BÜYÜK VERI UYGULAMALARı DERS 4. Doç. Dr. Yuriy Mishchenko
|
|
- Alp Büyük
- 6 yıl önce
- İzleme sayısı:
Transkript
1 BÜYÜK VERI UYGULAMALARı DERS 4 Doç. Dr. Yuriy Mishchenko
2 PLAN Lineer modeller Öznitelik seçilmesi Model oluşturulması
3 BÜYÜK VERI VE MAKINE ÖĞRENME 3
4 BÜYÜK VERI VE MAKINE ÖĞRENME Büyük veri uygulamaları, tahmin veya tespit etme olarak förmülleştirilmiş iş karar verme problemleri kapsamaktadır Bu tip iş karar verme problemleri ile ilgili karışık durumların tahmin veya tespit etmek için, Makine Öğrenme (Machine Learning, ML) yöntemleri kullanılmaktadır
5 BÜYÜK VERI VE MAKINE ÖĞRENME Makine öğrenme, karmaşık ilişkisel yani nedensonuç durumları modelleyen parametrik modellerdir (Parametrik model, biçimi genel ama çok sayıda ayarlanabilen parametre içeren herhangi matematiksel modeldir) Makine öğrenme, bu tip modellerin parametreleri tarihsel veriden belirtme yöntemleri ortaya çıkartarak, iş kararları ile ilgili karmaşık saklı desenler için matematiksel model bulur ve ilgili gelecek durumları tahmin etme imkanını sağlar 5
6 { y h ( ; )} Tarihsel veri Model ailesi * Model öğrenimi yˆ h ( ˆ ; * ) y h ( ; * ) Spesifik model ŷ İş kararları ˆ 6
7 BÜYÜK VERI VE MAKINE ÖĞRENME Mevcut veriler Verilerde olan saklı karmaşık ilişkilerin makine öğrenme modeli İş kararı 7
8 BÜYÜK VERI VE MAKINE ÖĞRENME Gerçek problem ve ilgili faktörler veya değişkenler a,b,x,μ,z... İlişkiyi ifade eden parametrik model Z a X a Y a XY 3... İş karar etme için tahminler ve tespitler 8
9 TIPIK UYGULAMA SÜRECI Problem ve katkıda olan faktörler tanımlamak Uygun makine öğrenme algoritmasını seçmek Veri toplamak Tüm verilerde analiz uygulamak Küçük bir veri kümesinde analiz uygulamak Veri kontrol etmek ve temizlemek Sonuçları incelemek 9
10 MAKINE ÖĞRENME Makine öğrenmeye ait bileşenleri Temel makine öğrenme problem türleri Veri/öznitellik mühendisliği Modelin oluşturulması Model eğitimi Performans değerlendirilmesi Tahminlerin üretilmesi 0
11 MAKINE ÖĞRENME PROBLEMLERININ ANA TIPLERI Denetimli Sınıflandırma İki sınıflı (binary) sınıflandırma Çok sınıflı sınıflandırma Regresyon Denetimsiz Kümeleme İlişkisel öğrenim Boyut azaltma
12 MAKINE ÖĞRENME PROBLEMLERININ ANA TIPLERI Sınıflandırma problemi, sonuç ayrık olduğu zaman elimizde vardır Müsteri ürün satın alacak / satın almayacak mı? Kitap bilim kurgu / roma / belgesel / şiir midir? Sistem normal durum / arzalı durum da mı? spam / spam değil mi? Regresyon problemi, sonuç sürekli olduğu zaman elimizde vardır Reklam harcamasına göre satılacak ürün sayısı Evin özelliklerine göre satış fiyatı Yarınki hava sıcaklığı
13 ,...),, ( 3,...),, ( 3,...),, ( 3 3,...),, ( 3 4,...),, ( 3 5,...),, ( 3 6 GEÇMIŞTEKI ÖNEKLER/VERILER SıNıFLANDıRMA 3
14 REGRESYON 4
15 MODEL PARAMETRELERININ BELIRTILMESI Modelin kalitesi fonksiyonu maliyet fonksiyonu J * 5
16 Bu derste Temel makine öğrenme problem türleri Veri/öznitellik mühendisliği Model oluşturulması Model eğitimi Performans değerlendirilmesi Tahminlerin üretilmesi 6
17 7 LINEER MODELLER
18 LINEER MODELLER Lineer veya doğrusal modeller bir sonuç Y ve neden X i değişken sırasını bağlayan, aşağıdaki şekilde olan modeller... ), ( ), (... ) ( ) ( 3 0 X X f X X f X f X f X X Y m m n n
19 LINEER MODELLER Lineer modeller ilişkisel - yani sonuç-neden modeller dir, yani belirli neden faktörlerinin listesi (,, ) için bir sonuç y tahmin ediyor Lineer modelden belirli (y,,, ) bir örnek... ), ( ), (... ) ( ) ( 3 0 g g f f y m m n n
20 LINEER MODELLER Fark edelim ki bu model, X lere göre lineer veya doğrusal değil lineer model deki lineer kelime modelin parametrelerine doğrusal olarak bağlı olduğunu ifade eder (analizinde önemli kolaylık sağlar)... ), ( ), (... ) ( ) ( 3 0 X X f X X f X f X f X X Y m m n n
21 LINEER MODELLER Lineer modellerin ana avantajları: Teorisi çok iyi geliştirilmiş, özellikleri ve davranışı iyi bilinir Parametrelerin tahmin etme problemi iyi geliştirilmiş ve kolaydır İfade edilebilen ilişkiler çok geniş ve çeşitli, özellikle fonksiyonel terimler dikkate alırsak Spesifik veriler için tahmin problemi çok büyük ölçekte çözülebilir üz binlerce faktör ve parametre içeren lineer modelleri günümüzdeki bilgisayarlarla başarmak mümkündür
22 LINEER MODELLER Lineer olmayan terimler içeren lineer modeller sahte-değişkenleri tanımlayarak standart bir şekile götürülebilir 0... ) ( ) ( X X Y X X f X X f n n
23 LINEER MODELLER Böylece, orijinal neden değişkenlerin değerleri varsa - (,, ) - böyle ek-değişkenler de hesaplanabilir Bu şekilde orijinal X-değişkenler büyütülmüş X- değişkenlere genişletilir... ),...) (,,...,, ( ),...,, ( ),...) (,,...,, ( ),...,, ( ),...) (,,...,, ( ),...,, ( ),...) (,,...,, ( ),...,, ( f f f f n n n n n n n n n n n n
24 LINEER MODELLER Genişletilmiş veri kümesinde ilişki standart lineer model olarak ifade edilebilir y 0 n n n n...
25 LINEER MODELLER Bu nedenle,. Lineer modellerde tahmin etme problemi sadece standart lineer model biçimi için çözülür. Modelinizde herhangi lineer olmayan terimler varsa, bu terimler temel değişkenlerden hesaplayıp veri kümesine eklemeniz lazım
26 LINEER MODELLER Y X X X 3 f (X ) f (X ) Y X X X 3 X 4 X
27 LINEER MODELLER Lineer modelin standart şekli Y 0 X X m X m
28 LINEER MODELLER Lineer model bir doğrusal yapı oluşturur ve bağlı dır Değişim yönü (, ) Lineer modelin seviyeleri 0
29 LINEER MODELLER Regresyon problemlerinde lineer model değişim yönünde lineer olarak değişiyor (, )
30 LINEER MODELLER Sınıflandırma problemlerinde lineer model bir doğrusal sınıf sınırı oluşturur SINIF A SINIF B
31 LINEER MODELLER Önemli nokta: bu yapı özelliklerin sahteuzayında geçerlidir, yani bu uzaya tüm ekledeğimiz, fonksiyonel olarak bağlı olan sahteözellikler de dahildir!!! =f( ) (,f( )) yönündedir, yani y f ) (
32 3 ÖZNITELIK SEÇILMESI
33 ÖZNITELIKLER Lineer modeldeki y değişkenine sonuç ve i değişkenlerine öznitelik (feature) denir Yani (,,, n ) öznitelik sırası veya öznitelik vektörü (feature vector) bizim için ilginç olan belirli durumu karakterize eder, y o durumun tahmin etmek istediğimiz değeri dir y 0 n n
34 ÖZNITELIKLER Örnek: y yarınki hava durumu olsa (,, ) bugünkü sıcaklık ( ), nem ( ), basınç ( 3 ), rüzgar hızı ( 4 ), rüzgar yönü ( 5 ) vb parametreleri listeleyen bir bugünün özellikleri sırası olabilir Lineer modelde biz tahmin edilen değişkeni y ve öznitelik vektörü (,, ) aşağıdaki şekilde bağlamak istiyoruz y 0 n n
35 ÖZNITELIKLER Başka bir örnek: y üniversiteye gelecek sayısı olsa, (,, ) reklam harçamalarımız ( ), liselerden mezun sayısı ( ), lise mezunların ortalama notları ( 3 ), kayıt günün sıcaklığı ( 4 ), eğitim ücretimiz ( 5 ) vb parametreleri listeleyen özelliklerimiz sırası olabilir Yinde bu durumda biz tahmin edilen öğrenci sayısı öznitelik vektörü (,, ) kullanılarak aşağıdaki şekilde belirtiyoruz y 0 n n
36 ÖZNITELIKLER Modelimiz baya basit olduğuna göre kolayca anlaşılır ki, öznitelik seçimi modelimizin başarısı için son derecede önemli Öznitelikler şu genel gruba bölünebilir Temel öznitelikler Bileşik öznitelikler Ortak etki öznitelikler 36
37 TEMEL ÖZNITELIKLER Durumumuzu karakterize eden orijinal özellikler temel öznitelik kümesini oluşturur Bunlar, hava sıcaklığı örneğindeki bugünkü hava sıcaklığı, rüzgar hızı, nem ve sayre ve öğrenci sayısı örneğindeki reklam harcamaları, lise mezunu sayısı ve sayre gibi dir Bunları, problemi tanımlayan uzman seçmek zorundadır; bu tip özelliklerin problemin doğasıyla alakalı olması düşünülmesi genelde gerekir 37
38 TEMEL ÖZNITELIKLER Temel öznitelikler üç tipten olabilir: Kategorik İkili Sayısal 38
39 TEMEL ÖZNITELIKLER Temel öznitelikler: Sonuçla alakalı olmalı Tekrarlanan olmalı 39
40 BILEŞIK ÖZNITELIKLER Temel öznitelikler birçok durumda fazla dar bir model sağlar, mesela hava sıcaklığı örneğinde bunlar yarınki hava sıcaklığı doğrusal şekilde sadece bugünkü, dünkü, vb sıcaklığı, neme ve sayre bağlılığı ifade edebilir Birçok durumda bu yeterli değil Öyle ise temel öznitelik vektörüne, temel özniteliklere lineer olmayan fonksiyonel şekilde bağlı olan bileşik öznitelikler eklenebilir 40
41 BILEŞIK ÖZNITELIKLER Verilerde lineer olmayan ilişkinin gözlenmesi y ~
42 BILEŞIK ÖZNITELIKLER Orijinal/temel özniteliğe ek olarak, yeni bileşik özelliği şöyle tanımlayalım: Öznitelik vektörlerimizin hepsinde kullanılarak değerleri de hesaplayıp, öznitelik vektörlerimize ekleyelim ( ) (, ) y-modelimiz için şimdi, (, ) üzerinde iki boyutlu lineer model ayarlayalım 0 0
43 BILEŞIK ÖZNITELIKLER Genişletilmiş öznitelik uzayında model lineer, fakat orijinal özniteliklerin uzayında lineer değildir ve lineer olmayan ilişki modellemeye yol açıyor Model parametrelerin bulunması için (θ 0,θ,θ ), lineer modellerin güçlü yöntemleri ve yazılımları direk kullanılabilir h (, ) 0 0 0
44 BILEŞIK ÖZNITELIKLER Bileşik öznitelikler elle seçilmeli ve problemin doğasının uzman tarafından anlaşılması bunun için çok önemlidir Bununla beraber birçok sayıda standart seçinek de vardıar, örneğin çok sık kullanılan bileşik öznitelik polinom öznitelikler dir 0 y y
45 ORTAK ETKI ÖZNITELIKLERI Ortak etkiler bileşik özniteliklerin özel bir durum Ortak etki demek ki, iki yada daha çok faktör beraber çalışır, beraber ise sonucu farklı şekilde etkiliyor
46 ORTAK ETKI ÖZNITELIKLERI Örnek: Müşterin kredi riski hesaplamak için içel ve gelir iki temel öznitelik kullanabiliriz Temel lineer modelde, kredi riskine gelirin etkisi içelden bağımsız olması varsayılıyor Fakat, iki ayrı içelde aynı gelir kredi riskini çok farklı şekilde etkileyebilir Bu durumda içel ve gelir özniteliğin ortak etkisi vardır, yani bu faktörler beraber dikatte alınması gerekiyor
47 ORTAK ETKI ÖZNITELIKLERI Ortak etkileri modellerde belirli bileşik veya polinom öznitelikleri kullanılarak temsil edilebilir Örneğin, gelir grubu ve ilçe ortak etkisi ile incelemek için, ilçe gelir gibi yeni özellikler tanımlanıp modele eklenebilir X ig =X i X g yeni (ortak) etki özniteliğidir y 0 i i g g ig i g
48 ORTAK ETKI ÖZNITELIKLERI Örnek: ig sadece akdeniz ve düşük gelir durumda ve tek bu durumda modelimize ek olarak (ortak) katkı θ ig ekliyor i g ig = i g Açıklama Akdeniz değil, yüksek gelir 0 0 Akdeniz, yüksek gelir 0 0 Akdeniz değil, düşük gelir Akdeniz, düşük gelir y 0 i i g g ig ig
49 TEKRARLANAN ETKILERI Baze durumda bir modelde neredeyse aynı etki yaratan iki veya daha çok öznitelik vardır Örneğin, önceli örnekte gelir, ilçe ve gelirilçe öznitelik var olduğu taktirde aynı etki içeren iki terim oldu, yani i ve ig
50 TEKRARLANAN ETKILERI Bu durumdan genellikle sorun çıkmaz Bir modelde iki benzer etki varsa, lineer model parametrelerinin çözümünde sonuçları daha iyi anlatabilecek faktörü seçilecek ve modele eklenecek; diğer yakın ama biraz daha kötü faktörünün -parametresi sıfıra yakın veya tam eşit olacaktır
51 TEKRARLANAN ETKILERI i ve i g özellikleri için, eğer i g sonuçları daha iyi anlatıyorsa, lineer modelde i g faktörü seçilmiş olup ona yüksek değeri, i daha düşük değeri atanacak y 0 0 i i i g yada y 0 0 i ig i g
52 ÖZNITELIKLERIN NORMALLEŞTIRILMESI Aşağıdaki gibi elde edilmiş özniteliklerin genellikle normalleştirilmesi gerekiyor Bu adım mevcut makine öğrenme çözümleri otomatik olarak zaten yapıyor, ama genel olarak bu adımın ana fikri tüm özniteliklerin benzer olması Mesela hava durumu karakterize eden sıcaklık (~0) ve basınç (~800) tipik değerleri çok farklı olabilir bu gereksiz farkı çözüm algoritmaları olumsuz şekilde etkileyebilir
53 ÖZNITELIKLERIN NORMALLEŞTIRILMESI Bu sorunu gidermek için, modelin parametreleri aranması başlamadan önce her bir özniteliğin değerleri benzerliği sağlamak için uygun sayısal faktör ile bölünüyor En tipik normalleştirme adımı, öznitelik değerlerden ortalama değeri çıkartmak ve sonra standart sapması ile bölmek Böylece tüm öznitelikler sıfır-merkezli ve tipik değişim olarak kaydediliyor bu dönüşüm lineer modeli tabi ki herhangi şekilde etkilemiyor
54 ÖZNITELIKLERIN NORMALLEŞTIRILMESI İkinci çok tipik öznitelik normalleştirilmesi yöntemi whitening biz bu konuya bakmayacağız
55 MODEL OLUŞTURULMASı 55
56 MODEL OLUŞTURMA Aşağıdaki yönelliklerine göre belirli model için özniteliklerin oluşturulması öznitelik mühendisliği diya adlandırılan faaliyetin bir alt faaliyetidir Herhangi problemi makine öğrenme yaklaşımı çözmek için özelliklerin doğru seçilmesi ve doğru şekilde temsil edilmesi çok önemli Aşağıda bu problemi biz örnek üzerinde inceleyeceğiz
57 MODEL OLUŞTURMA Problem: Bir banka kredi vermeden önce müşterisinin kredi riski belirtmek istemektedir
58 MODEL OLUŞTURMA İlk önce, temel açıklayıcı faktörler veya değişkenler veya öznitelikler belirtmemiz gerekiyor Makine öğrenme çok büyük modelleri kullanabilmesi için, birçok böyle faktör seçebiliriz ve aslında aklımıza gelen herhangi öyle alakalı faktör temel öznitelik kümesine eklemek mümkündür
59 MODEL OLUŞTURMA Örnek olarak burada, kredi riski etkileyen faktörler (X ler) Müşterinin oturan ilçe Müşterinin geliri Müşterinin önceki kredleri
60 MODEL OLUŞTURMA Modelin sonucu olarak (Y) kredi riski sürekli bir sayı olarak değerlendirmek istiyoruz pozitif değerler yüksek risk, negatif değerler düşük risk demek olacaktır
61 MODEL OLUŞTURMA. öznitelik müşteri oturan ilçe, olabilir değerler: Akdeniz Toroslar Yenişehir Çiftlikköy Mezitli...
62 MODEL OLUŞTURMA Müşteri oturan ilçe : Akdeniz Toroslar Yenişehir Çiftlikköy Mezitli...
63 MODEL OLUŞTURMA Bunun gibi değişkenlere kategorik denir; demek bu değişken aslında durumun birkaç kategoriden olduğunu belirtiyor (akdeniz, yenişehir, vb) Bunun gibi değişken modelde temsil etmek için, kategorik değişkenin tüm mümkün değerleri için ayrı bir ikili (0- değerinde olan) öznitelik tanımlanıyor
64 MODEL OLUŞTURMA Müşteri oturan ilçe: Burada, bütün ilçeler için ayrı ikili -öznitelik tanımlanması gerekir, Bu özellik 0 veya değerini alıp müşterinin ilgili ilçede oturup oturmadığını ifade edecek = müşteri ilgili ilçede oturur, =0 oturmaz anlamına gelecek
65 MODEL OLUŞTURMA Müşteri oturan ilçe: Akdeniz Toroslar Yenişehir Çiftlikköy Mezitli Tece Gözne Davultepe Bahçeli Adanalıoğlu ( 0 veya olabilir) ( 0 veya olabilir) ( 3 0 veya olabilir) ( 4 0 veya olabilir) ( 5 0 veya olabilir) ( 6 0 veya olabilir) ( 7 0 veya olabilir) ( 8 0 veya olabilir) ( 9 0 veya olabilir) ( 0 0 veya olabilir)
66 MODEL OLUŞTURMA Müşteri oturan ilçe: Bu özniteliklerden sadece bir tane olabilir olan öznitelik, müşterinin ilçesini kodlanır
67 MODEL OLUŞTURMA Müşteri oturan ilçe: Akdeniz ( ): öğrenci Akdeniz den geliyorsa, = Toroslar ( ) Yenişehir( 3 ) Çiftlikköy ( 4 ) Mezitli ( 5 ) Tece ( 6 ) Gözne ( 7 ) Davultepe ( 8 ) Bahçeli ( 9 ) Adanalıoğlu ( 0 )
68 MODEL OLUŞTURMA Müşteri oturan ilçe: Akdeniz ( ) Toroslar ( ): öğrenci Toroslar dan geliyorsa, = Yenişehir( 3 ) Çiftlikköy ( 4 ) Mezitli ( 5 ) Tece ( 6 ) Gözne ( 7 ) Davultepe ( 8 ) Bahçeli ( 9 ) Adanalıoğlu ( 0 )
69 MODEL OLUŞTURMA. öznitelik - müşterinin geliri: Müşterinin geliri normalde sürekli bir değişken olmalıdır (örneğin ayda 500TL, 000 TL, 500 TL, 000 TL, 500 TL olarak karakterize edilebilir)
70 MODEL OLUŞTURMA Lineer model kontekstinde bu bir sorun yaratabilir; y 0 Eğer müşterinin geliri direk kullanırsak, gelirin kredi riskine ektisi doğrusal şekilde varsaymış olacağız, ama bu gerçekten iyi mi fikir? Eğer adayın geliri iki kat yüksek, bunun kredi riskine etkisi iki kat düşük olur mu?
71 MODEL OLUŞTURMA Bu durumda daha mantıklı yaklaşım, müşterinin geliri düşük, orta vb şeklinde kategorik olarak temsil etmektir, örneğin Düşük gelir Orta-düşük gelir Orta gelir Orta-yüksek gelir Yüksek gelir Çok yüksek gelir
72 MODEL OLUŞTURMA Önceki ilçe özniteliği gibi, böyle temsil edilen gelir birkaç ikili öznitelik kullanılarak modelimizde temsil edilecektir de olan gelir-kategori özniteliği müşterinin gelir grubunu belirtecektir
73 MODEL OLUŞTURMA Müşterinin geliri: Düşük gelir ( =0 veya ) Orta-düşük gelir ( =0 veya ) Orta gelir ( 3 =0 veya ) Orta-yüksek gelir ( 4 =0 veya ) Yüksek gelir ( 5 =0 veya ) Çok yüksek gelir ( 6 =0 veya )
74 MODEL OLUŞTURMA Müşterinin gelirinin kredi riskine etkisi bu şekilde olacak Böylece, farklı gelir grupların kredi riskine etkileri tamamen bağımsız olup, modelimiz daha esnek şekilde kredi riskine gelirin katkısı değerlenderebilecektir Düşük gelir grübün ( =) riske etkisi Düşük-orta gelir grübün ( =) riske etkisi Modelimiz iki kat daha düşük gelirin kredi riskine etkisi kat düşük varsaymayacaktır
75 MODEL OLUŞTURMA Müşterinin önceki kredileri: Müşterinin kredi tarihi, burada müşteri tarafından alınmış ve ödenip ödenmemiş kredi sayısı olarak ifade edeceğiz Bu bilginin kredi riskine etkisi doğrusal olarak düşüneceğiz Böylece, bu faktör modelimizde sürekli öznitelik olarak girecektir
76 MODEL OLUŞTURMA Sonuçta olan kredi risk modelimiz: 8 Risk k X 0 k k - 0 müşteri oturan ilçe (ikili, 0 veya ) - 6 müşteri gelir grubu (ikili, 0 veya ) 7-8 müşterinin önceki ödenmiş ve ödenmemiş kredi sayısı (iki sürekli öznitelik)
77 Öbür derste Temel makine öğrenme problem türleri Veri/öznitellik mühendisliği Model oluşturulması Model eğitimi Modellerin performans değerlendirilmesi Tahminlerin üretilmesi Ayrıca, Amazon ML kullanılarak bir modelin oluşturulup denetlenmesi örneği 77
BÜYÜK VERI UYGULAMALARı DERS 3. Doç. Dr. Yuriy Mishchenko
1 BÜYÜK VERI UYGULAMALARı DERS 3 Doç. Dr. Yuriy Mishchenko BÜYÜK VERI ÇERÇEVESI Mevcut, genel biçim ve çeşitli veriler Bir genel veri modelleme yaklaşımı SAKLI İLİŞKİLER İş kararları MAKİNE ÖĞRENME 2 BÜYÜK
DetaylıBÜYÜK VERI UYGULAMALARı DERS 7. Doç. Dr. Yuriy Mishchenko
1 BÜYÜK VERI UYGULAMALARı DERS 7 Doç. Dr. Yuriy Mishchenko PLAN Azure ML hizmeti kullanılmasına bir pratik giriş 2 3 MS AZURE ML 4 MS AZURE ML Azure Microsoft tarafından sağlanan bulut hesaplama hizmetleri
DetaylıMAK 210 SAYISAL ANALİZ
MAK 210 SAYISAL ANALİZ BÖLÜM 5- SONLU FARKLAR VE İNTERPOLASYON TEKNİKLERİ Doç. Dr. Ali Rıza YILDIZ MAK 210 - Sayısal Analiz 1 İNTERPOLASYON Tablo halinde verilen hassas sayısal değerler veya ayrık noktalardan
DetaylıÖrnek. Aşağıdaki veri setlerindeki X ve Y veri çiftlerini kullanarak herbir durumda X=1,5 için Y nin hangi değerleri alacağını hesaplayınız.
Örnek Aşağıdaki veri setlerindeki X ve Y veri çiftlerini kullanarak herbir durumda X=1,5 için Y nin hangi değerleri alacağını hesaplayınız. i. ii. X 1 2 3 4 1 2 3 4 Y 2 3 4 5 4 3 2 1 Örnek Aşağıdaki veri
DetaylıVERİ MADENCİLİĞİ (Veri Ön İşleme-2) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Veri Ön İşleme-2) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma Kümeleme
DetaylıEŞİTLİK KISITLI TÜREVLİ YÖNTEMLER
EŞİTLİK KISITLI TÜREVLİ YÖNTEMLER LAGRANGE YÖNTEMİ Bu metodu incelemek için Amaç fonksiyonu Min.z= f(x) Kısıtı g(x)=0 olan problemde değişkenler ve kısıtlar genel olarak şeklinde gösterilir. fonksiyonlarının
DetaylıÖrüntü Tanıma (EE 448) Ders Detayları
Örüntü Tanıma (EE 448) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Örüntü Tanıma EE 448 Bahar 3 0 0 3 5 Ön Koşul Ders(ler)i Dersin Dili Dersin Türü Dersin
Detaylıortalama ve ˆ ˆ, j 0,1,..., k
ÇOKLU REGRESYONDA GÜVEN ARALIKLARI Regresyon Katsayılarının Güven Aralıkları y ( i,,..., n) gözlemlerinin, xi ortalama ve i k ve normal dağıldığı varsayılsın. Herhangi bir ortalamalı ve C varyanslı normal
DetaylıŞimdi de [ ] vektörünün ile gösterilen boyu veya büyüklüğü Pisagor. teoreminini iki kere kullanarak
10.Konu İç çarpım uzayları ve özellikleri 10.1. ve üzerinde uzunluk de [ ] vektörünün ile gösterilen boyu veya büyüklüğü Pisagor teoreminden dir. 1.Ö.: [ ] ise ( ) ( ) ve ( ) noktaları gözönüne alalım.
Detaylı8.Konu Vektör uzayları, Alt Uzaylar
8.Konu Vektör uzayları, Alt Uzaylar 8.1. Düzlemde vektörler Düzlemdeki her noktası ile reel sayılardan oluşan ikilisini eşleştirebiliriz. Buna P noktanın koordinatları denir. y-ekseni P x y O dan P ye
DetaylıDOKUZ EYLÜL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRLÜĞÜ DERS/MODÜL/BLOK TANITIM FORMU. Dersin Orjinal Adı: Pattern Recognition
Dersi Veren Birim: Fen Bilimleri Enstitüsü Dersin Türkçe Adı: Örüntü Tanıma Dersin Orjinal Adı: Pattern Recognition Dersin Düzeyi:(Ön lisans, Lisans, Yüksek Lisans, Doktora) Lisansüstü Dersin Kodu: CSE
DetaylıYrd. Doç. Dr. A. Burak İNNER
Yrd. Doç. Dr. A. Burak İNNER Kocaeli Üniversitesi Bilgisayar Mühendisliği Yapay Zeka ve Benzetim Sistemleri Ar-Ge Lab. http://yapbenzet.kocaeli.edu.tr Regresyon o EnKüçük Kareler Yöntemi Doğru Uydurma
DetaylıBAYES ÖĞRENMESİ BİLECİK ÜNİVERSİTESİ. Araş. Gör. Nesibe YALÇIN. Yapay Zeka-Bayes Öğrenme
BAYES ÖĞRENMESİ Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ Yapay Zeka-Bayes Öğrenme 1 İÇERİK Bayes Teoremi Bayes Sınıflandırma Örnek Kullanım Alanları Avantajları Dezavantajları Yapay Zeka-Bayes Öğrenme
DetaylıGenetik Algoritmalar. Bölüm 1. Optimizasyon. Yrd. Doç. Dr. Adem Tuncer E-posta:
Genetik Algoritmalar Bölüm 1 Optimizasyon Yrd. Doç. Dr. Adem Tuncer E-posta: adem.tuncer@yalova.edu.tr Optimizasyon? Optimizasyon Nedir? Eldeki kısıtlı kaynakları en iyi biçimde kullanmak olarak tanımlanabilir.
Detaylısonlu altörtüsü varsa bu topolojik uzaya tıkız diyoruz.
Ders 1: Önbilgiler Bu derste türev fonksiyonunun geometrik anlamını tartışıp, yalnız R n nin bir açık altkümesinde değil, daha genel uzaylarda tanımlı bir fonksiyonun türevi ve özel noktalarının nasıl
DetaylıDENİZ HARP OKULU ENDÜSTRİ MÜHENDİSLİĞİ BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ
DENİZ HARP OKULU ENDÜSTRİ MÜHENDİSLİĞİ BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ Dersin Adı Kodu Sınıf/Y.Y. Ders Saati (T+U+L) Kredi AKTS YÖNEYLEM ARAŞTIRMASI - I ENM-11 /1 +0 Dersin Dili Dersin Seviyesi
DetaylıEsnek Hesaplamaya Giriş
Esnek Hesaplamaya Giriş J E O L O J İ M Ü H E N D İ S L İ Ğ İ A. B. D. E S N E K H E S A P L A M A Y Ö N T E M L E R İ - I DOÇ. DR. ERSAN KABALCI Esnek Hesaplama Nedir? Esnek hesaplamanın temelinde yatan
Detaylı18.034 İleri Diferansiyel Denklemler
MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferansiyel Denklemler 2009 Bahar Bu bilgilere atıfta bulunmak veya kullanım koşulları hakkında bilgi için http://ocw.mit.edu/terms web sitesini ziyaret
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
DetaylıÖğr. Elemanı: Dr. Mustafa Cumhur AKBULUT
Ünite 10: Regresyon Analizi Öğr. Elemanı: Dr. Mustafa Cumhur AKBULUT 10.Ünite Regresyon Analizi 2 Ünitede Ele Alınan Konular 10. Regresyon Analizi 10.1. Basit Doğrusal regresyon 10.2. Regresyon denklemi
Detaylıİleri Diferansiyel Denklemler
MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferansiyel Denklemler 2009 Bahar Bu bilgilere atıfta bulunmak veya kullanım koşulları hakkında bilgi için http://ocw.mit.edu/terms web sitesini ziyaret
DetaylıTemelleri. Doç.Dr.Ali Argun Karacabey
Doğrusal Programlamanın Temelleri Doç.Dr.Ali Argun Karacabey Doğrusal Programlama Nedir? Bir Doğrusal Programlama Modeli doğrusal kısıtlar altında bir doğrusal ğ fonksiyonun değerini ğ maksimize yada minimize
DetaylıBölüm 7. İfadeler ve atamalar ISBN
Bölüm 7 İfadeler ve atamalar ISBN 0-321-49362-1 7. Bölüm konuları Giriş Aritmetik ifadeler Çok anlamlı (overloaded) operatörler Tip dönüşümleri (conversions) İlişkisel ve Boolean İfadeler Kısa-devre hesaplama
Detaylıİleri Diferansiyel Denklemler
MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferansiyel Denklemler 2009 Bahar Bu bilgilere atıfta bulunmak veya kullanım koşulları hakkında bilgi için http://ocw.mit.edu/terms web sitesini ziyaret
Detaylı18.034 İleri Diferansiyel Denklemler
MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferansiyel Denklemler 2009 Bahar Bu bilgilere atıfta bulunmak veya kullanım koşulları hakkında bilgi için http://ocw.mit.edu/terms web sitesini ziyaret
DetaylıISTATISTIK VE OLASILIK SINAVI EKİM 2016 WEB SORULARI
SORU- 1 : ISTATISTIK VE OLASILIK SINAVI EKİM 2016 WEB SORULARI X ve Y birbirinden bağımsız iki rasgele değişken olmak üzere, sırasıyla aşağıdaki moment çıkaran fonksiyonlarına sahiptir: 2 2 M () t = e,
DetaylıBüyük Veri ve Endüstri Mühendisliği
Büyük Veri ve Endüstri Mühendisliği Mustafa Gökçe Baydoğan Endüstri Mühendisliği Bölümü Boğaziçi Üniversitesi İstanbul Yöneylem Araştırması/Endüstri Mühendisliği Doktora Öğrencileri Kolokyumu 21-22 Nisan
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
DetaylıOkut. Yüksel YURTAY. İletişim : (264) Sayısal Analiz. Giriş.
Okut. Yüksel YURTAY İletişim : Sayısal Analiz yyurtay@sakarya.edu.tr www.cs.sakarya.edu.tr/yyurtay (264) 295 58 99 Giriş 1 Amaç : Mühendislik problemlerinin bilgisayar ortamında çözümünü mümkün kılacak
DetaylıKORELASYON VE REGRESYON ANALİZİ. Doç. Dr. Bahar TAŞDELEN
KORELASYON VE REGRESYON ANALİZİ Doç. Dr. Bahar TAŞDELEN Günlük hayattan birkaç örnek Gelişim dönemindeki bir çocuğun boyu ile kilosu arasındaki ilişki Bir ailenin tükettiği günlük ekmek sayısı ile ailenin
DetaylıBULANIK MANTIK VE SİSTEMLERİ 2014 2015 BAHAR DÖNEMİ ÖDEV 1. Müslüm ÖZTÜRK 148164001004 Bilişim Teknolojileri Mühendisliği ABD Doktora Programı
BULANIK MANTIK VE SİSTEMLERİ 2014 2015 BAHAR DÖNEMİ ÖDEV 1 Müslüm ÖZTÜRK 148164001004 Bilişim Teknolojileri Mühendisliği ABD Doktora Programı Mart 2015 0 SORU 1) Bulanık Küme nedir? Bulanık Kümenin (fuzzy
DetaylıEM302 Yöneylem Araştırması 2. Dr. Özgür Kabak
EM302 Yöneylem Araştırması 2 Dr. Özgür Kabak GAMS Giriş GAMS (The General Algebraic Modeling System) matematiksel proglamlama ve optimizasyon için tasarlanan yüksek seviyeli bir dildir. Giriş dosyası:
DetaylıÖrneklemden elde edilen parametreler üzerinden kitle parametreleri tahmin edilmek istenmektedir.
ÇIKARSAMALI İSTATİSTİKLER Çıkarsamalı istatistikler, örneklemden elde edilen değerler üzerinde kitleyi tanımlamak için uygulanan istatistiksel yöntemlerdir. Çıkarsamalı istatistikler; Tahmin Hipotez Testleri
DetaylıGENETİK ALGORİTMALARA GİRİŞ (II) BİNARİ KODLANMIŞ GA
GENETİK ALGORİTMALARA GİRİŞ (II) BİNARİ KODLANMIŞ GA Nedim TUTKUN Düzce Üniversitesi Elektrik Elektronik Mühendisliği Bölümü nedimtutkun@duzce.edu.tr Düzce Üniversitesi Elektrik&Elektronik Mühendisliği
DetaylıT.C. DOKUZ EYLÜL ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ EKONOMETRİ ANABİLİM DALI EKONOMETRİ DOKTORA PROGRAMI
T.C. DOKUZ EYLÜL ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ EKONOMETRİ ANABİLİM DALI EKONOMETRİ DOKTORA PROGRAMI Genişletilmiş Lagrange Yöntemi Hazırlayan: Nicat GASIM Öğretim Üyesi Prof. Dr. İpek Deveci KARAKOÇ
DetaylıT I M U R K A R A Ç AY - H AY D A R E Ş C A L C U L U S S E Ç K I N YAY I N C I L I K A N K A R A
T I M U R K A R A Ç AY - H AY D A R E Ş C A L C U L U S S E Ç K I N YAY I N C I L I K A N K A R A Contents Bibliography 11 CONTENTS 5 0.1 Kartezyen Çarpım 0.2 Sıralı İkililer Şimdiye kadar sıra ya da
DetaylıBüyük boyutun laneti (Curse of Dimensionality)
Büyük boyutun laneti (Curse of Dimensionality) p Veri boyutu arttıkça örnekler (noktalar) uzay içinde çok fazla dağınık hale gelir. p Noktaların yoğunluğu ya da aralarındaki uzaklık bir çok problem için
DetaylıMühendislik Mekaniği Statik. Yrd.Doç.Dr. Akın Ataş
Mühendislik Mekaniği Statik Yrd.Doç.Dr. Akın Ataş Bölüm 10 Eylemsizlik Momentleri Kaynak: Mühendislik Mekaniği: Statik, R. C.Hibbeler, S. C. Fan, Çevirenler: A. Soyuçok, Ö. Soyuçok. 10. Eylemsizlik Momentleri
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık KORELASYON ve REGRESYON ANALİZİ Doç. Dr. İrfan KAYMAZ Tanım Bir değişkenin değerinin diğer değişkendeki veya değişkenlerdeki değişimlere bağlı olarak nasıl etkilendiğinin istatistiksel
DetaylıMAK 210 SAYISAL ANALİZ
MAK 210 SAYISAL ANALİZ BÖLÜM 6- İSTATİSTİK VE REGRESYON ANALİZİ Doç. Dr. Ali Rıza YILDIZ 1 İSTATİSTİK VE REGRESYON ANALİZİ Bütün noktalardan geçen bir denklem bulmak yerine noktaları temsil eden, yani
DetaylıBKİ farkı Standart Sapması (kg/m 2 ) A B BKİ farkı Ortalaması (kg/m 2 )
4. SUNUM 1 Gözlem ya da deneme sonucu elde edilmiş sonuçların, rastlantıya bağlı olup olmadığının incelenmesinde kullanılan istatistiksel yöntemlere HİPOTEZ TESTLERİ denir. Sonuçların rastlantıya bağlı
DetaylıOTOMATİK KONTROL SİSTEMLERİ İŞARET AKIŞ DİYAGRAMLARI SIGNAL FLOW GRAPH
OTOMATİK KONTROL SİSTEMLERİ İŞARET AKIŞ DİYAGRAMLARI SIGNAL FLOW GRAPH İŞARET AKIŞ DİYAGRAMLARI İşaret akış diyagramları blok diyagramlara bir alternatiftir. Fonksiyonel bloklar, işaretler, toplama noktaları
Detaylıİleri Diferansiyel Denklemler
MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferansiyel Denklemler 2009 Bahar Bu bilgilere atıfta bulunmak veya kullanım koşulları hakkında bilgi için http://ocw.mit.edu/terms web sitesini ziyaret
DetaylıLineer Programlama. Doğrusal terimi, hem amaç hem de kısıtları temsil eden matematiksel fonksiyonların doğrusal olduğunu gösterir.
LİNEER PROGRAMLAMA Giriş Uygulamada karşılaşılan birçok optimizasyon problemi kısıtlar içerir. Yani optimizasyon probleminde amaç fonksiyonuna ilave olarak çözümü kısıtlayıcı ek denklemler mevcuttur. Bu
DetaylıElastisite Teorisi Düzlem Problemleri için Sonuç 1
Elastisite Teorisi Düzlem Problemleri için Sonuç 1 Düzlem Gerilme durumu için: Bilinmeyenler: Düzlem Şekil değiştirme durumu için: Bilinmeyenler: 3 gerilme bileşeni : 3 gerilme bileşeni : 3 şekil değiştirme
DetaylıYeşilköy Anadolu Lisesi
Yeşilköy Anadolu Lisesi TANIM (KONUYA GİRİŞ) a, b, c gerçel sayı ve a ¹ 0 olmak üzere, ax 2 + bx + c = 0 biçimindeki her açık önermeye ikinci dereceden bir bilinmeyenli denklem denir. Bu açık önermeyi
Detaylı2016 YILI AKTÜERLİK SINAVLARI: İSTATİSTİK OLASILIK
Soru 1 X rassal değişkeninin olasılık yoğunluk fonksiyonu x x, x> f ( x) = 0, dy. 1 werilmiş ve Y = rassal değişkeni tanımlamış ise, Y değişkenin 0< 1 X 1 y için olasılık yoğunluk fonksiyonu aşağıdaki
DetaylıMeslek lisesi ve devlet lisesine giden N tane öğrenci olduğu ve bunların yıllık okul harcamalarına ait verilerin olduğu varsayılsın.
KUKLA DEĞİŞKENLİ MODELLER Bir kukla değişkenli modeller (Varyans Analiz Modelleri) Kukla değişkenlerin diğer kantitatif değişkenlerle alındığı modeller (Kovaryans Analizi Modeller) Kukla değişkenlerin
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
DetaylıYZM 3217 YAPAY ZEKA DERS#10: KÜMELEME
YZM 317 YAPAY ZEKA DERS#10: KÜMELEME Sınıflandırma (Classification) Eğiticili (supervised) sınıflandırma: Sınıflandırma: Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğunu bilinir Eğiticisiz (unsupervised)
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
DetaylıMühendislik Mekaniği Statik. Yrd.Doç.Dr. Akın Ataş
Mühendislik Mekaniği Statik Yrd.Doç.Dr. Akın Ataş Bölüm 2 Kuvvet Vektörleri Kaynak: Mühendislik Mekaniği: Statik, R.C.Hibbeler, S.C.Fan, Çevirenler: A. Soyuçok, Ö.Soyuçok. 2 Kuvvet Vektörleri Bu bölümde,
Detaylıİleri Diferansiyel Denklemler
MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferansiyel Denklemler 2009 Bahar Bu bilgilere atıfta bulunmak veya kullanım koşulları hakkında bilgi için http://ocw.mit.edu/terms web sitesini ziyaret
DetaylıREGRESYON ANALİZİ VE UYGULAMA. Yrd. Doç. Dr. Hidayet Takcı
REGRESYON ANALİZİ VE UYGULAMA Yrd. Doç. Dr. Hidayet Takcı htakci@cumhuriyet.edu.tr Sunum içeriği Bu sunumda; Lojistik regresyon konu anlatımı Basit doğrusal regresyon problem çözümleme Excel yardımıyla
DetaylıNazım K. Ekinci Matematiksel İktisat Notları ax 1 + bx 2 = α cx 1 + dx 2 =
Naım K. Ekinci Matematiksel İktisat Notları 0.6. DOĞRUSL DENKLEM SİSTEMLERİ ax + bx = α cx + dx = gibi bir doğrusal denklem sistemini, x ve y bilinmeyenler olmak üere, çömeyi hepimi biliyoru. ma probleme
Detaylı18 Haziran 2009. Đlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL. Đlgili Modül/ler : Muhasebe
18 Haziran 2009 Đlgili Versiyon/lar : ETA:SQL, ETA:V.8-SQL Đlgili Modül/ler : Muhasebe ÖRNEKLER ĐLE FĐŞ CAMBAZI Fiş cambazları muhasebe fişlerini işlerken hızlı, pratik ve hatasız işlememizi sağlayan ETA
DetaylıMakine Öğrenmesi 2. hafta
Makine Öğrenmesi 2. hafta Uzaklığa dayalı gruplandırma K-means kümeleme K-NN sınıflayıcı 1 Uzaklığa dayalı gruplandırma Makine öğrenmesinde amaç birbirine en çok benzeyen veri noktalarını aynı grup içerisinde
DetaylıMAK 210 SAYISAL ANALİZ
MAK 210 SAYISAL ANALİZ BÖLÜM 8- SAYISAL İNTEGRASYON 1 GİRİŞ Mühendislikte sık karşılaşılan matematiksel işlemlerden biri integral işlemidir. Bilindiği gibi integral bir büyüklüğün toplam değerinin bulunması
Detaylı13. Olasılık Dağılımlar
13. Olasılık Dağılımlar Mühendislik alanında karşılaşılan fiziksel yada fiziksel olmayan rasgele değişken büyüklüklerin olasılık dağılımları için model alınabilecek çok sayıda sürekli ve kesikli fonksiyon
DetaylıİSTATİSTİKSEL DARALTICI (SHRINKAGE) MODEL VE UYGULAMALARI * A Statistical Shrinkage Model And Its Applications*
Ç.Ü. Fen Bilimleri Enstitüsü Yıl:010 Cilt:-1 İSTATİSTİKSEL DARALTICI (SHRINKAGE) MODEL VE UYGULAMALARI * A Statistical Shrinkage Model And Its Applications* Işıl FİDANOĞLU İstatistik Anabilim Dalı Fikri
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
Detaylı+..+b 0 Polinomlarının. kongüransını inceleyeceğiz.
POLİNOMLAR VE WİLSON TEOREMİ 9.1 Polinomlar kongüranslar. Polinomları ve onların soyut cebir ile ilgili özelliklerini 4. bölümde geniș ele alacağız. Bu kısımda ise sayılar teorisi açısından bazı özelliklerine
DetaylıDers 9: Kitle Ortalaması ve Varyansı için Tahmin
Ders 9: Kitle Ortalaması ve Varyansı için Tahmin Kitle ve Örneklem Örneklem Dağılımı Nokta Tahmini Tahmin Edicilerin Özellikleri Kitle ortalaması için Aralık Tahmini Kitle Standart Sapması için Aralık
DetaylıNESNEYE YÖNELİK PROGRAMLAMA
NESNEYE YÖNELİK PROGRAMLAMA Metotlar Şu ana kadar yaptığımız örneklerde hep önceden hazırlanmış ReadLine(), WriteLine() vb. gibi metotları kullandık. Artık kendi metotlarımızı yapmanın zamanı geldi. Bilmem
DetaylıHer bir kapının girişine sinyal verilmesi zamanı ile çıkışın alınması zamanı arasında çok kısa da olsa fark bulunmaktadır -> kapı gecikmesi
Kapılardaki gecikme Her bir kapının girişine sinyal verilmesi zamanı ile çıkışın alınması zamanı arasında çok kısa da olsa fark bulunmaktadır -> kapı gecikmesi Kapılardaki gecikme miktarının hesaplanması
DetaylıYarım toplayıcının fonksiyonelliği ile 4 x 2 bit ROM hafıza(çok küçük bir hafıza) programlandığının bir örneğini düşünelim:
Başvuru Çizelgeleri Son bölümde sayısal hafıza cihazları hakkında bilgi aldınız, katı-hal cihazlarıyla ikili veri depolamanın mümkün olduğunu biliriz. Bu depolama "hücreleri" katı-hal hafıza cihazlarıyla
DetaylıParametrik doğru denklemleri 1
Parametrik doğru denklemleri 1 A noktasından geçen, doğrultman (doğrultu) vektörü w olan d doğrusunun, k parametresine göre parametrik denklemi: AP k w P A k w P A k w P A k W (P değişken nokta) A w P
DetaylıSÜREKLĠ OLASILIK DAĞILIMLARI
SÜREKLĠ OLASILIK DAĞILIMLARI Sayı ekseni üzerindeki tüm noktalarda değer alabilen değişkenler, sürekli değişkenler olarak tanımlanmaktadır. Bu bölümde, sürekli değişkenlere uygun olasılık dağılımları üzerinde
DetaylıJEODEZİK VERİLERİN İSTATİSTİK ANALİZİ. Prof. Dr. Mualla YALÇINKAYA
JEODEZİK VERİLERİN İSTATİSTİK ANALİZİ Prof. Dr. Mualla YALÇINKAYA Karadeniz Teknik Üniversitesi, Harita Mühendisliği Bölümü Trabzon, 2018 VERİLERİN İRDELENMESİ Örnek: İki nokta arasındaki uzunluk 80 kere
DetaylıGÜZ DÖNEMİ ARASINAV SORULARI. 1. Sayısal çözümleme ve fonksiyonu tanımlayarak kullanıldığı alanları kısaca açıklayınız?
MAK 05 SAYISAL ÇÖZÜMLEME S Ü L E Y M A N D E M Ġ R E L Ü N Ġ V E R S Ġ T E S Ġ M Ü H E N D Ġ S L Ġ K F A K Ü L T E S Ġ M A K Ġ N A M Ü H E N D Ġ S L Ġ Ğ Ġ B Ö L Ü M Ü I. öğretim II. öğretim A şubesi B
DetaylıÖRNEKLER-VEKTÖR UZAYLARI 1. Çözüm: w=k 1 u+k 2 v olmalıdır.
ÖRNEKLER-VEKTÖR UZAYLARI. vektör uzayında yer alan w=(9 7) vektörünün, u=( -), v=(6 ) vektörlerinin doğrusal bir kombinasyonu olduğunu ve z=( - 8) vektörünün ise bu vektörlerin doğrusal bir kombinasyonu
DetaylıMatris Cebiriyle Çoklu Regresyon Modeli
Matris Cebiriyle Çoklu Regresyon Modeli Hüseyin Taştan Mart 00 Klasik Regresyon Modeli k açıklayıcı değişkenden oluşan regresyon modelini her gözlem i için aşağıdaki gibi yazabiliriz: y i β + β x i + β
Detaylıİlk Yapay Sinir Ağları. Dr. Hidayet Takçı
İlk Yapay Sinir Ağları Dr. Hidayet htakci@gmail.com http://htakci.sucati.org Tek katmanlı algılayıcılar (TKA) Perceptrons (Rosenblat) ADALINE/MADALINE (Widrow and Hoff) 2 Perseptron eptronlar Basit bir
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
Detaylıİstatistiksel Mekanik I
MIT Açık Ders Malzemeleri http://ocw.mit.edu 8.333 İstatistiksel Mekanik I: Parçacıkların İstatistiksel Mekaniği 2007 Güz Bu materyallerden alıntı yapmak veya Kullanım Şartları hakkında bilgi almak için
DetaylıKümeleme Algoritmaları. Tahir Emre KALAYCI
Tahir Emre KALAYCI 2010 Gündem En önemli gözetimsiz öğrenme (unsupervised learning) problemi olarak değerlendirilmektedir Bu türdeki diğer problemler gibi etiketsiz veri kolleksiyonları için bir yapı bulmakla
DetaylıBÜYÜK VERI UYGULAMALARı DERS 5-6. Doç. Dr. Yuriy Mishchenko
1 BÜYÜK VERI UYGULAMALARı DERS 5-6 Doç. Dr. Yuriy Mishchenko PLAN Amazon ML hizmetini kullanmaya pratik giriş Baze ek gereken makine öğrenme kavramları genelleme, eğitim ve test veri kümeleri, makine öğrenme
DetaylıFonksiyon Minimizasyonunda Simulated Annealing Yöntemi
07-04-006 Ümit Akıncı Fonksiyon Minimizasyonunda Simulated Annealing Yöntemi İçindekiler Fonksiyon Minimizasyonu Metropolis Algoritması. Algoritma.......................................... Bir boyutlu
Detaylı4. HAFTA BLM323 SAYISAL ANALİZ. Okt. Yasin ORTAKCI.
4. HAFTA BLM33 SAYISAL ANALİZ Okt. Yasin ORTAKCI yasinortakci@karabuk.edu.tr Karabük Üniversitesi Uzaktan Eğitim Uygulama ve Araştırma Merkezi BLM33 DOĞRUSAL OLMAYAN (NONLINEAR) DENKLEM SİSTEMLERİ Mühendisliğin
Detaylıİleri Diferansiyel Denklemler
MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferansiyel Denklemler 2009 Bahar Bu bilgilere atıfta bulunmak veya kullanım koşulları hakkında bilgi için http://ocw.mit.edu/terms web sitesini ziyaret
DetaylıMath 322 Diferensiyel Denklemler Ders Notları 2012
1 Genel Tanımlar Bir veya birden fazla fonksiyonun türevlerini içeren denklemlere diferensiyel denklem denmektedir. Diferensiyel denklemler Adi (Sıradan) diferensiyel denklemler ve Kısmi diferensiyel denklemler
DetaylıEMM3208 Optimizasyon Teknikleri
2017-2018 Bahar Yarıyılı Balıkesir Üniversitesi Endüstri Mühendisliği Bölümü EMM3208 Optimizasyon Teknikleri (GAMS Kurulumu ve Temel Özellikleri, GAMS ile Modellemeye Giriş) 3 Yrd. Doç. Dr. İbrahim Küçükkoç
DetaylıProgramlama Giriş. 17 Ekim 2015 Cumartesi Yrd. Doç. Dr. Mustafa YANARTAŞ 1
17 Ekim 2015 Cumartesi Yrd. Doç. Dr. Mustafa YANARTAŞ 1 Ders Not Sistemi Vize : % 40 Final : % 60 Kaynaklar Kitap : Algoritma Geliştirme ve Programlama Giriş Yazar: Dr. Fahri VATANSEVER Konularla ilgili
DetaylıConcept Learning. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ. Yapay Zeka - Kavram Öğrenme
Concept Learning Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ 1 İÇERİK Öğrenme Metotları Kavram Öğrenme Nedir? Terminoloji Find-S Algoritması Candidate-Elimination Algoritması List-Then Elimination Algoritması
DetaylıYÖNEYLEM ARAŞTIRMASI - II
YÖNEYLEM ARAŞTIRMASI - II Araş. Gör. Murat SARI 1/35 I Giriş Biri diğerini izleyen ve karşılıklı etkileri olan bir dizi kararın bütünüyle ele alındığı problemler için geliştirilen karar modelleri ve bunların
DetaylıZaman Domeninde Modelleme Transfer Fonksiyonu Durum Uzay Dönüşümü Durum Uzay Transfer Fonksiyonu DönüşümÜ
DÜZCE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ MAKİNE MÜHENDİSLİĞİ MM306 SİSTEM DİNAMİĞİ Zaman Domeninde Modelleme Transfer Fonksiyonu Durum Uzay Dönüşümü Durum Uzay Transfer Fonksiyonu DönüşümÜ 1 EEM304 MM306
DetaylıLİNEER CEBİR ve MÜHENDİSLİK UYGULAMALARI (MEH111) Dersi Final Sınavı 1.Ö
LİNEER CEBİR ve MÜHENDİSLİK UYGULAMALARI (MEH) Dersi Final Sınavı.Ö. 02.0.207 Ad Soyad : (25p) 2(25p) 3(25p) 4(25p) Toplam Numara : İmza : Kitap ve notlar kapalıdır. Yalnızca kalem, silgi, sınav kağıdı
DetaylıVERİ MADENCİLİĞİ (Veri Önişleme-1) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Veri Önişleme-1) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma Kümeleme
Detaylı13. Karakteristik kökler ve özvektörler
13. Karakteristik kökler ve özvektörler 13.1 Karakteristik kökler 1.Tanım: A nxn tipinde matris olmak üzere parametrisinin n.dereceden bir polinomu olan şeklinde gösterilen polinomuna A matrisin karakteristik
Detaylıx 2i + A)( 1 yj 2 + B) u (v + B), y 1
Ders 11: Örnekler 11.1 Kulplarla inşalar Bu bölümde kulpları birbirine yapıştırıp tanıdık manifoldlar elde edeceğiz. Artık bu son ders. Özellikle dersin ikinci bölümünde son meyveleri toplamak adına koşarak
DetaylıAlgoritmalar. Sıralama Problemi ve Analizi. Bahar 2017 Doç. Dr. Suat Özdemir 1
Algoritmalar Sıralama Problemi ve Analizi Bahar 2017 Doç. Dr. Suat Özdemir 1 Sıralama Problemi ve Analizi Bu bölümde öncelikle bir diğer böl-ve-yönet yöntemine dayalı algoritma olan Quick Sort algoritması
DetaylıBu durumu, konum bazında bileşenlerini, yani dalga fonksiyonunu, vererek tanımlıyoruz : ) 1. (ikx x2. (d)
Ders 10 Metindeki ilgili bölümler 1.7 Gaussiyen durum Burada, 1-d de hareket eden bir parçacığın önemli Gaussiyen durumu örneğini düşünüyoruz. Ele alış biçimimiz kitaptaki ile neredeyse aynı ama bu örnek
DetaylıKübik Spline lar/cubic Splines
Kübik spline lar önceki metodların aksine bütün data noktalarına tek bir fonksiyon/eğri uydurmaz. Bunun yerine her çift nokta için ayrı ayrı üçüncü dereceden polinomlar uydurur. x i noktasından geçen soldaki
DetaylıKavramsal Tasarım - I
Kavramsal Tasarım - I 25.12.2017 1 Kavramsal Tasarımlar Geliştirme ve Geçerli Kılma 6. Kavramsal Tasarım a. Fonksiyon yapısı b. Metodik kısmi çözümler geliştirme i. Etkileşimli yöntemler ii. Sezgisel (Heuristik)
DetaylıKLASİK BULANIK MANTIK DENETLEYİCİ PROBLEMİ : INVERTED PENDULUM
KLASİK BULANIK MANTIK DENETLEYİCİ PROBLEMİ : INVERTED PENDULUM M.Ali Akcayol Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Bilgisayar Mühendisliği Bölümü (Yüksek Lisans Tezinden Bir Bölüm) Şekil 1'
DetaylıYÖNEYLEM ARAŞTIRMASI - III
YÖNEYLEM ARAŞTIRMASI - III Prof. Dr. Cemalettin KUBAT Yrd. Doç. Dr. Özer UYGUN İçerik Bu bölümde eşitsizlik kısıtlarına bağlı bir doğrusal olmayan kısıta sahip problemin belirlenen stasyoner noktaları
DetaylıNokta uzayda bir konumu belirtir. Noktanın 0 boyutlu olduğu kabul edilir. Herhangi bir büyüklüğü yoktur.
Üç Boyutlu Geometri Nokta (Point,Vertex) Nokta uzayda bir konumu belirtir. Noktanın 0 boyutlu olduğu kabul edilir. Herhangi bir büyüklüğü yoktur. Kartezyen Koordinat Sistemi Uzayda bir noktayı tanımlamak
DetaylıMIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009
MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.
DetaylıDENKLEM SİSTEMLERİ. ifadesinde a sayısı bilinmeyenin katsayısı ve b ise sabit sayıdır.
DENKLEM SİSTEMLERİ 1) BİRİNCİ DERECEDEN BİR BİLİNMEYENLİ DENKLEMLER: a,bϵ R ve olmak üzere; şeklindeki denklemlere birinci dereceden bir bilinmeyenli denklem denir. Bu tür denklemlerde sadece bir bilinmeyen
Detaylı