İş Zekası Çözümleri için Çok Boyutlu Birliktelik Kuralları Analizi
|
|
- Göker Isler
- 8 yıl önce
- İzleme sayısı:
Transkript
1 İş Zekası Çözümleri için Çok Boyutlu Birliktelik Kuralları Analizi Derya Birant 1, Alp Kut 1, Medi Ventura 2, Hakan Altınok 2, Benal Altınok 2, Elvan Altınok 2, Murat Ihlamur 2 1 Dokuz Eylül Üniversitesi, Bilgisayar Mühendisliği Bölümü, İzmir 2 NETSİS, NETLE, ANALYZER, İzmir derya@cs.deu.edu.tr, alp@cs.deu.edu.tr, medi.ventura@netsis.com.tr, hakan@e-analyzer.net, benal.altinok@netle.com.tr, elvan@e-analyzer.net, murat.ihlamur@netsis.com.tr Özet: Bu bildiri, iş zekası çözümlerinde kullanılabilecek, veri madenciliğindeki çok boyutlu birliktelik kuralları analizini içermektedir. Çalışmanın amacı, çok boyutlu verilerdeki gizli kalmış örüntüleri, ilişkileri ve değişimleri kurallar halinde keşfedebilmeyi sağlamaktır. Çalışmada, FP-Growth algoritmasının çok boyutlu birliktelik kuralları analizinde kullanılabileceği bir model önerilmektedir. Modelin kullanılabilirliğini arttırmak için geliştirilen OLAP küp yapısına dayalı bir yazılım çerçevesi de anlatılmaktadır. Çalışma, ayrıca çok boyutlu birliktelik kuralları analizi tekniğiyle gerçekleştirilen, pazar sepet analizi ile ilgili örnek bir uygulama da içermektedir. Anahtar Sözcükler: Veri Madenciliği, İş Zekâsı, Birliktelik Kuralları Analizi. A New Approach for Quality Function Deployment: An Application Abstract: This paper covers multi-dimensional association rule analysis in data mining which is able to use for business intelligent solutions. The purpose of the study is to discover hidden patterns, associations, and changes as rules. It proposes a model implemented with FP-Growth algorithm for multidimensional association rule analysis. A software framework based on OLAP cubes, which was developed to increase the usability of the model, is also explained. This paper also contains a case study for market basket analysis using multi-dimensional association rule mining technique. Keywords: Data Mining, Business Intelligence, Association Rule Mining. 1. Giriş Birliktelik kuralları analizi, yaygın olarak kullanılan veri madenciliği yöntemlerinden birisidir. Veriler arasındaki birlikteliklerin, ilişkilerin ve bağıntıların kurallar halinde bulunması işlemidir. Veri nesneleri arasındaki ilginç ilişkiler ve eş zamanlı gerçekleşen durumlar araştırılır. Bir birliktelik kuralına örnek olarak X ve Y ürününü satın alan müşterilerin %80 olasılıkla C ürününü de satın alması verilebilir. Bu tür birliktelik kuralları, söz konusu nesneler ile ilgili durumun sıklıkla tekrarlanması durumunda anlamlıdır. Birliktelik kuralları analizi; ticaret, finans, mühendislik, fen ve sağlık sektörlerinin birçok alanlarında kullanılmaktadır. Örneğin, pazar sepet analizlerinde sıklıkla birlikte satılan ürünleri tespit etmek, web sayfalarında ziyaretçilerin hangi sayfaları birlikte tıkladığını araştırmak, bağıntılı olarak geçirilen hastalıkları belirlemek için kullanılabilmektedir.
2 Bu çalışmada, iş zekası çözümlerinde kullanılabilecek, çok boyutlu birliktelik kuralları analizini içeren bir model önerilmektedir. OLAP küpleri üzerinde FP- Growth algoritmasının çalıştırılmasına dayalı olarak geliştirilmiş bir yazılım çerçevesi anlatılmaktadır. Çalışmada ayrıca gün, şube, satılan ürünler gibi çok boyutlu bir mağazacılık verisinde gerçekleştirilen pazar sepet analizi uygulaması da sunulmaktadır. Bu uygulamanın amacı, hangi şubelerde, hangi günlerde, hangi ürünlerin satıldığına yönelik gizli kalmış bilgileri keşfetmektir. Veri madenciliği ile elde edilebilecek bilgilerle, gün ve şubeler düzeyinde satış tahminleri, promosyon uygulamaları ve reyon dizilişleri yapılabilmektedir. Bildirinin ikinci bölümünde, konu ile ilgili yapılmış önceki çalışmalar hakkında bilgi verilmiştir. Üçüncü bölümde, tek boyutlu ve çok boyutlu birliktelik kurallarının temel kavramları ve farkları anlatılmaktadır. Dördüncü bölümde, algoritma detayları verilmektedir. Beşinci bölümde, örnek olarak gerçekleştirilen çok boyutlu pazar sepet analizi uygulaması sunulmaktadır. Bildiri, sonuçların aktarıldığı ve gelecek çalışmaların belirtildiği altıncı bölüm ile sona ermektedir. 2. Önceki Çalışmalar Çok boyutlu birliktelik kuralları analizi çeşitli çalışmalarda farklı algoritmalar kullanılarak gerçekleştirilmiştir. Örneğin; Xu ve Wang [12][13] bu konu ile ilgili yaptıkları çalışmalarında, 4 seviyeli bağlaçlı liste veri yapısı kullanan ve veritabanını sadece bir kere tarayan yeni bir algoritma geliştirmişlerdir. Algoritmada kullanılan indeks yapısı ve istatistiksel frekans hesaplamaları ile geleneksel yöntemlere göre daha hızlı bir model ortaya koymuşlardır. Lin, Tseng ve Wang [8] çevrimiçi olarak OLAM (On-Line Association Mining) küplerinden çok boyutlu birliktelik kurallarının bulunması konusunda çalışmalar yapmışlardır. Ayrıca bu küpleri kullanan OMARS adını verdikleri bir yazılım çerçevesi geliştirmişlerdir. Bu yazılım çerçevesi ile kullanıcıların OLAP benzeri sorgu oluşturmasını sağlayan bir arayüz hazırlamışlardır. Çok boyutlu birliktelik kuralları analizini başka metotlarla birleştirerek yapan çalışmalar bulunmaktadır. Örneğin; Khare ve arkadaşları [7] bulanık mantık ile çok boyutlu birliktelik kuralları analizi yaparken kuralları oluşturan kısıt değerlerinin bulanık değerler olarak ifade edilmesini ortaya atmışlardır. Bu yöntem ile daha geniş değerli kategorilerin işlenebilmesini sağlayarak, daha yüksek destek değerli birliktelik kuralları elde edebilmişlerdir. Sug [11] yaptığı çalışmada çok boyutlu birliktelik kuralları ile karar ağaçları yöntemini oluşturmuştur. Pandey ve Pardasani [10] yaklaşımlı küme modeli ile çok boyutlu birliktelik kurallarını iki adımda keşfedebilmektedirler. Birinci adımda, ilgili tablolar birleştirilerek yeni veri setini elde edilmiş, ikinci adımda ise seçilen boyutların ikili kodlama sistemine göre oluşturulması ve birliktelik kurallarının bulunması gerçekleştirilmiştir. Çok boyutlu birliktelik kuralları analizini değişik alanlarda uygulayan çalışmalar da bulunmaktadır. Örneğin; Song-Bai He ve arkadaşları [6] trafik kazalarına neden olan faktörleri çok boyutlu birliktelik kuralları yöntemiyle incelemişlerdir. Taşıt tipi, zaman, bölge, ehliyet süresi, hava şartları gibi faktörlerle trafik kazalarının ilişkilerini çok boyutlu araştırmışlardır. Doğan ve Çamurcu [3] eğitime yönelik veri madenciliği çalışması yaparak, çevrimiçi bir test değerlendirme aracı ile yanlış seçenekleri çok boyutlu analiz etmişler ve sıklıkla birlikte yapılan yanlışları bulabilmişlerdir. Bu bulgulara dayanarak testlerin temel ve alt kavramlarının yeniden güncellenebilmesi hedeflenmektedir.
3 3. Birliktelik Kuralları Temel Kavramları Bir veritabanını tablosunda, VT, yer alan tüm nesnelerin N = {n 1,n 2,n 3,...,n m } olarak ifade edildiğini düşünelim. Bu durumda veritabanı tablosunda VT={H 1, H 2, H 3,...,H t } yer alan bir hareket kaydındaki, k nesne, tüm nesneler kümesinin bir alt kümesi, H j N, H j = {n j1,n j2,n j3,...,n jk } olacaktır. Bir birliktelik kuralı, X ve Y, N tüm nesneler kümesinin bir alt kümesi, X N, Y N ve X Y= Ø olmak üzere X Y biçiminde bir bağımlılık ifadesidir. Bu ifade ile X nesnesi/nesneleri, Y nesnesini/nesnelerini belirler. Başka bir deyişle Y nesnesi/nesneleri, X nesnesine/ nesnelerine bağımlıdır denir. Veritabanı kayıtlarında, nesnelerin gruplandırılması ile elde edilen bağımlılık ilişkilerinin yüzde yüz geçerli olması beklenemez. Ancak, çıkarsaması yapılan kuralın, veritabanının önemli bir kısmı tarafından desteklenmesi, yani söz konusu durumun sıkça görülüyor olması gerekir. Bu nedenlerden dolayı, bir X Y birliktelik kuralı destek ve güven eşik değerlerini sağlayacak biçimde üretilir. Destek değeri, X ve Y nesnelerinin birlikte bulunduğu kayıt sayısının, veritabanındaki tüm kayıt sayısına oranı olarak hesaplanır. Güven değeri ise, X ve Y nesnelerinin birlikte bulunduğu kayıt sayısının, X nesnesinin (veya nesnelerinin) bulunduğu kayıt sayısına oranıdır. Destek ve güven ifadeleri 0 ile 1 arasında değişir ve ne kadar 1 e yakınlarsa nesneler arasında o kadar güçlü ilişki olduğunu gösterirler. Dolayısıyla, bağıntının önemli olması için her iki değerin de olabildiğince yüksek olması gereklidir. Destek, veri setinde bu bağıntının ne kadar sık olduğunu, P(X Y) ; güven de X nesnesinin olması durumunda hangi olasılıkla Y nesnesini de olacağını söyler, P (Y X). Destek(X Y) = P(X Y) (3) Güven(X Y) = P(Y X) = P(X Y)/P(X) 3.1. Tek Boyutlu Birliktelik Kuralları Analizi Tek boyutlu birliktelik kuralları, tek bir karşılaştırma elemanı yada özellik içeren birliktelik kurallarıdır. Örneğin; sadece satın alma önergesi içeren basit bir pazar sepet analizinde kullanılan kural türüdür. SatınAlma("A ürünü") SatınAlma("B ürünü") (%60) 3.2. Çok Boyutlu Birliktelik Kuralları Analizi Çok boyutlu birliktelik kuralları, birden fazla karşılaştırma elemanı yada özellik içeren birliktelik kurallarıdır. Örneğin; müşterilerin hangi şubeden, hangi gün, neler satın aldığı gibi birden fazla özelliği içeren kurallar, Şekil 1 de gösterilen örnek OLAP küpü üzerinden keşfedilebilmektedir. Şube("Cihan") Λ Gün("Salı") SatınAlma("A ürünü") (%15) Destek(X Y) = X Y / VT (1) Güven(X Y) = Destek(X Y) / Destek(X) X Y / VT = X / VT = X Y / X (2) Şekil 1. OLAP küp örneği
4 Yöneticiler ve analistler, çalışmaları sırasında çok boyutlu olarak tanımlanan verileri yatay veya düşey eksenlerde çakıştırarak görebilmektedirler. Örneğin; demografik veriler (yaş, cinsiyet, eğitim durumu vb.), sayısal veriler (adetler, işlem miktarları, bütçelenen değerler vb.), ürün özellikleri (renk, boyut vb.) ve zaman gibi farklı açılardan bakılarak daha ayrıntılı analizler yapabilmektedirler. Analizde göz önünde bulundurulacak veri boyutlarının, B={B 1,B 2,B 3,...,B t }, veritabanı tablosunun da VT={H 1, H 2, H 3,...,H t } olarak ifade edildiğini düşünelim. Bu durumda veritabanı tablosunda yer alan bir hareket kaydı H i ={b i1,b i2,b i3,...,b it } olacaktır. B i boyutunun içerdiği tanım kümeleri (domain) ile b ij ϵ B i ifadesi kullanılabilmektedir. Bu durumda VT veritabanı tablosu B 1 X B 2 X X B t çapraz çarpımının alt kümesi olmaktadır. Çok boyutlu birliktelik kuralları genel olarak iki türe ayrılır. Karşılaştırma elemanları tekrar etmeyen kurallar boyutlar arası birliktelik kuralları, tekrar eden kurallar ise hibrit birliktelik kuralları olarak adlandırılır. Boyutlar arası birliktelik kuralı örneği: Şube("Cihan") Λ Gün("Salı") SatınAlma("A ürünü") Hibrit birliktelik kuralı örneği: Şube("Cihan") Λ Gün("Salı") Λ SatınAlma("A ürünü") SatınAlma("B ürünü") 4. Algoritma Birliktelik kuralları analizi konusunda geliştirilmiş olan başlıca algoritmalar APRIORI [1], ECLAT [14], MAFIA [2] ve FP-Growth [5] algoritmalarıdır. Bu algoritmalar karşılaştırıldığında FP-Growth algoritmasının yüksek performans gösterdiği görülmüştür. [4] Bu algoritma büyük verisetlerinde hızlı çalışabilen ve sistem kaynaklarını verimli kullanabilen bir algoritmadır. Bunun en büyük nedeni, tüm veritabanını FP-Tree (Frequent Pattern Tree) adı verilen sıkıştırılmış bir ağaç veri yapısında tutmasıdır. Ayrıca algoritma tüm veritabanı sadece iki kez taramaktadır. Birinci tarama, tüm nesnelerin destek değerlerinin hesaplanması için, ikincisi tarama ise ağaç veri yapısının oluşturulması içindir. Şekil 2 de FP-Growth algoritmasının genel yapısı gösterilmektedir. Algoritmada öncelikle veritabanındaki her bir nesnenin destek değerleri hesaplanmaktadır. Destek değerleri, algoritmaya girdi olarak verilen destek eşik değerine büyük ve eşit olan nesneler büyükten küçüğe sıralanarak bir liste içerisine konulmaktadır. Bu eleme sayesinde yaygın olmayan nesnelerin hiçbir zaman ağaca eklenmemesi sağlanmış olur. Veritabanındaki her bir hareket kaydı nesnelerin destek değerlerine göre sıralanarak ağaca sıkıştırılmış biçimde eklenir. Sıralama işlemi sayesinde destek değeri daha büyük olan nesneler köke daha yakın olmaktadır. Sıkıştırma işlemi çok tekrarlı nesnelerin ilkekler olarak birleştirilmesi ile gerçekleştirilir. Bu metot arama maliyetini önemli ölçüde azaltır. Hareket kaydı içerisinde yer alan bir nesne ağaçta yoksa o nesne için yeni bir düğüm oluşturulur ve destek değeri 1 olarak atanır. Eğer o nesne daha önce ağaçta oluşturulmuş ise sadece o düğümün destek değeri 1 arttırılır. Nesnelerin ağaçtaki başlangıç noktaları başlık tablosu içerisinde tutulur. Aynı zamanda ağaç içerisinde aynı nesneyi içeren düğümler birbirine bağlanır. Ağaç oluşturulduktan sonra üzerinde Growth algoritması çalıştırılır. Şekil 3 de her bir nesne için çalıştırılan Growth algoritmasının genel yapısı gösterilmektedir. Öncelikle içerisinde o nesnenin geçtiği yollar belirlenir. Eğer tek bir dal varsa yaygın nesneler kümesi, dalı oluşturan nesnelerin kombinasyonudur. Eğer birden fazla yol varsa, destek değer o yoldaki minimum destek değeri olarak belirlenir. Daha sonra bu yollar o nesne için koşullu örüntü temelini (conditional pattern base)
5 oluşturur. Her bir koşullu örüntü temelinden koşullu örüntü ağacı (conditional pattern tree) oluşturulur. Daha sonra bu şartlı örüntü ağacı üzerinde algoritma özyinelemeli olarak yeniden çalıştırılır. Fp-Growth algoritması sonlandığında birlikte sıklıkla görünen nesneler kümesi belirlenmiş olur. Algoritma böl ve yönet yaklaşımına uygun olarak ana görevin kendi içinde daha küçük görevlere ayrılmasına olanak vermektedir. Ayrıca oluşturulan FPtree veri yapısı asıl veri kümesinden daha büyük olmamaktadır. 5. Pazar Sepet Analizi Uygulaması Birliktelik kuralları analizi, en yaygın olarak pazar sepet analizi uygulamalarında kullanılmaktadır. Bu uygulamalarda temel amaç marketlerde hangi ürünlerin birlikte satıldığını belirlemektir. Bu bildirideki uygulamada amaç, hangi şubede hangi gün hangi ürünlerin birlikte satıldığı belirlemektir. Çok boyutlu veriler üzerinden hibrit birliktelik kuralları çıkarılmaktadır. Şekil 2. FP-Growth algoritmasının genel yapısı Uygulama, önceki bölümlerde anlatılan modeli ve algoritmayı içerecek şekilde çalışma kapsamında geliştirilen "Analyzer" arayüzü kullanılarak gerçekleştirilmiştir. [9] 5.1 Veri Ambarı Uygulamada kullanılan veri ambarı, bir mağazanın 9 şubesine ait 6300 müşterinin 6 aylık alışveriş hareket verilerini içermektedir. Veri ambarı oluşturulurken veri indirgeme, temizleme, ön işleme ve dönüştürme işlemleri yapılmıştır. Örneğin, tarihler haftalık günlere dönüştürülmüş, geçersiz veriler çıkartılmıştır. Şekil 4 de veri ambarının kar tanesi şeması (snowflake schema) gösterilmektedir. Alışveriş hareketlerini içeren olgu tablosu (fact table) satış, şube ve zaman boyutlarını birleştirmektedir. Müşteri ve ürün tabloları alışveriş hareketlerini destekleyici konumdaki tablolardır. Şekil 3. Growth algoritmasının genel yapısı
6 Birliktelik analizi parametrelerinin tanımlanması: Verilen destek eşik değeri ile belli bir oranın üzerindeki birliktelikler bulunmaktadır. Ayrıca tüm birliktelik sonuçları yerine sadece istenilen sayıda nesne içeren örneğin sadece üçlü birliktelikler gösterilebilmektedir. (Şekil 5 Bölüm 3) Şekil 4. Kar tanesi şeması Tablo1 de uygulamada kullanılan veri setinin küçük bir örneği verilmektedir. Mağazanın sattığı ürünler A, B, C gibi harfler olarak kodlanmıştır. Tablo 1. Örnek veriseti Şube Gün Ürünler 01-Cihan Pazartesi A, B, C 02-Bilkent Pazartesi A, D 02-Bilkent Salı B, E, K 02-Bilkent Salı C, K, Y, Z 09-Keçiören Pazar A, C, E 5.2 Veri Madenciliği Verilerin hazırlanmasının ardından uygulama üç aşamada gerçekleştirilmektedir: Boyutların seçimi: OLAP küpünde bulunan boyutlardan, birliktelik analizine dahil edilmek istenen sahalar belirlenmelidir. (Şekil 5 Bölüm 1) Filtreleme: Çok büyük veri setlerinde filtreleme yapılarak sadece belli bir kısım veri için birliktelik analizi çalıştırılabilmektedir. Örneğin; haftanın günlerinin hepsi yerine bir yada birkaçı seçilebilmektedir. (Şekil 5 Bölüm 2) 5.3 Veri Madenciliği Sonuçları Hangi şubede, hangi gün, hangi ürünlerin satıldığını belirlemeye yönelik yapılan uygulama sonuçlarının bir kısmı hem tabloda hem de grafiksel olarak Şekil 5 in 4. bölümünde gösterilmektedir. Böylece müşterilerin satın alma alışkanlıkları çözümlenmiş olmaktadır ve satışları arttırmaya yönelik stratejiler geliştirilebilmektedir. Analiz sonuçlarının sağlayacağı başlıca yararlar şunlardır: Belirlenen gün ve şubede, X ürününü alanların Y ürününü de çok yüksek olasılıkla aldıkları biliniyorsa ve eğer bir müşteri X ürününü alıyor ama Y ürününü almıyorsa, o potansiyel bir Y müşterisidir denilebilir. Her ürün için şube bazında bir sonraki ayın satış tahminleri çıkarılabilir. Birlikte satın alınan ürünler için şube ve gün bazında promosyon uygulaması yapılabilir. Yeni bir ürün için potansiyel satış bölgesi belirlenebilir. Analiz sonuçlarına göre stok eritmeye gidilebilir. Ürün kataloglarında birlikte satılan ürünler aynı sayfaya konularak çekici hale getirilebilir. Web sitelerinde bir ürünle ilgilenen kişiye, bu ürünle birlikte en çok satılan
7 ürünün reklamı gösterilerek çapraz satış önerisi getirilebilinir. Şube ve gün bazında reyon ve raf dizilişleri değiştirilebilir. Bu konuda iki farklı strateji geliştirmek mümkündür. Birincisi strateji, sıklıkla birlikte satın alınan ürünlerin birbirine yakın iki farklı noktaya konulması ve böylece müşterilerin iki ürün arasında bulunan reyonlardaki ürünleri de alma ihtimalini yükseltmektir. İkinci strateji, birlikte çok fazla satılan ürünlerin yan yana koyulması ile müşteri beklentilerini sağlanmak, ürünlerden birisini alan müşterinin diğerini almayı unutmasını engellemek ve diğer ürünü de alma ihtimalini arttırmaktır. Kısacası, farklı semtlerde bulunan birden fazla mağaza için farklı eğilimleri tespit edip, mağaza bazında doğru satış ve stok politikaları izlenebilmektedir Şekil 5. "Open Analyzer" ekran görüntüsü 6. Sonuçlar ve Gelecek Çalışmalar Çalışmada, iş zekası çözümleri sunmaya yönelik olarak FP-Growth algoritmasını içeren bir yazılım çerçevesi geliştirilmiştir. Çalışmanın amacı, toplanan çok boyutlu büyük veri yığınlarından, veri madenciliği yöntemleri ile önceden bilinmeyen, yararlı ve kullanışlı olabilecek kuralların keşfedilmesidir. Veri madenciliği sonucunda elde edilecek bilgiler, mevcut durumu daha iyi görmeyi ve geleceğe yönelik akılcı ve stratejik kararlar almayı sağlayacaktır. Gelecek çalışmalarda, Analyzer yazılımı ile diğer veri madenciliği yöntemlerini (kümeleme, sınıflandırma, sıralı örüntü analizi, aykırı durum analizi) içeren uygulama çalışmalarının yapılması ve elde edilecek sonuçlarının sunulması hedeflenmektedir.
8 7. Kaynaklar [1] Agrawal, R., Imielinski, T., Swami, A., "Mining Association Rules between Sets of Items in Large Databases", SIGMOD 93, ACM Press, (1993). [2] Burdick, D., Calimlim, M., Gehrke, J., "MAFIA: A Maximal Frequent Itemset Algorithm for Transactional Databases", Proceedings of the 17th International Conference on Data Engineering, Heidelberg, Germany, (2001). [3] Dogan, B., Camurcu, Y., Association Rule Mining from an Intelligent Tutor, Journal of Educational Technology Systems, 36 (4): (2008) [4] Győrödi, C., Győrödi, R., Holban, S., "A Comparative Study of Association Rules Mining Algorithms", SACI 2004, 1st Romanian-Hungarian Joint Symposium on Applied Computational Intelligence, Timisoara, Romania, (2004). [5] Han, J., Pei, H., Yin, Y., "Mining Frequent Patterns without Candidate Generation". SIGMOD 00, ACM Press, New York, NY, USA, (2000). [6] He, S-B., Wang Y-J., Sun, Y-K., Gao, W- W., Chen, Q., An, Y-Q., "The Research of Multidimensional Association Rule in Traffic Accidents", Wireless Communications, Networking and Mobile Computing, 1-4 (2008). [7] Khare, N., Adlakha, N., Pardasani, K.R., "An Algorithm for Mining Multidimensional Fuzzy Assoiation Rules", International Journal of Computer Science and Information Security (IJCSIS), 5(1): (2009). [8] Lin, W-Y., Tseng, M-C., Wang, M-F., "OLAM cube selection in on-line multidimensional association rules mining system", Lecture Notes in Computer Science, 3214: (2004). [9] NETSİS iş zekası çözümleri, 10 Aralık [10] Pandey, A., Pardasani, K.R., "Rough Set Model for Discovering Multidimensional Association Rules", International Journal of Computer Science and Network Security (IJCSNS), 9(6): (2009). [11] Sug, H., "Comparison of Multidimensional Association Rules with Decision Trees for Large Database", Proceedings of the International Conference on Artificial Intelligence, Las Vegas, Nevada, USA, (2003). [12] Xu, W-X., Wang, R-J., "A Novel Algorithm of Mining Multidimensional Association Rules", Lecture Notes in Control and Information Sciences, 344/2006: (2006). [13] Xu, W-X., Wang, R-J., "A Fast Algorithm of Mining Multidimensional Association Rules Frequently", Proceedings of the Fifth International Conference on Machine Learning and Cybernetics, Dalian, (2006). [14] Zaki, M., Parthasarathy, S., Ogihara, M., Li, W., "New Algorithms for Fast Discovery of Association Rules", Proceedings 3rd Int. Conf. on Knowledge Discovery and Data Mining (KDD 97), AAAI Press, Menlo Park, CA, USA (1997).
İş Zekası Çözümleri için Çok Boyutlu Birliktelik Kuralları Analizi
Akademik Bilişim 10 - XII. Akademik Bilişim Konferansı Bildirileri 10-12 Şubat 2010 Muğla Üniversitesi İş Zekası Çözümleri için Çok Boyutlu Birliktelik Kuralları Analizi Derya Birant 1, Alp Kut 1, Medi
DetaylıBirliktelik Kuralları Analizi. Yard. Doç. Dr. Derya BİRANT Prof. Dr. Alp KUT
İş Zekası Çözümleri için i Çok Boyutlu Birliktelik Kuralları Analizi Yard. Doç. Dr. Derya BİRANT Prof. Dr. Alp KUT İçerik 1 Veri Madenciliği 2 Birliktelik Kuralları Analizi 3 Uygulama 4 Algoritma 5 Sonuçlar
DetaylıPARALEL VERİ MADENCİLİĞİ ALGORİTMALARI. BAŞARIM 09, 15-18 Nisan 2009, ODTÜ, Ankara
PARALEL VERİ MADENCİLİĞİ ALGORİTMALARI BAŞARIM 09, 15-18 Nisan 2009, ODTÜ, Ankara Veri Madenciliğine Genel Bir Bakış Veri Madenciliğinin Görevleri Sınıflama Seri Sınıflama Algoritmaları Paralel Sınıflama
Detaylıİlişkilendirme kurallarının kullanım alanları
Bölüm 4. Birliktelik Kuralları http://ceng.gazi.edu.tr/~ozdemir İlişkilendirme/Birliktelik Kuralları - Association Rules Birliktelik kuralları olarak da bilinir İlişkilendirme kuralı madenciliği Veri kümesi
DetaylıYrd. Doç. Dr. Semra Erpolat
Anadolu Üniversitesi Sosyal Bilimler Dergisi Anadolu University Journal of Social Sciences Otomobil Yetkili Servislerinde Birliktelik Kurallarının Belirlenmesinde Apriori ve FP-Growth Algoritmalarının
DetaylıMOBİLYA PERAKENDE SATIŞ SEKTÖRÜNDE VERİ MADENCİLİĞİ UYGULAMASI
Akademik Sosyal Araştırmalar Dergisi, Yıl: 4, Sayı: 22, Mart2016, s. 385-394 Yüksel YURTAY 1 Oğuz YAVUZYILMAZ 2 Nihal Zuhal BACINOĞLU 3 MOBİLYA PERAKENDE SATIŞ SEKTÖRÜNDE VERİ MADENCİLİĞİ UYGULAMASI Özet
Detaylıinde Sepet Analizi Uygulamaları Market Basket Analysis for Data Mining
Veri Madenciliğ inde Sepet Analizi Uygulamaları Market Basket Analysis for Data Mining Mehmet Aydın Ula ş, Ethem Alpaydın (Boğaziçi Üniversitesi Bilgisayar Mühendisliği) Nasuhi Sönmez, Ataman Kalkan (GİMA
DetaylıVERİ MADENCİLİĞİNE BAKIŞ
VERİ MADENCİLİĞİNE BAKIŞ İçerik Veri Madenciliği Neden Veri Madenciliği? Veri ve Veri Madenciliğinin Önemi Günümüzde Kullanılan Veri Madenciliğinin Çeşitli İsimleri Veri Madenciliği Nedir? Neden Veri Madenciliği?
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Birliktelik Kuralları Birliktelik Kurallarının Temelleri Support ve Confidence Apriori Algoritması
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
DetaylıAPRIORI ALGORİTMASI İLE ÖĞRENCİ BAŞARISI ANALİZİ
APRIORI ALGORİTMASI İLE ÖĞRENCİ BAŞARISI ANALİZİ Murat KARABATAK 1, Melih Cevdet İNCE 2 1 Fırat Üniversitesi Teknik Eğitim Fakültesi Elektronik Bilgisayar Eğitimi Bölümü 2 Fırat Üniversitesi Mühendislik
DetaylıVERİ MADENCİLİĞİ. İlişkilendirme Kuralları Bulma. İlişkilendirme Kuralları. Yaygın Öğeler. İlişkilendirme Kuralları Madenciliği
İlişkilendirme Kuralları Madenciliği VERİ MADENCİLİĞİ İlişkilendirme Kuralları Yrd. Doç. Dr. Şule Gündüz Öğüdücü İlişkilendirme kuralı madenciliği Veri kümesi içindeki yaygın örüntülerin, nesneleri oluşturan
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
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
DetaylıSOCIAL MENTALITY AND RESEARCHER THINKERS JOURNAL
SOCIAL MENTALITY AND RESEARCHER THINKERS JOURNAL Open Access Refereed E-Journal & Refereed & Indexed ISSN: 2630-631X Social Sciences Indexed www.smartofjournal.com / editorsmartjournal@gmail.com December
DetaylıVeri madenciliği yöntemleri
Sınıflandırma ve Kümeleme Kavramları Giriş Verinin içerdiği ortak özelliklere göre ayrıştırılması işlemi sınıflandırma olarak adlandırılır, veri madenciliği tekniklerinden en çok bilinenidir; veri tabanlarındaki
DetaylıVERİ MADENCİLİĞİ önemsiz olmayan, gizli, önceden bilinmeyen, potansiyel olarak kullanışlı
Veri Madenciliği, örüntü tanıma, istatistik ve matematiksel yöntemlerin kullanımıyla devasa miktardaki güncel ya da geçmiş veri içerisinden ilgi çekici ( önemsiz olmayan, gizli, önceden bilinmeyen, potansiyel
DetaylıVeri Tabanı, Veri Ambarı, Veri Madenciliği. Veri Madenciliği Uygulama Alanları
1 Veri Tabanı, Veri Ambarı, Veri Madenciliği Bilgi Keşfi Aşamaları Apriori Algoritması Veri Madenciliği Yöntemleri Problemler Veri Madenciliği Uygulama Alanları 2 Bir bilgisayarda sistematik şekilde saklanmış,
DetaylıAlgoritma Geliştirme ve Veri Yapıları 9 Ağaç Veri Modeli ve Uygulaması. Mustafa Kemal Üniversitesi
Algoritma Geliştirme ve Veri Yapıları 9 Ağaç Veri Modeli ve Uygulaması Ağaç, verilerin birbirine sanki bir ağaç yapısı oluşturuyormuş gibi sanal olarak bağlanmasıyla elde edilen hiyararşik yapıya sahip
DetaylıYönetim Bilişim Sistemleri Alanında Metin Madenciliği ile Bilgi Haritalama
Yönetim Bilişim Sistemleri Alanında Metin Madenciliği ile Bilgi Haritalama Öğr. Gör. Dr. Ufuk ÇELİK Bandırma Onyedi Eylül Üniversitesi ucelik001@gmail.com Yrd. Doç. Dr. Deniz HERAND Türk Alman Üniversitesi
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
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
DetaylıVERI TABANLARıNDA BILGI KEŞFI
1 VERİ MADENCİLİĞİ VERI TABANLARıNDA BILGI KEŞFI Veri Tabanlarında Bilgi Keşfi, veriden faydalı bilginin keşfedilmesi sürecinin tamamına atıfta bulunmakta ve veri madenciliği bu sürecin bir adımına karşılık
DetaylıVERİ MADENCİLİĞİ (Birliktelik Kuralları) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Birliktelik Kuralları) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Birliktelik Kurallarının Tanımı Destek ve Güven Ölçütleri Apriori Algoritması Birliktelik Kuralları (Association
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
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
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
DetaylıKABA KÜME TEORİSİ (Rough Set Theory) Dr. Sedat TELÇEKEN
KABA KÜME TEORİSİ (Rough Set Theory) Dr. Sedat TELÇEKEN Giriş Bilgi teknolojisindeki gelişmeler ve verilerin dijital ortamda saklanmaya başlanması ile yeryüzündeki bilgi miktarı her 20 ayda iki katına
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
DetaylıYÖNETİM BİLİŞİM SİSTEMLERİ BÖLÜMÜ YENİ DERS MÜFREDATI (1) FAKÜLTESİ: İŞLETME FAKÜLTESİ / BUSINESS SCHOOL
(3) SINIFI: 1. Yıl Güz Dönemi MIS101 BİLGİSAYAR PROGRAMLAMA 1 COMPUTER PROGRAMMING 1 Z 3-0 4 BUS101 BİLİM VE TEKNOLOJİ TARİHİ HISTORY OF SCIENCE AND TECHNOLOGY Z 3-0 4 BUS103 İŞLETMECİLER İÇİN MATEMATİK
DetaylıVERİ MADENCİLİĞİ. İlişkilendirme Kuralları Bulma. Yaygın Nitelikler. İlişkilendirme Kuralları. nitelikler kümesi (Itemset) Destek s (Support)
İlişkilendirme Kuralları Madenciliği VERİ MADENCİLİĞİ İlişkilendirme Kuralları Yrd. Doç. Dr. Şule Gündüz Öğüdücü İlişkilendirme kuralı madenciliği Veri kümesi içindeki yaygın örüntülerin, nesneleri oluşturan
DetaylıBIP116-H14-1 BTP104-H014-1
VERİ YAPILARI VE PROGRAMLAMA (BIP116) Yazar: Doç.Dr.İ.Hakkı.Cedimoğlu SAKARYA ÜNİVERSİTESİ Adapazarı Meslek Yüksekokulu Bu ders içeriğinin basım, yayım ve satış hakları Sakarya Üniversitesi ne aittir.
DetaylıSigortacılık Sektöründe Müşteri İlişkileri Yönetimi İçin Birliktelik Kuralı Kullanılması
DOI: 10.7240/mufbed.56489 Sigortacılık Sektöründe Müşteri İlişkileri Yönetimi İçin Birliktelik Kuralı Kullanılması Buket DOĞAN 1, Bahar Erol 2, Ali Buldu 3 1,3 Marmara Üniversitesi, Teknoloji Fakültesi,
DetaylıBLM 4811 MESLEKİ TERMİNOLOJİ II Salı , D-109 Dr. Göksel Biricik
BLM 4811 MESLEKİ TERMİNOLOJİ II 2017-1 Salı 13.00 14.50, D-109 Dr. Göksel Biricik goksel@ce.yildiz.edu.tr Ders Planı Hafta Tarih Konu 1 19.09 Tanışma, Ders Planı, Kriterler, Giriş 2 26.09 Bilgisayarın
DetaylıApriori Algoritması ve Türkiye'deki Örnek Uygulamaları
Apriori Algoritması ve Türkiye'deki Örnek Uygulamaları M. Emin Eker 1, Recai Oktaş 2 1 Ondokuz Mayıs Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Samsun 2 Ondokuz Mayıs
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,
DetaylıMÜHENDİSLİK FAKÜLTESİ / ENSTİTÜSÜ / YÜKSEKOKULU BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ /ABD LİSANS PROGRAMI - 2 ( yılı öncesinde birinci
MÜHENDİSLİK FAKÜLTESİ / ENSTİTÜSÜ / YÜKSEKOKULU BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ BÖLÜMÜ /ABD LİSANS PROGRAMI - 2 (2016-17 yılı öncesinde birinci sınıfa başlayan öğrenciler için) BİRİNCİ YIL 1. Dönem CMPE113
DetaylıNebim Winner - İş Zekası Halojen Kurumsal Sürüm
Nebim Winner - İş Zekası Halojen Kurumsal Sürüm Halojen, Winner ile toplanan verileri depolayan, istenilen formatlarda raporlanmalarını ve analizlerini sağlayan, kullanıcıların doğru bilgi ile karar vermelerini
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimsiz Öğrenmenin Temelleri Kümeleme Uzaklık Fonksiyonları Öklid Uzaklığı Manhattan
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
Detaylıbitık MOBİL TİCARET UYGULAMASI ABDULLAH ÇİÇEKCİ
bitık MOBİL TİCARET UYGULAMASI ABDULLAH ÇİÇEKCİ - 150110046 İÇERİK Uygulama ve uygulamaya ilişkin temel kavramların tanıtımı Uygulamanın yapısı Ön yüz Veritabanı Web Servisler K-Means Algoritması ile kategori
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
DetaylıApriori Algoritması. Konu İçeriği. Giriş. Tarihçesi. Apriori Nedir? Örnekler. Algoritma. Açıklama. Weka İle Kullanımı. Kaynakça.
Apriori Algoritması Konu İçeriği Giriş Tarihçesi Apriori Nedir? Örnekler Algoritma Açıklama Weka İle Kullanımı Kaynakça Giriş Veri madenciliğinde kullanılan ve veri kümeleri veya veriler arasındaki ilişkiyi
DetaylıVeritabanı Yönetim Sistemleri (Veritabanı Tasarımı) Varlık İlişki Modeli
Veritabanı Yönetim Sistemleri (Veritabanı Tasarımı) Varlık İlişki Modeli Konular Veritabanı Tasarım Aşamaları Kavramsal Tasarım Temel Kavramlar Varlıklar Arası İlişkiler Var Olma Bağımlılığı (Existence
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
DetaylıVeritabanı Yönetim Sistemleri (Veritabanı Kavramı) Veri Modelleri
Veritabanı Yönetim Sistemleri (Veritabanı Kavramı) Veri Modelleri Konular Veritabanı Tasarım Aşamaları Veri Modeli Nedir? Veri Modeli Temel Bileşenleri İş Kuralları (Business Rules) İş Kurallarını Veri
Detaylıİş Analitiği'ne Netezza ile Yüksek Performans Katın
İş Analitiği'ne Netezza ile Yüksek Performans Katın Umut ŞATIR İleri Analitik Çözüm Mimarı 2012 IBM Corporation Netezza and IBM Business Analytics Baştan sona bir İş Analitiği çözümü Performans Kolaylık
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
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
DetaylıVeritabanı Yönetim Sistemleri (Veritabanı Kavramı) İş Kuralları ve Veri Modelleri
Celal Çeken Veysel Harun Şahin Veritabanı Yönetim Sistemleri (Veritabanı Kavramı) İş Kuralları ve Veri Modelleri Konular Veritabanı Tasarımı Yaşam Döngüsü Veri Modeli Nedir? Veri Modeli Temel Bileşenleri
Detaylı1. Oracle Data Miner 11g Release 2 Kurulumu Aşamaları
1. Oracle Data Miner 11g Release 2 Kurulumu Aşamaları Uyarı 1: Kuruluma başlamadan önce Oracle 11g Release 2 veritabanı kurulumunu eksiksiz bir şekilde gerçekleştirmiş olmanız beklenmektedir. İlgili kurulum
DetaylıVERİ MADENCİLİĞİ. Karar Ağacı Algoritmaları: SPRINT algoritması Öğr.Gör.İnan ÜNAL
VERİ MADENCİLİĞİ Karar Ağacı Algoritmaları: SPRINT algoritması Öğr.Gör.İnan ÜNAL SPRINT Algoritması ID3,CART, ve C4.5 gibi algoritmalar önce derinlik ilkesine göre çalışırlar ve en iyi dallara ayırma kriterine
DetaylıVERİ KAYNAKLARI. Bilgi sisteminin öğelerinden biride veri
VERİ KAYNAKLARI YÖNETİMİ İ İ 5. ÜNİTE GİRİŞ Bilgi sisteminin öğelerinden biride veri yönetimidir. Geleneksel yada çağdaş, birinci yada ikinci elden derlenen veriler amaca uygun veri formlarında tutulur.
DetaylıPazar Sepeti Analizi için Örneklem Oluşturulması ve Birliktelik Kurallarının
Pazar Sepeti Analizi için Örneklem Oluşturulması ve Birliktelik Kurallarının Çıkartılması Sider Hazal Kırtay 1, Nevzat Ekmekçi 1, Tuğba Halıcı 2, Utku Ketenci 2, Mehmet S. Aktaş 1 ve Oya Kalıpsız 1 1 Bilgisayar
DetaylıMesleki Terminoloji II Veri Madenciliği
Mesleki Terminoloji II Veri Madenciliği Burak Düşün - 14011055 Akif Berkay Gürcan - 14011023 Veri Madenciliği Nedir? Veri madenciliği, büyük miktarda verinin anlamlı örüntüler bulmak amacıyla otomatik
DetaylıExcel de Pivot Tablolar Tasarım ve Kullanımı
FARUK ÇUBUKÇU EXCEL AKADEMİ Excel de Pivot Tablolar Tasarım ve Kullanımı Pivot tablolar; satışlar, siparişler gibi verileri gruplamayı, alt toplamlarını almayı ve filtreleme işlemleri yapmayı sağlayan
DetaylıAğaç (Tree) Veri Modeli
Ağaç (Tree) Veri Modeli 1 2 Ağaç Veri Modeli Temel Kavramları Ağaç, bir kök işaretçisi, sonlu sayıda düğümleri ve onları birbirine bağlayan dalları olan bir veri modelidir; aynı aile soyağacında olduğu
DetaylıVERİ YAPILARI VE PROGRAMLAMA
VERİ YAPILARI VE PROGRAMLAMA (BIP116) Yazar: Doç.Dr.İ.Hakkı.Cedimoğlu SAKARYA ÜNİVERSİTESİ Adapazarı Meslek Yüksekokulu Bu ders içeriğinin basım, yayım ve satış hakları Sakarya Üniversitesi ne aittir.
DetaylıBİRLİKTELİK KURALI YÖNTEMİ İÇİN BİR VERİ MADENCİLİĞİ YAZILIMI TASARIMI VE UYGULAMASI
İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi Yıl: 6 Sayı:12 Güz 2007/2 s. 21-37 BİRLİKTELİK KURALI YÖNTEMİ İÇİN BİR VERİ MADENCİLİĞİ YAZILIMI TASARIMI VE UYGULAMASI Feridun Cemal ÖZÇAKIR, A. Yılmaz
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
DetaylıVeri Madenciliği Karar Ağacı Oluşturma
C4.5 Algoritması Veri Madenciliği Karar Ağacı Oluşturma Murat TEZGİDER 1 C4.5 Algoritması ID3 algoritmasını geliştiren Quinlan ın geliştirdiği C4.5 karar ağacı oluşturma algoritmasıdır. ID3 algoritmasında
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
DetaylıPAPATYA YAYINCILIK EĞİTİM Bilgisayar Sis. San. ve Tic. A.Ş. Veri Madenciliği Yöntemleri Dr. Yalçın ÖZKAN -II-
Dr. Yalçın ÖZKAN Dr. Yalçın ÖZKAN PAPATYA YAYINCILIK EĞİTİM Bilgisayar Sis. San. ve Tic. A.Ş. Ankara Caddesi, Prof. Fahreddin Kerim Gökay Vakfı İşhanı Girişi, No: 11/3, Cağaloğlu (Fatih)/İstanbul Tel
DetaylıA. SCI ve SCIE Kapsamındaki Yayınlar
A. SCI ve SCIE Kapsamındaki Yayınlar A.1. Erilli N.A., Yolcu U., Egrioglu E., Aladag C.H., Öner Y., 2011 Determining the most proper number of cluster in fuzzy clustering by using artificial neural networks.
DetaylıBüyük Veri Analitiği (Big Data Analytics)
Büyük Veri Analitiği (Big Data Analytics) M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Bu dersin sunumları, Mining of Massive Datasets, Jure Leskovec, Anand Rajaraman, Jeffrey David
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.
DetaylıNebim Winner Kurumsal Fiyat Listesi
Nebim Winner Kurumsal Fiyat Listesi Son güncelleme: 19 Ocak 12 Winner Merkez ve Zincir Mağaza......2 Winner Ticari ı......4 Opsiyon Fiyatlar...... Winner Üretm Yönetmi......6 Winner Tedarik Yönetmi......7
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
DetaylıBüyük Veri Analitiği (Big Data Analytics)
Büyük Veri Analitiği (Big Data Analytics) M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Bu dersin sunumları, Mining of Massive Datasets, Jure Leskovec, Anand Rajaraman, Jeffrey David
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
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:
DetaylıİSTANBUL TEKNİK ÜNİVERSİTESİ ELEKTRİK-ELEKTRONİK FAKÜLTESİ. AKILLI FİYAT ARAMA MOTORU TiLQi.NET
İSTANBUL TEKNİK ÜNİVERSİTESİ ELEKTRİK-ELEKTRONİK FAKÜLTESİ AKILLI FİYAT ARAMA MOTORU TiLQi.NET Bitirme Ödevi Kadir Kemal Dursun 040000643 Hakan Demirtaş 040000684 Bölüm : Bilgisayar Mühendisliği Anabilim
DetaylıWeb Madenciliği Teknikleri
Web Madenciliği Teknikleri Abdullah BAYKAL*,Cengiz COŞKUN** * Dicle Üniversitei Fen-Edebiyat Fakültesi Matematik Bölümü, baykal@dicle.edu.tr ** Dicle Üniversitesi Bilgi-İşlem Daire Başkanlığı, ccoskun@dicle.edu.tr
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
DetaylıVeritabanı Tasarımı Ve Yönetimi. Varlık-İlişki Modeli
Veritabanı Tasarımı Ve Yönetimi Varlık-İlişki Modeli Veritabanı Tasarım Aşamaları Gereksinim Analizi Kavramsal Tasarım Mantıksal Tasarım İlişkilerin Normalizasyonu Veritabanı Uyarlaması Uygulama Programı
DetaylıÖğr.Gör.İnan ÜNAL Tunceli Üniversitesi Bilgisayar Mühendisliği Bölümü
Öğr.Gör.İnan ÜNAL Tunceli Üniversitesi Bilgisayar Mühendisliği Bölümü Büyük miktardaki veriler içerisinden önemli olanlarını bulup çıkarmaya veri Madenciliği denir. Veri madenciliği bir sorgulama işlemi
DetaylıVERİ MADENCİLİĞİ İLE DEPREM VERİLERİNİN ANALİZİ
VERİ MADENCİLİĞİ İLE DEPREM VERİLERİNİN ANALİZİ N. Duru -1, M. Canbay -1 Posta Adresi: 1- Kocaeli Üniversitesi Müh.Fak. Bilgisayar Mühendisliği 2- Kocaeli Üniversitesi Müh.Fak. Jeofizik Mühendisliği E-posta:
DetaylıYZM ALGORİTMA ANALİZİ VE TASARIM DERS#9: AÇGÖZLÜ ALGORİTMALAR
YZM 3207- ALGORİTMA ANALİZİ VE TASARIM DERS#9: AÇGÖZLÜ ALGORİTMALAR Aç Gözlü (Hırslı) Algoritmalar (Greedy ) Bozuk para verme problemi Bir kasiyer 48 kuruş para üstünü nasıl verir? 25 kuruş, 10 kuruş,
DetaylıApriori Algoritmasının Farklı Veri Kümelerine Uygulanması
Apriori Algoritmasının Farklı Veri Kümelerine Uygulanması M. Emin Eker 1, Recai Oktaş 2, Gökhan Kayhan 3 1 Ondokuz Mayıs Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Samsun
DetaylıManisa Celal Bayar Üniversitesi Yazılım Mühendisliği Bölümü YZM Veri Yapıları Dersi. Proje#2
Manisa Celal Bayar Üniversitesi Yazılım Mühendisliği Bölümü YZM 2116- Veri Yapıları Dersi Proje#2 İkili Arama Ağacı, Heap, Hash Tabloları ve Çizgeler Veriliş Tarihi: 24.04.2018 Son Teslim Tarihi: 25.05.2018
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
DetaylıDENİZ HARP OKULU BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ
DENİZ HARP OKULU BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ Dersin Adı Kodu Sınıf/Y.Y. Ders Saati (T+U+L) Kredi AKTS Veri Tabanı Yönetimi BİM-324 3/II 3+0+0 3 4,5 Dersin Dili Dersin
DetaylıVeritabanı Yönetim Sistemleri (Veritabanı Tasarımı) Varlık Bağıntı Modeli
Celal Çeken Veysel Harun Şahin Veritabanı Yönetim Sistemleri (Veritabanı Tasarımı) Varlık Bağıntı Modeli Konular Veritabanı Tasarım Aşamaları Kavramsal Tasarım Temel Kavramlar Varlıklar Arası Bağıntılar
DetaylıAHMET YESEVİ ÜNİVERSİTESİ BİLİŞİM SİSTEMLERİ VE MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ LİSANS DÖNEM ÖDEVİ
AHMET YESEVİ ÜNİVERSİTESİ BİLİŞİM SİSTEMLERİ VE MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ LİSANS DÖNEM ÖDEVİ TBIL-40-0 Nesneye Yönelik Sistem Çözümleme ve Tasarım HAZIRLAYAN 22325 Fahri DÖNMEZ DANIŞMAN
DetaylıBilişim Sistemleri. Modelleme, Analiz ve Tasarım. Yrd. Doç. Dr. Alper GÖKSU
Bilişim Sistemleri Modelleme, Analiz ve Tasarım Yrd. Doç. Dr. Alper GÖKSU Ders Akışı Hafta 5. İhtiyaç Analizi ve Modelleme II Haftanın Amacı Bilişim sistemleri ihtiyaç analizinin modeli oluşturulmasında,
DetaylıÖğrencilerin Staj Verileri Üzerine Uygulanan Apriori Algoritması ile Birliktelik Kurallarının Çıkarılması ve Staj Eğiliminin Belirlenmesi
1086 Öğrencilerin Staj Verileri Üzerine Uygulanan Apriori Algoritması ile Birliktelik Kurallarının Çıkarılması ve Staj Eğiliminin Belirlenmesi *1 Mehmet Taş, 2 M. Fatih Adak, 2 Nilüfer Yurtay *1 Endüstri
DetaylıBİTİRME RAPORU. Ömer Furkan ARI 13.06.2010 Yıldız Teknik Üniversitesi
BİTİRME RAPORU Tekstil sektöründe veritabanı sistemleri yaygın olarak kullanılmaktadır. Bu sistemler sayesinde satış işlemlerin kayıtları tutulup buna bağlı olarak çeşitli sorgulamalarla raporlama hizmetleri
DetaylıVeri Madenciliği. Yrd. Doç. Dr. Mustafa Gökçe Baydoğan. blog.mustafabaydogan.
Veri Madenciliği Yrd. Doç. Dr. Mustafa Gökçe Baydoğan mustafa.baydogan@boun.edu.tr www.mustafabaydogan.com blog.mustafabaydogan.com İçerik p Veri Madenciliği nedir? n Bir örnek p Boğaziçi Üniversitesi
DetaylıWeb Server Sunucu Loglarının K-Komşu Algoritması ile İ ncelenmesi
Web Server Sunucu Loglarının K-Komşu Algoritması ile İ ncelenmesi İçindekiler 1 Özet... 2 2 Giriş... 3 3 Uygulama... 4 4 Sonuçlar... 6 1 1 Özet Web sunucu logları üzerinde veri madenciliği yapmanın temel
DetaylıBM208- Nesneye Dayalı Analiz ve Tasarım. Sunum 7
BM208- Nesneye Dayalı Analiz ve Tasarım Sunum 7 Component(Bileşen) Diyagramları Sistemin fiziksel yapısını modellemede kullanılır. Bu fiziksel yapıdan kasıt gömülü kontroller, portlar, arayüzlerin yanı
Detaylıİş Zekası Sistemi Veriyi Stratejik Bilgiye Dönüştürür
İş Zekası Sistemi İş Zekası Sistemi İş Zekâsı Sistemi kolay kullanılır, zengin raporlama ve çözümleme yeteneklerine sahip, farklı veri kaynaklarını birleştirir, yöneticilere çok boyutlu, kurumsal bir görüş
DetaylıVeri Madenciliği Süreci
Veri Madenciliği Eda Coşlu Mehmet Akif Ersoy Üniversitesi, Yönetim Bilişim Sistemleri Bölümü, BURDUR edacoslu@hotmail.com Büyük miktardaki veriler içerisinden önemli olanlarını bulup çıkarmaya Veri Madenciliği
Detaylı2. Oracle Data Miner İle Örnek Bir Veri Madenciliği Çalışması
2. Oracle Data Miner İle Örnek Bir Veri Madenciliği Çalışması Bu örnek uygulamada bir önceki yazımda Oracle SQL Developer a yüklediğim Data Miner Repository ile gelen hazır bir sigorta şirketi veri setini
DetaylıPERMÜTASYON, KOMBİNASYON. Örnek: Örnek: Örnek:
SAYMANIN TEMEL KURALLARI Toplama Kuralı : Sonlu ve ayrık kümelerin eleman sayılarının toplamı, bu kümelerin birleşimlerinin eleman sayısına eşittir. Mesela, sonlu ve ayrık iki küme A ve B olsun. s(a)=
DetaylıDOKUZ EYLÜL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRLÜĞÜ DERS/MODÜL/BLOK TANITIM FORMU. Dersin Kodu: CSE 5072
Dersi Veren Birim: Fen Bilimleri Enstitüsü Dersin Türkçe Adı: Veri Madenciliği ve Bilgi Keşfi Dersin Orjinal Adı: Data Mining and Knowledge Discovery Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora)
DetaylıMikro Ayarları. Mikro Programının kurulu olduğu veritabanı ve web servisi için bağlantı ayarlarının yapıldığı menüdür.
Mikro Ayarları Mikro muhasebe sistemini kullanan müşterilemizin, muhasebe sistemleri ile E Ticaret sitesi arasındaki entegrasyon parametrelerini tanımladıkları menüdür. Bu menü altındaki alt menüler kullanılarak
DetaylıÖZGEÇMİŞ SONA MARDİKYAN
ÖZGEÇMİŞ SONA MARDİKYAN (04.03.2015) Hisar Kampüs 34342 R. Hisarüstü, İSTANBUL E-mail : mardikya@boun.edu.tr URL Ofis Tel : +90 212 359 6942 Faks : +90 212 287 3297 Öğrenim Durumu: : http://www.mis.boun.edu.tr/mardikyan/
DetaylıElbistan Meslek Yüksek Okulu GÜZ Yarıyılı Ara Öğr. Gör. Murat KEÇECĠOĞLU
Elbistan Meslek Yüksek Okulu 2015 2016 GÜZ Yarıyılı 28-29 Ara. 2015 Öğr. Gör. Murat KEÇECĠOĞLU Indexler İndeks, tablolardan veri çekmek için gerekli sorgular çalıştırılırken gereken süreyi azaltmak amacıyla
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
DetaylıVERİ TABANI YÖNETİM SİSTEMLERİ II. 9. FORMLAR ve ORACLE FORMS PROGRAMINDA FORM OLUŞTURMA
BÖLÜM 9 9. FORMLAR ve ORACLE FORMS PROGRAMINDA FORM OLUŞTURMA Bu bölümde Oracle Forms programı ile örnek bir form hazırlanması anlatılacaktır. 9.1 ORACLE FORMS ile FORM Oluşturma Nasıl Delphi programının
Detaylı