Zahmetsiz örüntü tanıma: Nokta bulutlarının karşılaştırılması yoluyla veri-tabanlı ve parametresiz istatistiksel öğrenme
|
|
- Gizem Sunter
- 8 yıl önce
- İzleme sayısı:
Transkript
1 Zahmetsiz örüntü tanıma: Nokta bulutlarının karşılaştırılması yoluyla veri-tabanlı ve parametresiz istatistiksel öğrenme Doç. Dr. Bilge Karaçalı Biyomedikal Veri İşleme Laboratuvarı Elektrik-Elektronik Mühendisliği Bölümü İzmir Yüksek Teknoloji Enstitüsü
2 Sunum akışı Örüntü tanıma: Güdümlü öğrenme Yarı-güdümlü öğrenme problemi Hipotezlere ait sonsal olasılıkların parametresiz bir yaklaşımla veriden kestirimi Uygulamalar Amino asit dizilerindeki işlevsel veya yapısal olarak özellikli bölgeler Uyarana özgün EEG beyin dalgaları Histoloji kesitlerinde kanserle ilintili bölgeler Karışık MiniBooNE nötrino verisindeki elektron nötrinoları
3 Örüntü tanıma Problem tanımı: Üzerinde bir karar verilmek istenen olguyu ifade eden x vektörü gözlem x X, gözlem uzayı Olguya sebep olan olası hipotezler H 1, H 2,..., H M farklı hipotezler farklı sınıflar Mümkün olduğu kadar az hata yapan sınıflandırıcı: f: X H 1, H 2,, H M En iyi çözüm: f x = arg max j p H j x En büyük sonsal olasılık ideal Bayes sınıflandırıcısı
4 Örüntü tanıma Güdümlü öğrenme: Sonsal olasılık fonksiyonları genelde/asla mevcut değildir Onun yerine hipotezlere ait örnekler mevcut olabilir x i, y i, x i X, y i H 1, H 2,, H M, i = 1, 2,, l Seçenek 1: olasılık fonksiyonlarının kestirimi Olasılık kestirimi bilgi değerlendirme açısından zorlu bir problemdir Seçenek 2: olasılık fonksiyonu kestirimine girmeden sınıflandırıcı kurgulama Olasılık dağılımlarının kestirimi, sınıflandırıcı kurgulamanın ara çözümüdür Doğru kararlar veren bir sınıflandırıcıyı kurgulamak için olasılık dağılımlarını çözümlemek gerekmeyebilir Güdümlü öğrenme
5 Örüntü tanıma Güdümlü öğrenme (devam): Amaç: eldeki x i, y i verisini kullanarak gelecekteki veriyi en başarılı bir şekilde ilgili hipotezlere ayıran bir sınıflandırıcıyı kurgulamak En yakın komşuluk sınıflandırıcıları Yapay sinir ağları Destek vektör makineleri... Gözlemler: Kurgulanan sınıflandırıcının başarısı seçilen yönteme olduğu kadar eldeki veriye de bağlıdır Her uygulamada bu şekilde tasnif edilmiş bir veri kümesi elde etmek mümkün olmayabilir Elle işaretlemenin zor olduğu durumlar otomatik görüntü bölütleme problemleri Çalışılan problem gereği sadece bir hipotezin/sınıfın örneklerinin derlenmiş olması protein dizilerindeki işlevsel bölgelerin bulunması Yarı-güdümlü öğrenme
6 Yarı-güdümlü öğrenme problemi Yarı-güdümlü öğrenme: Amaç: dağılımları örtüşen veri kümelerindeki örneklerden hangilerinin ilgili kümeye özgün olduğunun otomatik olarak belirlenmesi Yaklaşım: Her örnek için veri kümelerine ait sonsal olasılıkların parametresiz bir yöntemle kestirimi Bu sonsal olasılık değerlerine göre veri kümelerinin dağılımlarının örtüştüğü ve ayrıştığı bölgelerdeki örneklerin belirlenmesi
7 Yarı-güdümlü öğrenme problemi Problem tanımı: C 0 ve C 1 kümelerinde gruplanmış olarak verilen örnek kümesi {x i }, i = 1, 2,, l İlgili olasılık dağılımları p x C 0 = λ 0 p r x + 1 λ 0 p C0 x p x C 1 = λ 1 p r x + 1 λ 1 p C1 x p r x : her iki kümede de bulunan örneklerin geldiği ortak dağılım p C0 x : örnekleri sadece C 0 kümesinde bulunan dağılım p C1 x : örnekleri sadece C 1 kümesinde bulunan dağılım Veriler öyle bir şekilde ayrıştırılsın ki: Örtüşen örnekler: x i x i p r x =? C 0 kümesine özgün örnekler: x i x i p C0 x =? C 1 kümesine özgün örnekler: x i x i p C1 x =?
8 Yarı-güdümlü öğrenme problemi p C1 x C 0 p r x C 1 p C0 x
9 Yarı-güdümlü öğrenme problemi C 0 C 1 x i x i p r x =? x i x i p C0 x =? x i x i p C1 x =?
10 Yarı-güdümlü öğrenme problemi Sonsal olasılık kestirimi: Yarı-güdümlü öğrenme, {x i } veri kümesindeki her örnek için p C 0 x i ve p C 1 x i sonsal olasılıklarının eldeki veri kullanılarak kestirilmesine dayanır Bu kestirim en-yakın komşuluk sınıflandırıcısının sonuşurdaki davranışından faydalanarak herhangi bir parametrik dağılım modeli kullanılmadan ölçeklenebilir bir yöntemle yapılır
11 Yarı-güdümlü öğrenme problemi Sonsal olasılık tahmini (devam): En yakın komşuluk sınıflandırıcısı f X 0,1 f x; R n = y i, x i = arg min x j R n d x, x j d: X X II, gözlem uzayı üzerinde tanımlanmış olan metrik R n x i, y i, x i X, y i 0,1, i = 1,2,, l, içinde C 0 ve C 1 hipotezlerinden çekilmiş n er örnek içeren rastlantısal küme En-yakın komşuluk sınıflandırıcısının referans olarak kullandığı küme n yeterince büyük olduğunda: p C 1 x f x; R n = f x; R n p Rn R n dr n R n
12 Yarı-güdümlü öğrenme problemi Sonsal olasılık tahmini (devam): p Rn R n dağılımı eldeki veriyle örneklendiğinde p C 1 x 1 Z f x; R n Bu ifadede, Bir başka deyişle, R n x i,y i Z = l 0 l 1 n n l 0 = 1 y i = 0 i l 1 = 1 y i = 1 i en-yakın komşuluk sınıflandırıcısı eldeki veriden çıkarılabilen Z farklı R n ile tekrar tekrar işletilerek elde edilen sonuçların ortalaması ile p C 1 x kestirilebilir
13 Yarı-güdümlü öğrenme problemi Sonsal olasılık tahmini (devam): Bu sürecin sonucunda elde edilecek ortalama, çabuk ve pratik bir yöntemle bulunabilir Sıralı mesafeler ve ilgili örnekler belirlenmiş ise: d i = d x, x i d 1 < d 2 < < d l d i x i, y i, öyle ki d i = d x, x i Pr y = 1 = Pr f x; R n çözümlenebilir = 1 R n x i, y i olasılığı x 1 R n şartına göre Pr y = 1 = Pr y = 1 x 1 R n Pr x 1 R n + Pr y = 1 x 1 R n Pr x 1 R n = 1 y 1 = 1 Pr x 1 R n + Pr y = 1 x 1 R n Pr x 1 R n Pr x 1 R n olasılığı l, l 0, l 1 ve n cinsinden hesaplanabilir y 1 in değerine bağlı olacak şekilde
14 Yarı-güdümlü öğrenme problemi Sonsal olasılık tahmini (devam): Aynı çözümleme x 2 R n şartına göre Pr y = 1 x 1 R n olasılığı için tekrarlanabilir Bu işlemin ileriki olasılıklar için de sürdürülmesiyle Pr y = 1 ve Pr y = 0 için pratik bir hesaplama yöntemi ortaya çıkmış olur Pr y = 0 = 1 Pr y = 1 Bu işlem her bir x i örneği için x j, y j j i kümesi kullanılarak tekrarlandığında ve P C 1 x i Pr f x i ; R n = 1 R n x j, y j j i P C 0 x i = 1 P C 1 x i Pr f x i ; R n = 0 R n x j, y j j i sonsal olasılıkları hesaplanmış olur Böylelikle, x i, y i kümesi üzerinde statistiksel tanıma, P C 1 x i ve P C 0 x i olasılıkları üzerinden gerçekleştirilebilir Yarı-güdümlü öğrenme
15 Yarı-güdümlü öğrenme problemi Yarı-güdümlü öğrenme: Farklı gruplar halinde gözlenen veri kümesi Normal grup x karışık grup (anormallik tespit senaryosu) Test verileri x gözlenen veriler Zaman içerisinde tekrar edilen gözlemlere ait veriler... Her örnek üzerinde farklı grupların sonsal olasılıklarının kestirimi n parametresinin otomatik olarak belirlenmesi Her bir gruptaki örneklerden ilgili grubun sonsal olasılığının yüksek olduğu örneklerin tespiti C k grubuna özgün olan örnekler kümesi: x i x i C k, p C k x i > 1 α, α 1
16 Uygulamalar Amino asit dizilerindeki işlevsel veya yapısal olarak özellikli bölgelerin tespiti: Amaç: belirli bir yapısal/işlevsel özelliği taşıyan proteinlerin amino asit dizilerinde bu özellikle bağlantılı bölgelerin belirlenmesi Gözlemler: Açık veri tabanlarında bilinen proteinlerin amino asit dizilerinde bilinen birtakım yapısal/işlevsel özelliklere sahip bölgeler işaretlenmiş durumdadır Ancak veri tabanlarında, bilinen istatistiksel öğrenme yöntemlerinin uygulanabilmesi için gereken, ilgili özelliğe sahip olmadığı deneysel olarak kanıtlanmış bölgeler mevcut değildir Konuyla ilgili araştırmalarda bu tip özelliklerin tespiti çalışılmaktadır Veritabanlarına sadece olumlu anlamda bulgulanan özellikler sunulmaktadır Bulgulanamayan özellikler ise veritabanlarında yer almamaktadır Bu sorunun çözümlenebilmesi için örneklenebilmiş olan tek bir sınıfın varlığında ayrım yapabilecek bir yönteme ihtiyaç vardır
17 Uygulamalar Amino asit dizilerindeki işlevsel veya yapısal olarak özellikli bölgelerin tespiti (devam): Yaklaşım: UniProtKB veritabanından elde edilen bütün insan proteinlerine ait amino asit dizileri üzerinde insan proteini her bir amino asit bölgesinin fiziksel ve kimyasal özelliklerini yansıtan çok boyutlu profiller oluşturulup amino asitlerine paralel sayısal diziler oluşturup dalgacık dönüşümü uygulanması yoluyla ilgilenilen özelliğe sahip olduğu deneysel olarak belirlenmiş olan grup diğer grupla kıyaslanarak hem çalışılan özelliğin ortaya çıkışıyla bağlantılı bölgeler hem de diğer grup içerisinde ilgili yapısal/işlevsel özelliğe sahip olması en muhtemel proteinler belirlenebilir
18 Uygulamalar Amino asit dizilerindeki işlevsel veya yapısal olarak özellikli bölgelerin tespiti (devam): Sonuçlar: N-glikosilasyon bölgeleri N-glikosilasyon bölgesine ait 1944 boyutlu profil verisi 1939 doğrulanmış N-glikosilasyon bölgesi bilinmeyen bölge Olası yeni N-glikosilasyon bölgeleri tespit edildi DNA ya bağlanan proteinlere özgü bölgeler toplam amino asit bölgesine ait 380 boyutlu profil verisi DNA ya bağlanan proteinlerdeki bölge Kalan proteinlerden gelen bölge DNA ya bağlanan proteinlere özgü amino asit bölgeleri belirlendi Bu bölgelerin varlığına dayanarak DNA ya bağlanan proteinleri tespit yöntemi oluşturuldu ADA_HUMAN proteininin hidrofobisite endeksinin dalgacık dönüşümü ile elde edilen profil dizisi
19 Uygulamalar Uyarana özgün EEG beyin dalgalarının tespiti: Amaç: akan beyin dalgaları arasında farklı uyaranlarla bağlantılı örüntülerin belirlenmesi Gözlemler: Beyin-bilgisayar arayüzü uygulamalarında beyin dalgalarındaki değişimleri birtakım uyaranlarla ya da hareketlerle ilişkilendirmek amaçlanır Başarılı bir uygulama için sistemlerin uzun soluklu eğitim süreçlerinden geçirilmeleri gerekir Yüksek miktarda eğitim verisi toplanıp hangi anda gözlenen beyin dalgalarının hangi durumla ilişkilendirileceği çoklukla elle yapılan ayrıştırmalarla belirlenir Ancak farklı durumlarda gözlenen beyin dalgaları üzerinde tam bir ayrıştırma yapmaksızın, sadece ilgili durumlarda ortaya çıkan beyin dalgalarını otomatik olarak saptamak mümkündür
20 Uygulamalar Uyarana özgün EEG beyin dalgalarının tespiti (devam): Yaklaşım: Her kanaldan gelen akar sinyale dalgacık dönüşümüuygulanıp birleştirilerek çok-boyutlu anlık beyin dalgası verisi oluşturuldu Toplanan beyin dalgası verisine bağımsız bileşen analizi uygulanarak boyut azaltılması sağlandı Farklı görsel uyaranlar altında gözlenmiş olan beyin dalga verileri yarı-güdümlü öğrenmeyle karşılaştırılarak ilgili uyaranlara özgün beyin dalgaları tespit edildi EEG kanallarından birine uygulanan dalgacık dönüşümü ile farklı frekans aralığındaki bileşenlerin birbirinden ayrılması
21 Uygulamalar Histoloji kesitlerinde kanserle ilintili bölgelerin belirlenmesi: Amaç: içerisinde kanserli oluşumlar içeren doku kesitlerinde kanserle ilintili bölgelerin otomatik olarak işaretlenmesi Gözlemler: Uzman patologlar, doku kesitlerini görsel olarak inceleyerek doku kesitinde kanserli oluşumlar bulunup bulunmadığını saptamaktadırlar Aynı işi klasik istatistiksel öğrenme yöntemleriyle yapabilmek için kanserli bölgelerin birçok örnek kesitte elle işaretlenmesi gerekmektedir Elle işaretleme zordur (zaman, farklı uzmanların işaretlemelerindeki farklılıklar,...) Sonuç olarak kurgulanacak sistem farklı kanser türlerinde işe yaramamaktadır Kanserli oluşumlarla ilintili bölgeleri, sadece doku kesitlerinin temiz mi yoksa kanserli mi oldukları bilgisine dayanarak işaretlemek mümkündür
22 Uygulamalar Histoloji kesitlerinde kanserle ilintili bölgelerin belirlenmesi (devam): Yaklaşım: Çok sayıda kolon doku kesit örneği dijital mikroskoplar altında görüntülenerek bir görüntü veri tabanı oluşturuldu Her doku ketisi görüntüsü sıralı olarak örtüşen bölgelere ayrıldı ve her bölge için görünümü yansıtan vektör değerli profiller hesaplandı Kanserli kesit görüntülerinden gelen profiller diğerleriyle yarı-güdümlü öğrenme algoritmasıyla karşılaştırılarak kanserle ilintili bölgeler saptandı Kolon doku kesiti görüntülerinde kanserle ilintili bölgelerin işaretlenmesi
23 Uygulamalar Karma MiniBooNE nötrino verisindeki elektron nötrinolarının ayrıştırılması: Amaç: Sadece müon nötrinolarından oluşan bir veri seti kullanarak müon ve elektron nötrinolarından oluşan karma bir kümedeki elektron nötrinolarının otomatik olarak saptanması Gözlemler: Parçacık fiziği deneylerinde toplanan veriler bir takım olasılıksal etkilerle şekillenmektedir Altta yatan olasılık dağılımları, ölçmedeki belirsizlikler,... İstatistiksel yöntemler, bu olasılıksal etkiler altında çarpışma deneylerinde ortaya çıkan parçacıkların belirlenmesinde fayda sağlayabilir Her parçacık için birçok özelliğin toplantığı sayısal profiller üzerinde istatistiksel öğrenme yöntemleriyle ayrıştırma
24 Uygulamalar Karışık MiniBooNE nötrino verisindeki elektron nötrinolarının ayrıştırılması (devam): Yaklaşım: Veri kümesi: Toplam adet müon ve elektron nötrinolarına ait özniteliklerle oluşturulmuş 50 boyutlu vektör değerli profil verisi müon nötrinosuna karşılık elektron nötrinosu Toplanan öznitelikler arasında olay vuruş çokluğu, enerji, hesaplanan radyal konumu... Yarı-güdümlü öğrenme problemi adet müon nötrinosudan oluşan profil kümesi kullanılarak, Kalan nötrino arasından elektron nötrinolarının ayrıştırılması Karma küme %56 elektron nötrinosu, %44 müon nötrinosu Yüksek miktarlı veri için uyarlanan yarıgüdümlü öğrenme algoritması ile karma verideki elektron nötrinolar ayrıştırıldı Yarı-güdümlü öğrenme algoritmasının karma kümedeki elekton nötrinolarını ayrıştırma başarı eğrileri
25 Tartışma Yarı-güdümlü öğrenme veri kümelerini kıyaslayarak ilgili kümelere özgün olan verileri ayrıştırmaktadır Problemin kurgusuna bağlı olarak kendi kümelerine özgün olan ve olmayan örnekler üzerinden altta yatan probleme ait istatistiksel çıkarım yapmayı sağlamaktadır Ayrıştırılmak istenen verileri örnekleyen homojen kümelerin elde edilemediği durumlarda zahmetsiz ve başarılı tanıma sağlamaktadır Eldeki kümelerin ağırlıklı olarak farklı hipotezlere ait örneklerden oluşması yeterlidir Homojen veri kümeleri gerektirmemesi, klasik istatistiksel öğrenme yöntemlerinin uygulanamadığı örüntü tanıma problemlerini çözülebilir yapmaktadır Bu özellikleriyle yarı-güdümlü öğrenme, yüksek enerji fiziği deneylerinde karşılaşılan istatistiksel parça tanıma problemlerinde fayda sağlayabilir Yarı-güdümlü öğrenme algoritmasının Matlab (c) kodu için:
2.1 Bir Sınıfı Örneklerinden Öğrenme... 15 2.2 Vapnik-Chervonenkis (VC) Boyutu... 20 2.3 Olası Yaklaşık Doğru Öğrenme... 21
İçindekiler Önsöz İkinci Basım için Önsöz Türkçe Çeviri için Önsöz Gösterim xiii xv xvii xix 1 Giriş 1 1.1 Yapay Öğrenme Nedir?......................... 1 1.2 Yapay Öğrenme Uygulamalarına Örnekler...............
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
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
DetaylıBÖLÜM 12 STUDENT T DAĞILIMI
1 BÖLÜM 12 STUDENT T DAĞILIMI 'Student t dağılımı' ya da kısaca 't dağılımı'; normal dağılım ve Z dağılımının da içerisinde bulunduğu 'sürekli olasılık dağılımları' ailesinde yer alan dağılımlardan bir
DetaylıKHDAK IMRT sinde Tedavi Planlama Sistemlerinin Monte Carlo Yöntemi ile Karşılaştırılması
KHDAK IMRT sinde Tedavi Planlama Sistemlerinin Monte Carlo Yöntemi ile Karşılaştırılması Türkay TOKLU 1, Bahar DİRİCAN 2, Necdet ASLAN 1 1 Yeditepe Üniversitesi, Fizik Bölümü 2 Gülhane Askeri Tıp Akademisi,
DetaylıKi- Kare Testi ANADOLU ÜNİVERSİTESİ. ENM 317 MÜHENDİSLİK İSTATİSTİĞİ İYİ UYUM TESTİ Prof.Dr. Nihal ERGİNEL
ANADOLU ÜNİVERSİTESİ ENM 317 MÜHENDİSLİK İSTATİSTİĞİ İYİ UYUM TESTİ Prof.Dr. Nihal ERGİNEL İYİ UYUM TESTİ Rassal değişkenin olasılık yoğunluk fonksiyonunun ve parametresinin bilinmediği, ancak belirli
DetaylıNeotektonik incelemelerde kullanılabilir. Deformasyon stili ve bölgesel fay davranışlarına ait. verileri tamamlayan jeolojik dataları sağlayabilir.
Neotektonik incelemelerde kullanılabilir. Deformasyon stili ve bölgesel fay davranışlarına ait verileri tamamlayan jeolojik dataları sağlayabilir. Sismik tehlike değerlendirmeleri için veri tabanı oluşturur.
DetaylıBÖLÜM 14 BİLGİSAYAR UYGULAMALARI - 3 (ORTALAMALARIN KARŞILAŞTIRILMASI)
1 BÖLÜM 14 BİLGİSAYAR UYGULAMALARI - 3 (ORTALAMALARIN KARŞILAŞTIRILMASI) Hipotez testi konusunda görüldüğü üzere temel betimleme, sayma ve sınıflama işlemlerine dayalı yöntemlerin ötesinde normal dağılım
DetaylıMarkov Zinciri Monte Carlo Yaklaşımı. Aktüeryal Uygulamaları
Markov Zinciri Monte Carlo Yaklaşımı ve Aktüeryal Uygulamaları ŞİRZAT ÇETİNKAYA Aktüer Sistem Araştırma Geliştirme Bölümü AKTÜERLER DERNEĞİ 2.0.20080 2008 - İSTANBUL Sunum Planı. Giriş 2. Bayesci Metodun
Detaylı2.1 Gri Düzey Eş Oluşum Matrisi ( GLCM) Gri düzey eş oluşum matrisi Haralick tarafından öne sürülmüştür [1]. Đstatistiksel doku analizi yöntemidir.
ÇELĐK YÜZEYLERĐN SINIFLANDIRILMASI * Cem ÜNSALAN ** Aytül ERÇĐL * Ayşın ERTÜZÜN *Boğaziçi Üniversitesi, Elektrik-Elektronik Mühendisliği Bölümü unsalan@boun.edu.tr **Boğaziçi Üniversitesi, Endüstri Mühendisliği
DetaylıKAHKAHA TANIMA İÇİN RASSAL ORMANLAR
KAHKAHA TANIMA İÇİN RASSAL ORMANLAR Heysem Kaya, A. Mehdi Erçetin, A. Ali Salah, S. Fikret Gürgen Bilgisayar Mühendisliği Bölümü Boğaziçi Üniversitesi / Istanbul Akademik Bilişim'14, Mersin, 05.02.2014
DetaylıBÖLÜM 7 BİLGİSAYAR UYGULAMALARI - 1
1 BÖLÜM 7 BİLGİSAYAR UYGULAMALARI - 1 Belli bir özelliğe yönelik yapılandırılmış gözlemlerle elde edilen ölçme sonuçları üzerinde bir çok istatistiksel işlem yapılabilmektedir. Bu işlemlerin bir kısmı
DetaylıVERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Sınıflandırma yöntemleri Karar ağaçları ile sınıflandırma Entropi Kavramı ID3 Algoritması C4.5
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
Detaylı3 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI
ÖNSÖZ İÇİNDEKİLER III Bölüm 1 İSTATİSTİK ve SAYISAL BİLGİ 11 1.1 İstatistik ve Önemi 12 1.2 İstatistikte Temel Kavramlar 14 1.3 İstatistiğin Amacı 15 1.4 Veri Türleri 15 1.5 Veri Ölçüm Düzeyleri 16 1.6
DetaylıParametrik Olmayan İstatistik. Prof. Dr. Cenk ÖZLER
Parametrik Olmayan İstatistik Prof. Dr. Cenk ÖZLER Not: Beklenen Frekansı 5 in altında olan gruplar varsa, bu gruplar bir önceki veya bir sonraki grupla birleştirilir. Hipotezler χ 2 Dağılışa Uyum Testi
DetaylıMOCKUS HİDROGRAFI İLE HAVZA & TAŞKIN MODELLENMESİNE BİR ÖRNEK: KIZILCAHAMAM(ANKARA)
MOCKUS HİDROGRAFI İLE HAVZA & TAŞKIN MODELLENMESİNE BİR ÖRNEK: KIZILCAHAMAM(ANKARA) Tunç Emre TOPTAŞ Teknik Hizmetler ve Eğitim Müdürü, Netcad Yazılım A.Ş. Bilkent, Ankara, Öğretim Görevlisi, Gazi Üniversitesi,
DetaylıBÖLÜM 6 MERKEZDEN DAĞILMA ÖLÇÜLERİ
1 BÖLÜM 6 MERKEZDEN DAĞILMA ÖLÇÜLERİ Gözlenen belli bir özelliği, bu özelliğe ilişkin ölçme sonuçlarını yani verileri kullanarak betimleme, istatistiksel işlemlerin bir boyutunu oluşturmaktadır. Temel
DetaylıSNP TEK NÜKLEOTİD POLİMORFİZMLERİ (SINGLE NUCLEOTIDE POLYMORPHISMS)
SNP TEK NÜKLEOTİD POLİMORFİZMLERİ (SINGLE NUCLEOTIDE POLYMORPHISMS) Herhangi iki bireyin DNA dizisi %99.9 aynıdır. %0.1 = ~3x10 6 nükleotid farklılığı sağlar. Genetik materyalde varyasyon : Polimorfizm
Detaylı2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI Tanım
2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI 2.1. Tanım Regresyon analizi, bir değişkenin başka bir veya daha fazla değişkene olan bağımlılığını inceler. Amaç, bağımlı değişkenin kitle ortalamasını, açıklayıcı
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
DetaylıİSTATİSTİK 2. Hipotez Testi 21/03/2012 AYŞE S. ÇAĞLI. aysecagli@beykent.edu.tr
İSTATİSTİK 2 Hipotez Testi 21/03/2012 AYŞE S. ÇAĞLI aysecagli@beykent.edu.tr 1 Güven aralığı ve Hipotez testi Güven aralığı µ? µ? Veriler, bir değer aralığında hangi değeri gösteriyor? (Parametrenin gerçek
Detaylı2015/2016 Bahar Yarıyılı Bitirme Çalışması Konuları. (Doç.Dr. M. Kemal GÜLLÜ)
2015/2016 Bahar Yarıyılı Bitirme Çalışması Konuları (Doç.Dr. M. Kemal GÜLLÜ) 1. Ses temelli malzeme tanıma Malzemelerin çarpma etkisi ile çıkarttıkları seslerin mikrofon ile bir PC ye alınması ve işaretten
DetaylıMann-Whitney U ve Wilcoxon T Testleri
Mann-Whitney U ve Wilcoxon T Testleri Doç. Dr. Ertuğrul ÇOLAK Eskişehir Osmangazi Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı Konu Başlıkları Parametrik olmayan yöntem Mann-Whitney U testinin
DetaylıALTERNATİF AKIM (AC) II SİNÜSOİDAL DALGA; KAREKTRİSTİK ÖZELLİKLERİ
. Amaçlar: EEM DENEY ALERNAİF AKIM (AC) II SİNÜSOİDAL DALGA; KAREKRİSİK ÖZELLİKLERİ Fonksiyon (işaret) jeneratörü kullanılarak sinüsoidal dalganın oluşturulması. Frekans (f), eriyot () ve açısal frekans
Detaylıİstatistik Nedir? İstatistiğin Önemi Nedir? Tanımlayıcı ve Çıkarımcı İstatistik ttitik Tanımlayıcı İstatistik Türleri Çıkarımcı İstatistiğin i iği
İSTATİSTİK E GİRİŞ TEMEL KAVRAMLAR İstatistik Nedir? İstatistiğin Önemi Nedir? Tanımlayıcı ve Çıkarımcı İstatistik ttitik Tanımlayıcı İstatistik Türleri Çıkarımcı İstatistiğin i iği Elemanlarıl AMAÇ İstatistiğe
DetaylıOLASILIK ve İSTATİSTİK Hipotez Testleri
OLASILIK ve İSTATİSTİK Hipotez Testleri Yrd.Doç.Dr. Pınar YILDIRIM Okan Üniversitesi Mühendislik ve Mimarlık Fakültesi Bilgisayar Mühendisliği Bölümü Hipotezler ve Testler Hipotez, kitleye(yığına) ait
DetaylıUygulama 6. Transkripsiyon yönü. Ekzonlar (kodlama bölgeleri) Transkripsiyon. Sonlandırıcı kodon başlangıcı
Uygulama 6 DNA Dizilerinde Bazı Đstatistiksel Analizler DNA molekülleri nükleotidlerin uzun birer dizileridir. Dizilenmiş bir DNA molekülüne A,C,G,T harflerinin oluşturduğu bir kelimelik uzun bir yazı
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
DetaylıĐST 474 Bayesci Đstatistik
ĐST 474 Bayesci Đstatistik Ders Sorumlusu: Dr. Haydar Demirhan haydarde@hacettepe.edu.tr Đnternet Sitesi: http://yunus.hacettepe.edu.tr/~haydarde Đçerik: Olasılık kuramının temel kavramları Bazı özel olasılık
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
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
DetaylıBÖLÜM 1: YAşAM ÇÖzÜMLEMEsİNE GİRİş... 1
ÖN SÖZ...iii BÖLÜM 1: Yaşam Çözümlemesine Giriş... 1 1.1. Giriş... 1 1.2. Yaşam Süresi... 2 1.2.1. Yaşam süresi verilerinin çözümlenmesinde kullanılan fonksiyonlar... 3 1.2.1.1. Olasılık yoğunluk fonksiyonu...
DetaylıBİLİŞİM TEKNOLOJİLERİ İÇİN İŞLETME İSTATİSTİĞİ
SAKARYA ÜNİVERSİTESİ BİLİŞİM TEKNOLOJİLERİ İÇİN İŞLETME İSTATİSTİĞİ Hafta 13 Yrd. Doç. Dr. Halil İbrahim CEBECİ Bu ders içeriğinin basım, yayım ve satış hakları Sakarya Üniversitesi ne aittir. "Uzaktan
DetaylıDENİZ HARP OKULU TEMEL BİLİMLER BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ
DENİZ HARP OKULU TEMEL BİLİMLER BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ Dersin Adı Kodu Sınıf/Y.Y. Ders Saati (T+U+L) Kredi AKTS OLASILIK VE İSTATİSTİK FEB-222 2/ 2.YY 3+0+0 3 3 Dersin Dili Dersin Seviyesi
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
Detaylıİçindekiler. Ön Söz... xiii
İçindekiler Ön Söz.................................................... xiii Bölüm 1 İstatistiğe Giriş....................................... 1 1.1 Giriş......................................................1
DetaylıHız, Seyir Süresi ve Gecikmeler. Prof.Dr.Mustafa KARAŞAHİN
Hız, Seyir Süresi ve Gecikmeler Prof.Dr.Mustafa KARAŞAHİN Hız, Seyir Süresi ve Gecikme Karayolu altyapısı ve trafik işletme modelinin performansının göstergesidir. Genellikle, sürücüler veya yolcular A
DetaylıAKARSULARDA KİRLENME KONTROLÜ İÇİN BİR DİNAMİK BENZETİM YAZILIMI
AKARSULARDA KİRLENME KONTROLÜ İÇİN BİR DİNAMİK BENZETİM YAZILIMI *Mehmet YÜCEER, **Erdal KARADURMUŞ, *Rıdvan BERBER *Ankara Üniversitesi Mühendislik Fakültesi Kimya Mühendisliği Bölümü Tandoğan - 06100
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Ders 8: Prof. Dr. İrfan KAYMAZ Tanım Tahmin (kestirim veya öngörü): Mevcut bilgi ve deneylere dayanarak olayın bütünü hakkında bir yargıya varmaktır. Bu anlamda, anakütleden çekilen
DetaylıYığma yapı elemanları ve bu elemanlardan temel taşıyıcı olan yığma duvarlar ve malzeme karakteristiklerinin araştırılması
Yığma yapı elemanları ve bu elemanlardan temel taşıyıcı olan yığma duvarlar ve malzeme karakteristiklerinin araştırılması Farklı sonlu eleman tipleri ve farklı modelleme teknikleri kullanılarak yığma duvarların
DetaylıZaman Ortamı Yapay Uçlaşma (Time Domain Induced Polarization) Yöntemi
Zaman Ortamı Yapay Uçlaşma (Time Domain Induced Polarization) Yöntemi Yöntemin Esasları ve Kullanım Alanları Yapay uçlaşma yöntemi, yer altına gönderilen akımın aniden kesilmesinden sonra ölçülen gerilim
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.
DetaylıKullanılacak İstatistikleri Belirleme Ölçütleri. Değişkenin Ölçek Türü ya da Yapısı
ARAŞTIRMA MODELLİLERİNDE KULLANILACAK İSTATİSTİKLERİ BELİRLEME ÖLÇÜTLERİ Parametrik mi Parametrik Olmayan mı? Kullanılacak İstatistikleri Belirleme Ölçütleri Değişken Sayısı Tek değişkenli (X) İki değişkenli
Detaylı10. VALİDASYON VE KALİTE KONTROL ÇALIŞMALARINA DAYANAN YAKLAŞIM (TEK_LAB VALİDASYON YAKLAŞIMI)
10. VALİDASYON VE KALİTE KONTROL ÇALIŞMALARINA DAYANAN YAKLAŞIM (TEK_LAB VALİDASYON YAKLAŞIMI) 2:00 /4:55:00 10.1 Temel Bilgiler, Ana Denklem, Mutlak ve Bağıl Miktarlar, Pratik Uygulamaya Genel Bakış VALİDASYON
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
DetaylıGALATASARAY ÜNİVERSİTESİ
1 MÜHENDİSLİK VE TEKNOLOJİ FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ 2016/2017 ÖĞRETİM YILI DERS PROGRAMI Not 1 : Fransızca Hazırlık sınıfından gelen ve Fransızca seviye tespit sınavında başarısız olan
Detaylı1.2. Aktif Özellikli (Her An Deprem Üretebilir) Tektonik Bölge İçinde Yer Alıyor (Şekil 2).
İzmir Metropol Alanı İçin de Yapılan Tübitak Destekli KAMAG 106G159 Nolu Proje Ve Diğer Çalışmalar Sonucunda Depreme Dayanıklı Yapı Tasarımı İçin Statik ve Dinamik Yükler Dikkate Alınarak Saptanan Zemin
DetaylıAşağı Link MC-CDMA Sistemlerinde Kullanılan PIC Alıcının EM-MAP Tabanlı Olarak İlklendirilmesi
IEEE 15. Sinyal İşleme ve İletişim Uygulamaları Kurultayı - 2007 Aşağı Link MC-CDMA Sistemlerinde Kullanılan PIC Alıcının EM-MAP Tabanlı Olarak İlklendirilmesi Hakan Doğan 1,Erdal Panayırcı 2, Hakan Ali
DetaylıİNM Ders 2.2 YER HAREKETİ PARAMETRELERİNİN HESAPLANMASI. Yrd. Doç. Dr. Pelin ÖZENER İnşaat Mühendisliği Bölümü Geoteknik Anabilim Dalı
İNM 424112 Ders 2.2 YER HAREKETİ PARAMETRELERİNİN HESAPLANMASI Yrd. Doç. Dr. Pelin ÖZENER İnşaat Mühendisliği Bölümü Geoteknik Anabilim Dalı YER HAREKETİ PARAMETRELERİNİN HESAPLANMASI Yapıların Depreme
DetaylıBilgisayarla Görüye Giriş
Bilgisayarla Görüye Giriş Ders 10 Nesne / Yüz Tespiti ve Tanıma Alp Ertürk alp.erturk@kocaeli.edu.tr Nesne Tespiti Belirli bir nesnenin sahne içindeki konumunun tespitidir Tespit edilecek nesne önceden
DetaylıİSTANBUL MEDENİYET ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ(TÜRKÇE) 4 YILLIK DERS PLANI
İSTANBUL MEDENİYET ÜNİVERSİTESİ MÜHİSLİK FAKÜLTESİ 2017-2018 ELEKTRİK-ELEKTRONİK MÜHİSLİĞİ BÖLÜMÜ(TÜRKÇE) 4 YILLIK DERS PLANI (Eğitim planı toplamda 138 ve 240 den oluşmaktadır. Yarıyıllara göre alınması
DetaylıKONU: BARAJLARDA SİSMİK TEHLİKENİN TAYİNİ - Olasılıksal ve deterministik hesaplar sonrası baraj tasarımında kulanılacak sismik tehlike seviyeleri
KONU: BARAJLARDA SİSMİK TEHLİKENİN TAYİNİ - Olasılıksal ve deterministik hesaplar sonrası baraj tasarımında kulanılacak sismik tehlike seviyeleri SUNUM YAPAN: Sinan Akkar (ODTÜ) Barajlarda sismik tehlike
DetaylıGALATASARAY ÜNİVERSİTESİ
1 MÜHENDİSLİK VE TEKNOLOJİ FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ 2017/2018 ÖĞRETİM YILI DERS PROGRAMI Not 1 : Fransızca Hazırlık sınıfından gelen ve Fransızca seviye tespit sınavında başarısız olan
DetaylıGörüntü Sınıflandırma
Görüntü Sınıflandırma Chapter 12 https://www.google.com.tr/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&uact=8&ved=0 CBwQFjAA&url=http%3A%2F%2Ffaculty.une.edu%2Fcas%2Fszeeman%2Frs%2Flect%2FCh%2 52012%2520Image%2520Classification.ppt&ei=0IA7Vd36GYX4Uu2UhNgP&usg=AFQjCNE2wG
DetaylıT.C. KIRIKKALE ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ YAPAY SİNİR AĞLARI. Doç.Dr. Necaattin BARIŞÇI FİNAL PROJESİ
T.C. KIRIKKALE ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ YAPAY SİNİR AĞLARI Doç.Dr. Necaattin BARIŞÇI YAPAY SİNİR AĞLARI İLE KORONER ARTER HASTALIĞI RİSK Öğrenci : SİNEM ÖZDER Numarası : 118229001004
DetaylıİŞARET ve SİSTEMLER (SIGNALS and SYSTEMS) Dr. Akif AKGÜL oda no: 303 (T4 / EEM)
İşaret ve Sistemler İŞARET ve SİSTEMLER (SIGNALS and SYSTEMS) Dr. Akif AKGÜL aakgul@sakarya.edu.tr oda no: 303 (T4 / EEM) Kaynaklar: 1. Signals and Systems, Oppenheim. (Türkçe versiyonu: Akademi Yayıncılık)
Detaylı6.046J/18.401J DERS 7 Kıyım Fonksiyonu (Hashing I) Prof. Charles E. Leiserson
Algoritmalara Giriş 6.046J/8.40J DERS 7 Kıyım Fonksiyonu (Hashing I) Doğrudan erişim tabloları Çarpışmaları ilmekleme ile çözmek Kıyım fonksiyonu seçimi Açık adresleme Prof. Charles E. Leiserson October
DetaylıTEMEL İSTATİSTİK BİLGİSİ. İstatistiksel verileri tasnif etme Verilerin grafiklerle ifade edilmesi Vasat ölçüleri Standart puanlar
TEMEL İSTATİSTİK BİLGİSİ İstatistiksel verileri tasnif etme Verilerin grafiklerle ifade edilmesi Vasat ölçüleri Standart puanlar İstatistiksel Verileri Tasnif Etme Verileri daha anlamlı hale getirmek amacıyla
Detaylıİkiden Çok Grup Karşılaştırmaları
İkiden Çok Grup Karşılaştırmaları Bir onkoloji kliniğinde göğüs kanseri tanısı almış kadınlar arasından histolojik evrelerine göre 17 şer kadın seçilerek sağkalım süreleri (ay) alınmıştır. HİSTLOJİK EVRE
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
DetaylıERCİYES ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ SİVİL HAVACILIK ANABİLİM DALI YENİ DERS ÖNERİSİ/ DERS GÜNCELLEME
/ DERS GÜNCELLEME Dersin Kodu SHA 615 Dersin Adı İSTATİSTİKSEL SİNYAL İŞLEME Yarıyılı GÜZ Dersin İçeriği: Olasılık ve olasılıksal süreçlerin gözden geçirilmesi. Bayes kestirim kuramı. Büyük olabilirlik
DetaylıParametrik Olmayan Testler 2. Wilcoxon ve Kruskal-Wallis Testleri
Parametrik Olmayan Testler 2 Wilcoxon ve Kruskal-Wallis Testleri İki Bağımlı Örneklemin Karşılaştırılması (Wilcoxon Bağımlı Örneklemler İşaretli Sıralamalar Testi) (Wilcoxon Matched-Samples Signed Ranks
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
DetaylıBiyomedical Enstrümantasyon. Bütün biyomedikal cihazlar, hastadan belli bir fiziksel büyüklüğün miktarını ölçer. Nicel sonuçlar verir.
ENSTRÜMANTASYON Enstrümantasyon Nicel (veya bazı zamanlar nitel) miktar ölçmek için kullanılan cihazlara Enstrümanlar (Instruments), işleme de Enstrümantasyon adı verilir. Biyomedical Enstrümantasyon Bütün
DetaylıYıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Bilgisayarla Görme. Final
Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü Bilgisayarla Görme Final Harris ve Moravec Köşe Belirleme Metotları Selçuk BAŞAK 08501008 Not: Ödevi hazırlamak için geliştirdiğim
DetaylıIII-Hayatın Oluşturan Kimyasal Birimler
III-Hayatın Oluşturan Kimyasal Birimler MBG 111 BİYOLOJİ I 3.1.Karbon:Biyolojik Moleküllerin İskeleti *Karbon bütün biyolojik moleküllerin omurgasıdır, çünkü dört kovalent bağ yapabilir ve uzun zincirler
DetaylıKre di. Ders Kodu BIL-107. Açıklama Eşdeğer Akademik Araştırma ve EHB-119 Sunum I. MAT-151 Matematik I MAT-152 Matematik II
1. Yarıyıl Adı Kre di AK TS EHB-105 Algoritma ve Programlama 2+2 5 BIL-107 Bilgisayar Mühendisliği in Adı Algoritma ve Programlama 3+1 7 Akademik Araştırma ve EHB-119 Sunum I 1+1 2 FIZ-145 Fizik I 3+0
DetaylıBÖLÜM 5 MERKEZİ EĞİLİM ÖLÇÜLERİ
1 BÖLÜM 5 MERKEZİ EĞİLİM ÖLÇÜLERİ Gözlenen belli bir özelliği, bu özelliğe ilişkin ölçme sonuçlarını yani verileri kullanarak betimleme, istatistiksel işlemlerin bir boyutunu oluşturmaktadır. Temel sayma
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
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
DetaylıBirinci Mertebeden Adi Diferansiyel Denklemler
Birinci Mertebeden Adi Diferansiyel Denklemler Bir veya daha çok bağımlı değişken, bir veya daha çok bağımsız değişken ve bağımlı değişkenin bağımsız değişkene göre (diferansiyel) türevlerini içeren bağıntıya
DetaylıPopülasyon Ortalamasının Tahmin Edilmesi
Güven Aralıkları Popülasyon Ortalamasının Tahmin Edilmesi Tanımlar: Nokta Tahmini Popülasyon parametresi hakkında tek bir rakamdan oluşan tahmindir. Popülasyon ortalaması ile ilgili en iyi nokta tahmini
DetaylıHİPOTEZ TESTLERİ. Yrd. Doç. Dr. Emre ATILGAN
HİPOTEZ TESTLERİ Yrd. Doç. Dr. Emre ATILGAN Hipotez Nedir? HİPOTEZ: parametre hakkındaki bir inanıştır. Parametre hakkındaki inanışı test etmek için hipotez testi yapılır. Hipotez testleri sayesinde örneklemden
Detaylı1203608-SIMÜLASYON DERS SORUMLUSU: DOÇ. DR. SAADETTIN ERHAN KESEN. Ders No:5 Rassal Değişken Üretimi
1203608-SIMÜLASYON DERS SORUMLUSU: DOÇ. DR. SAADETTIN ERHAN KESEN Ders No:5 RASSAL DEĞIŞKEN ÜRETIMI Bu bölümde oldukça yaygın bir biçimde kullanılan sürekli ve kesikli dağılımlardan örneklem alma prosedürleri
DetaylıDoğukan Akçay¹, Fadime Akman², Zafer Karagüler², Kadir Akgüngör³. XIV. Ulusal Medikal Fizik Kongresi Antalya, 2013
Alaşımlı protez malzemelerinin radyoterapide 6 MV X ışını dozlarına etkisinin Collapsed Cone ve GAMOS Monte Carlo algoritmaları ile hesaplanması, film dozimetri ile karşılaştırılması Doğukan Akçay¹, Fadime
Detaylı13. Olasılık Dağılımlar
13. Olasılık Dağılımlar Mühendislik alanında karşılaşılan fiziksel yada fiziksel olmayan rasgele değişken büyüklüklerin olasılık dağılımları için model alınabilecek çok sayıda sürekli ve kesikli fonksiyon
DetaylıBilgisayar Mühendisliği. Bilgisayar Mühendisliğine Giriş 1
Bilgisayar Mühendisliği Bilgisayar Mühendisliğine Giriş 1 Mühendislik Nedir? Mühendislik, bilim ve matematiğin yararlı cihaz ve sistemlerin üretimine uygulanmasıdır. Örn: Elektrik mühendisleri, elektronik
DetaylıUzaktan Algılama Uygulamaları
Aksaray Üniversitesi Uzaktan Algılama Uygulamaları Doç.Dr. Semih EKERCİN Harita Mühendisliği Bölümü sekercin@aksaray.edu.tr 2010-2011 Bahar Yarıyılı Uzaktan Algılama Uygulamaları GÖRÜNTÜ İŞLEME TEKNİKLERİ
DetaylıKLİNİK LABORATUVARLARDA PRATİK YAKLAŞIM PROGRAMI MART 2016 DÖNEMİ REFERANS ARALIKLARI
KLİNİK LABORATUVARLARDA PRATİK YAKLAŞIM PROGRAMI MART 2016 DÖNEMİ REFERANS ARALIKLARI Klinik laboratuvarlarda test çalışmalarından elde edilen sonuçlar genelde bir referans aralık verisi ile birlikte değerlendirilmektedir.
DetaylıJEODEZİK AĞLARIN OPTİMİZASYONU
JEODEZİK AĞLARIN OPTİMİZASYONU Jeodezik Ağların Tasarımı 10.HAFTA Dr.Emine Tanır Kayıkçı,2017 OPTİMİZASYON Herhangi bir yatırımın gerçekleştirilmesi sırasında elde bulunan, araç, hammadde, para, işgücü
DetaylıLİNEER DALGA TEORİSİ. Page 1
LİNEER DALGA TEORİSİ Giriş Dalgalar, gerçekte viskoz akışkan içinde, irregüler ve değişken geçirgenliğe sahip bir taban üzerinde ilerlerler. Ancak, çoğu zaman akışkan hareketi neredeyse irrotasyoneldir.
DetaylıMühendislikte İstatistiksel Yöntemler
Mühendislikte İstatistiksel Yöntemler BÖLÜM 7 TAHMİNLER Yrd. Doç. Dr. Fatih TOSUNOĞLU 1 Tahmin (kestirim veya öngörü): Mevcut bilgi ve deneylere dayanarak olayın bütünü hakkında bir yargıya varmaktır.
DetaylıRasgele Sayı Üretme. Rasgele Sayıların Özellikleri. İki önemli istaiksel özelliği var :
Rasgele Sayı Üretme Rasgele Sayıların Özellikleri İki önemli istaiksel özelliği var : Düzgünlük (Uniformity) Bağımsızlık R i, rasgele sayısı olasılık yoğunluk fonksiyonu aşağıdaki gibi olan uniform bir
DetaylıAKTİF KAYNAKLI YÜZEY DALGASI (MASW) YÖNTEMINDE FARKLI DOĞRUSAL DIZILIMLERIN SPEKTRAL ÇÖZÜNÜRLÜLÜĞÜ
AKTİF KAYNAKLI YÜZEY DALGASI (MASW) YÖNTEMINDE FARKLI DOĞRUSAL DIZILIMLERIN SPEKTRAL ÇÖZÜNÜRLÜLÜĞÜ M.Ö.Arısoy, İ.Akkaya ve Ü. Dikmen Ankara Üniversitesi Mühendislik Fakültesi Jeofizik Mühendisliği Bölümü,
DetaylıSu Mühendisliği Problemlerinde Belirsizliklerin İrdelenmesi. Prof. Dr. Melih Yanmaz ODTÜ, İnşaat Müh. Bölümü
Su Mühendisliği Problemlerinde Belirsizliklerin İrdelenmesi Prof. Dr. Melih Yanmaz ODTÜ, İnşaat Müh. Bölümü Belirsizliklerin Kaynağı Hid l jik (d ğ l t d l) Hidrolojik (doğal, parametre, model) Hidrolik
DetaylıKaos Oyunu: Gelişigüzellik ve Belirlenebilirlik
Gelişigüzellikle anlamlı bir sonuca ulaşılamayacağını sanan evrim karşıtlarına.. Kaos Oyunu: Gelişigüzellik ve Belirlenebilirlik Bazı çevrelerin bilimcileri anlamayıp, hatta yanlış anlayıp, onlara düşman
DetaylıEROZYONUN KANTİTATİF OLARAK BELİRLENMESİ. Dr. Şenay ÖZDEN Prof.Dr. Nuri MUNSUZ
EROZYONUN KANTİTATİF OLARAK BELİRLENMESİ Dr. Şenay ÖZDEN Prof.Dr. Nuri MUNSUZ Havza koruma projelerinde erozyonun azaltılması ile sediment problemlerinin ıslahı, temel amaçları oluşturmaktadır. Bunun için
DetaylıDoğan Can, Murat Saraçlar. Bebek, İstanbul. 9 Mart, 2009
Türkçe Haber Bültenlerinin Açık Kaynak Yazılımlar ile Yazılandırılması Doğan Can, Murat Saraçlar Elektrik Elektronik Mühendisliği Bölümü Boğaziçi Üniversitesi Bebek, İstanbul 9 Mart, 2009 Bir Bakışta GDSKT
Detaylı8.333 İstatistiksel Mekanik I: Parçacıkların İstatistiksel Mekaniği
MIT Açık Ders Malzemeleri http://ocw.mit.edu 8.333 İstatistiksel Mekanik I: Parçacıkların İstatistiksel Mekaniği 2007 Güz Bu materyallerden alıntı yapmak veya Kullanım Şartları hakkında bilgi almak için
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
DetaylıLED IŞIK KAYNAKLARININ RENK SICAKLIĞININ GÖRÜNTÜ İŞLEME TEKNİKLERİ KULLANILARAK BELİRLENMESİ. İsmail Serkan Üncü, İsmail Taşcı
LED IŞIK KAYNAKLARININ RENK SICAKLIĞININ GÖRÜNTÜ İŞLEME TEKNİKLERİ KULLANILARAK BELİRLENMESİ İsmail Serkan Üncü, İsmail Taşcı To The Sources Of Light s Color Tempature With Image Processing Techniques
DetaylıMADEN MÜHENDİSLİĞİ BÖLÜMÜ 0321 CEVHER HAZIRLAMA LAB. I SERBESTLEŞME TANE BOYU SAPTANMASI DENEYİ
MADEN MÜHENDİSLİĞİ BÖLÜMÜ 0321 CEVHER HAZIRLAMA LAB. I SERBESTLEŞME TANE BOYU SAPTANMASI DENEYİ 1. AMAÇ Zenginleştirme işlem(ler)inin seçimine ışık tutacak biçimde bir cevherdeki değerli ve değersiz minerallerin
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Rastgele Değişkenlerin Dağılımları I Prof. Dr. İrfan KAYMAZ Ders konusu Bu derste; Rastgele değişkenlerin tanımı ve sınıflandırılması Olasılık kütle fonksiyonu Olasılık yoğunluk
DetaylıANADOLU ÜNİVERSİTESİ. ENM 317 MÜHENDİSLİK İSTATİSTİĞİ İYİ UYUM TESTİ Prof.Dr. Nihal ERGİNEL
ANADOLU ÜNİVERSİTESİ ENM 317 MÜHENDİSLİK İSTATİSTİĞİ İYİ UYUM TESTİ Prof.Dr. Nihal ERGİNEL İYİ UYUM TESTİ Rassal değişkenin olasılık yoğunluk fonksiyonunun ve parametresinin bilinmediği, ancak belirli
DetaylıBKİ farkı Standart Sapması (kg/m 2 ) A B BKİ farkı Ortalaması (kg/m 2 )
4. SUNUM 1 Gözlem ya da deneme sonucu elde edilmiş sonuçların, rastlantıya bağlı olup olmadığının incelenmesinde kullanılan istatistiksel yöntemlere HİPOTEZ TESTLERİ denir. Sonuçların rastlantıya bağlı
DetaylıDOKUZ EYLÜL ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ DEKANLIĞI DERS/MODÜL/BLOK TANITIM FORMU. Dersin Kodu: CME 4410
Dersi Veren Birim: Bilgisayar Mühendisliği Dersin Türkçe Adı: ÖRÜNTÜ TANIMAYA GİRİŞ Dersin Orjinal Adı: INTRODUCTION TO PATTERN RECOGNITION Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora) Lisans
DetaylıProjenin Adı: Matrisler ile Diskriminant Analizi Yaparak Sayı Tanımlama. Giriş ve Projenin Amacı:
Projenin Adı: Matrisler ile Diskriminant Analizi Yaparak Sayı Tanımlama Giriş ve Projenin Amacı: Bu projenin amacı; matrisler ile diskriminant analizi yaparak, bir düzlem üzerine el ile yazılan bir sayının
DetaylıAlternatif Akım; Zaman içerisinde yönü ve şiddeti belli bir düzen içerisinde değişen akıma alternatif akım denir.
ALTERNATiF AKIM Alternatif Akım; Zaman içerisinde yönü ve şiddeti belli bir düzen içerisinde değişen akıma alternatif akım denir. Doğru akım ve alternatif akım devrelerinde akım yönleri şekilde görüldüğü
Detaylı