanlık ve Eğitim Merkezi- Koşuyolu Cad. Salih Omurtak Sok. No:5 Kadıköy/İST (216) 546.03.70 www.nmt.com.
MİNİ MBA LİDERLİK AKADEMİSİ MİNİ MBA LİDERLİK AKADEMİSİ Niçin ve Neden? Bu program çok kısa bir zaman diliminde normal bir MBA programında ele alınan Temel Kavram ve Teknikleri kapsamaktadır. İşletme yüksek
DetaylıANKARA ÜNİVERSİTESİ EĞİTİM BİLİMLERİ ENSTİTÜSÜ TEZ ÖNERİSİ YAZIM KILAVUZU
ANKARA ÜNİVERSİTESİ EĞİTİM BİLİMLERİ ENSTİTÜSÜ TEZ ÖNERİSİ YAZIM KILAVUZU Yüksek lisans ve doktora tezlerinin yazımına, bu tezlerin yazım sürecine (izlenecek aşamalara) ilişkin ön bilgiler veren ya da
DetaylıResim 7.20: Yeni bir ileti oluşturma
F İLETİLER Konuya Hazırlık 1. E-posta adresinden yeni bir ileti nasıl oluşturulur? 1. İLETI GÖNDERME a. Yeni bir ileti oluşturma: Yeni bir ileti oluşturmak için Dosya/Yeni/E-posta iletisi seçilebileceği
DetaylıÖZEL BİLGE İLKOKULU EĞİTİM-ÖĞRETİM YILI 3. SINIFLAR VELİ BİLGİLENDİRME BÜLTENİ
ÖZEL BİLGE İLKOKULU 2015-2016 EĞİTİM-ÖĞRETİM YILI 3. SINIFLAR VELİ BİLGİLENDİRME BÜLTENİ Sayın Velimiz, Sizlerin eğitim öğretim sürecimizde yapılan çok yönlü çalışmalar konusunda bilgi sahibi olmanızın
DetaylıA New Approach for Named Entity Recognition
A New Approach for Named Entity Recognition Burak Ertopçu 1, Ali Buğra Kanburoğlu 1, Ozan Topsakal 1, Onur Açıkgöz 1, Ali Tunca Gürkan 1, Berke Özenç 1, İlker Çam 1, Begüm Avar 2, Gökhan Ercan 1, Olcay
Detaylı