Konular. VERİ MADENCİLİĞİ Temel Sınıflandırma Yöntemleri. Sınıflandırma. Sınıflandırma. Konular. Gözetimli & Gözetimsiz Sınıflandırma
|
|
- Ata Ekinci
- 7 yıl önce
- İzleme sayısı:
Transkript
1 Konular VERİ MADENCİLİĞİ Temel Sınıflandırma Yöntemler Yrd. Doç. Dr. Şule Gündüz Öğüdücü / Sınıflandırma şlem Sınıflandırma tanımı Sınıflandırma uygulamaları Sınıflandırma yöntemler Karar ağaçları Yapay snr ağları Ba sınıflandırıcılar Ba ağları Sınıflandırma Sınıflandırma Sınıflandırma (classfcaton) problem: nesnelerden oluşan ver kümes (öğrenme kümes): D={t,t,,t n } her nesne ntelklerden oluşuyor, ntelklerden br sınıf blgs Sınıf ntelğn belrlemek çn dğer ntelkler kullanarak br model bulma Öğrenme kümesnde yer almayan nesneler (sınama kümes) mümkün olan en y şeklde doğru sınıflara atamak sınıflandırma=ayrık değşkenler çn öngörüde (predcton) bulunma Amaç: Br ntelğn değern dğer ntelkler kullanarak belrlemek vernn dağılımına göre br model bulunur bulunan model, başarımı belrlendkten sonra ntelğn gelecektek ya da blnmeyen değern tahmn etmek çn kullanılır model başarımı: doğru sınıflandırılmış sınama kümes örneklernn oranı Ver madenclğ uygulamasında: ayrık ntelk değerlern tahmn etmek: sınıflandırma sürekl ntelk değerlern tahmn etmek: öngörü Sınıflandırma: hang topun hang sepete koyulableceğ Öngörü: Topun ağırlığı 4 Gözetml & Gözetmsz Sınıflandırma Konular Gözetml (Supervsed) sınıflandırma = sınıflandırma Sınıfların sayısı ve hang nesnenn hang sınıfta olduğu blnyor. Sınıflandırma şlem Sınıflandırma tanımı Sınıflandırma uygulamaları Sınıflandırma yöntemler Gözetmsz (Unsupervsed) sınıflandırma = demetleme (clusterng) Karar ağaçları Hang nesnenn hang sınıfta olduğu blnmyor. Genelde sınıf sayısı blnmyor. Yapay snr ağları Ba sınıflandırıcılar Ba ağları 5 6
2 Sınıflandırma Uygulamaları Sınıflandırma çn Ver Hazırlama Kred başvurusu değerlendrme Kred kartı harcamasının sahtekarlık olup olmadığına karar verme Hastalık teşhs Ses tanıma Karakter tanıma Gazete haberlern konularına göre ayırma Kullanıcı davranışları belrleme Ver dönüşümü: Sürekl ntelk değer ayrık hale getrlr rmalzasyon ([-,...,], [0,...,]) Ver temzleme: gürültüyü azaltma gereksz ntelkler slme 7 8 Sınıflandırma İşlem Sınıflandırma şlem üç aşamadan oluşur:. Model oluşturma. Model değerlendrme. Model kullanma Sınıflandırma İşlem: Model Oluşturma. Model Oluşturma: Her nesnenn sınıf etket olarak tanımlanan ntelğnn belrledğ br sınıfta olduğu varsayılır Model oluşturmak çn kullanılan nesnelern oluşturduğu ver kümes öğrenme kümes olarak tanımlanır Model farklı bçmlerde fade edleblr IF THEN ELSE kuralları le Karar ağaçları le Matematksel formüller le 9 0 Sınıflandırma İşlem: Model Değerlendrme Sınıflandırma İşlem: Model Kullanma. Model Değerlendrme: Modeln başarımı (doğruluğu) sınama kümes örnekler kullanılarak belrlenr Sınıf etket blnen br sınama kümes örneğ model kullanılarak belrlenen sınıf etketyle karşılaştırılır Modeln doğruluğu, doğru sınıflandırılmış sınama kümes örneklernn toplam sınama kümes örneklerne oranı olarak belrlenr Sınama kümes model öğrenrken kullanılmaz. Model kullanma: Model daha önce görülmemş örnekler sınıflandırmak çn kullanılır lern sınıf etketlern tahmn etme Br ntelğn değern tahmn etme
3 0 0 Sınıflandırıcı Başarımını Değerlendrme Td Nt Nt Nt Sınıf Büyük 5K 0 0 Orta 00K 0 0 Küçük 70K 0 4 Orta 0K Büyük 95K 6 0 Orta 60K 0 7 Büyük 0K Küçük 85K 9 0 Orta 75K Küçük 90K Öğrenme Kümes Td Nt Nt Nt Sınıf 0 Küçük 55K? Orta 80K? Büyük 0K? 4 0 Küçük 95K? 5 0 Büyük 67K? Sınama Kümes Öğrenme Algortması Öğrenme Uygulama Model Doğru sınıflandırma başarısı Hız model oluşturmak çn gerekl süre sınıflandırma yapmak çn gerekl süre Kararlı olması ver kümesnde gürülltülü ve eksk ntelk değerler olduğu durumlarda da y sonuç vermes Ölçekleneblrlk büyük mktarda ver kümes le çalışablmes Anlaşılablr olması kullanıcı tarafından yorumlanablr olması Kuralların yapısı brbryle örtüşmeyen kurallar 4 Konular Sınıflandırma Yöntemler Sınıflandırma şlem Sınıflandırma tanımı Sınıflandırma uygulamaları Sınıflandırma yöntemler Karar ağaçları Yapay snr ağları Ba sınıflandırıcılar Ba ağları Karar ağaçları (decson trees) Yapay snr ağları (artfcal neural networks) Ba sınıflandırıcılar (Ba classfer) İlşk tabanlı sınıflandırıcılar (assocaton-based classfer) k-en yakın komşu yöntem (k- nearest neghbor method) Destek vektör makneler (support vector machnes) Genetk algortmalar (genetc algorthms) Konular Karar Ağaçları Sınıflandırma şlem Sınıflandırma tanımı Sınıflandırma uygulamaları Sınıflandırma yöntemler Karar ağaçları Yapay snr ağları Ba sınıflandırıcılar Ba ağları Akış dyagramı şeklnde ağaç yapısı Ara düğümler br ntelk sınaması Dallar sınama sonucu Yapraklar sınıflar Nt? Nt? Nt? Nt? Cl Cl Cl Cl Cl Cl Cl Cl Nt? 7 8
4 : Karar Ağacı : Karar Ağacı J. Ross Qunlan ın gelştrdğ ID modelne uyarlanmış: hava tens oynamaya uygun mu? Day Outlook Temperature Humdty Wnd Play ball D Sunny Hgh Weak D Sunny Hgh Strong D Overcast Hgh Weak D4 Ran Mld Hgh Weak D5 Ran Cool rmal Weak D6 Ran Cool rmal Strong D7 Overcast Cool rmal Strong D8 Sunny Mld Hgh Weak D9 Sunny Cool rmal Weak D0 Ran Mld rmal Weak kök düğümden başlanır Outlook? sunny overcast humdty? Outlook Temperature Ran ran wnd? Humdty rmal Wnd Weak? Play ball D Sunny Mld rmal Strong D Overcast Mld Hgh Strong D Overcast rmal Weak D4 Ran Mld Hgh Strong hgh rmal strong weak Hava durumu Vers 9 0 : Karar Ağacı : Karar Ağacı Outlook Temperature Humdty Wnd Play ball Outlook Temperature Humdty Wnd Play ball Ran rmal Weak? Ran rmal Weak? Outlook? Outlook? sunny overcast ran sunny overcast ran humdty? wnd? humdty? wnd? hgh rmal strong weak hgh rmal strong weak : Karar Ağacı : Karar Ağacı Outlook Temperature Humdty Wnd Play ball Outlook Temperature Humdty Wnd Play ball Ran rmal Weak? Ran rmal Weak? Outlook? Outlook? sunny overcast ran sunny overcast ran humdty? wnd? humdty? wnd? hgh rmal strong weak hgh rmal strong weak 4 4
5 : Karar Ağacı sunny humdty? Outlook? overcast ran wnd? hgh rmal strong weak Outlook Ran Temperature Humdty rmal Wnd Play ball Weak? Sınıf= 5 Karar Ağacı Yöntemler Karar ağacı oluşturma yöntemler genel olarak k aşamadan oluşur:. ağaç oluşturma en başta bütün öğrenme kümes örnekler kökte seçlen ntelklere bağlı olarak örnek ynelemel olarak bölünüyor. ağaç budama öğrenme kümesndek gürültülü verlerden oluşan ve sınama kümesnde hataya neden olan dalları slme (sınıflandırma başarımını artırır) 6 Karar Ağacı Oluşturma ler En İy Bölen Ntelk Hangs? Ynelemel şlem Cl Nt? ağaç bütün vernn oluşturduğu tek br düğümle başlıyor eğer örnekler heps aynı sınıfa atse düğüm yaprak olarak sonlanıyor ve sınıf etketn alıyor eğer değlse örnekler sınıflara en y bölecek olan ntelk seçlyor şlem sona eryor örneklern heps (çoğunluğu) aynı sınıfa at örnekler bölecek ntelk kalmamış kalan ntelklern değern taşıyan örnek yok Bölmeden önce: 0 örnek C0 sınıfında 0 örnek C sınıfında C0: 6 C: 4 Own Car? C0: 4 C: 6 C0: C: Car Type? Famly Sports C0: 8 C: 0 Luxury c c 0 C0: C: 7 Hangs daha y? C0: C: 0... Student ID? C0: C: 0 c C0: 0 C: c 0... C0: 0 C: 7 8 En y Bölme Nasıl Belrlenr? En İy Bölen Ntelk Nasıl Belrlenr? Greedy yaklaşım çoğunlukla aynı sınıfa at örneklern bulunduğu düğümler terch edlr Düğümün kaltesn ölçmek çn br yöntem C0: 5 C: 5 kaltes düşük C0: 9 C: kaltes yüksek İylk Fonksyonu (Goodness Functon) Farklı algortmalar farklı ylk fonksyonları kullanablr: blg kazancı (nformaton gan): ID, C4.5 bütün ntelklern ayrık değerler aldığı varsayılıyor sürekl değşkenlere uygulamak çn değşklk yapılablr gn ndex (IBM IntellgentMner) her ntelk kye bölünüyor her ntelk çn olası bütün ky bölünmeler sınanıyor 9 0 5
6 Blg Kazancı Blg / Entrop p, p,.., p s toplamları olan olasılıklar. Entrop (Entropy) H ( p s, p,..., ps ) = p log( p ) = sepettek toplar farklı renklerde belrszlk fazla topların heps aynı renkte se daha belrszlk yok Entrop rastgelelğ, belrszlğ ve beklenmeyen durumun ortaya çıkma olasılığını gösterr Sınıflandırmada olayın olması beklenen br durum entrop=0 Entrop S ver kümesnde 4 örnek: C0 sınıfına at 9, C sınıfına at 5 örnek. Entrop H ( p s, p,..., ps ) = p log( p ) = H(p,p )= - (9/4) Log (9/4) - (5/4) Log (5/4) = log (p) H(p,-p) örnekler aynı sınıfa atse entrop=0 örnekler sınıflar arasında eşt dağılmışsa entrop= örnekler sınıflar arasında rastgele dağılmışsa 0<entrop< 4 Blg Kazancı (ID / C4.5) Blg kuramı kavramlarını kullanarak karar ağacı oluşturulur. Sınıflandırma sonucu çn en az sayıda karşılaştırma yapmayı hedefler. Ağaç br ntelğe göre dallandığında entrop ne kadar düşer? A ntelğnn S ver kümesndek blg kazancı Gan( S, A) = Entropy( S) Sv Entropy( S ) S v Values( A) v Values(A), A ntelğnn alableceğ değerler, S v, A=v olduğu durumda S nn altkümes. Gan( S, A) = Entropy( Blg kazancına göre ntelk seçme s toplam örnek sayısı s=4, k sınıfa ayrılmış H ( p, p,..., ps ) = = s=9(), s=5() Entropy(S) = - (9/4) Log (9/4) - (5/4) Log (5/4) = wnd çn: weak=8, strong=6 weak: =, =6 strong: =, = Entropy(S weak ) = - (6/8)*log(6/8) - (/8)*log(/8) = 0.8 Entropy(S strong ) = - (/6)*log(/6) - (/6)*log(/6) =.00 Entropy wnd (S) = (8/4)*0.8 + (6/4)*.00 Gan(wnd)= (8/4)*0.8 - (6/4)*.00 Gan(Outlook) = 0.46 Gan(Humdty) = 0.5 Gan(wnd)=0.048 Gan(Temperature) = 0.09 S) v p log( p) Sv Entropy( S Values( A) v ) S Day Outlook Temperature Humdty Wnd Play ball D Sunny Hgh Weak D Sunny Hgh Strong D Overcast Hgh Weak D4 Ran Mld Hgh Weak D5 Ran Cool rmal Weak D6 Ran Cool rmal Strong D7 Overcast Cool rmal Strong D8 Sunny Mld Hgh Weak D9 Sunny Cool rmal Weak D0 Ran Mld rmal Weak D Sunny Mld rmal Strong D Overcast Mld Hgh Strong D Overcast rmal Weak D4 Ran Mld Hgh Strong 5 6 6
7 {D,D,D8,D9,D} [ +, - ] sunny Outlook? overcast {D,D7,D,D} [4 +,0 - ]?? {D,D,...,D4} ran {D4,D5,D6,D0,D4} [ +, - ] S sunny = {D,D,D8,D9,D}, Entropy(S sunny )=0.970 humdty çn: hgh=, rmal= hgh: =, =0 rmal: =0, = Entropy(S hgh ) = 0 Entropy(S rmal ) = 0 Gan(S sunny,humdty)=0.970-(/5)0.0- (/5)0.0=0.970 Day Outlook Temperature Humdty Wnd Play ball D Sunny Hgh Weak D Sunny Hgh Strong D Overcast Hgh Weak D4 Ran Mld Hgh Weak D5 Ran Cool rmal Weak D6 Ran Cool rmal Strong D7 Overcast Cool rmal Strong D8 Sunny Mld Hgh Weak D9 Sunny Cool rmal Weak D0 Ran Mld rmal Weak D Sunny Mld rmal Strong D Overcast Mld Hgh Strong Gn Index (IBM IntelgentMner) Ver kümes S çnde n sınıf varsa ve p j C j sınıfının olasılığı se n gn( S) = p j j= Eğer ver kümes S ve S altkümelere bölünüyorsa ve her altkümede sırasıyla N ve N örnek varsa: ( ) N ( ) N gn splt S = gn S + gn( S ) N N Gn Index değer en küçük olan ntelk seçlr. 7 D Overcast rmal Weak D4 Ran Mld Hgh Strong 8 C 0 C 6 C C 5 C C 4 GINI ( S) = j [ p j ] C) = 0/6 = 0 C) = 6/6 = Gn = C) C) = 0 = 0 C) = /6 C) = 5/6 Gn = (/6) (5/6) = 0.78 C) = /6 C) = 4/6 Gn = (/6) (4/6) = Sürekl Ntelkler Bölme Bölmeleme: Statk: En başta bölmelenr Bölmeler eşt genşlk, eşt dernlk veya demetleme yöntem le bulunur. Dnamk: Sürekl ntelk A sıralanır. Brbrn zleyen ancak sınıf etket farklı olan ntelk değerler bulunur. En fazla kazanç sağlayan bölme seçlr. Temperature Play tenns Ağaç Oluşturmada Temel Yaklaşımlar Bölme krter: ağacın br düğümünde karşılaştırma yapılacak ntelğn seçlmes farklı algortmalar farklı ylk fonksyonları kullanablr: blg kazancı, gn ndex,... Dallanma krter: br örneğn hang dala at olduğunu belrleme kye dallanma (gn ndex), çoklu dallanma (blg kazancı) Durma kararı: dallanma şlemnn devam edp etmeyeceğne karar verme Etketleme kuralı: yaprak düğüm en çok örneğ olan sınıfla etketlenyor Ağaç Oluşturma: Parçala ve çöz (dvde and conquer) kökten yapraklara düğümü dallara ayır Greedy algortma her adımda en y çözümü bul: her düğümde dallanmak çn en y ntelğ bul her dal çn algortmayı uygula 4 4 7
8 Algortma: ID Bütün ntelkler ayrık Br düğüm oluştur N: Eğer örneklern heps C sınıfına at se, N düğümü C etketl yaprak Eğer karşılaştırma yapılacak ntelk yoksa N düğümü en çok örneğ olan sınıf En büyük blg kazancı olan ntelğ bölmek çn seç N y seçlen ntelk le etketle ntelğn her A değer çn br dal oluştur S, örneklern hepsnn A değer aldığı dal S boş br yaprak oluşturup en çok örneğ olan sınıfla etketle S boş değl algortmayı S düğümü üzernde ynele Yaprak düğümlere kadar Algortma: C4.5 Kökten yapraklara doğru ağaç oluşturma Blg kazancı yöntemn kullanıyor Bütün ver kümesn bellekte tutuyor Büyük ver kümeler çn uygun değl Ayrıntılı blgler: Karar Ağacı Kullanarak Sınıflandırma Karar Ağacı Kullanarak Sınıflandırma Doğrudan sınıflandırmak stenlen örneğn ntelkler ağaç boyunca sınanır ulaşılan yaprağın etket sınıf blgsn verr Dolaylı karar ağacı sınıflandırma kurallarına dönüştürülür kökten yaprakların herbrne gden yollar çn ayrı br kural oluşturulur. IF-THEN şeklnde kuralları nsanlar daha kolay anlıyor : IF Outlook= sunny AND humdty= rmal THEN play tenns Avantajları: Karar ağacı oluşturmak zahmetsz Küçük ağaçları yorumlamak kolay Anlaşılablr kurallar oluşturulablr Sürekl ve ayrık ntelk değerler çn kullanılablr Dezavantajları: Sürekl ntelk değerlern tahmn etmekte çok başarılı değl Sınıf sayısı fazla ve öğrenme kümes örnekler sayısı az olduğunda model oluşturma çok başarılı değl Zaman ve yer karmaşıklığı öğrenme kümes örnekler sayısına (q), ntelk sayısına (h) ve oluşan ağacın yapısına bağlı. Ağaç oluşturma karmaşıklığı fazla, ağaç budama karmaşıklığı fazla ağaç oluşturmak çn zaman karmaşıklığı: O(h q logq) Karar Ağaçlarında Aşırı Öğrenme Aşırı Öğrenme:Gürültülü ler Öğrenme kümesndek örneklern azlığı veya gürültülü olması Aşırı öğrenmey engelleyen k yaklaşım şlem erken sona erdrme şlem sona erdrmek çn eşk değer belrlemek gerekyor karar ağacı oluştuktan sonra ağacı küçültme Overfttng Gürültülü örnekler nedenyle sınıfları ayıran düzlemn bozulması
9 Aşırı Öğrenme: Yetersz Öğrenme Kümes Aşırı Öğrenme Gereğnden fazla karmaşık karar ağaçları aşırı öğrenmeye neden oluyor. Öğrenme kümesndek örnek sayısının yetersz olması nedenyle sınama kümesndek örneklern yanlış sınıflandırılması Karar ağacının yen örnekler üzerndek başarımını tahmn etmek çn öğrenme kümes örnekler yeterl olmuyor. Hatayı tahmn etmek çn farklı yöntemler gerekl Genel Hatayı Tahmn Etme Occam s Razor Yerne koyma (Resubsttuton) Hatası: öğrenme kümes kullanılarak hesaplanan hata (Σ e(t)) Genel (Generalzaton) hata: sınama kümes kullanılarak hesaplanan hata (Σ e (t)) Genel hatayı tahmn etme yöntemler: İymser yaklaşım: e (t) = e(t) Kötümser yaklaşım: Her yaprak düğüm çn: e (t) = (e(t)+0.5) Toplam hata: e (T) = e(t) + N 0.5 (N: yaprak düğüm sayısı) 0 yaprak düğümü olan br karar ağacı, 000 öğrenme kümes örneğnden 0 örneğ yanlış sınıflandırırsa Yerne koyma hatası: 0/000 = % Genel hata: ( )/000 = %.5 Ağaç budama: Genel hatayı tahmn etmek çn geçerleme kümes kullanılır Genel hatası aynı olan k modelden karmaşıklığı daha az olan seçlmel Karmaşık modellern ver çndek gürültüyü öğrenme htmaller daha fazla 5 5 Karar Ağacı Boyutunu Belrleme Karar Ağacı: Erken Durdurma Ver kümes öğrenme ve sınama kümes olarak ayrılır Çapraz geçerleme kullanılır. Ver kümesnn tümü ağacı oluşturmak çn kullanılır statstksel br test le (ch-square) düğüm eklemenn ya da ağacı küçültmenn katkısı sınanır MDL (Mnmum Descrpton Length) yöntem kullanılır: kodlama en aza ndrldğnde ağacın büyümes durdurulur Karar ağacını tam oluşturmadan şlem btrme İşlem sona erdrme çn ek kurallar lern sayısı kullanıcı tarafından belrlenen br eşk değernden daha az se lern sınıf dağılımı ntelklerden bağımsız se (ch-square test le belrleneblr) Ağaca yen br düğüm ekleynce ylk fonksyonu yeternce artmıyorsa
10 Konular Yapay Snr Ağları le Sınıflandırma Sınıflandırma şlem Sınıflandırma tanımı Sınıflandırma uygulamaları Sınıflandırma yöntemler Karar ağaçları Yapay snr ağları Ba sınıflandırıcılar Ba ağları İnsan beynndek snr hücrelernn şlevn modelleyen br yapı Brbr le bağlantılı katmanlardan oluşur. katmanlar hücrelerden oluşur Katmanlar arasında letm İlet katmanlar arasındak bağın ağırlığına ve her hücrenn değerne bağlı olarak değşeblr : X X X Y Grş X X X Kara kutu Çıkış Y X X X Y Grş nöronları X X X Kara kutu Σ 0. t=0.4 Çıkış nöronu Y En az k grş se çıkış, dğer durumlarda çıkış 0 Y = I ( 0. X + 0. X + 0. X 0.4 > 0) I(z)= eğer z>0 0 dğer Yapay Snr Ağları Çok Katmanlı Brbr le bağlantılı nöronlar ve ağırlıklar Çıkış nöronu kendsne gelen grşler ağırlıklı olarak topluyor Çıkış nöronu br eşk değer le karşılaştırılıyor Grş nöronları X X X Kara kutu w w w Σ t Çıkış nöronu Y Grş Katmanı Gzl Katman x x x x 4 x 5 Grş I w w I w I Nöron Aktvasyon S fonksyonu O g(s ) eşk değer, t Çıkış O Y = I( w X t) Y = sgn( w X t) Çıkış Katmanı y Yapay snr ağını öğrenme: ağırlıkları öğrenme
11 Yapay Snr Ağı le Öğrenme Yapay Snr Ağını Oluşturma Yapay snr ağı oluşturma grş versn modelleme gzl katman sayısını, gzl katmanlardak nöron sayısını belrleme Yapay snr ağını eğtme Snr ağını küçültme Sonucu yorumlama Grş nöron sayısı Öğrenme kümesndek verlern ntelk sayısı Gzl nöron sayısı öğrenme sırasında ayarlanır Çıkış nöron sayısı sınıf sayısı 6 6 Yapay Snr Ağını Eğtme Yapay Snr Ağını Küçültme Amaç: Ver kümesndek örneklern hepsn doğru sınıflandıracak ağırlıkları belrlemek ağırlıklara rasgele değerler ata öğrenme kümesndek grş değerlern teker teker snr ağına uygula çıkışı hesapla hata değern hesapla E = [ Y ] f ( w, X ) ağırlıkları hata fonksyonunu enküçültecek şeklde düzelt Tam bağlı ağın anlaşılması çok güç n grş nöron, h gzl nöron, m çıkış nöronu h(m+n) ağırlık Küçültme: ağırlıklardan bazıları sınıflandırma sonucunu etklemeyecek şeklde slnr 6 64 Yapay Snr Ağları Konular Avantajları doğru sınıflandırma oranı genelde yüksek kararlı öğrenme kümesnde hata olduğu durumda da çalışıyor çıkış ayrık, sürekl ya da ayrık veya sürekl değşkenlerden oluşan br vektör olablr Dezavantajları öğrenme süres uzun öğrenlen fonksyonun anlaşılması zor Sınıflandırma şlem Sınıflandırma tanımı Sınıflandırma uygulamaları Sınıflandırma yöntemler Karar ağaçları Yapay snr ağları Ba sınıflandırıcılar Ba ağları 65 66
12 Ba (İstatstksel) Modelleme Ba Teorem Ba teoremn kullanan statstksel sınıflandırıcı lern hang sınıfa hang olasılıkla at oldukları Naïve Ba sınıflandırıcı ntelklern heps aynı derecede öneml ntelkler brbrnden bağımsız br ntelğn değer başka br ntelk değer hakkında blg çermyor sınıflandırma ve öğrenme problemler X sınıflandırılacak örnek. Hpotez h, X örneğnn C sınıfına at olduğu h hpoteznn sonrasal olasılığı (posteror probablty ) P ( h X ) = X h) h) X ) MAP (maxmum posteror) hpotez h argmax h D) = argmax D h) h). MAP h H h H Çok sayıda olasılığı önceden kestrmek gerekyor Naïve Ba Sınıflandırıcı + X H H)= ) X)= + ) X H)= se + ) C X=(x,x,...x n ) örneğnn C sınıfında olma olasılığı (C X)) nedr? P ( X C ) P ( C ) değern enbüyütme P ( X ) X C )C ) değern enbüyütme P ( h X ) = X h) h) X ) 69 C )= S / S, S : C sınıfına at örneklern sayısı n P ( X C =, x k C )=s k / s ) P ( x k C ) k = Hesaplama malyetn azaltıyor, sadece sınıf dağılımları hesaplanıyor Naïve: ntelkler bağımsız 70 Hava Durumu Vers çn Olasılıklar Outlook Temperature Sunny Overcast 4 0 Mld 4 Rany Cool Sunny /9 /5 /9 /5 Overcast 4/9 0/5 Mld 4/9 /5 Rany /9 /5 Cool /9 /5 Humdty Wndy Play Hgh 4 False rmal 6 True Hgh /9 4/5 False 6/9 /5 9/4 5/4 rmal 6/9 /5 True /9 /5 Outlook Temp Humdty Wndy Play Sunny Hgh False Sunny Hgh True Overcast Hgh False Rany Mld Hgh False Rany Cool rmal False Rany Cool rmal True Overcast Cool rmal True Sunny Mld Hgh False Sunny Cool rmal False Rany Mld rmal False Sunny Mld rmal True Sunny Overcast Rany Sunny Overcast Rany Hava Durumu Vers çn Olasılıklar Outlook 4 /9 4/9 /9 0 /5 0/5 /5 Temperature Mld Cool Mld Cool 4 /9 4/9 /9 /5 /5 /5 Hgh rmal Hgh rmal Outlook Humdty 6 /9 6/9 Temp. 4 4/5 /5 False True False True Humdty Wndy Yen ver Sunny Cool Hgh True? n P ( C X ) = X C ) C ) = xk C ) C ) k = 6 6/9 /9 Wndy /5 /5 Play 9 9/4 Play İk Sınıf çn olasılık: X) = /9 /9 /9 /9 9/4 = X) = /5 /5 4/5 /5 5/4 = rmalze edlmş olasılıklar: ) = / ( ) = 0.05 ) = / ( ) = /4 Overcast Overcast Rany Mld Mld Hgh rmal Hgh True False True 7 7
13 0 0 Sürekl Verler çn Olasılık Vernn rmal dağılımdan geldğ varsayılıyor. Her sınıf-ntelk çft çn br olasılık hesaplanıyor. A c j ) = e πσ j Gelr çn sınıf=- ortalama=0 varyans=975 Gelr = 0 ) = ( A μj ) σ j e π (54.54) Td Ger Ödeme Meden Durum Gelr Evet Bekar 5K - Hayır Evl 00K - Hayır Bekar 70K - 4 Evet Evl 0K - 5 Hayır Boşanmış 95K 6 Hayır Evl 60K - 7 Evet Boşanmış 0K - 8 Hayır Bekar 85K 9 Hayır Evl 75K - 0 Hayır Bekar 90K (0 0) (975) = Dolan dırıcı X=(Ger Ödeme= Hayır,Meden Durum= Evl,Gelr=0k) Ger Ödeme= Evet -)=/7 Ger Ödeme= Hayır -)=4/7 Ger Ödeme= Evet )=0 Ger Ödeme= Hayır )= Meden Durum= Evl -)=4/7 Meden Durum= Bekar -)=/7 Meden Durum= Boşanmış -)=/7 Meden Durum= Evl )=0 Meden Durum= Bekar )=/ Meden Durum= Boşanmış )=/ Gelr: Sınıf=- ortalama=0 varyans=975 Sınıf= ortalama=90 varyans=5 Td Ger Ödeme Meden Durum Gelr Evet Bekar 5K - Hayır Evl 00K - Hayır Bekar 70K - 4 Evet Evl 0K - 5 Hayır Boşanmış 95K 6 Hayır Evl 60K - 7 Evet Boşanmış 0K - 8 Hayır Bekar 85K 9 Hayır Evl 75K - 0 Hayır Bekar 90K Dolan dırıcı 7 74 X=(Ger Ödeme= Hayır,Meden Durum= Evl,Gelr=0k) Ger Ödeme= Evet -)=/7 Ger Ödeme= Hayır -)=4/7 Ger Ödeme= Evet )=0 Ger Ödeme= Hayır )= Meden Durum= Evl -)=4/7 Meden Durum= Bekar -)=/7 Meden Durum= Boşanmış -)=/7 Meden Durum= Evl )=0 Meden Durum= Bekar )=/ Meden Durum= Boşanmış )=/ Gelr: Sınıf=- ortalama=0 varyans=975 Sınıf= ortalama=90 varyans=5 X Sınıf=-) = Ger Ödeme= Hayır Sınıf=-) Meden Durum= Evl Sınıf=-) Gelr=0K Sınıf=-) = 4/7 4/ = X Sınıf=) = Ger Ödeme= Hayır Sınıf=) Meden Durum= Evl Sınıf=) Gelr=0K Sınıf=) = = 0 X -)-) > X )) - X) > X) => Sınıf = - 75 Olasılığın Sıfır Olması Her sınıfta br ntelğn her değer olmazsa koşullu olasılıklardan br 0 o sınıfa at olma olasılığı 0 Olasılıklar Nc Orgnal : A C) = N Nc + Laplace : A C) = N + k c c k: ntelk sayısı Toplamları olmak zorunda 76 Ba Sınıflandırıcılar Avantajları: gerçeklemes kolay çoğu durumda y sonuçlar Dezavantajları varsayım: sınıf blgs verldğnde ntelkler bağımsız gerçek hayatta değşkenler brbrne bağımlı değşkenler arası lşk modellenemyor Çözüm: Ba ağları Konular Sınıflandırma şlem Sınıflandırma tanımı Sınıflandırma uygulamaları Sınıflandırma yöntemler Karar ağaçları Yapay snr ağları Ba sınıflandırıcılar Ba ağları 77 78
14 Ba Ağları Ntelklern altkümesnn brbr le bağımsız olduğunu varsayıyor Yönlü çevrmsz çzge (drected acyclc graph) ve koşullu olasılık tablolarından oluşur Her değşken A çn br tablo var ntelğn ebeveynlerne olan koşullu olasılıkları Famly Hstory LungCancer Smoker Emphysema LC ~LC (FH, S) (FH, ~S)(~FH, S) (~FH, ~S) X Z Y P düğümler: rasgele değşkenler ayrıtlar: olasılıklı bağlılık X ve Y, Z değşkennn ebeveyn Y, P değşkennn ebeveyn Z ve P arasında bağ yok PostveXRay Ba Ağları Dyspnea LungCancer çn koşullu olasılık tablosu LC= FH=, S= )=0.8 LC= FH=, S= )= Ba Ağlarının Eğtlmes Ağ yapısı ve tüm değşkenler blnyorsa koşullu olasılıklar hesaplanır Ağ yapısı bell ancak bazı değşkenler eksk se ynelemel öğrenme uygulanır gradent descent algortması D. Heckerman. A Tutoral on Learnng wth Baan Networks. In Learnng n Graphcal Models, M. Jordan, ed.. MIT Press, Cambrdge, MA, 999. Also appears as Techncal Report MSR-TR-95-06, Mcrosoft Research, March,
Konular. VERİ MADENCİLİĞİ Temel Sınıflandırma Yöntemleri. Sınıflandırma. Sınıflandırma. Konular. Gözetimli & Gözetimsiz Sınıflandırma
Konular VERİ MADENCİLİĞİ Temel Sınıflandırma Yöntemler Yrd. Doç. Dr. Şule Gündüz Öğüdücü www.cs.tu.edu.tr/~gunduz/courses/vermaden/ Sınıflandırma şlem Sınıflandırma yöntemler Yapay snr ağları Sınıflandırma
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
Detaylıdir. Bir başka deyişle bir olayın olasılığı, uygun sonuçların sayısının örnek uzaydaki tüm sonuçların sayısına oranıdır.
BÖLÜM 3 OLASILIK HESABI 3.. Br Olayın Olasılığı Tanım 3... Br olayın brbrnden ayrık ve ortaya çıkma şansı eşt n mümkün sonucundan m tanes br A olayına uygun se, A olayının P(A) le gösterlen olasılığı P(A)
DetaylıPARÇALI DOĞRUSAL REGRESYON
HAFTA 4 PARÇALI DOĞRUSAL REGRESYO Gölge değşkenn br başka kullanımını açıklamak çn varsayımsal br şrketn satış temslclerne nasıl ödeme yaptığı ele alınsın. Satış prmleryle satış hacm Arasındak varsayımsal
DetaylıGözetimli & Gözetimsiz Öğrenme
Bölüm 5. Sınıflandırma 1 http://ceng.gazi.edu.tr/~ozdemir Gözetimli & Gözetimsiz Öğrenme Predictive Data Mining vs. Descriptive Data Mining Gözetimli (Supervised) öğrenme= sınıflandırma (clasification)
DetaylıKorelasyon ve Regresyon
Korelasyon ve Regresyon 1 Korelasyon Analz İk değşken arasında lşk olup olmadığını belrlemek çn yapılan analze korelasyon analz denr. Korelasyon; doğrusal yada doğrusal olmayan dye kye ayrılır. Korelasyon
DetaylıUYUM ĐYĐLĐĞĐ TESTĐ. 2 -n olup. nin dağılımı χ dir ve sd = (k-1-p) dir. Burada k = sınıf sayısı, p = tahmin edilen parametre sayısıdır.
UYUM ĐYĐLĐĞĐ TESTĐ Posson: H o: Ver Posson dağılıma sahp br ktleden gelmektedr. H a : Ver Posson dağılıma sahp br ktleden gelmemektedr. Böyle br hpotez test edeblmek çn, önce Posson dağılım parametres
DetaylıVeri Madenciliği. Bölüm 5. Sınıflandırma 1. Doç. Dr. Suat Özdemir.
Bölüm 5. Sınıflandırma 1 http://ceng.gazi.edu.tr/~ozdemir Gözetimli & Gözetimsiz Öğrenme Predictive Data Mining vs. Descriptive Data Mining Gözetimli (Supervised) öğrenme= sınıflandırma (clasification)
DetaylıÇOKLU REGRESYON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESYON ÇÖZÜMLEMESİ,REGRES-YON KATSAYILARININ YORUMU
6.07.0 ÇOKLU REGRESON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESON ÇÖZÜMLEMESİ,REGRES-ON KATSAILARININ ORUMU ÇOKLU REGRESON MODELİ Ekonom ve şletmeclk alanlarında herhang br bağımlı değşken tek br bağımsız
DetaylıSıklık Tabloları ve Tek Değişkenli Grafikler
Sıklık Tabloları ve Tek Değşkenl Grafkler Sıklık Tablosu Ver dzsnde yer alan değerlern tekrarlama sayılarını çeren tabloya sıklık tablosu denr. Sıklık Tabloları tek değşken çn marjnal tablo olarak adlandırılır.
DetaylıKİ-KARE TESTLERİ. şeklinde karesi alındığında, Z i. değerlerinin dağılımı ki-kare dağılımına dönüşür.
Kİ-KARE TESTLERİ A) Kİ-KARE DAĞILIMI VE ÖZELLİKLERİ Örnekleme yoluyla elde edlen rakamların, anakütle rakamlarına uygun olup olmadığı; br başka fadeyle gözlenen değerlern teork( beklenen) değerlere uygunluk
DetaylıMakine Öğrenmesi 6. hafta
Makne Öğrenmes 6. hafta Yapay Snr Ağlarına Grş Tek katmanlı YSA lar Algılayıcı (Perceptron) Aalne (Aaptve Lnear Elemen Byolojk Snr Hücres Byolojk snrler ört ana bölümen oluşmaktaır. Bunlar: Denrt, Akson,
DetaylıKİ-KARE TESTLERİ A) Kİ-KARE DAĞILIMI VE ÖZELLİKLERİ
Kİ-KAR TSTLRİ A) Kİ-KAR DAĞILIMI V ÖZLLİKLRİ Örnekleme yoluyla elde edlen rakamların, anakütle rakamlarına uygun olup olmadığı; br başka fadeyle gözlenen değerlern teork( beklenen) değerlere uygunluk gösterp
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
DetaylıHAFTA 13. kadın profesörlerin ortalama maaşı E( Y D 1) erkek profesörlerin ortalama maaşı. Kestirim denklemi D : t :
HAFTA 13 GÖLGE EĞİŞKENLERLE REGRESYON (UMMY VARIABLES) Gölge veya kukla (dummy) değşkenler denen ntel değşkenler, cnsyet, dn, ten reng gb hemen sayısallaştırılamayan ama açıklanan değşkenn davranışını
DetaylıKİ KARE ANALİZİ. Doç. Dr. Mehmet AKSARAYLI Ki-Kare Analizleri
Kİ KAR ANALİZİ 1 Doç. Dr. Mehmet AKSARAYLI www.mehmetaksarayl K-Kare Analzler OLAY 1: Genelde br statstk sınıfında, öğrenclern %60 ının devamlı, %30 unun bazen, %10 unun se çok az derse geldkler düşünülmektedr.
DetaylıBÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER İki Boyutlu Rasgele Değişkenler
BÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER 5.. İk Boyutlu Rasgele Değşkenler Br deney yapıldığında, aynı deneyle lgl brçok rasgele değşkenn aynı andak durumunu düşünmek gerekeblr. Böyle durumlarda
Detaylı10. SINIF KONU ANLATIMLI. 2. ÜNİTE: ELEKTRİK VE MANYETİZMA 2. Konu ELEKTRİK AKIMI, POTANSİYEL FARK VE DİRENÇ ETKİNLİK ve TEST ÇÖZÜMLERİ
10. SINIF ONU NTII. ÜNİTE: EETİ E NYETİZ. onu EETİ II, POTNSİYE F E DİENÇ ETİNİ ve TEST ÇÖZÜEİ Ünte Elektrk ve anyetzma 1.. Ünte. onu (Elektrk kımı) nın Çözümler ampul 3. Şekl yenden aşağıdak gb çzeblrz.
DetaylıMakine Öğrenmesi 1. hafta
Makine Öğrenmesi 1. hafta Temel Terimler Danışmanlı Danışmansız Öğrenme Veri Hazırlama Çapraz Geçerlik Aşırı Eğitim 1 Makine Ögrenmesi Nedir? Makine Öğrenmesi, verilen bir problemi probleme ait ortamdan
Detaylıtree) nedir? Karar Ağacı (Decision Decisiontree
Karar Ağacı (Decision Decisiontree tree) nedir? Bir işletme yönetimi tarafından tercihlerin, risklerin, kazançların, hedeflerin tanımlanmasında yardımcı olabilen ve birçok önemli yatırım alanlarında uygulanabilen,
DetaylıSürekli Olasılık Dağılım (Birikimli- Kümülatif)Fonksiyonu. Yrd. Doç. Dr. Tijen ÖVER ÖZÇELİK
Sürekl Olasılık Dağılım Brkml- KümülatFonksyonu Yrd. Doç. Dr. Tjen ÖVER ÖZÇELİK tover@sakarya.edu.tr Sürekl olasılık onksyonları X değşken - ;+ aralığında tanımlanmış br sürekl rassal değşken olsun. Aşağıdak
DetaylıVERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma
Detaylıkadar ( i. kaynağın gölge fiyatı kadar) olmalıdır.
KONU : DUAL MODELİN EKONOMİK YORUMU Br prmal-dual model lşks P : max Z cx D: mn Z bv AX b AV c X 0 V 0 bçmnde tanımlı olsun. Prmal modeln en y temel B ve buna lşkn fyat vektörü c B olsun. Z B B BB c X
DetaylıALGORİTMA İ VE PROGRAMLAMA
ALGORİTMA İ VE PROGRAMLAMA II Öğr.Gör.Erdal GÜVENOĞLU Hafta 2 Maltepe Üniversitesi Bilgisayar Mühendisliği Bölümü ALGORİTMA ANALİZİ 2 Neden algoritmayı analiz ederiz? Algoritmanın performansını ölçmek
DetaylıVERİ MADENCİLİĞİ Sosyal Ağlar
Sosyal Ağ VERİ MADENCİLİĞİ Sosyal Ağlar Yrd. Doç. Dr. Şule Gündüz Öğüdücü Sosyal ağ kşler arasındak lşklern oluşturduğu br yapıdır Sosyal ağ ncelemes: ağ yapısının, kşler ya da gruplar (topluluklar) arasındak
DetaylıKütle Merkezi ve Merkezler. Konular: Kütle/Ağırlık merkezleri Merkez kavramı Merkez hesabına yönelik yöntemler
Kütle Merkez ve Merkezler Konular: Kütle/ğırlık merkezler Merkez kavramı Merkez hesabına önelk öntemler ğırlıklı Ortalama Merkez kavramının brçok ugulama alanı vardır. Öncelkle ağırlıklı ortalama kavramına
DetaylıDENEY 4: SERİ VE PARALEL DEVRELER,VOLTAJ VE AKIM BÖLÜCÜ KURALLARI, KIRCHOFF KANUNLARI
A. DNYİN AMACI : Bast ser ve bast paralel drenç devrelern analz edp kavramak. Voltaj ve akım bölücü kurallarını kavramak. Krchoff kanunlarını deneysel olarak uygulamak. B. KULLANILACAK AAÇ V MALZML : 1.
DetaylıPARAMETRİK OLMAYAN HİPOTEZ TESTLERİ. χ 2 Kİ- KARE TESTLERİ. Doç.Dr. Ali Kemal ŞEHİRLİOĞLU Araş.Gör. Efe SARIBAY
PARAMETRİK OLMAYAN HİPOTEZ TESTLERİ Kİ- KARE TESTLERİ Doç.Dr. Al Kemal ŞEHİRLİOĞLU Araş.Gör. Efe SARIAY Populasyonun nceledğmz br özellğnn dağılışı blenen dağılışlardan brsne, Normal Dağılış, t Dağılışı,
DetaylıCommunication Theory
Communcaton Theory ENFORMASYON TEORİSİ KODLAMA Doç. Dr. Hakan Doğan ENFORMASYON DEYİMİ NEDEN KULLANILMIŞ? Kaynaklarn, kanalların,alıcıların blg karakterstklern ncelemek. Blgnn letmn optmze etmek çn İletmn
DetaylıVeride etiket bilgisi yok Denetimsiz öğrenme (unsupervised learning) Neden gereklidir?
MEH535 Örünü Tanıma 7. Kümeleme (Cluserng) Doç.Dr. M. Kemal GÜLLÜ Elekronk ve Haberleşme Mühendslğ Bölümü web: hp://akademkpersonel.kocael.edu.r/kemalg/ E-posa: kemalg@kocael.edu.r Verde eke blgs yok Denemsz
DetaylıGM-220 MÜH. ÇALIŞ. İSTATİSTİKSEL. Frekans Dağılımı Oluşturma Adımları VERİLERİN SUNUMU. Verilerin Özetlenmesi ve Grafikle Gösterilmesi
VERİLERİN SUNUMU GM-0 MÜH. ÇALIŞ. İSTATİSTİKSEL YÖNTEMLER Br çalışadan elde edlen verler ha ver ntelğndedr. Ha verlerden blg ednek zor ve zaan alıcıdır. Ha verler çok karaşık durudadır. Verlern düzenlenes
DetaylıYapay Sinir Ağı ve Bulanık-Yapay Sinir Ağı Yöntemleri Kullanılarak Tava Buharlaşma Tahmini
Tarım Blmler Araştırma Dergs 3 (): 45-5, 00 ISSN: 308-3945, E-ISSN: 308-07X, www.nobel.gen.tr Yapay Snr Ağı ve Bulanık-Yapay Snr Ağı Yöntemler Kullanılarak Tava Buharlaşma Tahmn Özgür KIŞI Selcan AFŞA
DetaylıÖrnek Uzay: Bir deneyin tüm olabilir sonuçlarının kümesine Örnek Uzay denir. Genellikle harfi ile gösterilir.
BÖLÜM 3. OLASILIK ve OLASILIK DAĞILIMLARI Rasgele Sonuçlu Deney: Sonuçlarının kümesi belli olan, ancak hangi sonucun ortaya çıkacağı önceden söylenemeyen bir işleme Rasgele Sonuçlu Deney veya kısaca Deney
DetaylıBulanık Mantık ile Hesaplanan Geoid Yüksekliğine Nokta Yüksekliklerinin Etkisi
Harta Teknolojler Elektronk Dergs Clt: 5, No: 1, 2013 (61-67) Electronc Journal of Map Technologes Vol: 5, No: 1, 2013 (61-67) TEKNOLOJİK ARAŞTIRMALAR www.teknolojkarastrmalar.com e-issn: 1309-3983 Makale
Detaylı2.1 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...............
DetaylıRegresyon ve İnterpolasyon. Rıdvan YAKUT
Regresyon ve İnterpolasyon Rıdvan YAKUT Eğri Uydurma Yöntemleri Regresyon En Küçük Kareler Yöntemi Doğru Uydurma Polinom Uydurma Üstel Fonksiyonlara Eğri Uydurma İnterpolasyon Lagrange İnterpolasyonu (Polinomal
DetaylıSistemde kullanılan baralar, klasik anlamda üç ana grupta toplanabilir :
5 9. BÖLÜM YÜK AKIŞI (GÜÇ AKIŞI) 9.. Grş İletm sstemlernn analzlernde, bara sayısı arttıkça artan karmaşıklıkları yenmek çn sstemn matematksel modellenmesnde kolaylık getrc bazı yöntemler gelştrlmştr.
DetaylıANOVA. CRD (Completely Randomized Design)
ANOVA CRD (Completely Randomzed Desgn) Örne Problem: Kalte le blgnn, ortalama olara, br urumun üç farlı şehrde çalışanları tarafından eşt olara algılanıp algılanmadığını test etme amacıyla, bu üç şehrde
DetaylıAkış YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
Akış Makine Öğrenmesi nedir? Günlük Hayatımızdaki Uygulamaları Verilerin Sayısallaştırılması Özellik Belirleme Özellik Seçim Metotları Bilgi Kazancı (Informaiton Gain-IG) Sinyalin Gürültüye Oranı: (S2N
DetaylıMIT Açık Ders Malzemeleri Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında bilgi almak için
MIT Açık Ders Malzemeler http://ocm.mt.edu Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında blg almak çn http://ocm.mt.edu/terms veya http://tuba.açık ders.org.tr adresn zyaret ednz. 18.102
DetaylıEğitim seti (training set) sınıflandırma modelinin elde edileceği kayıtları içerir
sınıflandırma: temel kavramlar, karar ağaçları ve model değerlendirme Sınıflandırma : Tanım Eğitim seti (training set) sınıflandırma modelinin elde edileceği kayıtları içerir Eğitim setindeki her kayıt
DetaylıMakine Öğrenmesi 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
Detaylıİstatistik Yöntemleri ve Hipotez Testleri
Sağlık Araştırmalarında Kullanılan Temel İstatistik Yöntemleri ve Hipotez Testleri Yrd. Doç. Dr. Emre ATILGAN BİYOİSTATİSTİK İstatistiğin biyoloji, tıp ve diğer sağlık bilimlerinde kullanımı biyoistatistik
DetaylıTek Yönlü Varyans Analizi
Tek Yönlü Varyan Analz Nedr ve hang durumlarda kullanılır? den fazla grupların karşılaştırılmaı öz konuu e, çok ayıda t-tet nn kullanılmaı, Tp I hatanın artmaına yol açar; Örneğn, eğer 5 grubu kşerl olarak
DetaylıDestek Vektör Makineleri İle Uydu Görüntülerinin Sınıflandırılmasında Kernel Fonksiyonlarının Etkilerinin İncelenmesi
Destek Vektör Makneler İle Uydu Görüntülernn Sınıflandırılmasında Kernel Fonksyonlarının Etklernn İncelenmes Destek Vektör Makneler le Uydu Görüntülernn Sınıflandırılmasında Kernel Fonksyonlarının Etklernn
DetaylıElektrik Akımı, Potansiyel Fark ve Direnç Testlerinin Çözümleri
Elektrk Akımı, Potansyel Fark ve Drenç Testlernn Çözümler 1 Test 1 n Çözümü. 1. Soruda verlen akım-potansyel farkı grafğnn eğmnn ters drenc verr. 8 X 5 8 8 Z Ohm kanunu bağıntısıyla verlr. Bu bağın- k
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimli Öğrenmenin Temelleri Karar Ağaçları Entropi ID3 Algoritması C4.5 Algoritması Twoing
DetaylıBirkaç Oyun Daha Ali Nesin
Birkaç Oyun Daha Ali Nesin B irinci Oyun. İki oyuncu şu oyunu oynuyorlar: Her ikisi de, birbirinden habersiz, toplamı 9 olan üç doğal sayı seçiyor. En büyük sayılar, ortanca sayılar ve en küçük sayılar
Detaylıa IIR süzgeç katsayıları ve N ( M) de = s 1 (3) 3. GÜRÜLTÜ GİDERİMİ UYGULAMASI
Fırat Ünverstes-Elazığ MİTRAL KAPAK İŞARETİ ÜZERİNDEKİ ANATOMİK VE ELEKTRONİK GÜRÜLTÜLERİN ABC ALGORİTMASI İLE TASARLANAN IIR SÜZGEÇLERLE SÜZÜLMESİ N. Karaboğa 1, E. Uzunhsarcıklı, F.Latfoğlu 3, T. Koza
DetaylıVERİ MADENCİLİĞİ Demetleme Yöntemleri
VERİ MADENCİLİĞİ Demetleme Yöntemler Yrd Doç Dr Şule ündüz Öğüdücü http://wwwnnovatuedutr/etmdeta asp?eid/ Demetleme şlemler Demetleme uulamaları Demetleme Yöntemler Bölünmel Yöntemler Herarşk Yöntemler
DetaylıMerkezi Eğilim (Yer) Ölçüleri
Merkez Eğlm (Yer) Ölçüler Ver setn tanımlamak üzere kullanılan ve genellkle tüm elemanları dkkate alarak ver setn özetlemek çn kullanılan ölçülerdr. Ver setndek tüm elemanları temsl edeblecek merkez noktasına
DetaylıKonular VERİ MADENCİLİĞİ. Örnek Tabanlı Yöntemler. En Yakın Komşu Sınıflandırıcı. En Yakın Komşu Yöntemi. Farklı Sınıflandırma Yöntemleri
VERİ MADENCİLİĞİ Farklı Sınıflandırma Yöntemleri Yrd. Doç. Dr. Şule Gündüz Öğüdücü Örnek tabanlı yöntemler ken Yakın Komşu Yöntemi Genetik Algoritmalar Karar Destek Makinaları Bulanık Küme Sınıflandırıcılar
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
DetaylıX, R, p, np, c, u ve diğer kontrol diyagramları istatistiksel kalite kontrol diyagramlarının
1 DİĞER ÖZEL İSTATİSTİKSEL KALİTE KONTROL DİYAGRAMLARI X, R, p, np, c, u ve dğer kontrol dyagramları statstksel kalte kontrol dyagramlarının temel teknkler olup en çok kullanılanlarıdır. Bu teknkler ell
DetaylıKonular VERİ MADENCİLİĞİ. Örnek Tabanlı Yöntemler. En Yakın Komşu Sınıflandırıcı. En Yakın Komşu Yöntemi. Farklı Sınıflandırma Yöntemleri
Konular VERİ MADENCİLİĞİ Farklı Sınıflandırma Yöntemleri Yrd. Doç. Dr. Şule Gündüz Öğüdücü Örnek tabanlı yöntemler ken Yakın Komşu Yöntemi Genetik Algoritmalar Bulanık Küme Sınıflandırıcılar Öngörü Eğri
Detaylı10. SINIF KONU ANLATIMLI. 2. ÜNİTE: ELEKTRİK VE MANYETİZMA 3. Konu ELEKTRİK ENERJİSİ VE ELEKTRİKSEL GÜÇ ETKİNLİK ve TEST ÇÖZÜMLERİ
10. SINIF ONU NTII. ÜNİTE: EETİ E NYETİZ. onu EETİ ENEJİSİ E EETİSE GÜÇ ETİNİ ve TEST ÇÖZÜEİ Ünte Elektrk ve anyetzma. Ünte. onu (Elektrk Enerjs ve Elektrksel Güç) nın Çözümler 1. Noktalama sstemyle Şekl
DetaylıYAŞAM ÇÖZÜMLEMESİNDE AYKIRI DEĞERLER OUTLIERS IN SURVIVAL ANALYSIS
YAŞAM ÇÖZÜMLEMESİNDE AYKIRI DEĞERLER OUTLIERS IN SURVIVAL ANALYSIS NURAY TUNCER PROF. DR. DURDU KARASOY Tez Danışmanı Hacettepe Ünverstes Lsansüstü Eğtm-Öğretm Yönetmelğnn İstatstk Anablm Dalı İçn Öngördüğü
DetaylıPÜRÜZLÜ AÇIK KANAL AKIMLARINDA DEBİ HESABI İÇİN ENTROPY YÖNTEMİNİN KULLANILMASI
PÜRÜZLÜ AÇIK KANAL AKIMLARINDA DEBİ HESABI İÇİN ENTROPY YÖNTEMİNİN KULLANILMASI Mehmet ARDIÇLIOĞLU *, Galp Seçkn ** ve Özgür Öztürk * * Ercyes Ünverstes, Mühendslk Fakültes, İnşaat Mühendslğ Bölümü Kayser
DetaylıDr. Hidayet Takçı. Veri Madenciliği Dersi GYTE Dr. Hidayet Takçı 10/05/2008 1
Dördüncü Saat sınıflandırma: temel kavramlar, karar ağaçları ve model değerlendirme Dr. Hidayet Takçı Veri Madenciliği Dersi GYTE Dr. Hidayet Takçı 10/05/2008 1 Sınıflandırma : Tanım Eğitim seti (training
DetaylıDOĞRUSAL OLMAYAN PROGRAMLAMA -III- Çok değişkenli doğrusal olmayan karar modelinin çözümü
DOĞRUSAL OLMAYAN PROGRAMLAMA -III- Çok değşkenl doğrusal olmayan karar modelnn çözümü Hazırlayan Doç. Dr. Nl ARAS Anadolu Ünverstes, Endüstr Mühendslğ Bölümü İST8 Yöneylem Araştırması Ders - Öğretm Yılı
DetaylıTek Yönlü Varyans Analizi (ANOVA)
VARYANS ANALİZİ İ örne ortalaması arasında farın önem ontrolü, örne büyülüğüne göre z veya testlernden bryle yapılır. Bu testlerle, den fazla örne ortalamasını brlte test etme ve aralarında farın önem
DetaylıMakine Öğrenmesi 10. hafta
Makne Öğrenmes 0. hafta Lagrange Optmzasonu Destek Vektör Maknes (SVM) Karesel (Quadratc) Programlama Optmzason Blmsel term olarak dlmze geçmş olsa da bazen en leme termle karşılık bulur. Matematktek en
DetaylıMeteorolojik Verilerin Yapay Sinir Ağları Đle Modellenmesi
KSÜ Fen ve Mühendslk Dergs, 10(1), 2007 148 KSU Journal of Scence and Engneerng, 10(1), 2007 Meteorolojk Verlern Yapay Snr Ağları Đle Modellenmes Kemal ATĐK 1, Emrah DENĐZ 1, Enver YILDIZ 2 1 ZKÜ. Karabük
DetaylıARAŞTIRMA MAKALESİ/RESEARCH ARTICLE TEK ÇARPIMSAL SİNİR HÜCRELİ YAPAY SİNİR AĞI MODELİNİN EĞİTİMİ İÇİN ABC VE BP YÖNTEMLERİNİN KARŞILAŞTIRILMASI ÖZ
ANADOLU ÜNİVERSİTESİ Blm ve Teknoloj Dergs A-Uygulamalı Blmler ve Mühendslk Clt: 14 Sayı: 3 013 Sayfa: 315-38 ARAŞTIRMA MAKALESİ/RESEARCH ARTICLE Faruk ALPASLAN 1, Erol EĞRİOĞLU 1, Çağdaş Hakan ALADAĞ,
DetaylıİÇİNDEKİLER TOPLAMA YOLUYLA SAYMA YÖNTEMİ...59-60... 01-01 ÇARPMA YOLUYLA SAYMA YÖNTEMİ...61-64... 02-03 FAKTÖRİYEL...65-66...
İÇİNDEKİLER Sayfa No Test No 3-PERMÜTASYON, KOMBİNASYON, BİNOM, OLASILIK VE İSTATİSTİK TOPLAMA YOLUYLA SAYMA YÖNTEMİ...59-60... 01-01 ÇARPMA YOLUYLA SAYMA YÖNTEMİ...61-64... 0-03 FAKTÖRİYEL...65-66...
DetaylıKesirler ve İşlemler Ondalık Kesirler ve İşlemler, Yüzdeler, Oran. Yrd. Doç. Dr. Nuray Çalışkan-Dedeoğlu Matematik Eğitimi ndedeoglu@sakarya.edu.
Kesirler ve İşlemler Ondalık Kesirler ve İşlemler, Yüzdeler, Oran Yrd. Doç. Dr. Nuray Çalışkan-Dedeoğlu Matematik Eğitimi ndedeoglu@sakarya.edu.tr Kesirler 4 elmayı çocuğa paylaştıralım: 4 : = 4 elmayı
DetaylıSEK Yönteminin Güvenilirliği Sayısal Bir Örnek. Ekonometri 1 Konu 11 Sürüm 2,0 (Ekim 2011)
İk Değşkenl Bağlanım Model SEK Yöntemnn Güvenlrlğ Ekonometr 1 Konu 11 Sürüm,0 (Ekm 011) UADMK Açık Lsans Blgs İşbu belge, Creatve Commons Attrbuton-Non-Commercal ShareAlke 3.0 Unported (CC BY-NC-SA 3.0)
DetaylıUZAKTAN ALGILANMIŞ GÖRÜNTÜLERDE SINIFLANDIRMA VE ANALİZ (CLASSIFICATION OF REMOTE SENSING IMAGES AND ANALYSIS)
ÖZET UZAKTAN ALGILANMIŞ GÖRÜNTÜLERDE SINIFLANDIRMA VE ANALİZ (CLASSIFICATION OF REMOTE SENSING IMAGES AND ANALYSIS) Emnnur AYHAN Fevz KARSLI Esra TUNÇ Sınıflandırma; brçok blm dalında kullanılan br karar
DetaylıToplam Olasılık Kuralı
Toplam Olasılık Kuralı Farklı farklı olaylara bağlı olarak başka bir olayın olasılığını hesaplamaya yarar: P (B) = P (A 1 B) + P (A 2 B) +... + P (A n B) = P (B/A 1 )P (A 1 ) + P (B/A 2 )P (A 2 ) +...
DetaylıKİ-KARE VE KOLMOGOROV SMİRNOV UYGUNLUK TESTLERİNİN SİMULASYON İLE ELDE EDİLEN VERİLER ÜZERİNDE KARŞILAŞTIRILMASI
C.Ü. İktsad ve İdar Blmler Dergs, Clt 4, Sayı 1, 3 6 Kİ-KARE VE KOLMOGOROV SMİRNOV UYGUNLUK TESTLERİNİN SİMULASYON İLE ELDE EDİLEN VERİLER ÜZERİNDE KARŞILAŞTIRILMASI H. BİRCAN, Y. KARAGÖZ ve Y. KASAPOĞLU
DetaylıVERİ MADENCİLİĞİ Sosyal Ağlar
Sosyal İlşkler: Çzge VERİ MADENCİLİĞİ Sosyal Ağlar Yrd. Doç. Dr. Şule Gündüz Öğüdücü Düğümler: Kşler Ayrıtlar: sosyal lşkler ale, arkadadaş, ş Çzge G(V,E) V: düğümler kümes E: Ayrıtlar kümes Benzerlk Matrs
DetaylıİSTATİSTİK DERS NOTLARI
Balıkesr Ünverstes İnşaat Mühendslğ Bölüü uutokkan@balkesr.edu.tr İSTATİSTİK DERS OTLARI Yrd. Doç. Dr. Uut OKKA Hdrolk Anabl Dalı Balıkesr Ünverstes Balıkesr Ünverstes İnşaat Mühendslğ Bölüü İnşaat Mühendslğ
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
DetaylıDoğrusal Korelasyon ve Regresyon
Doğrusal Korelasyon ve Regresyon En az k değşken arasındak lşknn ncelenmesne korelasyon denr. Kşlern boyları le ağırlıkları, gelr le gder, öğrenclern çalıştıkları süre le aldıkları not, tarlaya atılan
DetaylıÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ÇOKLU İÇ İLİŞKİ VE EKOLOJİK REGRESYON İSTATİSTİK ANABİLİM DALI
ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ Berrn GÜLTAY YÜKSEK LİSANS TEZİ ÇOKLU İÇ İLİŞKİ VE EKOLOJİK REGRESYON İSTATİSTİK ANABİLİM DALI ADANA, 9 ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ÇOKLU
DetaylıPARAMETRİK OLMAYAN HİPOTEZ TESTLERİ Kİ-KARE TESTLERİ
PARAMETRİK OLMAYAN HİPOTEZ TESTLERİ Kİ-KARE TESTLERİ 1 Populasyonun nceledğmz br özellğnn dağılışı blenen dağılışlardan brsne, Normal Dağılış, t Dağılışı, F Dağılışı, gb br dağılışa uygun olduğu durumlarda
DetaylıJFM316 Elektrik Yöntemler ( Doğru Akım Özdirenç Yöntemi)
JFM316 Elektrk Yöntemler ( Doğru Akım Özdrenç Yöntem) yeryüzünde oluşturacağı gerlm değerler hesaplanablr. Daha sonra aşağıdak formül kullanılarak görünür özdrenç hesaplanır. a K I K 2 1 1 1 1 AM BM AN
DetaylıAlgoritmalara Giriş 6.046J/18.401J
Algoritmalara Giriş 6.046J/18.401J DERS 13 Amortize Edilmiş Analiz Dinamik Tablolar Birleşik Metod Hesaplama Metodu Potansiyel Metodu Prof. Charles E. Leiserson Kıyım tablosu ne kadar büyük olmalı? Amaç
DetaylıENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN SINANMASI
V. Ulusal Üretm Araştırmaları Sempozyumu, İstanbul Tcaret Ünverstes, 5-7 Kasım 5 ENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN
DetaylıOlasılık ve İstatistiğe Giriş-I (STAT 201) Ders Detayları
Olasılık ve İstatistiğe Giriş-I (STAT 201) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Olasılık ve İstatistiğe Giriş-I STAT 201 Her İkisi 3 0 0 3 5 Ön
DetaylıSTANDART VE HİBRİD YAPILAR KULLANARAK YAPAY SİNİR AĞLARI İLE İMZA TANIMA
STANDART VE HİBRİD YAPILAR KULLANARAK YAPAY SİNİR AĞLARI İLE İMZA TANIMA Canan ŞENOL Tülay YILDIRIM Kadr Has Ünverstes, Elektronk Mühendslğ Bölümü, 3430, Cbal, Fath-İstanbul Yıldız Teknk Ünverstes, Elektronk
DetaylıSinirsel Bulanık Sistemler İle Trafik Gürültüsünün Tahmini
Snrsel Bulanık Sstemler İle Trafk Gürültüsünün Tahmn Ahmet Tortum Yrd. Doç. Dr.,Atatürk Ünverstes,Mühendslk Fakültes,İnşaat Bölümü,Erzurum E-posta : atortum@ataun.edu.tr Yasn Çodur Arş.Gör., Atatürk Ünverstes,Mühendslk
DetaylıBÖLÜM 1 1.GİRİŞ: İSTATİSTİKSEL DOĞRUSAL MODELLER
BÖLÜM 1 1.GİRİŞ: İSTATİSTİKSEL DOĞRUSAL MODELLER Blmn amaçlarından br yaşanılan doğa olaylarını tanımlamak ve olayları önceden tahmnlemektr. Bu amacı başarmanın yollarından br olaylar üzernde etkl olduğu
DetaylıPORTFÖY OPTİMİZASYONU. Doç.Dr.Aydın ULUCAN
PORTFÖY OPTİMİZASYOU Doç.Dr.Aydın ULUCA KARAR VERME Karar verme, ş dünyasının çalışmasını sağlayan temel unsurlardandır. Tüm yönetcler, bulundukları faalyet alanı ve kademelernden bağımsız olarak stratejk
DetaylıNİTEL TERCİH MODELLERİ
NİTEL TERCİH MODELLERİ 2300 gözlem sayısı le verlen değşkenler aşağıdak gbdr: calsma: çocuk çalışıyorsa 1, çalışmıyorsa 0 (bağımlı değşken) Anne_egts: Anne eğtm sevyes Baba_egts: Baba eğtm sevyes Kent:
DetaylıRasgele Değişken Üretme Teknikleri
Rasgele Değşken Üretme Teknkler Amaç Smülasyon modelnn grdlern oluşturacak örneklern üretlmes Yaygın olarak kullanılan ayrık veya sürekl dağılımların örneklenmes sürecn anlamak Yaygın olarak kullanılan
DetaylıYZM 5257 YAPAY ZEKA VE UZMAN SİSTEMLER DERS#6: GENETİK ALGORİTMALAR
YZM 5257 YAPAY ZEKA VE UZMAN SİSTEMLER DERS#6: GENETİK ALGORİTMALAR Sınıflandırma Yöntemleri: Karar Ağaçları (Decision Trees) Örnek Tabanlı Yöntemler (Instance Based Methods): k en yakın komşu (k nearest
DetaylıÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ
ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK LİSANS TEZİ Gülesen ÜSTÜNDAĞ BAZI PARAMETRİK OLMAYAN İSTATİSTİKSEL YÖNTEMLERİN İNCELENMESİ İSTATİSTİK ANABİLİM DALI ADANA, 005 ÇUKUROVA ÜNİVERSİTESİ
DetaylıFarklı Varyans. Var(u i X i ) = Var(u i ) = E(u i2 ) = s 2 Eşit Varyans
Farklı Varyans Var(u X ) = Var(u ) = E(u ) = s Eşt Varyans Y X 1 Farklı Varyans Hata Var(u X ) = Var(u ) = E(u ) = s Farklı Varyans Zaman EKKY nn varsayımlarından br anakütle regresyon fonksyonu u lern
Detaylı6.6. Korelasyon Analizi. : Kitle korelasyon katsayısı
6.6. Korelasyon Analizi : Kitle korelasyon katsayısı İki ya da daha çok değişken arasındaki ilişkiyi gösterir. Korelasyon çözümlemesinin amacı değişkenler arasındaki ilişkinin derecesini ve yönünü belirlemektir.
DetaylıSEK Tahmincilerinin Arzulanan Özellikleri. SEK Tahmincilerinin Arzulanan Özellikleri. Ekonometri 1 Konu 9 Sürüm 2,0 (Ekim 2011)
SEK Tahmnclernn Arzulanan Özellkler İk Değşkenl Bağlanım Model SEK Tahmnclernn Arzulanan Özellkler Ekonometr 1 Konu 9 Sürüm 2,0 (Ekm 2011) http://www.ackders.org.tr SEK Tahmnclernn Arzulanan Özellkler
DetaylıDeprem Tepkisinin Sayısal Metotlar ile Değerlendirilmesi (Newmark-Beta Metodu) Deprem Mühendisliğine Giriş Dersi Doç. Dr.
Deprem Tepksnn Sayısal Metotlar le Değerlendrlmes (Newmark-Beta Metodu) Sunum Anahat Grş Sayısal Metotlar Motvasyon Tahrk Fonksyonunun Parçalı Lneer Interpolasyonu (Pecewse Lnear Interpolaton of Exctaton
DetaylıSabit Varyans. Var(u i X i ) = Var(u i ) = E(u i2 ) = s 2
X Sabt Varyans Y Var(u X ) = Var(u ) = E(u ) = s Eşt Varyans EKKY nn varsayımlarından br anakütle regresyon fonksyonu u lern eşt varyanslı olmasıdır Her hata term varyansı bağımsız değşkenlern verlen değerlerne
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
DetaylıVolkan Karamehmetoğlu
1 Doğal Sayılar Tanımlar Rakam: Sayıları yazmaya yarayan sembollere denir. {1,2,3,4,5,6,7,8,9} Sayı: Rakamların çokluk belirten ifadesine denir. 365 sayısı 3-6-5 rakamlarından oluşmuştur. 2 Uyarı: Her
DetaylıFizik 101: Ders 15 Ajanda
zk 101: Ders 15 Ajanda İk boyutta elastk çarpışma Örnekler (nükleer saçılma, blardo) Impulse ve ortalama kuvvet İk boyutta csmn elastk çarpışması Önces Sonrası m 1 v 1, m 1 v 1, KM KM V KM V KM m v, m
Detaylı1. ÜNİTE TAM SAYILAR KONULAR 1. SAYILAR
1. ÜNİTE TAM SAYILAR KONULAR 1. SAYILAR 2. Doğal Sayılar 3. Sayma Sayıları 4. Tam Sayılar(Yönlü sayılar) 5. Tam sayılarda Dört İşlem 6. Tek ve çift sayılar 7. Asal Sayılar 8. Bölünebilme Kuralları 9. Asal
Detaylıİşletmeye Giriş. Ekonomik Fonksiyonlarına na göre; g. Mal Üreten. İşletmeler Hizmet Üreten Pazarlama İşletmeleri
İşletme BölümüB Yönetm ve Organzasyon Anablm Dalı İşletmeye Grş Ders Notu - 4 Öğr. Grv.. Dr. M. Volkan TÜRKERT vturker@marmara marmara.edu..edu.tr www.volkanturker volkanturker.com..com.tr İşletmelern
Detaylı2005 Gazi Üniversitesi Endüstriyel Sanatlar Eğitim Fakültesi Dergisi Sayı:16, s31-46
2005 Gaz Ünverstes Endüstryel Sanatlar Eğtm Fakültes Dergs Sayı:16, s31-46 ÖZET BANKALARDA MALİ BAŞARISIZLIĞIN ÖNGÖRÜLMESİ LOJİSTİK REGRESYON VE YAPAY SİNİR AĞI KARŞILAŞTIRMASI 31 Yasemn KESKİN BENLİ 1
Detaylı