Dr. Hidayet Takçı. Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/2008 1
|
|
- Ilker Gökmen
- 8 yıl önce
- İzleme sayısı:
Transkript
1 Dr. Hidayet Takçı Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/2008 1
2 Sayısal veya mantıksal her türlü deer bir veridir. Öznitelik Bir nesneye ait özellik veya onun bir karakteristiidir Örnek: bir kiinin göz rengi, aırlıı vb. Öznitelik, deiken veya saha olarak ta bilinir. Nesneler Nesne Bir nesneyi açıklayacak özniteliklerin bir koleksiyonu kayıt olarak bilinir. Nesne; bir kayıt, bir nokta, bir durum, bir varlık veya bir örnek olarak da bilinir. Öznitelikler Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/2008 2
3 Öznitelik deerleri; bir öznitelie atanan sayılar veya sembollerdir. Öznitelikler ve öznitelik deerleri arasındaki fark Aynı öznitelik farklı öznitelik deerlerine elenebilir Örnek: yükseklik feet veya metre ile ölçülebilir. Farklı öznitelikler deerlerin aynı kümesi ile elenebilirler. Örnek: ID ve ya için öznitelik deerleri tamsayıdır Fakat öznitelik deerlerinin özellikleri farklı olabilir. ID için bir limit yoktur ama ya için maksimum ve minimum deerler vardır. Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/2008 3
4 Özniteliklerin farklı tipleri vardır, bunlar aynı zamanda ölçüm seviyelerini verirler. Nominal Sayısal büyüklük ifade etmeyen kategorik veri tipi Örnek: ID numarası, göz rengi, posta kodu gibi Ordinal Verilerin belli bir ölçüte göre büyükten küçüe veya küçükten büyüe sıralandıı veri tipi Örnek: rütbe, derece, yükseklik {uzun, orta, kısa} gibi sıralı verileri içerir. Interval Bir aralık içerisindeki deerleri sunmak için kullanılan veri tipi Örnek: Tarih, Celsius veya Fahrenheit cinsinden sıcaklıklar. Ratio Gözlemlerin aldıı deerlerin, oransal olarak karılatırılabildii veri tipidir Örnek: Kelvin cinsinden sıcaklık, boyut, zaman ve sayılar Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/2008 4
5 Sürekli öznitelik Özellik deerleri gerçek sayılar içerir Örnek: sıcaklık, yükseklik veya genilik. Sürekli öznitelikler tipik olarak kayan noktalı deikenlerle sunulurlar. Ayrık veya süreksiz öznitelik Özellik deerleri tam sayılar içerir Örnek: posta kodu, bir doküman koleksiyonundaki kelimelerin kümesi Sıklıkla tamsayı deikenlerle sunulurlar. Not: ikili öznitelikler ayrık özniteliklerin özel bir durumunu meydana getirir. Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/2008 5
6 Kayıt (Çizgisel) Veri matrisi Doküman verisi lem (Transaction) verisi Grafik World Wide Web Moleküler yapılar Sıralı Uzaysal veri Geçici veri Ardıık veri Genetik dizi verisi Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/2008 6
7 Her biri özniteliklerin bir kümesi olan kayıtların bir koleksiyonu kayıt verisi olarak tutulur. Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/2008 7
8 Eer veri nesneleri sayısal özniteliklerin sabit bir kümesine sahipse o zaman veri nesneleri her bir boyutun ayrık bir öznitelii sunduu çok boyutlu uzayda noktalar olarak düünülebilir. Böylesi veri setleri m adet satır ve n adet sütunun bulunduu (m x n) boyutlu matris ile sunulabilir. Her bir nesne için n sütun ve bir satır bulunur. Projection of x Load Projection of y load Distance Load Thickness Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/2008 8
9 Her bir doküman bir terim vektörü haline gelir, Her bir terim, vektörün bir bileenidir (öznitelik), Her bir bileenin deeri doküman içerisinde ilgili terimin kaç kez tekrarlandıı ile ilgilidir. Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/2008 9
10 ! Kayıt verisinin özel bir tipidir, Her bir ilem (transaction) elemanların bir kümesini içermektedir. Örnein, bir dükkan düünün. Burada, ödemesi yapılan ürünlerin bir kümesi bir ilem kaydını verir. Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
11 " # Örnek: jenerik grafikler ve HTML linkleri <a href="papers/papers.html#bbbb"> Data Mining </a> <li> <a href="papers/papers.html#aaaa"> Graph Partitioning </a> <li> <a href="papers/papers.html#aaaa"> Parallel Solution of Sparse Linear System of Equations </a> <li> <a href="papers/papers.html#ffff"> N-Body Computation and Dense Linear System Solvers Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
12 Benzen Molekülü: C 6 H 6 Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
13 lemlerin sırasının önemli olduu veri setleridir. Elemanlar/Olaylar Sıradaki bir eleman Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
14 Uzaysal-geçici veri Karaların ve okyanusların ortalama aylık sıcaklıkları Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
15 Gen dizisi verisi GGTTCCGCCTTCAGCCCCGCGCC CGCAGGGCCCGCCCCGCGCCGTC GAGAAGGGCCCGCCTGGCGGGCG GGGGGAGGCGGGGCCGCCCGAGC CCAACCGAGTCCGACCAGGTGCC CCCTCTGCTCGGCCTAGACCTGA GCTCATTAGGCGGCAGCGGACAG GCCAAGTAGAACACGCGAAGCGC TGGGCTGCCTGCTGCGACCAGGG Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
16 Bazı faktörler öne çıkmaktadır: Veri kalitesi problemleri hangi çeitlerdedir? Veri ile ilgili problemleri nasıl tespit edebiliriz? Bu problemlerle ilgili olarak ne yapabiliriz? Veri kalitesi ile ilgili problemler: Gürültü ve tamalar Kayıp deerler Veri tekrarı Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
17 " Gürültü orijinal deerlerin bozulması anlamına gelir. Örnekler: düük kaliteli bir telefonda konuurken kiinin sesinin biçimin bozulması ve televizyon ekranındaki karlanma gürültü örnekleridir. ki Sinüs Dalgası ki Sinüs Dalgası + Gürültü Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
18 ! Tama (outlier), veri kümesinde, dier nesnelerden ciddi ekilde farklı olan veri nesnelerinin gösterdii karakteristiktir. Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
19 Kayıp deerler için çeitli sebepler vardır: Bilgi toplanamaması (örn., insanlar yaları ve kiloları ile ilgili bilgi vermeyi istemezler) Öznitelikler bütün durumlar için uygun olmayabilir (örn., yıllık gelir çocuklar için uygun deildir) Kayıp deerlerle mücadele Veri nesnelerinin elenmesi Kayıp deerlerin tahmin edilmesi Analizler sırasında kayıp deerlerin es geçilmesi Bütün olası deerlerle yer deitirilmesi (onların olasılıkları ile aırlık verilmesi) Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
20 $ Veri seti tekrar eden kayıtlar içerebilir, veya bazı kayıtlar hemen hemen tamamen dierine eittir Bu durum genellikle heterojen kaynaklardan gelen veriler birletirildiinde meydana gelir. Örnekler: Aynı kiiye ait birden fazla mail adresinin bulunması Veri temizleme Tekrar eden verilerin ilenmesi ile ilgili bir prosestir. Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
21 ! Bir araya getirmek (Aggregation) Örnekleme (Sampling) Boyut Düürme (Dimensionality Reduction) Altküme özellikleri seçimi (Feature subset selection) Özellik oluturma (Feature creation) Ayrıklatırma ve ikili hale getirme (Discretization and Binarization) Öznitelik dönüümü (Attribute Transformation) Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
22 % & " ki veya daha fazla öznitelik veya nesnenin tek bir öznitelik veya nesne halinde birletirilmesidir. Amaç Veri azaltma öznitelikler veya nesnelerin sayısının azaltılması Ölçein deitirilmesi ehirler; bölgeler, eyaletler, ülkeler v.b. halinde bir araya getirilir. Daha dayanıklı veri bir araya toplanan veri daha az deikenlie sahip olacaktır. Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
23 % & " Avustralya da meydana gelen yaıların aylık ve yıllık deiimi: görüldüü gibi bir araya getirilen verinin standart sapması dümütür. Yaıların aylık ortalama standart sapması Yaıların yılık ortalama standart sapması Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
24 Örnekleme veri seçimi için üzerinde çalıılan en temel tekniktir. Örnekleme, sıklıkla hem balangıç aratırmaları için ve hem de final veri analizleri için kullanılır. Verinin tamamı ile ilgilenmek oldukça masraflı bir i olduu için istatistikçiler ve veri madencileri verinin bir kısmını elde etmeye çalıırlar. Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
25 ' Etkili örnekleme için anahtar prensip öyledir: Eer örnek temsil edici nitelikte ise örnek ile çalımak bütün veri seti ile çalımak kadar iyi sonuç verecektir. Eer örnek verisi orijinal veri kadar yaklaık olarak aynı özellie sahip ise o veri temsil edici veridir. Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
26 Basit rasgele örnekleme Herhangi bir kısmi elemanın seçilme olasılıı dier parçaların seçilme olasılıına eittir. Yer deitirmeden örnekleme Herhangi bir eleman seçildiinde o popülasyondan silinir Yer deitirme ile örnekleme Nesneler örnekleme için seçildiklerinde popülasyondan silinmezler. örneklemede aynı eleman birden fazla sefer çekilebilir Katmanlamı örnekleme D veri kümesi tüm kayıtları kapsayacak ekilde katman olarak adlandırılan parçalara bölünmütür, her katmanda basit rasgele örnekleme yapılarak katmanlamı örnekleme yapılabilir. Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
27 % u ) Boyutlar artarken, veri uzayda daha seyrek ekilde gözükmeye balar. Boyutlar fazla olduu zaman; kümeleme ve tama bulmada kritik öneme sahip olan iki nokta arasındaki uzaklık ve younluun tanımları daha az anlamlı hale gelmektedir. Rasgele 500 nokta üretin Nokta çiftleri arasındaki max ve min uzaklıkları bulunuz Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
28 % u! Amaç: Boyut fazlalıın problemlerini çözmek, Veri madencilii algoritmaları tarafından ihtiyaç duyulan bellek ve zaman miktarını azaltmak, Daha kolaylıkla görselletirmeye müsaade etmek (Örn. çok boyutlu uzay üç boyuta düürülerek görselletirme araçları ile veriler görselletirilebilir) likisiz özellikleri elemeye veya gürültüyü azaltmaya yardımcı olmak (belli bir eiin altında kalan olasılıa sahip veriler dikkate alınmaz) Teknikler Temel bileen analizi (Principle Component Analysis) Tekil deer ayrıması (Singular Value Decomposition) Dierleri: denetimli veya dorusal olmayan teknikler Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
29 % u&*+& Amaç verideki deiimin en büyük miktarını yakalayacak bir projeksiyonu bulmaktır. Orijinal veriden n tane kayıt alınarak bundan k tanesi seçilir. x 2 e ekilde iki boyutun (x1 ve x2) tek boyuta (e) düürülmesi görülmektedir. x 1 Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
30 &, Veri boyutu azaltma için bir dier yol özellik alt kümesi seçimidir. Gereksiz özellikler Çok fazla ikileme veya bilginin tamamının bir veya daha çok öznitelikte tekrar etmesi. Örnek : bir ürünün ödeme fiyatı ve ödeme taksitleri bilgisinin yer alması gibi. likisiz özellikler Veri madencilii görevi için faydalı hiçbir bilgi içermeyen özelliklerdir. Örnek : örencilerin notunu hesaplamada örenci numarasının hiçbir katkısı yoktur. Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
31 Ou!u Orijinal öz niteliklerden daha etkin olarak bir veri kümesindeki önemli bilgiyi yakalayabilmek için yeni öz nitelikler oluturulur. Üç genel metodoloji vardır: Özellik çıkarma etki alanı özel Verinin yeni uzaya eletirilmesi Özellik ina edilmesi özelliklerin birletirilmesi Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
32 .! Bir fonksiyon bütün veri setindeki deerleri yeni deerlere dönütürürken ilgili öz niteliklerin yer deitirmesini, elemesini yapar. Basit fonksiyonlar: x k, log(x), e x, x Standardizasyon ve Normalizasyon Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
33 % % Benzerlik ki veri nesnesinin birbirine ne kadar benzer olduunun sayısal ölçümüdür. Nesneler daha benzer olduunda benzerlik bilgisi büyür mü? Sıklıkla benzerlik bilgisi [0,1] aralıında yer alır. Benzemezlik ki veri nesnesinin birbirinden ne kadar farklı olduunun sayısal ölçümüdür. Nesneler daha benzer olduunda deeri düüktür Minimum benzemezlik sıklıkla 0 dır. Üst limit deikendir Yakınlık benzerlik veya benzemezlik manasına gelir. Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
34 %,% /% p ve q iki veri nesnesi için öznitelik deerleridir. Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
35 0 Öklidyen uzaklık dist = n k= 1 ( p k q k 2 ) burada, n boyutların sayısıdır ve p k ile q k ise p ve q veri nesnelerinin k th özniteliklerinin deerini verir. Eer ölçek farklı ise standardizasyon gereklidir. Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
36 p1 p3 p4 p point x y p1 0 2 p2 2 0 p3 3 1 p4 5 1 p1 p2 p3 p4 p p p p Uzaklık matrisi Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
37 10 Minkowski uzaklıı öklidyen uzaklıının genelletirilmesi ile elde edilir. dist = n ( k= 1 p k q k burada r bir parametredir, n boyutların sayısıdır ve p k ile q k ise p ve q nesnelerinin k th öznitelik deerleridir. r ) 1 r Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
38 10 r = 1. City block (Manhattan, L 1 norm) uzaklık. Bunun genel bir örnei Hamming uzaklııdır, hamming uzaklıı iki ikili vektör arasındaki birbirinden farklı bitlerin sayısıdır. r = 2. öklidyen uzaklık r. supremum (L max norm, L norm) uzaklıı. Bu vektörlerin herhangi bir bileeni arasındaki maksimum farktır. n ile r yi karıtırmamak lazım, bütün bu uzaklıklar boyutların bütün sayıları için tanımlanırlar. Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
39 10 point x y p1 0 2 p2 2 0 p3 3 1 p4 5 1 L1 p1 p2 p3 p4 p p p p L2 p1 p2 p3 p4 p p p p L p1 p2 p3 p4 p p p p Distance Matrix Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
40 % 0" Öklidyen gibi uzaklıkların bazı iyi bilinen özellikleri vardır. 1. bütün p ve q nesneleri için d(p, q) 0 dir, sadece p deeri q deerine eit olduunda d(p, q) = 0 2. bütün p ve q deerleri için d(p, q) = d(q, p), simetri özellii 3. d(p, r) d(p, q) + d(q, r) bütün p, q ve r nesneleri için (üçgen eitsizlii) kuralı geçerlidir. burada d(p, q), p ve q noktaları arasındaki uzaklık veya benzemezlii vermektedir. Bir uzaklık bu özellikleri taıyorsa bir metriktir. Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
41 % % " Benzerliklerin de bazı bilinen özellikleri vardır. 1. Sadece p = q olduunda s(p, q) = 1 (maximum similarity). 2. Bütün p ve q deerleri için s(p, q) = s(q, p). (Symmetry) burada s(p, q) p ve q noktaları arasındaki benzerlii vermektedir. Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
42 . & % p ve q ikili vektörler olduunda aaıdaki kurallar geçerlidir. Takip eden miktarlar kullanılarak benzerlikler hesap edilir. M 01 = p deeri 0 ve q deeri 1 olan öz niteliklerin sayısı M 10 = p deeri 1 ve q deeri 0 olan öz niteliklerin sayısı M 00 = p deeri 0 ve q deeri 0 olan öz niteliklerin sayısı M 11 = p deeri 1 ve q deeri 1 olan öz niteliklerin sayısı Basit eletirme ve Jaccard katsayıları SMC = elemlerin sayısı / öz niteliklerin sayısı = (M 11 + M 00 ) / (M 01 + M 10 + M 11 + M 00 ) J = 11 elemelerinin sayısı / ikisi birlikte 0 olmayan özniteliklerin sayısı = (M 11 ) / (M 01 + M 10 + M 11 ) Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
43 +2 3! p = q = M 01 = 2 (p=0, q=1) M 10 = 1 (p=1, q=0) M 00 = 7 (p=0, q=0) M 11 = 0 (p=1, q=1) SMC = (M 11 + M 00 )/(M 01 + M 10 + M 11 + M 00 ) = (0+7) / ( ) = 0.7 J = (M 11 ) / (M 01 + M 10 + M 11 ) = 0 / ( ) = 0 Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
44 % eer d 1 ve d 2 iki doküman vektörü ise, o zaman cos( d 1, d 2 ) = (d 1 d 2 ) / d 1 d 2, burada sembolü nokta çarpım manasına gelir, d ise d vektörünün boyudur. örnek: d 1 = d 2 = d 1 d 2 = 3*1 + 2*0 + 0*0 + 5*0 + 0*0 + 0*0 + 0*0 + 2*1 + 0*0 + 0*2 = 5 d 1 = (3*3+2*2+0*0+5*5+0*0+0*0+0*0+2*2+0*0+0*0) 0.5 = (42) 0.5 = d 2 = (1*1+0*0+0*0+0*0+0*0+0*0+0*0+1*1+0*0+2*2) 0.5 = (6) 0.5 = cos( d 1, d 2 ) =.3150 Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
45 Korelasyon, nesneler arasındaki dorusal ilikileri ölçer. Korelasyonu karılatırmak için, veri nesnelerini standardize ederiz, p ve q, ve daha sonra onların nokta çarpımlarını alırız. p k = ( p mean( p)) / std( p) k q k = ( q mean( q)) / std( q) k correlatio n( p, q) = p q Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
46 % %!,"4! Bazen birçok farklı tipteki öznitelik ile benzerlik bulunması gerekebilir. Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
47 % %!,"4! Bütün özniteliklerin aynı aırlıkta olmasını istemeyebiliriz. w k aırlıklarını kullanabiliriz, aırlıkların deeri 0 ile 1 arasındadır ve toplamları 1 deerine eittir. Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
48 4 uu Younluk tabanlı kümeleme younluk hakkında bir görüe ihtiyaç duyar Örnekler: Euclidean younluk Euclidean younluk = her bir birimdeki noktaların sayısı Olasılık younluu Grafik tabanlı younluk Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
49 $u4 uu En basit yaklaım bölgeyi dikdörtgenlere bölmek ve her bir dikdörtgende kaç adet nokta bulunduunu sayılarla sunmaktır. Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
50 $u4 uu 5 7 Euclidean younluk bir nokta merkez olmak üzere ona yarıçap uzaklıındaki bütün noktaların sayısı sunulur. Veri Madencilii Dersi GYTE Dr. Hidayet Takçı 10/05/
Dr. Hidayet Takçı. Veri Madenciliği Dersi GYTE Dr. Hidayet Takçı 10/05/2008 1
İkinci Ders Veri Madenciliği: Veri Dr. Hidayet Takçı Veri Madenciliği Dersi GYTE Dr. Hidayet Takçı 10/05/2008 1 Veri Nedir? Sayısal veya mantıksal her türlü değer bir veridir. Öznitelik Bir nesneye ait
DetaylıYZM 3217 YAPAY ZEKA DERS#10: KÜMELEME
YZM 317 YAPAY ZEKA DERS#10: KÜMELEME Sınıflandırma (Classification) Eğiticili (supervised) sınıflandırma: Sınıflandırma: Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğunu bilinir Eğiticisiz (unsupervised)
DetaylıVERİ MADENCİLİĞİ (Veri Önişleme-1) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Veri Önişleme-1) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma Kümeleme
DetaylıDr. Hidayet Takçı. Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/2008 1
Dr. Hidayet Takçı Veri Madencilii Dersi G Y T E Dr. Hidayet Takçı 10/05/2008 1 Çok miktarda veri toplanmı ve ambarlanmıtır. Web verisi, e-ticaret Bölüm ve dükkanlardaki ödemeler Banka/Kredi kartı ilemleri
DetaylıKonular. VERİ MADENCİLİĞİ Veri Önişleme. Değer Kümeleri. Veri Nedir? Nitelik Türleri. Konular. Veri Veri Önişleme Benzerlik ve farklılık
0 VERİ MADENCİLİĞİ Veri Önişleme Yrd. Doç. Dr. Şule Gündüz Öğüdücü Veri Nedir? nesneler ve nesnelerin niteliklerinden oluşan küme kayıt (record), varlık (entity), örnek (sample, instance) nesne için kullanılabilir.
Detaylı#$% &'#(# Konular. Bits of Information. Binary Özellikler Superimposed Coding Signature Formation Deerlendirme
!" #$% &'#(# Konular Binary Özellikler Deerlendirme Binary Özellikler Bir binary özellik iki deer alabilir (kapalı veya açık; var veya yok gibi) Bir kiiye ait bilgiler binary olarak aaıdaki gibi gösterilebilir
DetaylıTaıt alımlarının ette tüketim endeksi kapsamında izlenmesi hakkında bilgi notu
Taıt alımlarının ette tüketim endeksi kapsamında izlenmesi hakkında bilgi notu ette tüketim endeksi, ekonomideki tüketim eilimlerini kartla yapılan tüketimi baz alarak incelemektedir. Bu nedenle, endeks
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
DetaylıFonksiyon Optimizasyonunda Genetik Algoritmalar
01-12-06 Ümit Akıncı Fonksiyon Optimizasyonunda Genetik Algoritmalar 1 Fonksiyon Optimizasyonu Fonksiyon optimizasyonu fizikte karşımıza sık çıkan bir problemdir. Örneğin incelenen sistemin kararlı durumu
DetaylıKümeler arası. Küme içi. uzaklıklar. maksimize edilir. minimize edilir
Kümeleme Analizi: Temel Kavramlar ve Algoritmalar Kümeleme Analizi Nedir? Her biri bir dizi öznitelik ile, veri noktalarının bir kümesi ve noktalar arasındaki benzerliği ölçen bir benzerlik ölçümü verilmiş
DetaylıBULANIK MANTIK VE SİSTEMLERİ 2014 2015 BAHAR DÖNEMİ ÖDEV 1. Müslüm ÖZTÜRK 148164001004 Bilişim Teknolojileri Mühendisliği ABD Doktora Programı
BULANIK MANTIK VE SİSTEMLERİ 2014 2015 BAHAR DÖNEMİ ÖDEV 1 Müslüm ÖZTÜRK 148164001004 Bilişim Teknolojileri Mühendisliği ABD Doktora Programı Mart 2015 0 SORU 1) Bulanık Küme nedir? Bulanık Kümenin (fuzzy
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
DetaylıVERİ MADENCİLİĞİ (Veri Ön İşleme-2) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Veri Ön İşleme-2) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma Kümeleme
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
Detaylı! " # $ % & '( ) *' ' +, -. / $ 2 (.- 3( 3 4. (
!"#$ %& '()*' ' +,-. / 0 100$ 2 (.-3( 34.( ,-. '45 45 6#5 6+ 6"#0" '7086 $ $ 89 44" :#! ;{0, 1, 2, 3,..., 9}, L * olarak tanımlı olsun ve sadece 2 ye veya 3 e bölünebilen ve önünde 0 olmayan pozitif sayılara
DetaylıTÜLN OTBÇER. Seminer Raporu Olarak Hazırlanmıtır.
TÜLN OTBÇER Seminer Raporu Olarak Hazırlanmıtır. Ankara Hacettepe Üniversitesi Mayıs, 2004 ! - " $ - "%%&%$ - "%' $ - "(%' $ - "( ) (* $+,( $ - ") (',( $ - "- %./$ 0 1*&/1(2, %("%. 3/1(4""3%(/1-( /32 $$
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
DetaylıGenel Graf Üzerinde Mutlak 1-merkez
Genel Graf Üzerinde Mutlak 1-merkez Çözüm yöntemine geçmeden önce bazı tanımlara ihtiyaç vardır. Dikkate alınan G grafındaki düğümleri 1 den n e kadar numaralandırın. Uzunluğu a(i, j)>0 olarak verilen
DetaylıBu bölümde; Çok ölçütlü karar verme yöntemlerinden biri olan TOPSİS yöntemi anlatılacaktır.
ÇOK ÖLÇÜTLÜ KARAR VERME TOPSIS (Technique For Order Preference By Similarity To Ideal Solution) PROF. DR. İBRAHİM ÇİL 1 Bu bölümde; Çok ölçütlü karar verme yöntemlerinden biri olan TOPSİS yöntemi anlatılacaktır.
DetaylıGenetik Algoritmalar. Bölüm 1. Optimizasyon. Yrd. Doç. Dr. Adem Tuncer E-posta:
Genetik Algoritmalar Bölüm 1 Optimizasyon Yrd. Doç. Dr. Adem Tuncer E-posta: adem.tuncer@yalova.edu.tr Optimizasyon? Optimizasyon Nedir? Eldeki kısıtlı kaynakları en iyi biçimde kullanmak olarak tanımlanabilir.
DetaylıMIT OpenCourseWare http://ocw.mit.edu. 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009
MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.
DetaylıMAK 305 MAKİNE ELEMANLARI-1
MAK 305 MAKİNE ELEMANLARI-1 Toleranslar ve Yüzey Kalitesi Doç. Dr. Ali Rıza Yıldız 1 BU DERS SUNUMUNDAN EDİNİLMESİ BEKLENEN BİLGİLER Tolerans kavramının anlaşılması ISO Tolerans Sistemi Geçmeler Toleransın
DetaylıREGRESYON ANALİZİ VE UYGULAMA. Yrd. Doç. Dr. Hidayet Takcı
REGRESYON ANALİZİ VE UYGULAMA Yrd. Doç. Dr. Hidayet Takcı htakci@cumhuriyet.edu.tr Sunum içeriği Bu sunumda; Lojistik regresyon konu anlatımı Basit doğrusal regresyon problem çözümleme Excel yardımıyla
Detaylı8.Konu Vektör uzayları, Alt Uzaylar
8.Konu Vektör uzayları, Alt Uzaylar 8.1. Düzlemde vektörler Düzlemdeki her noktası ile reel sayılardan oluşan ikilisini eşleştirebiliriz. Buna P noktanın koordinatları denir. y-ekseni P x y O dan P ye
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
Detaylı#$% &'#(# Konular. Direct File Organization. Computed Chaining Comparison of Collision Resolution Methods Perfect Hashing Cichelli s Algorithm
!" #$% &'#(# Konular Comparison of Collision Resolution Methods Perfect Hashing Cichelli s Algorithm Link kullanarak çakıma çözümü yapan metodlar (colaesced hashing) ve link kullanmadan çözüm yapan metodlar
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:
Detaylı1. Satı ve Daıtım lemleri " # $ "!!
1. Satı ve Daıtım lemleri " " " " " %& % ' (& " & ' ( Stok kartı ilemlerine girmeden pratik bir ekilde ilem ) " & * + (& ", ) (& Satı Fatura ilemlerinde bu alan tıklayarak veya F 2 - " '"(& ". / 0 " &
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
DetaylıDERS 2 : BULANIK KÜMELER
DERS 2 : BULNIK KÜMELER 2.1 Gİriş Klasik bir küme, kesin sınırlamalarla verilen bir kümedir. Örneğin, klasik bir küme aşağıdaki gibi belirtilebilir: = { x x > 6 }, Kapalı sınır noktası burada 6 dır.burada
DetaylıNote: If you want to validate a page containing frames, be sure the DTD is set to "Frameset DTD". Read more about XHTML Validation.
FRAME Tagı Aynı pencere içinde birden fazla sayfa görünmesini istediğimiz zaman çerçeve (frame) kullanırız. Çerçeve tekniği, bir web sayfasını istenilen miktarda parçaya bölüp, bu sayfa üzerinde birkaç
DetaylıMakine Elemanları I Prof. Dr. Akgün ALSARAN. Temel bilgiler Toleranslar
Makine Elemanları I Prof. Dr. Akgün ALSARAN Temel bilgiler Toleranslar İçerik Tolerans nedir? Boyut toleransı Geçme Yüzey pürüzlülüğü Örnekler 2 Tolerans nedir? Tasarım ve üretim süreci arasında boyut
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
DetaylıDigital Görüntü Temelleri Görüntü Oluşumu
Digital Görüntü Temelleri Görüntü Oluşumu Işık 3B yüzeye ulaşır. Yüzey yansıtır. Sensör elemanı ışık enerjisini alır. Yoğunluk (Intensity) önemlidir. Açılar önemlidir. Materyal (yüzey) önemlidir. 06 Kasım
Detaylıü ü üü ş ş ş Ü ÜÜ ü ü üü ş ü ş ş ö ç ş ş ç ş ü ü ü ç ç ş ü ş ş ü ü ü ö ş ö ş ö ş ş ç ş ü ş ç ş Ç ç Ü öü ü ü üü ü ü üü ç ş ç ş ö ö ü ç ş ç ş ş ö ç ş ö
ş ü ş ü ü üü ü ş ö ş ş ö Ü ş ş ş ö Ç ö öü ö ö Ç ş ş ş ö ç ç ş ş ş ş ü ç ş ö ü ü ü üü ş ş ş Ü ÜÜ ü ü üü ş ü ş ş ö ç ş ş ç ş ü ü ü ç ç ş ü ş ş ü ü ü ö ş ö ş ö ş ş ç ş ü ş ç ş Ç ç Ü öü ü ü üü ü ü üü ç ş ç
DetaylıGezgin Satıcı Probleminin İkili Kodlanmış Genetik Algoritmalarla Çözümünde Yeni Bir Yaklaşım. Mehmet Ali Aytekin Tahir Emre Kalaycı
Gezgin Satıcı Probleminin İkili Kodlanmış Genetik Algoritmalarla Çözümünde Yeni Bir Yaklaşım Mehmet Ali Aytekin Tahir Emre Kalaycı Gündem Gezgin Satıcı Problemi GSP'yi Çözen Algoritmalar Genetik Algoritmalar
DetaylıÇ NDEK LER II. C LT KONULAR Sayfa Öz De er Öz Vektör.. 2. Lineer Cebir ve Sistem Analizi...
ÇNDEKLER II. CLT KONULAR 1. Öz Deer Öz Vektör.. 1 Kare Matrisin Öz Deeri ve Öz Vektörleri... 21 Matrisin Karakteristik Denklemi : Cayley Hamilton Teoremi.. 26 Öz Deer - Öz Vektör ve Lineer Transformasyon
DetaylıGENETİK ALGORİTMALARA GİRİŞ (II) BİNARİ KODLANMIŞ GA
GENETİK ALGORİTMALARA GİRİŞ (II) BİNARİ KODLANMIŞ GA Nedim TUTKUN Düzce Üniversitesi Elektrik Elektronik Mühendisliği Bölümü nedimtutkun@duzce.edu.tr Düzce Üniversitesi Elektrik&Elektronik Mühendisliği
DetaylıÖzyineleme (Recursion)
C PROGRAMLAMA Özyineleme (Recursion) Bir fonksiyonun kendisini çağırarak çözüme gitmesine özyineleme (recursion), böyle çalışan fonksiyonlara da özyinelemeli (recursive) fonksiyonlar denilir. Özyineleme,
DetaylıÖrnek 4: Örnek Özyinelemeli fonksiyon örneği Bölüm 9. C++ programlama dilinde Nesne ve sınıf
İçindekiler 1. Giriş... 1 1.2. c++ Programı Yapısı... 2 1.3.Using Direktifi... 5 Bölüm 2. Veri türleri, değişken kavramı, sabit ve değişken bildirimleri ve c++ da kullanımı 7 2.1. Temel veri türleri...
Detaylı#$% &'#(# Konular. Binary Tree Structures. Binary Search Trees AVL Trees Internal Path Reduction Trees Deerlendirme
!" #$% &'#(# Konular Binary Search Trees Deerlendirme Binary Search Trees Bir binary search tree üzerindeki her node hem data saklar hemde dier node lara ulaılırken yön belirler Bir binary search tree
DetaylıAynı tipten çok sayıda değişken topluluğudur. X Y Score1 Score2 (0) (1) (2)...
Array (Diziler) Array Aynı tipten çok sayıda değişken topluluğudur. Birden fazla aynı tipteki değerle işlem yapmayı kolaylaştırır. X Y Score1 Score2 40 56 Grade 40 56 80 (0) (1) (2)... (13) Array tanımlama:
DetaylıDigital Görüntü Temelleri Görüntü Oluşumu
Digital Görüntü Temelleri Görüntü Oluşumu Işık 3B yüzeye ulaşır. Yüzey yansıtır. Sensör elemanı ışık enerjisini alır. Yoğunluk (Intensity) önemlidir. Açılar önemlidir. Materyal (yüzey) önemlidir. 25 Ekim
DetaylıHafta 03/04 - Uzaklık/Benzerlik - En Yakın Komşular - Karar Ağaçları
Hafta 03/04 - Uzaklık/Benzerlik - En Yakın Komşular - Karar Ağaçları BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr
DetaylıALGORİTMA VE PROGRAMLAMA I
ALGORİTMA VE PROGRAMLAMA I YZM 1101 Celal Bayar Üniversitesi Hasan Ferdi Turgutlu Teknoloji Fakültesi Genel Bakış 2 Diziler Dizi Nedir? Dizilerin Bildirimi Dizilere Başlangıç Değeri Verme Dizilerde Arama
DetaylıEĞĠTĠMDE ÖLÇME ve DEĞERLENDĠRME
EĞĠTĠMDE ÖLÇME ve DEĞERLENDĠRME Öğrenci başarısının veya başarısızlığının kaynağında; öğrenci, öğretmen, çevre ve program vardır. Eğitimde değerlendirme yapılırken bu kaynaklar dikkate alınmaz. Eğitimciler,
DetaylıTüketim eilimleri analizine taıt alımının dahil edilme gerekçesi
Sayı:48 Sayı:48 "!# $&%"')("( www.ette.gen.tr Tüketim eilimleri analizine taıt alımının dahil edilme gerekçesi ette tüketim endeksi, ekonomideki tüketim eilimlerini, kartla yapılan tüketimi baz alarak
DetaylıAdım Adım SPSS. 1- Data Girişi ve Düzenlemesi 2- Hızlı Menü. Y. Doç. Dr. İbrahim Turan Nisan 2011
Adım Adım SPSS 1- Data Girişi ve Düzenlemesi 2- Hızlı Menü Y. Doç. Dr. İbrahim Turan Nisan 2011 File (Dosya) Menüsü Excel dosyalarını SPSS e aktarma Variable View (Değişken Görünümü 1- Name (İsim - Kod)
DetaylıHafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti
Hafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr
DetaylıCebir Notları. Permutasyon-Kombinasyon- Binom TEST I. Gökhan DEMĐR, gdemir23@yahoo.com.tr. www.matematikclub.com, 2006
MC www.matematikclub.com, 2006 Cebir Notları Gökhan DEMĐR, gdemir23@yahoo.com.tr Permutasyon-Kombinasyon- Binom TEST I 1. Ankra'dan Đstanbul'a giden 10 farklı otobüs, Đstanbul'- dan Edirne'ye giden 6 farklı
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
DetaylıYrd. Doç. Dr. A. Burak İNNER Bilgisayar Mühendisliği
Yrd. Doç. Dr. A. Burak İER Bilgisayar Mühendisliği Algoritma Analizi İçerik: Temel Kavramlar Yinelemeli ve Yinelemesiz Algoritma Analizi Asimptotik otasyonlar Temel Kavramlar Algoritma: Bir problemin çözümüne
Detaylı3 1 x 2 ( ) 2 = E) f( x) ... Bir sigorta portföyünde, t poliçe yln göstermek üzere, sigortal saysnn
SORU : Aada tanm verilen f fonksiyonlarndan hangisi denklemini her R için salar? f + = f t dt integral e A) f = e B) f = e C) f D) f = E) f = e ( ) = e ( ) SORU : Bir sigorta portföyünde, t poliçe yln
DetaylıAYRIK YAPILAR ARŞ. GÖR. SONGÜL KARAKUŞ- FIRAT ÜNİVERSİTESİ TEKNOLOJİ FAKÜLTESİ YAZILIM MÜHENDİSLİĞİ BÖLÜMÜ, ELAZIĞ
AYRIK YAPILAR P r o f. D r. Ö m e r A k ı n v e Y r d. D o ç. D r. M u r a t Ö z b a y o ğ l u n u n Ç e v i r i E d i t ö r l ü ğ ü n ü ü s t l e n d i ğ i «A y r ı k M a t e m a t i k v e U y g u l a
DetaylıDERS BİLGİLERİ Ders Kodu Yarıyıl T+U Saat Kredi AKTS Çok Değişkenli İstatistik EKO428 Bahar Ön Koşul Dersin Dili
DERS BİLGİLERİ Ders Kodu Yarıyıl T+U Saat Kredi AKTS Çok Değişkenli İstatistik EKO428 Bahar 3+0 3 3 Ön Koşul Yok Dersin Dili Türkçe Dersin Seviyesi Lisans Dersin Türü Seçmeli Dersi Veren Öğretim Elemanı
DetaylıAlgoritma Geliştirme ve Veri Yapıları 3 Veri Yapıları. Mustafa Kemal Üniversitesi
Algoritma Geliştirme ve Veri Yapıları 3 Veri Yapıları Veri yapısı, bilginin anlamlı sırada bellekte veya disk, çubuk bellek gibi saklama birimlerinde tutulması veya saklanması şeklini gösterir. Bilgisayar
DetaylıMAKİNE ELEMANLARI DERS SLAYTLARI
MAKİNE ELEMANLARI DERS SLAYTLARI TOLERANSLAR P r o f. D r. İ r f a n K A Y M A Z P r o f. D r. A k g ü n A L S A R A N A r ş. G ör. İ l y a s H A C I S A L I H O Ğ LU Tolerans Gereksinimi? Tasarım ve üretim
DetaylıBilgisayarla Görüye Giriş
Bilgisayarla Görüye Giriş Ders 9 Stereo Görüntüleme Alp Ertürk alp.erturk@kocaeli.edu.tr Tek Kamera Geometrisi??? x Tek Kamera Geometrisi Tek Kamera Geometrisi İğne Deliği Kamera Modeli ) /, / ( ),, (
DetaylıDoğrusal Denklemler Sis./Sys. of Linear Equations
Doğrusal Denklemler Sis./Sys. of Linear Equations Uygulama alanı: Lineer olan her sistem Notation: Ax 1 = b Augmented [A l b] Uniqueness A = 0, A nxa Bu şekilde yazılan sistemler Overdetermined (denklem
DetaylıİMGE İŞLEME Ders-9. İmge Sıkıştırma. Dersin web sayfası: (Yrd. Doç. Dr. M.
İMGE İŞLEME Ders-9 İmge Sıkıştırma (Yrd. Doç. Dr. M. Kemal GÜLLÜ) Dersin web sayfası: http://mf.kou.edu.tr/elohab/kemalg/imge_web/odev.htm Hazırlayan: M. Kemal GÜLLÜ İmge Sıkıştırma Veri sıkıştırmanın
Detaylı,$( -./(,$( 0$0$ 1 2 134(,$(
!"#$ %& '()*' ' + -./( 0$0$ 1 2 134( 5(/ 4 2 " $#56L = {a n b n c n : n 0}222 #.(.)", #22(# 7# 2", #6,489: 7", #24$62.. ' # #2(; 7 #", #2, #2.24$;7" $.7 2# < #44 )" -2 # 22)#( #4# 7 #7= 8"- 2 " >"",.'#
DetaylıÇ NDEK LER I. C LT KONULAR Sayfa 1. Lineer Cebire Giri... 2. Lineer Denklem Sistemlerinin Elemanter lemlerle Çözümü
ÇNDEKLER I. CLT KONULAR 1. Lineer Cebire Giri... 1 Lineer Modeller... 3 Lineer Olmayan Modeller... 3 Dorunun Analitik Analizi.. 5 Uzayda Geometrik Büyüklükler. 7 Lineer Cebir ve Lineerite 10 Lineer Denklem
DetaylıÖzel t üket im t alebinin izlenmesinde kart lı alıveri: Yeni bir tüketim endeksi önerisi. (e.t.t.e) Er can Tür kan. (ercan. turkan@tcmb. gov.
Özel t üket im t alebinin izlenmesinde kart lı alıveri: Yeni bir tüketim endeksi önerisi (e.t.t.e) Er can Tür kan (ercan. turkan@tcmb. gov. t r) Tür kiye Bankalar Bir lii 28 Kasım 2007 Sunum içerii* Tüketim
DetaylıMATEMATİK ÖĞRETMENLİK ALAN BİLGİSİ - DENEME SINAVI DENEME. Diğer sayfaya geçiniz.
MATEMATİK. DENEME ÖĞRETMENLİK ALAN BİLGİSİ - DENEME SINAVI. f : X tanımlı y = f() fonksiyonu için lim f ( ) = L ise aşağıdaki önermelerden kaç tanesi kesinlikle doğrudur? 0 I. X dir. 0 II. f() fonksiyonu
DetaylıOlimpiyat Soruları. sonuçları tekrar fonksiyonda yerine koyup çıkan tüm sonuçları toplayan program (iterasyon sayısı girilecek)
HAZIRLAYAN MUSA DEMIRELLI BISHKEK KYRGYZ TURKISH BOYS HIGH SCHOOL education.online.tr.tc compsources0.tripod.com Olimpiyat Soruları 1- Bir diziyi ters çeviren algoritma ve program 2- Bir diziyi sıralayan
DetaylıGörüntü Segmentasyonu (Bölütleme)
Görüntü Segmentasyonu (Bölütleme) Segmentasyon, görüntüyü aynı cinsten obje ve bölgelere ayırmaktır. 20 Aralık 2014 Cumartesi 1 Görüntü Segmentasyonu 20 Aralık 2014 Cumartesi 2 Gestalt kanunları Görüntü
DetaylıT.C. MALTEPE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ YAZILIM MÜHENDİSLİĞİ LİSANS PROGRAMI. 2011-12 Bahar Yarıyılı
T.C. MALTEPE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ YAZILIM MÜHENDİSLİĞİ LİSANS PROGRAMI 2011-12 Bahar Yarıyılı ALGORİTMA VE PROGRAMLAMA BİL 133 5 AKTS Kredisi 1. yıl 1. yarıyıl Lisans Zorunlu 4 saat/hafta
DetaylıEUROFIT TESTLER LE 12-14 YA GRUBU ERKEK ÖRENCLERN FZKSEL UYGUNLUK NORMLARININ ARATIRILMASI (Kastamonu li Örnei)
Ahi Evran Üniversitesi Kırehir Eitim Fakültesi Dergisi (KEFAD) Cilt 7, Sayı 2, (2006), 79-87 79 EUROFIT TESTLER LE 12-14 YA GRUBU ERKEK ÖRENCLERN FZKSEL UYGUNLUK NORMLARININ ARATIRILMASI (Kastamonu li
DetaylıPARAMETRK OLMAYAN STATSTKSEL TEKNKLER. Prof. Dr. Ali EN ÖLÇEKLER
PARAMETRK OLMAYAN STATSTKSEL TEKNKLER Prof. Dr. Ali EN 1 Normal dalm artlarn salamayan ve parametrik istatistik tekniklerinin kullanlmasn elverisiz klan durumlarn bulunmas halinde, eldeki verilere bal
DetaylıYZM ALGORİTMA ANALİZİ VE TASARIM DERS#2: ALGORİTMA ANALİZİ
YZM 3207- ALGORİTMA ANALİZİ VE TASARIM DERS#2: ALGORİTMA ANALİZİ Algoritma Analizi Çerçevesi Algoritma Analizinde Göz Önünde Bulundurulması Gerekenler Neler? Algoritmanın Doğruluğu (Correctness) Zaman
DetaylıMakine Öğrenmesi 3. hafta
Makine Öğrenmesi 3. hafta Entropi Karar Ağaçları (Desicion Trees) ID3 C4.5 Sınıflandırma ve Regresyon Ağaçları (CART) Karar Ağacı Nedir? Temel fikir, giriş verisinin bir kümeleme algoritması yardımıyla
DetaylıNew Project. User guide
New Project User guide Table of Contents New Project... 3 Katman Yöneticisi... 4 Katman Yöneticisi Araçları... 6 Katman İşlemleri... 8 Katman Görünümü... 9 Katman Ekleme... 10 Aktif Katman Yapma... 12
DetaylıFonksiyon Minimizasyonunda Simulated Annealing Yöntemi
07-04-006 Ümit Akıncı Fonksiyon Minimizasyonunda Simulated Annealing Yöntemi İçindekiler Fonksiyon Minimizasyonu Metropolis Algoritması. Algoritma.......................................... Bir boyutlu
DetaylıSimpleks Yönteminde Kullanılan İlave Değişkenler (Eşitliğin yönüne göre):
DP SİMPLEKS ÇÖZÜM Simpleks Yöntemi, amaç fonksiyonunu en büyük (maksimum) veya en küçük (minimum) yapacak en iyi çözüme adım adım yaklaşan bir algoritma (hesaplama yöntemi) dir. Bu nedenle, probleme bir
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
DetaylıDERS BİLGİ FORMU. IV Türkçe Zorunlu Ders. Haftalık. Ders. Okul Eğitimi Süresi. Saati
DERS BİLGİ FORMU DERSİN ADI SİSTEM ANALİZİ VE TASARIMI I BÖLÜM PROGRAM DÖNEMİ DERSİN DİLİ DERS KATEGORİSİ ÖN ŞARTLAR SÜRE VE DAĞILIMI KREDİ DERSİN AMACI ÖĞRENME ÇIKTILARI VE YETERLİKLER DERSİN İÇERİĞİ
DetaylıDers 4: Diziler (Arrays( Arrays) barisgokce.com
Ders 4: Diziler (Arrays( Arrays) Hazırlayan : Öğr. Grv.. Barış GÖKÇE Đletişim im : www.barisgokce barisgokce.com Diziler Aynı tipteki bir veri gurubunun bir değişken içinde saklanmasıdır. Veriler Hafızada
DetaylıFAKTÖR ANALİZİ VAHİDE NİLAY KIRTAK
FAKTÖR ANALİZİ VAHİDE NİLAY KIRTAK Çok Değişkenli İstatistikler Faktör Analizi Faktör Analizinin Amacı: Birbirleriyle ilişkili p tane değişkeni bir araya getirerek az sayıda ilişkisiz ve kavramsal olarak
Detaylı- 1. www.f1teknoloji.net. ... tarafından hazırlanan bu iyeri yönetmelii tüm irket çalıanları için geçerlidir.
- 1 Bilgisayar Kullanma Taahütnamesi AMAÇ Bu i talimatının amacı aaıdaki gibidir : -- Çalıanlara irket bilgisayarlarının kullanımı için gerekli yol gösterici bilgiyi salamak. -- irkete ait bilgisayar ve
DetaylıTANIMLAYICI İSTATİSTİKLER
TANIMLAYICI İSTATİSTİKLER Tanımlayıcı İstatistikler ve Grafikle Gösterim Grafik ve bir ölçüde tablolar değişkenlerin görsel bir özetini verirler. İdeal olarak burada değişkenlerin merkezi (ortalama) değerlerinin
DetaylıALGORİTMA VE PROGRAMLAMA I
ALGORİTMA VE PROGRAMLAMA I Yrd. Doç. Dr. Deniz KILINÇ deniz.kilinc@cbu.edu.tr YZM 1101 Celal Bayar Üniversitesi Hasan Ferdi Turgutlu Teknoloji Fakültesi Genel Bakış 2 Diziler Dizi Nedir? Dizilerin Bildirimi
Detaylıb) Algoritmanızın en kötü durumda işlem zamanını asimptotik olarak bulunuz
2014 Soru 1. (15 puan) 5,2,4,1,15,8,11,13,7,6 dizisinin elemanlarından maksimum özellikli bir yığın(heap) oluşturulmasını adım adım yazınız. Heapsort algoritmasının yardımıyla yapılacak sıralamayı anlatınız.
DetaylıL SANS YERLE T RME SINAVI 1
LSANS YERLETRME SINAVI MATEMATK TEST SORU KTAPÇII 9 HAZRAN 00. ( )( + ) + ( )( ) = 0 eitliini salayan gerçel saylarnn toplam kaçtr?. ( )( ) < 0 eitsizliinin gerçel saylardaki çözüm kümesi aadaki açk aralklarn
DetaylıProgramlama Dilleri. C Dili. Programlama Dilleri-ders02/ 1
Programlama Dilleri C Dili Programlama Dilleri-ders02/ 1 Değişkenler, Sabitler ve Operatörler Değişkenler (variables) bellekte bilginin saklandığı gözlere verilen simgesel isimlerdir. Sabitler (constants)
DetaylıBELEDYELERDE NORM KADRO ÇALIMASI ESASLARI
BELEDYELERDE NORM KADRO ÇALIMASI ESASLARI Belediyelerin görevlerini etkin ve verimli bir ekilde yerine getirebilmeleri için ihtiyaç duydukları optimal (ihtiyaçtan ne fazla ne de az) kadronun nicelik ve
Detaylı2. Klasik Kümeler-Bulanık Kümeler
2. Klasik Kümeler-Bulanık Kümeler Klasik Küme Teorisi Klasik kümelerde bir nesnenin bir kümeye üye olması ve üye olmaması söz konusudur. Bu yaklaşıma göre istediğimiz özelliğe sahip olan bir birey, eleman
DetaylıOPTIMIZASYON Bir Değişkenli Fonksiyonların Maksimizasyonu...2
OPTIMIZASYON.... Bir Değişkenli Fonksiyonların Maksimizasyonu.... Türev...3.. Bir noktadaki türevin değeri...4.. Maksimum için Birinci Derece Koşulu...4.3. İkinci Derece Koşulu...5.4. Türev Kuralları...5
DetaylıMAK 210 SAYISAL ANALİZ
MAK 210 SAYISAL ANALİZ BÖLÜM 5- SONLU FARKLAR VE İNTERPOLASYON TEKNİKLERİ Doç. Dr. Ali Rıza YILDIZ MAK 210 - Sayısal Analiz 1 İNTERPOLASYON Tablo halinde verilen hassas sayısal değerler veya ayrık noktalardan
DetaylıBLM-111 PROGRAMLAMA DİLLERİ I. Ders-10 Diziler. Yrd. Doç. Dr. Ümit ATİLA
BLM-111 PROGRAMLAMA DİLLERİ I Ders-10 Diziler Yrd. Doç. Dr. Ümit ATİLA umitatila@karabuk.edu.tr http://web.karabuk.edu.tr/umitatilla/ Diziler Bilgisayarlar yardımıyla yapılan işlemlerde, çok sayıda veri
DetaylıAppendix C: İstatistiksel Çıkarsama
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix C: İstatistiksel Çıkarsama
Detaylı2. SAYI SİSTEMLERİ VE KODLAR
2. SAYI SİSTEMLERİ VE KODLAR 2.1. Sabit Noktalı Sayı Sistemleri 2.1.1. Ondalık Sayı Sistemi Günlük yaşantımızda kullandığımız sayı sistemi ondalık (decimal) sayı sistemidir. Ayrıca 10 tabanlı sistem olarak
DetaylıYrd. Doç. Dr. Caner ÖZCAN
Yrd. Doç. Dr. Caner ÖZCAN İkilik Sayı Sistemi İkilik sayı sisteminde 0 lar ve 1 ler bulunur. Bilgisayar sistemleri yalnızca ikilik sayı sistemini kullanır. ( d 4 d 3 d 2 d 1 d 0 ) 2 = ( d 0. 2 0 ) + (
DetaylıYTÜ İktisat Bölümü EKONOMETRİ I Ders Notları
Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri I Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. edition, Thomson Learning Appendix C: İstatistiksel Çıkarsama Doç.
DetaylıISBN - 978-605-5631-60-4 Sertifika No: 11748
ISBN - 978-605-563-60-4 Sertifia No: 748 GENEL KOORDİNATÖR: REMZİ ŞAHİN AKSANKUR REDAKTE: REMZİ ŞAHİN AKSANKUR SERDAR DEMİRCİ SABRİ ŞENTÜRK Basm Yeri: EVOS BASIM - ANKARA Bu itab tüm basm ve yay halar
Detaylı2. (v+w+x+y+z) 8 ifadesinin açılımında kaç terim vardır? 3. log 5 0, 69897 olduğuna göre 50 10 sayısı kaç basamaklıdır?
Ayrık Hesaplama Yapıları A GRUBU 3.03.0 Numarası Adı Soyadı : CEVAP : ANAHTARI SINAV YÖNERGESİ İşaretlemelerinizde kurşun kalem kullanınız. Soru ve cevap kağıtlarına numaranızı ve isminizi mürekkepli kalem
DetaylıMIT Açık Ders Malzemeleri Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında bilgi almak için
MIT Açık Ders Malzemeleri http://ocw.mit.edu Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında bilgi almak için http://ocw.mit.edu/terms veya http://www.acikders.org.tr adresini ziyaret
DetaylıDKEY ÇFT KÖE PVC KAYNAK KONTROL :
DKEY ÇFT KÖE PVC KAYNAK KONTROL : Özellikler: Boyut : 72 x 44 x 95 mm Giri Voltajı : 7 ~ 36 VDC Güç : 3 ma Çıkılar : 2 adet 24VDC 5 ma 2 adet SSR çıkıı 24 V Giriler : 5 adet kuru kontak 2 adet J tipi T/C
DetaylıSayı sistemleri iki ana gruba ayrılır. 1. Sabit Noktalı Sayı Sistemleri. 2. Kayan Noktalı Sayı Sistemleri
2. SAYI SİSTEMLERİ VE KODLAR Sayı sistemleri iki ana gruba ayrılır. 1. Sabit Noktalı Sayı Sistemleri 2. Kayan Noktalı Sayı Sistemleri 2.1. Sabit Noktalı Sayı Sistemleri 2.1.1. Ondalık Sayı Sistemi Günlük
DetaylıBM 402 Bilgisayar Ağları (Computer Networks)
BM 402 Bilgisayar Ağları (Computer Networks) M.Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Not: Bu dersin sunumları, ders kitabının yazarları James F. Kurose ve Keith W. Ross tarafından
DetaylıTEMEL İSTATİSTİKİ KAVRAMLAR YRD. DOÇ. DR. İBRAHİM ÇÜTCÜ
TEMEL İSTATİSTİKİ KAVRAMLAR YRD. DOÇ. DR. İBRAHİM ÇÜTCÜ 1 İstatistik İstatistik, belirsizliğin veya eksik bilginin söz konusu olduğu durumlarda çıkarımlar yapmak ve karar vermek için sayısal verilerin
Detaylı