Metin Sınıflandırmada Öznitelik Seçim Yöntemlerinin Değerlendirilmesi
|
|
- Bercu Dalman
- 7 yıl önce
- İzleme sayısı:
Transkript
1 Metin Sınıflandırmada Öznitelik Seçim Yöntemlerinin Değerlendirilmesi Aytuğ Onan 1, Serdar Korukoğlu 2 1 Celal Bayar Üniversitesi, Bilgisayar Mühendisliği Bölümü, Manisa 2 Ege Üniversitesi, Bilgisayar Mühendisliği Bölümü, İzmir aytug.onan@cbu.edu.tr, serdar.korukoglu@ege.edu.tr Özet: Metin sınıflandırma, belgelerin önceden belirlenmiş sınıflara atanmasına yönelik bir çalışma alanıdır. Elektronik belgeler, en önemli bilgi kaynaklarının başında gelmektedir. Metin sınıflandırma, belgelerin otomatik indekslenmesi, istenmeyen e-postaların filtrelenmesi, görüş madenciliği gibi birçok farklı alanda uygulama alanı bulmaktadır. Belgeler makine öğrenmesi yöntemleri ile sınıflandırılmadan önce önişleme (dizgeciklere ayırma, kök bulma vb.), uygun veri temsil yöntemi ile temsil etme (sözcük torbası yöntemi, terim sıklığı, terim varlığı vb.) ve öznitelik seçimi gibi işlemlere tabi tutulur. Metin sınıflandırmada görülen en temel sorunlardan biri, yüksek boyutluluktur. Bu nedenle, öznitelik seçim yöntemleri uygulanarak, veri setinin daha küçük bir altküme ile temsil edilmesiyle ölçeklenebilirlik, etkinlik ve doğru sınıflandırma oranı bakımından daha iyi bir model oluşturulması amaçlanır. Bu çalışmada, dokuz farklı metin sınıflandırma veri seti için, filtre tabanlı ve sarmalama tabanlı öznitelik seçim yöntemleri ile elde edilen sonuçlar değerlendirilmiştir. Anahtar Sözcükler: Metin Sınıflandırma, Öznitelik Seçimi, Filtre Tabanlı Öznitelik Seçimi, Sarmalama Tabanlı Öznitelik Seçimi, Sezgisel Arama. The Analysis of Feature Selection Methods in Text Classification Abstract: Text classification is a field of study which aims to assign documents into predefined classes. Electronic documents are important source of information. Text classification can be successfully applied in several areas, such as automatic document indexing, spam filtering and opinion mining. Before the classification of text documents with the machine learning algorithms, several tasks, such as preprocessing (tokenization, stemming, etc.), identifying an appropriate representation (bag of words, term frequency, term presence, etc.) and feature selection should be employed. One major problem encountered in text classification is the high dimensionality problem. Hence, feature selection is applied to identify an appropriate feature subset so that a more scalable, efficient and accurate classification model can be built. In this study, the performance of filter-based and wrapper-based feature selection methods are evaluated on nine text classification datasets. Keywords: Text Classification, Feature Selection, Filter-based Feature Selection, Wrapperbased Feature Selection, Heuristic Search.
2 1. Giriş Bilgi ve iletişim teknolojilerindeki ilerlemeler ile birlikte kayıt altında tutulan elektronik belge miktarı önemli ölçüde artmıştır. Metin, en önemli bilgi kaynaklarının başında gelmektedir. Metin sınıflandırma, doğal dil işleme, veri madenciliği ve makine öğrenmesi yöntemlerini kullanılarak, belgelerin önceden tanımlanmış bir ya da birkaç sınıfa atanmasını amaçlayan bir araştırma alanıdır. Metin sınıflandırma, haber filtreleme ve organizasyonu, belge organizasyonu ve erişimi, görüş madenciliği, e-posta sınıflandırma ve istenmeyen e-posta filtreleme gibi birçok alanda uygulanmaktadır [1]. Metin sınıflandırma temel olarak, önişleme, veriyi uygun bir temsil yöntemi aracılığıyla temsil etme, öznitelik seçimi, sınıflandırma ve performans değerlendirme olmak üzere beş aşamalı bir süreçtir [2]. Önişleme aşamasında, dizgeciklere ayırma ve köklere ayırma gibi işlemler gerçekleştirilir. Ardından, metin uygun bir veri temsil yöntemi aracılığı ile temsil edilir. Metin temsilinde en yaygın kullanıma sahip yöntem, vektör uzay modelidir. Bu temsilde, metinler sözcük vektörleri olarak temsil edilir. Ancak, vektör uzay modelinin, yüksek boyutluluk, yakın sözcükler arası korelasyonun kaybedilmesi, anlamsal ilişkilerin kullanılamaması gibi bazı sakıncaları bulunmaktadır [2]. Metin sınıflandırma algoritmasının performansını iyileştirmek, etkin ve ölçeklenebilir bir sınıflandırma modeli oluşturmak için gerekli en temel aşamalardan biri öznitelik seçimi aşamasıdır. Metin sınıflandırmada görülen yüksek boyutluluk problemini ortadan kaldırmak için öznitelik seçim yöntemleri sıklıkla uygulanmaktadır. Öznitelik seçimi ile veri setinden, uygun bir öznitelik altkümesi elde edilir. Böylelikle, hem doğru sınıflandırma oranı bakımından, hem de ölçeklenebilirlik bakımından daha iyi bir sınıflandırma modeli elde edilmiş olur. Öznitelik seçimi, M<N olmak üzere, N tane öznitelik içeren bir veri seti için belirli bir ölçüt fonksiyonu, M nin tüm alt kümelerinde en iyi olacak şekilde M özniteliğin belirlenmesi sürecidir [3]. Öznitelik seçim yöntemleri, öznitelik altkümesi değerlendirmede kullanılan stratejiye dayalı olarak filtre tabanlı ve sarmalama tabanlı öznitelik seçim yöntemleri olmak üzere iki temel sınıf altında incelenmektedir [4]. Filtre-tabanlı öznitelik seçim yöntemlerinde, belirli bir öznitelik altkümesinin yararlılığı, belirli bir sezgisel aracılığıyla değerlendirilmektedir. Sarmalama-tabanlı öznitelik seçim yöntemlerinde ise belirli bir sınıflandırma algoritmasının başarımına dayalı olarak öznitelikler seçilir. Filtre tabanlı yöntemler, öznitelik değerlendirmede kullandıkları yönteme dayalı olarak bireysel öznitelik ölçütleri ve grup öznitelik ölçütleri olmak üzere iki temel sınıf altında incelenmektedir [5]. Bireysel öznitelik değerlendirme ölçütleri, özelliklerin uygunluklarını bireysel olarak değerlendirir. Bireysel öznitelik değerlendirme ölçütlerinde son öznitelik alt kümesi, tüm özniteliklerin belirli bir ölçüte göre sıralanması ve belirli bir eşik değeri aşan özniteliklerin seçilmesi ile oluşturulur. Grup öznitelik ölçütlerinde ise özniteliklerin bireysel olarak değerlendirilmesi yerine aday öznitelik altkümelerinin değerlendirilmesi söz konusudur. Böylelikle, öznitelikler arası ilişkilerinde hesaba katılması amaçlanır [5]. 2. Filtre-Tabanlı Öznitelik Seçimi 2.1 Korelasyon-Tabanlı Öznitelik Seçimi Korelasyon-tabanlı öznitelik seçim yöntemi (CS), öznitelik alt kümelerini korelasyona dayalı sezgisel fonksiyon aracılığıyla sıralayan bir filtre tabanlı öznitelik seçim yöntemidir [6]. Korelasyon-tabanlı öznitelik seçim yönteminde, öznitelik seçimi, öznitelik
3 alt kümelerinin yararlılığının sezgisel bir fonksiyona dayalı olarak incelenmesi ile gerçekleştirilir. Korelasyon-tabanlı öznitelik seçiminde, her bir özniteliğin sınıf etiketinin kestirimindeki belirleyiciliğinin yanı sıra, öznitelikler arasındaki korelasyonda dikkate alınır [7]. Özniteliklerin değerlendirilmesinde kullanılan sezgisel değerlendirme fonksiyonu değeri Eşitlik 1 e göre belirlenir: kr (1) cf M s k k( k 1) r Burada, k tane öznitelik içeren bir S öznitelik alt kümesinin sezgisel yararlılığı M S ile, (f S) için ortalama öznitelik-sınıf korelasyonu ile ve ortalama öznitelikler arasındaki korelasyon r ile temsil edilmektedir. ff Sezgisel değerlendirme fonksiyonu kullanılarak, arama uzayındaki tüm olası birleşimler için öznitelik alt kümelerine ilişkin bir sıralama elde edilmektedir [6]. Korelasyon-tabanlı öznitelik seçim yöntemi temel olarak, eğitim verisinin ayrıklaştırılması ile başlar. Her bir özniteliğin sınıflara dayalı ve diğer özniteliklere dayalı korelasyon değerleri hesaplanır. Ardından, sezgisel arama algoritması kullanılarak, öznitelik setlerinin yararlılıkları değerlendirilir ve uygun öznitelik setinin seçimi yapılır. 2.2 Tutarlılık-Tabanlı Öznitelik Seçimi Tutarlılık-tabanlı öznitelik seçimi (CBS), öznitelik alt kümelerinin yararlılığını incelemek için sınıf değerlerinin tutarlılık seviyelerini dikkate alan bir filtre tabanlı öznitelik seçim yöntemidir [8]. Yöntemin öznitelik alt kümelerini değerlendirmek için kullandığı tutarlılık ölçütü, Eşitlik 2 ye göre hesaplanır: ConsBS s J N ff D M r cf i i i 0 (2) 1 Burada, s, öznitelik altkümesini, J, s öznitelik altkümesi için öznitelik değerlerinin farklı birleşim sayısını, D, i öznitelik değeri i birleşiminin görülme sayısını, M, i öznitelik i değeri birleşiminin çoğunluk sınıfında görülme sayısını ve N, veri setindeki toplam örnek sayısını temsil etmektedir [9]. Tutarlık-tabanlı öznitelik seçim yöntemi, tüm öznitelikleri içeren bir alt küme ile başlar. Ardından, öznitelik alt küme uzayından rastgele olarak bir alt küme oluşturulur. Rastgele oluşturulan öznitelik alt kümesi, mevcut öznitelik alt kümesine eşit ya da daha az öznitelik içerdiği takdirde, mevcut ve yeni oluşturulan öznitelik altkümelerinin tutarlılık dereceleri karşılaştırılır. Yeni oluşturulan öznitelik altkümesinin daha iyi bir tutarlılık oranına sahip olması durumunda, bu alt küme seçilir. Süreç, kullanıcı tarafından girilen belirli bir parametre süresince yinelenir. 3. Sezgisel Arama Yöntemleri Filtre-tabanlı grup öznitelik seçim yöntemlerinde (korelasyon tabanlı, tutarlılıktabanlı vb.), öznitelik altkümeleri değerlendirilmektedir. Ancak, arama uzayındaki tüm olası öznitelik altkümelerinin incelenmesi özellikle çok sayıda öznitelik içeren veri setleri için oldukça maliyetli olabilmektedir. Bu nedenle, öznitelik alt küme uzaylarının aranmasında genellikle sezgisel bir arama algoritması kullanılmaktadır [6]. Bu çalışmada, en iyi önce arama algoritması (BFS), genetik algoritma (GA), açgözlü arama algoritması (GS), doğrusal ileri seçim algoritması (LFS), parçacık sürü optimizasyonu (PSO), sıra arama algoritması (RS) ve yeniden sıralama algoritması (RRS) sezgisel arama yöntemleri olarak incelenmiştir. En iyi önce arama algoritmasında arama işlemi mevcut düğümün çocuk düğümleri arasında en iyi değere sahip olanın genişletilmek üzere seçilir. Genetik algoritmalar, evrimsel hesaplamaya dayalı arama yöntemleridir. Genetik algoritmalar, çaprazlama ve mutasyon gibi operatörler kullanılarak, bir sonraki neslin oluşturulduğu yinelemeli bir süreçtir. Açgözlü arama algoritması, arama
4 uzayındaki tüm öznitelikleri içeren ya da hiçbir öznitelik içermeyen bir küme ile başlatılabilir. İleri doğru açgözlü aramada, boş altküme ile başlanır. Ardından, her bir adımda bir öznitelik seçilerek, bu öznitelik mevcut öznitelik altkümesine eklenir [10]. Doğrusal ileri seçim algoritması, en iyi önce arama algoritmasına dayalıdır. Yöntem, açgözlü arama algoritmasının hesaplama maliyetini azaltmak için arama sürecinin her bir adımında değerlendirilecek öznitelik sayısını sınırlandırır [11]. Parçacık sürü optimizasyonu, bir eniyileme problemini P adet parçacıktan oluşan bir toplum aracılığıyla çözmeye çalışan bir yöntemdir. Burada, parçacıklar çözüm uzayı etrafında pozisyon ve hızlarına dayalı olarak hareket eder. Belirli bir parçacığın hareketi hem ilgili parçacığın mevcut en iyi pozisyonuna hem de sürüdeki en iyi mevcut çözüme dayalı olarak yönlendirilir. Sıra arama algoritmasında, öznitelikler belirli bir bireysel filtre-tabanlı öznitelik seçim yöntemi ile sıralandıktan sonra, en yüksek ölçüt değerine sahip öznitelikler sırasıyla eklenir [12]. Yeniden sıralama algoritması, özniteliklerin sıralamasını dinamik olarak değiştirerek, belirli bir özniteliğin eklenmesi ile gereksiz hale gelen özniteliklerin ortadan kaldırılmasını veya gerekli hale gelen özniteliklerin eklenmesini amaçlayan bir sıralama algoritmasıdır [13]. 4. Sınıflandırma Algoritmaları Bu bölümde, farklı yöntemler ile elde edilen öznitelik altkümelerinin değerlendirilmesinde kullanılan sınıflandırma algoritmaları kısaca tanıtılmıştır. Naive Bayes algoritması (NB), istatistiksel bir sınıflandırma algoritmasıdır. Yöntem, Bayes teoremine dayalıdır. Basit yapısına karşın hesaplama ve doğru sınıflandırma bakımından etkin bir yöntem olması nedeniyle metin madenciliği ve diğer birçok alanda başarı ile uygulanmaktadır [14]. Destek vektör makineleri (SVM), doğrusal olmayan bir eşleme yöntemi ile orijinal verinin daha üst bir boyuta dönüştürülmesini sağlayan bir sınıflandırma algoritmasıdır. Destek vektör makinelerinin, genelleştirme yetenekleri yüksektir. Yöntem, gürültülü ve aykırı değerler içeren verilere karşın dayanıklıdır [15]. Radyal tabanlı fonksiyon ağları (RBF), üç katmanlı ileri beslemeli bir yapay sinir ağı mimarisine sahiptir. Gizli katmanda yer alan nöronların aktivasyonu için radyal tabanlı fonksiyonlar ile yapılmaktadır [16]. K-en yakın komşu algoritması (KNN), örnek tabanlı bir sınıflandırma algoritmasıdır. Bu yöntemde, sınıflandırma işlemi, sınıflandırılmak istenen örnek ile sınıflardaki örnekler arasındaki benzerliğe dayalı olarak gerçekleştirilir. Yöntem, basit bir yapıya sahiptir, az sayıda parametre gerektirir ve etkin sonuçlar verebilmektedir. C4.5 algoritması, sürekli ve kesikli değerler ile çalışabilen bir karar ağacı algoritmasıdır. Bu yöntemde, özniteliklerin seçimi, kazanç oranına dayalı olarak yapılır [17]. 5. Deneysel Çalışma ve Sonuçlar Filtre-tabanlı ve sarmalama-tabanlı öznitelik seçim yöntemlerinin metin sınıflandırma alanında değerlendirilmesi için görüş sınıflandırma alanında kullanılan, dokuz farklı alana sahip veri setleri kullanılmıştır. Veri setlerinde veri temsil yöntemlerinin etkinlikleri üzerine gerçekleştirilen daha önceki deneysel çalışmalarda, terim varlığı, terim sıklığı ve TF-IDF ölçütü, 1-gram ve 2- gram modelleri ile temsil edildiğinde en yüksek başarımın (doğru sınıflandırma oranının) terim sıklığı ve 1-gram modeli ile elde edildiği görülmüştür [18]. Bu nedenle, bu çalışmada bu temsil yöntemi benimsenmiştir. Tablo 1 de veri setine ilişkin temel özellikler sunulmuştur. Burada, veri setinde yer alan her bir sözcük öznitelik
5 olarak ele alındığında ve 1-gram temsili kullanıldığında elde edilen öznitelik sayılarına yer verilmiştir. Tablo 1: Veri setlerine ilişkin temel özellikler [19] Pozitif Negatif Görüş Görüş Kutbu Kutbu Sayısı Sayısı Veri Seti Öznitelik Sayısı (1- gram) Camera Camp Doctor Drug Laptop Lawyer Music Radio TV Deneysel çalışmalar, WEKA ile gerçekleştirilmiştir. WEKA geliştirici versiyonunun seçilmesinde, bu versiyonun yeni geliştirilen sezgisel arama algoritmalarının eklenmesini olanaklı kılması etkili olmuştur. Sınıflandırma algoritmaları ve öznitelik seçim yöntemleri ile bir arada kullanılan sezgisel arama yöntemleri, birçok parametreye karar verilmesini gerektirmektedir. Deneysel sonuçlarda listelenen tüm parametreler, WEKA yazılımında yer alan varsayılan değerlerdir. Deneysel çalışmada, 10-kat çapraz geçerleme yöntemi benimsenmiştir. Bu yöntem ile veri setleri 10 eşit parçaya ayrılarak her bir yinelemede parçalardan biri modelin sınanmasında geri kalan parçalar ise eğitim için kullanılmıştır. Değerlendirme ölçütü olarak doğru sınıflandırma oranı kullanılmıştır. Bu bölümde sunulan deneyler, Tablo 1 de belirtilen veri setleri ile öznitelik seçim yöntemlerinin teker teker uygulanması ile elde edilmiş olup Tablo 2 ve Tablo 3 te dokuz veri setinde elde edilen ortalama sonuçlar listelenmiştir. Tablo 2 de filtre-tabanlı öznitelik seçim yöntemleri ile farklı sınıflandırma algoritmaları ile elde edilen sonuçlar özetlenmiştir. Deneysel sonuçlar incelendiğinde, tüm öznitelik seçim yöntemleri ve sınıflandırıcılar arasında en yüksek doğru sınıflandırma oranının %89.72 olduğu ve bu oranın tutarlılık tabanlı öznitelik seçim yöntemi sıra arama algoritması ile bir arada kullanıldığında elde edilen öznitelik altkümesi ile Naive Bayes algoritması tarafından elde edildiği görülmektedir. Destek vektör makineleri ve radyal tabanlı fonksiyon ağları ile elde edilen en yüksek doğru sınıflandırma oranları da tutarlılık tabanlı öznitelik seçim yöntemi sıra arama algoritması ile bir arada kullanıldığında elde edilmektedir. C4.5 karar ağacı algoritmasının en iyi sonucu korelasyon tabanlı öznitelik seçim yöntemi en iyi önce arama algoritması ile bir arada kullanıldığında, K-en yakın komşu algoritmasının en iyi sonucu ise korelasyon tabanlı öznitelik seçim yöntemi doğrusal ileri seçim algoritması ile birlikte kullanıldığında alınmaktadır. Tutarlılık tabanlı ve korelasyon tabanlı öznitelik seçim yöntemleri birbirlerine yakın sonuçlar vermekle birlikte, kullanılan arama algoritması ve sınıflandırıcıya dayalı olarak en yüksek başarım elde edilen konfigürasyon değişiklik gösterebilmektedir. Sarmalama tabanlı öznitelik seçim yöntemlerinde bir öğrenme algoritması temel sınıflandırıcı olarak kullanılarak hangi özniteliklerin seçileceğinde etkili olmaktadır. Bu çalışmada, Naive Bayes (NB) ve K-en yakın komşu (KNN) algoritmaları ile en iyi önce arama, genetik algoritma, doğrusal ileri seçim algoritması, parçacık sürüsü optimizasyonu ve sıra arama algoritması gibi farklı arama yöntemleri bir arada kullanılarak öznitelik kümeleri elde edilmiştir. Bu öznitelik kümelerinin etkinlikleri, ilgili sınıflandırıcılar (NB ve KNN) kullanılarak değerlendirilmiştir. Tablo 3 te sarmalamatabanlı öznitelik seçimine ilişkin deneysel sonuçlar özetlenmiştir. Bu sonuçlar incelendiğinde, farklı öznitelik seçim yöntemleri ve sınıflandırıcı birleşimleri
6 içinde en yüksek doğru sınıflandırma oranının, %88.84 olduğu görülmektedir. Bu oran, NB+RS öznitelik seçim yöntemi ile öznitelik altkümesi elde edildiğinde ve bu altküme Naive Bayes sınıflandırıcı kullanılarak sınandığında elde edilmektedir. Tablo 2: Filtre-Tabanlı Öznitelik Seçim Yöntemlerine İlişkin Deneysel sonuçlar Yöntem NB SVM C4.5 KNN RBF Ortalama CS+BFS CS+GA CS+GS CS+LFS CS+PSO CS+RS CS+RRS CBS+BFS CBS+GA CBS+GS CBS+LFS CBS+PSO CBS+RS CBS+RRS Ortalama Tablo 3: Sarmalama-Tabanlı Öznitelik Seçim Yöntemlerine İlişkin Deneysel sonuçlar Yöntem NB KNN Ortalama NB+BFS NB+GA NB+LFS NB+PSO NB+RS KNN+BFS KNN+GA KNN+LFS KNN+PSO KNN+RS Ortalama Sonuçlar Bu çalışmada, metin madenciliğinde filtretabanlı ve sarmalama-tabanlı öznitelik seçim yöntemlerinin başarımı değerlendirilmiştir. Bu amaçla, filtre-tabanlı (korelasyon-tabanlı ve tutarlılık-tabanlı öznitelik seçimi) yedi farklı arama algoritması ile bir arada kullanılarak etkinlikleri değerlendirilmiştir. Sarmalama tabanlı öznitelik seçim yöntemlerinin değerlendirilmesi için on farklı sarmalama tabanlı öznitelik altkümesi elde edilmiş, bu altkümelerin başarımları 2 temel sınıflandırıcı aracılığıyla değerlendirilmiştir.
7 Sarmalama-tabanlı öznitelik seçim yöntemleri için en yüksek doğru sınıflandırma oranı (%88.84) NB+RS öznitelik seçim yöntemi ve Naive Bayes sınıflandırıcısı kullanıldığında elde edilmektedir. Filtre-tabanlı öznitelik seçim yöntemlerine ilişkin karşılaştırmalar içerisinde en yüksek doğru sınıflandırma oranı tutarlılık tabanlı öznitelik seçim yöntemi sıra arama algoritması ile bir arada kullanıldığında elde edilen öznitelik altkümesi ile Naive Bayes algoritması ile alınmıştır. 7. Kaynaklar [1] Aggarwal, C.C., Zhai, C.X., A survey of text classification algorithms, Mining text Data, Aggarwal, C.C., Zhai, C.X. (Eds.), Springer-Verlag, New York, (2012). [2] Korde, V., Mahender, C. N., Text classification and classifiers: a survey, International Journal of Artificial Intelligence & Applications, 3(2): (2012). [3] Narendra, P.M., Fukunaga, K., A branch and bound algorithm for feature selection, IEEE Transactions on Computers, 26(9): (1977). [4] Chandrashekar, G., Sahin, F., A survey on feature selection methods, Computers and Electrical Engineering, 40: (2014). [5] Diao, R., Feature selection with harmony search and its applications, Ph.D. Thesis, Aberystwyth University, 213p (Unpublished) (2014). [6] Hall, M.A., Correlation-based feature selection for machine learning, Ph.D. Thesis, University of Waikato, 198p (Unpublished) (1999). [7] Hall, M.A., Smith, L.A., Feature selection for machine learning: comparing a correlation-based filter approach to the wrapper, Proceedings of the Twelfth International Florida Artificial Intelligence Research Society Conference, USA, (1999). [8] Liu, H., Setiono, R., A probabilistic approach to feature selection: a filter solution, Proceedings of the Thirteenth International Conference on Machine Learning, (1996). [9] Hall, M. A., Holmes, G., Benchmarking attribute selection techniques for discrete class data mining, IEEE Transactions on Knowledge and Data Engineering, 15(6): (2003). [10] Gütlein, M., Large scale attribute selection using wrappers, Diploma Thesis, University of Freiburg, 135p (Unpublished) (2006). [11] Gütlein, M., Frank, E., Hall, M., Karwath, A., Large-scale attribute selection using wrappers, Proceedings of IEEE Symposium on Computational Intelligence and Data Mining, (2009). [12] Witten, I.H., Frank, E., Hall, M.A., Data Mining: Practical Machine Learning Tools and Techniques, Morgan Kaufmann Publishers, Burlington, (2011). [13] Bermejo, P., Ossa, L., Gamez, J. A., Puerta, J. M., Fast wrapper feature subset selection in high-dimensional datasets by means of filter re-ranking, Knowledge- Based Systems, 25:35-44 (2012). [14] Han, J., Kamber, M., Data mining: concepts and techniques, Morgan Kaufmann Publishers, Burlington, (2006).
8 [15] Abe, S., Support vector machines for pattern classification, Springer, London, (2010). [16] Bors, A.G., Introduction to the radial basis function (rbf) networks, Online Symposium for Electronics Engineering, 1(1): 1-7 (2001). [17] Niuniu, X., Yuxun, L., Review of decision trees, Proc. of the Third IEEE Int. Conf. on Computer Science and Information Technology, China, (2010). [18] Onan, A., Korukoğlu, S., Görüş Madenciliğinde Sınıflandırıcı Toplulukları, Proceedings of the 23rd Signal Processing and Communications Applications Conference (SIU), Turkey, (2015). [19] Whitehead, M., Yaeger, L., Building a general purpose cross-domain sentiment mining model, Proceedings of IEEE World Congress on Computer Science and Information Engineering, (2009).
AYTUĞ ONAN CELAL BAYAR ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ SERDAR KORUKOĞLU EGE ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
Metin Sınıflandırmada Öznitelik Seçim Yöntemlerinin Değerlendirilmesi AYTUĞ ONAN CELAL BAYAR ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ SERDAR KORUKOĞLU EGE ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
DetaylıK-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi
K-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi Erdal TAŞCI* Aytuğ ONAN** *Ege Üniversitesi Bilgisayar Mühendisliği Bölümü **Celal Bayar Üniversitesi
DetaylıTürkçe Twitter Mesajlarında Gizli Dirichlet Tahsisine Dayalı Duygu Analizi
Türkçe Twitter Mesajlarında Gizli Dirichlet Tahsisine Dayalı Duygu Analizi Aytuğ Onan 1 1 Celal Bayar Üniversitesi, Yazılım Mühendisliği Bölümü, Manisa aytug.onan@cbu.edu.tr Özet: Duygu analizi, görüş
DetaylıTürkçe Dokümanlar Ġçin Yazar Tanıma
Türkçe Dokümanlar Ġçin Yazar Tanıma Özcan KOLYĠĞĠT, Rıfat AġLIYAN, Korhan GÜNEL Adnan Menderes Üniversitesi, Matematik Bölümü Bölümü, Aydın okolyigit@gmail.com, rasliyan@adu.edu.tr, kgunel@adu.edu.tr Özet:
DetaylıYÖNETİM BİLİŞİM SİSTEMLERİ DERGİSİ
YÖNETİM BİLİŞİM SİSTEMLERİ DERGİSİ http://dergipark.ulakbim.gov.tr/ybs Yayın Geliş Tarihi: 16.11.2017 Cilt:3, Sayı:2, Yıl:2017, Sayfa: 1-14 Yayına Kabul Tarihi: 23.11.2017 ISSN: 2148-3752 Online Yayın
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
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
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
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
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
DetaylıOtomatik Doküman Sınıflandırma
Otomatik Doküman Sınıflandırma Rumeysa YILMAZ, Rıfat AŞLIYAN, Korhan GÜNEL Adnan Menderes Üniversitesi, Fen Edebiyat Fakültesi Matematik Bölümü, Aydın rumeysa2903@gmailcom, rasliyan@aduedutr, kgunel@aduedutr
DetaylıOtomatik Doküman Sınıflandırma
Akademik Bilişim 12 - XIV Akademik Bilişim Konferansı Bildirileri Otomatik Doküman Sınıflandırma Adnan Menderes Üniversitesi, Fen Edebiyat Fakültesi Matematik Bölümü, Aydın rumeysa2903@gmailcom, rasliyan@aduedutr,
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Genetik Algoritma (Genetic Algorithm) Doç.Dr. M. Ali Akcayol Genetik Algoritma 1970 li yıllarda John Holland tarafından geliştirilmiştir. 1989 yılında David E. Goldberg Genetik
DetaylıCBS ve Coğrafi Hesaplama
Yıldız Teknik Üniversitesi CBS ve Coğrafi Hesaplama 2. Bölüm Yrd. Doç. Dr. Alper ŞEN Harita Mühendisliği Bölümü Kartografya Anabilim Dalı web: http://www.yarbis.yildiz.edu.tr/alpersen/ E mail: alpersen@yildiz.edu.tr
DetaylıGüz Dönemi Zorunlu Dersleri
T.C. AKSARAY ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ELEKTRİK-ELEKTRONİK ve BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI TEZLİ YÜKSEK LİSANS PROGRAMI Güz Dönemi Zorunlu Dersleri EEBM 501 İleri Mühendislik Matematiği
DetaylıMetin Sınıflandırma. Akış
Metin Sınıflandırma Mehmet Fatih AMASYALI BLM 5212 Doğal Dil İşlemeye Giriş Ders Notları Akış Görev Eğiticili Eğiticisiz Öğrenme Metin Özellikleri Metin Kümeleme Özellik Belirleme Çok Boyutlu Verilerle
DetaylıANKARA ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ
ANKARA ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ SANAL ARTIRILMIŞ VE AKILLI TEKNOLOJİLER (SAAT) LABORATUVARI SAAT Laboratuvarı Koordinatör: Yrd. Doç. Dr. Gazi Erkan BOSTANCI SAAT
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Sınıflandırıcıların Değerlendirilmesi Skorlar Karışıklık matrisi Accuracy Precision Recall
DetaylıYAPAY ÖĞRENME İLE TÜRKİYE NİN KURULU GÜCÜNÜN 2023 YILINA KADAR TAHMİNİ
YAPAY ÖĞRENME İLE TÜRKİYE NİN KURULU GÜCÜNÜN 2023 YILINA KADAR TAHMİNİ Cihan DEMİR 1, Fatih AYDIN 2 1Kırklareli Üniversitesi, Teknik Bilimler M.Y.O, 39100, KIRKLARELİ 2 Kırklareli Üniversitesi, Teknik
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
DetaylıVERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Kümeleme İşlemleri Kümeleme Tanımı Kümeleme Uygulamaları Kümeleme Yöntemleri Kümeleme (Clustering) Kümeleme birbirine
DetaylıMetin Sınıflandırmada Benzerlik Hesaplama Tekniklerinin Değerlendirilmesi. Evaluation of Similarity Measurement Techniques for Text Classification
Metin Sınıflandırmada Benzerlik Hesaplama Tekniklerinin Değerlendirilmesi Mehmet Fatih KARACA1, Mustafa GÜNEL1, Akif Alkan TAŞTAN1 1Gaziosmanpaşa Üniversitesi, Erbaa Meslek Yüksekokulu, Tokat mehmetfatih.karaca@gop.edu.tr,
DetaylıVERİ MADENCİLİĞİ Metin Madenciliği
VERİ MADENCİLİĞİ Metin Madenciliği Yrd. Doç. Dr. Şule Gündüz Öğüdücü 1 2 Metin için Veri Madenciliği Metin Madenciliğinde Sorunlar Metin madenciliği: Veri madenciliği teknikleri ile yazılı belgeler arasındaki
DetaylıKİNETİK MODEL PARAMETRELERİNİN BELİRLENMESİNDE KULLANILAN OPTİMİZASYON TEKNİKLERİNİN KIYASLANMASI
KİNETİK MODEL PARAMETRELERİNİN BELİRLENMESİNDE KULLANILAN OPTİMİZASYON TEKNİKLERİNİN KIYASLANMASI Hatice YANIKOĞLU a, Ezgi ÖZKARA a, Mehmet YÜCEER a* İnönü Üniversitesi Mühendislik Fakültesi Kimya Mühendisliği
DetaylıHafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti
Hafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr
DetaylıBBO Algoritmasının Optimizasyon Başarımının İncelenmesi Optimization Performance Investigation of BBO Algorithm
BBO Algoritmasının Optimizasyon Başarımının İncelenmesi Optimization Performance Investigation of BBO Algorithm Tufan İNAÇ 1, Cihan KARAKUZU 2 1 Bilgisayar Mühendisliği Anabilim Dalı Bilecik Şeyh Edebali
DetaylıÖZGEÇMİŞ. 1. Adı Soyadı : Olcay Taner Yıldız. 2. Doğum Tarihi : 15.05.1976. 3. Unvanı : Doç. Dr. 4. Öğrenim Durumu :
ÖZGEÇMİŞ 1. Adı Soyadı : Olcay Taner Yıldız 2. Doğum Tarihi : 15.05.1976 3. Unvanı : Doç. Dr. 4. Öğrenim Durumu : Derece Alan Üniversite Yıl Lisans Bilgisayar Mühendisliği Boğaziçi Üniversitesi 1997 Y.
DetaylıZamansal Veri Madenciliği ve Anomali Tespiti için Bir Uygulama
Zamansal Veri Madenciliği ve Anomali Tespiti için Bir Uygulama Mehmet Yavuz ONAT Yrd.Doç.Dr.Engin YILDIZTEPE Dokuz Eylül Üniversitesi, İstatistik Bölümü Akademik Bilişim 2015, Anadolu Üniversitesi, Eskişehir
DetaylıK-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi
K-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi Erdal Taşcı 1, Aytuğ Onan 2 1 Ege Üniversitesi, Bilgisayar Mühendisliği Bölümü, İzmir 2 Celal Bayar
DetaylıEvrimsel Çok amaçlı eniyileme. Tahir Emre Kalaycı Ege Üniversitesi Bilgisayar Mühendisliği Bölümü 25 Mart 2010
Evrimsel Çok amaçlı eniyileme Tahir Emre Kalaycı Ege Üniversitesi Bilgisayar Mühendisliği Bölümü 25 Mart 2010 Gündem Çok amaçlı eniyileme Giriş Evrimsel çok amaçlı eniyileme Sonuç Giriş Gerçek dünya problemleri
DetaylıÖZGEÇMİŞ. Dr. Aytuğ ONAN
ÖZGEÇMİŞ İletişim Bilgileri Dr. Aytuğ ONAN Çalıştığı Kurum: Doktor Öğretim Üyesi, Manisa Celal Bayar Üniversitesi, Hasan Ferdi Turgutlu Teknoloji Fakültesi, Yazılım Mühendisliği Bölümü, Turgutlu-MANİSA.
Detaylı91-03-01-517 YAPAY ZEKA (Artificial Intelligence)
91-03-01-517 YAPAY ZEKA (Artificial Intelligence) Dersi Veren Öğretim Üyesi Y. Doç. Dr. Aybars UĞUR Ders Web Sayfası : http://yzgrafik.ege.edu.tr/~ugur 27.09.2009 Y. Doç. Dr. Aybars UĞUR (517 Yapay Zeka)
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Tabu Arama (Tabu Search) Doç.Dr. M. Ali Akcayol Tabu Arama 1986 yılında Glover tarafından geliştirilmiştir. Lokal minimum u elimine edebilir ve global minimum u bulur. Değerlendirme
DetaylıGeriye Yayılım ve Levenberg Marquardt Algoritmalarının YSA Eğitimlerindeki Başarımlarının Dinamik Sistemler Üzerindeki Başarımı. Mehmet Ali Çavuşlu
Geriye Yayılım ve Levenberg Marquardt Algoritmalarının YSA Eğitimlerindeki Başarımlarının Dinamik Sistemler Üzerindeki Başarımı Mehmet Ali Çavuşlu Özet Yapay sinir ağlarının eğitiminde genellikle geriye
DetaylıBulanık Mantık Tabanlı Uçak Modeli Tespiti
Bulanık Mantık Tabanlı Uçak Modeli Tespiti Hüseyin Fidan, Vildan Çınarlı, Muhammed Uysal, Kadriye Filiz Balbal, Ali Özdemir 1, Ayşegül Alaybeyoğlu 2 1 Celal Bayar Üniversitesi, Matematik Bölümü, Manisa
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
DetaylıÖ Z G E Ç M İ Ş. 1. Adı Soyadı: Mustafa GÖÇKEN. 2. Doğum Tarihi: 12 Haziran 1976. 3. Unvanı: Yrd. Doç. Dr. 4. Öğrenim Durumu: Ph.D.
Ö Z G E Ç M İ Ş 1. Adı Soyadı: Mustafa GÖÇKEN 2. Doğum Tarihi: 12 Haziran 1976 3. Unvanı: Yrd. Doç. Dr. 4. Öğrenim Durumu: Ph.D. Derece Alan Üniversite Yıl Lisans Endüstri Mühendisliği Çukurova Üniversitesi
DetaylıGENETİK ALGORİTMALAR. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ
GENETİK ALGORİTMALAR Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ GENETİK ALGORİTMALAR Genetik algoritmalar, Darwin in doğal seçim ve evrim teorisi ilkelerine dayanan bir arama ve optimizasyon yöntemidir.
DetaylıMetin Madenciliğinde Yazar Tanıma (Author Recognition in Text Mining)
YBS Ansiklopedi www.ybsansiklopedi.com Cilt 5, Sayı 1, Mayıs 2018 Metin Madenciliğinde Yazar Tanıma (Author Recognition in Text Mining) Deniz İrem ÜNAL 1, Şadi Evren ŞEKER 2 1. Yıldız Teknik Üniversitesi,Matematik
DetaylıMekatronik Mühendisliği Uygulamalarında Yapay Zekâ. Makine Öğrenmesi. Erhan AKDOĞAN, Ph.D.
Mekatronik Mühendisliği Uygulamalarında Yapay Zekâ Makine Öğrenmesi Erhan AKDOĞAN, Ph.D. Bu ders notunun hazırlanmasında Dr. U.Orhan ve Banu Diri nin ders notlarından yararlanılmıştır. Makine öğrenmesi
DetaylıBİLECİK ŞEYH EDEBALİ ÜNİVERSİTESİ AKADEMİK ÖZGEÇMİŞ FORMU
BİLECİK ŞEYH EDEBALİ ÜNİVERSİTESİ AKADEMİK ÖZGEÇMİŞ FORMU KİŞİSEL BİLGİLER Adı Soyadı Tolga YÜKSEL Ünvanı Birimi Doğum Tarihi Yrd. Doç. Dr. Mühendislik Fakültesi/ Elektrik Elektronik Mühendisliği 23.10.1980
DetaylıELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ DOKTORA YETERLİK SINAVI YÖNETMELİĞİ
ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ DOKTORA YETERLİK SINAVI YÖNETMELİĞİ Doktora Yeterlik Sınavı, başvurunun yapıldığı ve Doktora Yeterlik Komitesi nin başvuruyu onayladığı dönemdeki, dönem sonu sınavlarının
DetaylıApriori Algoritması ile Teknik Seçmeli Ders Seçim Analizi
Apriori Algoritması ile Teknik Seçmeli Ders Seçim Analizi Emre Güngör 1,2, Nesibe Yalçın 1,2, Nilüfer Yurtay 3 1 Bilecik Şeyh Edebali Üniversitesi, Bilgisayar Mühendisliği Bölümü, 11210, Merkez, Bilecik
DetaylıMakine Öğrenmesi İle Duygu Analizinde Veri Seti Performansı
Makine Öğrenmesi İle Duygu Analizinde Veri Seti Performansı Hatice NİZAM İstanbul Üniversitesi Bilgisayar Mühendisliği Bölümü haticenizam@outlook.com Saliha Sıla AKIN ERS Turizm Yazılım Şirketi, Bilgisayar
DetaylıGENETİK ALGORİTMA ÖZNUR CENGİZ HİLAL KOCA
GENETİK ALGORİTMA ÖZNUR CENGİZ 201410306014 HİLAL KOCA 150306024 GENETİK ALGORİTMA Genetik Algoritma yaklaşımının ortaya çıkışı 1970 lerin başında olmuştur. 1975 te John Holland ın makine öğrenmesi üzerine
Detaylıİş Zekası. Hafta 6 Kestirimci Modelleme Teknikleri. Yrd. Doç. Dr. H. İbrahim CEBECİ
İş Zekası Hafta 6 Kestirimci Modelleme Teknikleri Business Intelligence and Analytics: Systems for Decision Support 10e isimli eserden adapte edilmiştir Bölüm Amaçları Yapay Sinir Ağları (YSA) kavramını
DetaylıERCİYES ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTUSÜ BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİMDALI. I. GENEL BİLGİLER Ders Adı
BİM618 Evrimsel Algoritmalar Öğretim Üyesi Prof. Dr. Derviş Karaboğa Görüşme Saatleri 8.00-17.00 E posta: karaboga@erciyes.edu.tr http://abis.erciyes.edu.tr/sorgu.aspx?sorgu=236 Erciyes Üniversitesi, Mühendislik
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
DetaylıKablosuz Sensör Ağlar ve Eniyileme. Tahir Emre KALAYCI. 21 Mart 2008
Kablosuz Sensör Ağlar ve Eniyileme Tahir Emre KALAYCI 21 Mart 2008 Gündem Genel Bilgi Alınan Dersler Üretilen Yayınlar Yapılması Planlanan Doktora Çalışması Kablosuz Sensör Ağlar Yapay Zeka Teknikleri
DetaylıYapay Sinir Ağları ile Web İçeriklerini Sınıflandırma. Yazarlar: Esra Nergis Güven, Hakan Onur ve Şeref Sağıroğlu. Sunan : Esra Nergis Güven
Yapay Sinir Ağları ile Web İçeriklerini Sınıflandırma Yazarlar: Esra Nergis Güven, Hakan Onur ve Şeref Sağıroğlu Sunan : Esra Nergis Güven İçerik Giriş Amaç ve Kapsam Sınıflandırma Geliştirilen Sistem
Detaylı91-03-01-529 SAYISAL GÖRÜNTÜ İŞLEME (Digital Image Processing)
91-03-01-529 SAYISAL GÖRÜNTÜ İŞLEME (Digital Image Processing) Dersi Veren Öğretim Üyesi Doç. Dr. Aybars UĞUR Ders Web Sayfası : http://yzgrafik.ege.edu.tr/~ugur 1 Amaçlar Öğrencileri Matlab gibi teknik
DetaylıGörev Unvanı Alan Üniversite Yıl Prof. Dr. Elek.-Eln Müh. Çukurova Üniversitesi Eylül 2014
ÖZGEÇMİŞ 1. Adı Soyadı : MUSTAFA GÖK 2. Doğum Tarihi: : 1972 3. Unvanı : Prof. Dr. 4. Öğrenim Durumu Derece Alan Üniversite Yıl Lisans Elektronik Mühendisliği İstanbul Üniversitesi 1995 Yüksek Lisans Electrical
Detaylıİleri Veri Madenciliği (COMPE 506) Ders Detayları
İleri Veri Madenciliği (COMPE 506) Ders Detayları Ders Adı İleri Veri Madenciliği Ders Kodu COMPE 506 Dönemi Ders Uygulama Laboratuar Kredi AKTS Saati Saati Saati Güz 3 0 0 3 7.5 Ön Koşul Ders(ler)i Dersin
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
DetaylıMekatronik Mühendisliği Uygulamalarında Yapay Zekâ. Ders 1- Yapay Zekâya Giriş. Erhan AKDOĞAN, Ph.D.
Mekatronik Mühendisliği Uygulamalarında Yapay Zekâ Ders 1- Yapay Zekâya Giriş Erhan AKDOĞAN, Ph.D. Yapay Zekâ nedir?! İnsanın düşünme ve karar verme yeteneğini bilgisayarlar aracılığı ile taklit etmeye
DetaylıTedarik Zinciri Yönetiminde Yapay Zeka Teknikler
Tedarik Zinciri Yönetiminde Yapay Zeka Teknikler Doç.Dr.Mehmet Hakan Satman mhsatman@istanbul.edu.tr İstanbul Üniversitesi 2014.10.22 Doç.Dr.Mehmet Hakan Satmanmhsatman@istanbul.edu.tr Tedarik Zinciri
DetaylıKredi Onayı İçin Bir Sınıflandırma Algoritması Önerisi A Classification Algorithm Advice for Credit Approval
Kredi Onayı İçin Bir Sınıflandırma Algoritması Önerisi A Classification Algorithm Advice for Credit Approval İsmail Haberal Bilgisayar Mühendisliği Bölümü Başkent Üniversitesi ihaberal@baskent.edu.tr Umut
DetaylıT.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ EĞİTİM ÖĞRETİM YILI DERS KATALOĞU
T.C. ERCİYES ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ - EĞİTİM ÖĞRETİM YILI DERS KATALOĞU Ders Kodu Bim Kodu Ders Adı Türkçe Ders Adı İngilizce Dersin Dönemi T Snf Açıl.Dönem P
DetaylıMetin Sınıflandırma Text Classification
Metin Sınıflandırma Text Classification A. Cüneyd TANTUĞ İTÜ Bilgisayar ve Bilişim Fakültesi tantug@itu.edu.tr Özetçe Geçtiğimiz yirmi yıl göz önüne alındığında, bilgisayar ortamında üretilen belgelerin
DetaylıSosyal Medyada Makine Öğrenmesi ile Duygu Analizinde Dengeli ve Dengesiz Veri Setlerinin Performanslarının Karşılaştırılması
Sosyal Medyada Makine Öğrenmesi ile Duygu Analizinde Dengeli ve Dengesiz Veri Setlerinin Performanslarının Karşılaştırılması Hatice Nizam 1, Saliha Sıla Akın 2 1 İstanbul Üniversitesi Bilgisayar Mühendisliği
DetaylıTürkçe nin Bağlılık Ayrıştırması. Gülşen Cebiroğlu Eryiğit
Türkçe nin Bağlılık Ayrıştırması Gülşen Cebiroğlu Eryiğit Bağlılık Ayrıştırması Doğal Dil İşleme ve Bölümleri Türkçe'nin Bağlılık Ayrıştırması @ 2007 Gülşen Cebiroğlu Eryiğit 2/45 Bağlılık Ayrıştırması
DetaylıVERİ MADENCİLİĞİ VE SOSYAL AĞ ANALİZİ ARAŞTIRMA LABORATUVARI
BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ VERİ MADENCİLİĞİ VE SOSYAL AĞ ANALİZİ ARAŞTIRMA LABORATUVARI 10 Aralık 2011, Cumartesi Fen ve Mühendislik Alanlarındaki Çeşitli Araştırma Projelerinden Örneklemeler İçerik
DetaylıDEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Cilt: 16 Sayı: 48 sh. 86-93 Eylül 2014
DEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Cilt: 16 Sayı: 48 sh. 86-93 Eylül 2014 DESTEK VEKTÖR MAKİNELERİ PARAMETRE OPTİMİZASYONUNUN DUYGU ANALİZİ ÜZERİNDEKİ ETKİSİ (EFFECTS OF SUPPORT VECTOR
DetaylıPARÇACIK SÜRÜ OPTİMİZASYONU BMÜ-579 METASEZGİSEL YÖNTEMLER YRD. DOÇ. DR. İLHAN AYDIN
PARÇACIK SÜRÜ OPTİMİZASYONU BMÜ-579 METASEZGİSEL YÖNTEMLER YRD. DOÇ. DR. İLHAN AYDIN 1995 yılında Dr.Eberhart ve Dr.Kennedy tarafından geliştirilmiş popülasyon temelli sezgisel bir optimizasyon tekniğidir.
DetaylıŞifrebilimde Yapay Sinir Ağları
Ege Üniversitesi Bilgisayar Mühendisliği Bölümü Şifrebilimde Yapay Sinir Ağları BİM345 Yapay Sinir Ağları İlker Kalaycı Mayıs,2008 Gündem Şifrebilim Şifrebilim nedir Şifreleme Şifre Çözme Klasik Şifreleme
DetaylıDerece Adı, İlçe, İl Bitirme Yılı Lise : Şanlıurfa Anadolu Lisesi Üniversite : Selçuk Üniversitesi Bilgisayar Mühendisliği 2003
ÖZGEÇMİŞ 1. Adı Soyadı: İbrahim Berkan AYDİLEK 2. Doğum Tarihi: 1981 Şanlıurfa 3. Unvanı: Yrd. Doç. Dr. 4. Öğrenim Durumu: Derece Adı, İlçe, İl Bitirme Yılı Lise : Şanlıurfa Anadolu Lisesi 1999 Üniversite
DetaylıDoç.Dr. M. Mengüç Öner Işık Üniversitesi Elektrik-Elektronik Mühendisliği Bölümü oner@isikun.edu.tr
Doç.Dr. M. Mengüç Öner Işık Üniversitesi Elektrik-Elektronik Bölümü oner@isikun.edu.tr 1. Adı Soyadı : Mustafa Mengüç ÖNER 2. Doğum Tarihi : 01.02.1977 3. Unvanı : Doçent Dr. 4. Öğrenim Durumu : ÖĞRENİM
DetaylıReklam İçerikli Epostaların Metin Madenciliği Yöntemleri ile Otomatik Tespiti
BİLİŞİM TEKNOLOJİLERİ DERGİSİ, CİLT: 6, SAYI: 1, OCAK 2013 1 Reklam İçerikli Epostaların Metin Madenciliği Yöntemleri ile Otomatik Tespiti Kübra ÇALIŞ, Oya GAZDAĞI, Oktay YILDIZ Bilgisayar Mühendisliği,
DetaylıAPRİORİ ALGORİTMASI İLE TEKNİK SEÇMELİ DERS SEÇİM ANALİZİ SELECTION BEHAVIOR ANALYSIS OF TECHNICAL ELECTIVE COURSES USING APRIORI ALGORITHM
APRİORİ ALGORİTMASI İLE TEKNİK SEÇMELİ DERS SEÇİM ANALİZİ Nesibe Yalçın 1 Emre Güngör 1 Nilüfer Yurtay ÖZET Bu çalışmada, Veri Madenciliği' nde Birliktelik Kuralı çıkarım algoritmalarından biri olan Apriori
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
DetaylıSahne Geçişlerinin Geometrik Tabanlı olarak Saptanması
Sahne Geçişlerinin Geometrik Tabanlı olarak Saptanması 1 Giriş Binnur Kurt, H. Tahsin Demiral, Muhittin Gökmen İstanbul Teknik Üniversitesi, Bilgisayar Mühendisliği Bölümü, Maslak, 80626 İstanbul {kurt,demiral,gokmen}@cs.itu.edu.tr
DetaylıÖZGEÇMİŞ. 2. Doğum Yeri ve Tarihi : Washington DC - 22 Temmuz 1978. Derece Alan Üniversite Yılı Bilgisayar-Kontrol Marmara Üniversitesi
ÖZGEÇMİŞ 1. Adı Soyadı : Serhat ÖZEKES 2. Doğum Yeri ve Tarihi : Washington DC - 22 Temmuz 1978 3. Unvanı : Doç. Dr. 4. Öğrenim Durumu : Derece Alan Üniversite Yılı ve Kontrol Marmara Üniversitesi 2000
DetaylıSAYISAL GÖRÜNTÜİŞLEME (Digital Image Processing)
91-03-01-529 SAYISAL GÖRÜNTÜİŞLEME (Digital Image Processing) Dersi Veren Öğretim Üyesi Y. Doç. Dr. Aybars UĞUR Ders Web Sayfası : http://yzgrafik.ege.edu.tr/~ugur 29.09.2009 Y. Doç. Dr. Aybars UĞUR (529
DetaylıYard. Doç. Dr. İrfan DELİ. Matematik
Unvanı Yard. Doç. Dr. Adı Soyadı İrfan DELİ Doğum Yeri ve Tarihi: Çivril/Denizli -- 06.04.1986 Bölüm: E-Posta Matematik irfandeli20@gmail.com, irfandeli@kilis.edu.tr AKADEMİK GELİŞİM ÜNİVERSİTE YIL Lisans
DetaylıAĞIRLIKLANDIRILMIŞ KOŞULLU KARŞILIKLI BİLGİ İLE ÖZNİTELİK SEÇİMİ
Gazi Üniv. Müh. Mim. Fak. Der. Journal of the Faculty of Engineering and Architecture of Gazi University Cilt 30, No 4, 585-596, 2015 Vol 30, No 4, 585-596, 2015 AĞIRLIKLANDIRILMIŞ KOŞULLU KARŞILIKLI BİLGİ
DetaylıBCA605 Bilgisayar Oyunlarında Yapay Zeka
BCA605 Bilgisayar Oyunlarında Yapay Zeka Ders 1 : Genel Tanıtım Zümra Kavafoğlu Hakkımda Araştırma Alanları Bilgisayar Grafiği ve Animasyonu Fizik-tabanlı Animasyon Karakter Animasyonu Bilgisayar Animasyonu
DetaylıELECO '2012 Elektrik - Elektronik ve Bilgisayar Mühendisliği Sempozyumu, 29 Kasım - 01 Aralık 2012, Bursa
Türkçe Metinlerin Kümelenmesinde Farklı Yöntemlerinin Etkisinin Araştırılması Examining the Impact of Different Stemming Methods on Clustering Turkish Texts Volkan Tunalı, Turgay Tugay Bilgin Yazılım Mühendisliği
DetaylıAlgoritma Geliştirme ve Veri Yapıları 2 Veri Modelleri. Mustafa Kemal Üniversitesi
Algoritma Geliştirme ve Veri Yapıları 2 Veri Modelleri Veri modelleri, veriler arasında ilişkisel ve sırasal düzeni gösteren kavramsal tanımlardır. Her program en azından bir veri modeline dayanır. Uygun
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
DetaylıDOKUZ EYLÜL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRLÜĞÜ DERS/MODÜL/BLOK TANITIM FORMU. Dersin Kodu: CSE 6003
Dersi Veren Birim: Fen Bilimleri Enstitüsü Dersin Türkçe Adı: Makina Öğrenmesi ve Akıl Yürütme Dersin Orjinal Adı: Machine Learning and Reasoning Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora)
DetaylıMÜFREDAT DERS LİSTESİ
MÜFREDAT DERS LİSTESİ MÜHENDİSLİK FAK. / BİLGİSAYAR MÜHENDİSL / 2010 BİLGİSAYAR MÜHENDİSLİĞİ Müfredatı 0504101 Matematik I Calculus I 1 GÜZ 4 5 Z 0504102 Genel Fizik I General Physics I 1 GÜZ 4 4 Z 0504103
Detaylıİleri Örüntü Tanıma Teknikleri Ve Uygulamaları İçerik
Tekrar Konular İleri Örüntü Tanıma Teknikleri Ve Uygulamaları İçerik 1. Uygulamalar ve tanımlamalar 2. Örüntü tanıma sistemleri ve bir örnek 3. Bayes karar teorisi 4. En yakın komşu sınıflandırıcıları
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Yapay Sinir Ağları (Artificial Neural Network) Doç.Dr. M. Ali Akcayol Yapay Sinir Ağları Biyolojik sinir sisteminden esinlenerek ortaya çıkmıştır. İnsan beyninin öğrenme, eski
DetaylıGridAE: Yapay Evrim Uygulamaları için Grid Tabanlı bir Altyapı
GridAE: Yapay Evrim Uygulamaları için Grid Tabanlı bir Altyapı Erol Şahin Bilgisayar Mühendisliği Bölümü, Orta Doğu Teknik Üniversitesi Ankara, Türkiye 2. ULUSAL GRİD ÇALIŞTAYI, 1-2 Mart 2007, TÜBİTAK,
DetaylıDoküman dili tanıma için ikili örüntüler tabanlı yeni bir yaklaşım
Doküman dili tanıma için ikili örüntüler tabanlı yeni bir yaklaşım Yılmaz KAYA 1, Ömer Faruk ERTUĞRUL 2, Ramazan TEKİN 3 1 Siirt Üniversitesi, Bilgisayar Mühendisliği Bölümü 2 Batman Üniversitesi, Elektrik-Elektronik
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
DetaylıSosyal Medyada Makine Öğrenmesi ile Duygu Analizinde Dengeli ve Dengesiz Veri Setlerinin Performanslarının Karşılaştırılması
inet-tr 14 - XIX. Türkiye'de İnternet Konferansı Bildirileri 27-29 Kasım 2014 Yaşar Üniversitesi, İzmir Sosyal Medyada Makine Öğrenmesi ile Duygu Analizinde Dengeli ve Dengesiz Veri Setlerinin Performanslarının
DetaylıSerdar BİROĞUL YÜKSEK LİSANS TEZİ (ELEKTRİK EĞİTİMİ) GAZİ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ANKARA
i GENETİK ALGORİTMA YAKLAŞIMIYLA ATÖLYE ÇİZELGELEME Serdar BİROĞUL YÜKSEK LİSANS TEZİ (ELEKTRİK EĞİTİMİ) GAZİ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ OCAK 2005 ANKARA ii Serdar BİROĞUL tarafından hazırlanan
DetaylıKaraciğer Yetmezliğinin Teşhisinde Makine Öğrenmesi Algoritmalarının Kullanımı. In the Diagnosis of Liver Failure Using Machine Learning Algorithms
Karaciğer Yetmezliğinin Teşhisinde Makine Öğrenmesi Algoritmalarının Kullanımı 1 Ekrem Alkuşak ve * 2 Murat Gök 1 Bilgisayar Mühendisliği Bölümü, Yalova Üniversitesi, Yalova, Türkiye 2 Bilgisayar Mühendisliği
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)
DetaylıFIRAT ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ/YAZILIM MÜHENDİSLİĞİ (DR)
FATİH ERTAM DOKTOR ÖĞRETİM ÜYESİ E-Posta Adresi fatih.ertam@firat.edu.tr Telefon (İş) Telefon (Cep) Faks Adres 4242370000-7640 5356514539 Fırat Üniversitesi Teknoloji Fakültesi B Blok Adli Bilişim Mühendisliği
Detaylı127 - Twoing Algoritması ile Sınıflandırma Kalp Hastalığı Uygulaması MEHMET AKİF ERSOY ÜNİVERSİTESİ İLHAN UYSAL MEHMET BİLEN SAMİ ULUKUŞ
127 - Twoing Algoritması ile Sınıflandırma Kalp Hastalığı Uygulaması MEHMET AKİF ERSOY ÜNİVERSİTESİ İLHAN UYSAL MEHMET BİLEN SAMİ ULUKUŞ Veri Madenciliği : Bir sistemin veri madenciliği sistemi olabilmesi
DetaylıEş-Talim Yöntemi ile Metin Sınıflandırma İçin Bir Uygulama
Eş-Talim Yöntemi ile Metin Sınıflandırma İçin Bir Uygulama Katira Soleymanzadeh1, Ufuk Hürriyetoğlu1, Bahar Karaoğlan1, Senem Kumova Metin2, Tarık Kışla3 1 Ege Üniversitesi, Uluslararası Bilgisayar Enstitüsü,
DetaylıKolektif Öğrenme Metotları
Kolektif Öğrenme Metotları Kolektif öğrenme algoritmalarına genel bakış 1-Bagging 2-Ardışık Topluluklarla Öğrenme (Boosting) 3-Rastsal Altuzaylar 4-Rastsal Ormanlar 5-Aşırı Rastsal Ormanlar 6-Rotasyon
DetaylıANKARA ÜNİVERSİTESİ A ÖĞRENCİ İŞLERİ DAİRE BAŞKANLIĞI
PROGRAM ADI : BİLGİSAYAR MÜHENDİSLİĞİ (İNGİLİZCE) 1.SINIF /1.YARIYIL* 1 COM101 COMPUTER PROGRAMMING I - - 4 2 6 5 9 2 COM113 INTRODUCTION TO COMPUTER SCIENCE - - 3 0 3 3 5 3 PHY0101 PHYSICS I - - 3 0 3
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)
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
DetaylıElena Battini SÖNMEZ Önder ÖZBEK N. Özge ÖZBEK. 2 Şubat 2007
AVUÇ İZİ VE PARMAK İZİNE DAYALI BİR BİYOMETRİK TANIMA SİSTEMİ Elena Battini SÖNMEZ Önder ÖZBEK N. Özge ÖZBEK İstanbul Bilgi Üniversitesi Bilgisayar Bilimleri 2 Şubat 2007 Biyometrik Biyometrik, kişileri
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
DetaylıNaive Bayes Yöntemi ile Spam Mail Teşhisi Kübra KURNAZ
Naive Bayes Yöntemi ile Spam Mail Teşhisi 2 17574006-Kübra KURNAZ Yıldız Teknik Üniversitesi, Elektrik-Elektronik Fakültesi, Bilgisayar Mühendisliği Bölümü, Tezsiz Yüksek Lisans Bilgi Teknolojileri Özet
Detaylı