BLM-431 YAPAY ZEKA. Ders-5 Bilgili Arama Yöntemleri. Yrd. Doç. Dr. Ümit ATİLA
|
|
- Süleiman Levni
- 6 yıl önce
- İzleme sayısı:
Transkript
1 BLM-431 YAPAY ZEKA Ders-5 Bilgili Arama Yöntemleri Yrd. Doç. Dr. Ümit ATİLA
2 Arama Grafları Eğer arama uzayı ağaç yapısından değil de graf ise, bu arama ağacı aynı durumu gösteren farklı düğümler içerebilir. 2
3 Üssel Olarak Büyüyen Arama Uzayı oluşturan Durum Uzayları 3
4 Tekrarlı Durumları Önleme Daha önce bulunulan duruma geri dönme İçinde döngüler bulunan yollar üretme Daha önce oluşturulmuş bir durumu oluşturma 4
5 Graf arama algoritması Fringe, başlangıç durumunu tutan liste olsun Closed, başlangıçta boş olsun Döngü Eğer Fringe boş ise hata döndür Node remove_first(fringe) Eğer Node hedef düğüm ise Başlangıç düğümünden Node düğümüne kadar olan yolu döndür Değilse, Node düğümünü Closed listesine ekle Node düğümünün tüm successor düğümlerini oluştur S içinde yer alan her m düğümü için tekrarla Eğer m Closed içinde yoksa, m yi Fringe e ekle Dögüyü Bitir 5
6 Uniform-Cost arama Düğümleri maliyetlerine göre sıradan çıkar. g(n) = başlangıç düğümünden mevcut n düğümüne kadar olan yolun maliyeti olsun. Düğümleri maliyetlere göre artan şekilde sırala. Fringe te yer alan en düşük maliyetli düğümü aç Complete Optimal / Kabul edilebilir Zaman ve uzay karmaşıklığı üssel. O (b d ) 6
7 Uniform-Cost arama 7
8 Bilgili Arama Bilgisiz arama yöntemleri sistematik olarak durum uzayını keşfeder ve hedef durumu bulur. Çoğu durumda verimsizdirler. Üssel artan zaman ve uzay karmaşıklığı O(b d ) Bilgili arama yöntemleri probleme has bilgiyi kullanır. Daha verimli yöntemler 8
9 Sezgisellik Heuristic: pratik yöntem Heuristic, bir hedefe varmak için, birçok alternatif eylem arasından hangisinin en verimli olduğuna karar vermek te kullanılan kriter, metod ve prensiplerdir. (Judea Pearl) Heuristic, en umut verici olan yolu tanımlamada kullanılabilir. 9
10 Heuristic Fonksiyon Örnekleri Heuristic fonksiyon bir n düğümünden hedef düğüme olan tahmini optimal maliyettir. h(n) n düğümünden hedef düğüme en az maliyetli yolun maliyetinin tahmin edilmesi. Örnek: İki şehir arası düz hat mesafesi gerçek yol maliyetinin tahmin edilmesinde bir heuristic bilgi olarak kullanılabilir. 10
11 Best First arama Breadth first aramanın genelleştirilmesidir. Açılacak düğümler öncelik sırasına sokulur. Her bir düğüme maliyet fonksiyonu f(n) uygulanır. 11
12 Best First arama Fringe, başlangıç durumunu içeren bir öncelik kuyruğu olsun. Döngü Eğer Fringe boş ise hata döndür Node remove_first(fringe) Eğer Node hedef düğüm ise Başlangıç düğümünden Node düğümüne kadar olan yolu döndür Değilse, Node düğümünün tüm successor düğümlerini oluştur ve yeni oluşturulan düğümleri f fonksiyon değerine göre Fringe e yerleştir. Dögüyü Bitir 12
13 Greedy Arama algoritması 13
14 Greedy Arama algoritması Genel Fikir: Hedefe varmak için en düşük tahmini maliyete sahip düğümü önce açar. Heuristic fonksiyonu f(n) = h(n) Örnek: İki şehir arası düz hat mesafesi gerçek yol maliyetinin tahmin edilmesinde bir heuristic bilgi olarak kullanılabilir. h SDL (In(Arad)) =
15 GREEDY BEST-FIRST SEARCH 15
16 GREEDY BEST-FIRST SEARCH 16
17 GREEDY BEST-FIRST SEARCH 17
18 GREEDY BEST-FIRST SEARCH 18
19 GREEDY BEST-FIRST SEARCH Complete? Hayır. Çıkmaz bir yoldan başlayabilir ve sonsuz döngüye girebilir. Time? O(b m ), tüm düğümler hafızada tutulur. Space? O(b m ) tüm düğümler hafızada tutulur m: arama uzayının maksimum derinliğidir. Zaman ve alan karmaşıklığı iyi bir sezgisel fonksiyonla çok daha iyi bir gelişme gösterebilir. Optimal? Hayır. Depth-first arama gibi hedefe doğru tek bir yoldan gitmeyi tercih eder. Tıkandığı noktadan geri dönebilir. Ama optimalliği yitirmiş olur. örn. Arad Sibiu Rimnicu Virea Pitesti Bucharest yolu daha kısadır! 19
20 A* Arama Greedy-best first ve Uniform-cost arama algoritmalarının avantajlı yönlerini birleştiren algoritmadır. Best-first aramanın en bilinen hali A* algoritması Düğüm değerlendirmesi: f(n) = g(n) + h(n) g(n): n düğümüne gidiş maliyeti h(n): n düğümünden hedefe tahmini gidiş maliyeti f(n): n düğümünden hedefe en iyi çözümün tahmini maliyeti. 20
21 A* Arama Eğer h(n) h*(n) ise h(n) sezgisel fonksiyonu her n düğümü için kabul edilebilirdir (admissible heuristic). Burada h*(n) n düğümünden hedef duruma gerçek maliyetidir. Kabul edilebilir sezgisellik hedefe ulaşma maliyetini asla yüksek tahmin etmez (overestimate). İyimserdir. Örn: h SLD (n) (hiçbir zaman gerçek yol mesafesinin üstünde tahminde bulunmaz) Çünkü iki nokta arasındaki en kısa yol düz hat mesafesidir. Teorem: Eğer h(n) kabul edilebilir ise, TREE-SEARCH kullanan A* algoritması optimaldir. 21
22 A * search örneği a 22
23 A * search örneği b 23
24 A * search örneği c 24
25 A * search örneği d 25
26 A * search örneği e 26
27 A * search örneği f 27
28 A * search örneği Romanya örneğinde Bükreş ilk defa (e) adımında kuyruğa ekleniyor. Ancak düğüm açılmıyor çünkü f(bükreş)=450 > f(pitesti)=417 Buradan çıkarılacak anlam: Belki de Pitesti üzerinden gidilirse Pitesti'inin maliyeti gibi düşük bir maliyetle sonuca ulaşılabilir. Bu örnekten yola çıkarak Eğer h(n) kabul edilebilir ise, TREE-SEARCH kullanan A* algoritması optimaldir teoremi ispatlanabilir. 28
29 A* Arama Eğer A* algoritmasını GRAPH_SEARCH algoritmasıyla uygularsak TREE_SEARCH için verilen Teorem geçersiz olur. Çünkü GRAPH_SEARCH algoritması alt optimal yolları çözüm olarak bulabilir. 29
30 Tutarlı (Consistent) Sezgisellik h(n) sezgisel fonksiyonunun tutarlı olması için: h(n) <= c(n,a,n') + h(n') Bu kural üçgen eşitsizliği kuralıdır. Kabul edilebilir her sezgisel aynı zamanda tutarlıdır Teorem: Eğer h(n) tutarlı ise, GRAPH_SEARCH kullanan A* algoritması optimaldir. 30
31 Tutarlı (Consistent) Sezgisellik Tutarlılığın bir diğer sonucu: Eğer h(n) tutarlı ise, herhangi bir yol üzerinde f(n) değerleri azalmayandır İspatı tutarlılığını tanımından çıkarabiliriz. n', n düğümünün varisi (successor) olsun. Bu durumda g(n') = g(n) + c(n,a,n') Buradan f(n') = g(n') + h(n') = g(n) + c(n,a,n') + h(n') >= g(n) + h(n) = f(n) 31
32 A* Arama 32
33 A* Arama Özellikleri A* algoritması complete dir. A* algoritması f(n)> C* olan hiçbir düğümü açmaz. Romanya örneğinde Timisora düğümü açılmamıştır. Timisora altındaki alt ağaç budanmıştır. Düz hat mesafesi kullanan sezgisel fonksiyon tutarlı olduğu için Timisora altındaki ağacın budanması optimalliği bozmaz. Budama -olasılıkların kontrol edilmeden değerlendirilmekten muaf tutulması- Yapay Zekanın birçok alanı için çok önemlidir. 33
34 A* Arama Özellikleri A* algoritması verilen herhangi bir sezgisel fonksiyon için en iyi derecede verimlidir. A* algoritması complete, optimal ve en iyi derecede verimlidir. Sezgisel fonksiyonun hatasındaki büyüme gerçek yol maliyetinin logaritmasından daha hızlı büyümediği durum haricinde Time/Space karmaşıklığı üssel dir. h(n) (h*(n) < = O( log h* (n) ) Bu durumda büyüme üssel değildir h*(n) = n düğümünden hedefe gerçek maliyet. A* algoritması (her GRAPH_SEARCH algoritmasında olduğu gibi) tüm üretilen düğümleri hafızada tutar. 34
35 Sezgisel Fonksiyonlar 8-puzzle için en iyi bilinen iki sezgisel yöntem vardır. h1= yerinde olmayan karelerin sayısı. h2= Karelerin olması gereken yerlerine olan mesafeleri toplamı. 35
36 Heuristic Fonksiyon Örnekleri 8-puzzle: Yerinde olmayan blokların sayısı 36
37 Heuristic Fonksiyon Örnekleri 8-puzzle: Manhattan kuralı 37
38 Sezgisel Fonksiyonların Doğruluğunun Performansa Etkisi Sezgisel fonksiyonun kalitesini karakterize etmenin yolu dallanma faktörü b* dir. Eğer A* algoritmasının bir problem için oluşturduğu toplam düğüm sayısı N, çözümün derinliğ d ise, N+1 = 1+ (b*) (b*) d b* değeri 1'e nekadar yakın olursa sezgisel fonksiyon büyük problemlerin çözümünde o kadar kalitelidir. 38
39 Sezgisel Fonksiyonların Doğruluğunun Performansa Etkisi 39
BLM-431 YAPAY ZEKA. Ders-4 Bilgisiz Arama Yöntemleri. Yrd. Doç. Dr. Ümit ATİLA
BLM-431 YAPAY ZEKA Ders-4 Bilgisiz Arama Yöntemleri Yrd. Doç. Dr. Ümit ATİLA umitatila@karabuk.edu.tr http://web.karabuk.edu.tr/umitatilla/ Dersin Hedefleri Aşağıda verilen arama stratejilerini anlamak
DetaylıSezgisel-Bilgili Arama (Heuristic-Informed Search)
Sezgisel-Bilgili rama (Heuristic-Informed Search) 1 Sezgisel-Bilgili rama (Heuristic-Informed Search) Kör arama yöntemleri basittir, fakat çoğu zaman pratik değildir. Kör arama yöntemleri bilgisiz yöntemlerdir.
DetaylıBLM-431 YAPAY ZEKA. Ders-3 Durum Uzayında Arama. Yrd. Doç. Dr. Ümit ATİLA
BLM-431 YAPAY ZEKA Ders-3 Durum Uzayında Arama Yrd. Doç. Dr. Ümit ATİLA umitatila@karabuk.edu.tr http://web.karabuk.edu.tr/umitatilla/ Dersin Hedefleri Durum uzayı temsilini öğrenmek ve durum uzayında
DetaylıYZM YAPAY ZEKA DERS#4: BİLGİSİZ ARAMA YÖNTEMLERİ
YZM 327 - YAPAY ZEKA DERS#4: BİLGİSİZ ARAMA YÖNTEMLERİ Bilgisiz Arama Stratejisi Sadece problem formülasyonundaki mevcut bilgiyi kullanır Durum bilgisinden yararlanmazlar Çözüme ulaşmak için hiçbir bilgi
DetaylıYZM 3217 YAPAY ZEKA DERS#5: BİLGİLİ ARAMA YÖNTEMLERİ
YZM 3217 YPY ZEK ER#5: İLGİLİ RM YÖNTEMLERİ Hatırlatma ilgisiz rama Yöntemleri Genişlik-öncelikli (readth-first) Eşit-maliyetli (Uniform-cost) erinlik-öncelikli (epth-first) erinlik-sınırlı (epth-limited)
DetaylıArama Algoritmaları ile Gerçek Dünya Örnekleri
Arama Algoritmaları Arama Algoritmaları ile Gerçek Dünya Örnekleri Rota Bulma bilgisayar ağları, otomatik seyahat tavsiye sistemleri, havayolu seyahat planlama sistemleri gibi değişik alanlarda kullanılmaktadır
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,
DetaylıÖrnek Arasınav Soruları Güz 2017
Sayfa#1 Manisa Celal Bayar Üniversitesi Yazılım Mühendisliği Bölümü YZM 3217- Yapay Zekâ Dersi Örnek Arasınav Soruları Güz 2017 Süre: 75 Dakika Adı ve Soyadı YANIT ANAHTARI Öğrenci Numarası Grubu İmza
DetaylıYZM 3217 YAPAY ZEKA DERS#3: PROBLEM ÇÖZME VE ARAMA
YZM 3217 YAPAY ZEKA DERS#3: PROBLEM ÇÖZME VE ARAMA Problem çözme ve arama Problem çözmeye giriş Karmaşıklık Bilgisiz arama Problem formülasyonu Arama stratejileri: derinlik-önce, genişlik-önce Bilgili
DetaylıYZM ALGORİTMA ANALİZİ VE TASARIM DERS#6: AZALT VE FETHET YÖNTEMİ
YZM 3207- ALGORİTMA ANALİZİ VE TASARIM DERS#6: AZALT VE FETHET YÖNTEMİ Azalt ve Fethet Algoritmaları Problemi daha küçük bir örneğine çevir: Küçük örneği çöz Çözümü asıl probleme genişlet 3 tipi vardır:
DetaylıAlgoritma Geliştirme ve Veri Yapıları 10 Graf Veri Modeli. Mustafa Kemal Üniversitesi
Algoritma Geliştirme ve Veri Yapıları 10 Graf Veri Modeli Graf, matematiksel anlamda, düğümler ve bu düğümler arasındaki ilişkiyi gösteren kenarlardan oluşan bir kümedir; mantıksal ilişki düğüm ile düğüm
DetaylıYapay Zeka. BM437, Bahar 2014-1015. Öğretim Üyesi: Yrd. Doç. Dr. Mehmet ŞİMŞEK
Yapay Zeka BM437, Bahar 2014-1015 Öğretim Üyesi: Yrd. Doç. Dr. Mehmet ŞİMŞEK Günün Dersi Arama Algoritmaları Problem çözme ajanları Problem tipleri Problem formülasyonu Örnek problemler Temel arama algoritmaları
DetaylıYZM YAPAY ZEKA DERS#6: REKABET ORTAMINDA ARAMA
YZM 3217- YAPAY ZEKA DERS#6: REKABET ORTAMINDA ARAMA Oyun Oynama Çoklu vekil ortamı-her bir vekil karar verirken diğer vekillerin de hareketlerini dikkate almalı ve bu vekillerin onun durumunu nasıl etkileyeceğini
DetaylıYÖNEYLEM ARAŞTIRMASI - III
YÖNEYLEM ARAŞTIRMASI - III Prof. Dr. Cemalettin KUBAT Yrd. Doç. Dr. Özer UYGUN İçerik Altın Oran (Golden Section Search) Arama Metodu Tek değişkenli bir f(x) fonksiyonunu ele alalım. [Bazı x ler için f
DetaylıEM302 Yöneylem Araştırması 2. Dr. Özgür Kabak
EM302 Yöneylem Araştırması 2 Dr. Özgür Kabak TP Çözümü TP problemlerinin çözümü için başlıca iki yaklaşım vardır kesme düzlemleri (cutting planes) dal sınır (branch and bound) tüm yaklaşımlar tekrarlı
DetaylıProblem Set 1 Çözümler
Algoritmalara Giriş Eylül 30, 2005 Massachusetts Institute of Technology 6.046J/18.410J Profesörler Erik D. Demaine ve Charles E. Leiserson Dağıtım 8 0J Professors Erik D. Demaine ve Charles E. Leiserson
DetaylıYZM ALGORİTMA ANALİZİ VE TASARIM DERS#2: ALGORİTMA ANALİZİ
YZM 3207- ALGORİTMA ANALİZİ VE TASARIM DERS#2: ALGORİTMA ANALİZİ Algoritma Analizi Çerçevesi Algoritma Analizinde Göz Önünde Bulundurulması Gerekenler Neler? Algoritmanın Doğruluğu (Correctness) Zaman
DetaylıAzalt ve Fethet Algoritmaları
Azalt ve Fethet Algoritmaları Problemi daha küçük bir örneğine çevir: Küçük örneği çöz Çözümü asıl probleme genişlet 3 tipi vardır: Bir sabitle azalt (Genellikle 1) Eklemeli Sıralama (Insertion Sort) Topolojik
Detaylı10.Hafta Minimum kapsayan ağaçlar Minimum spanning trees (MST)
1 10.Hafta Minimum kapsayan ağaçlar Minimum spanning trees (MST) Kapsayan ağaç Spanning Tree (ST) Bir Kapsayan Ağaç (ST); G, grafındaki bir alt graftır ve aşağıdaki özelliklere sahiptir. G grafındaki tüm
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.
DetaylıAlgoritmalar. Çizge Algoritmaları. Bahar 2017 Doç. Dr. Suat Özdemir 1
Algoritmalar Çizge Algoritmaları Bahar 201 Doç. Dr. Suat Özdemir 1 En Kısa Yol Problemi Çizgelerdeki bir diğer önemli problem de bir düğümden diğer bir düğüme olan en kısa yolun bulunmasıdır. Bu problem
DetaylıBLM-112 PROGRAMLAMA DİLLERİ II. Ders-7 Sıralama Algoritmaları
BLM-112 PROGRAMLAMA DİLLERİ II Ders-7 Sıralama Algoritmaları Yrd. Doç. Dr. Ümit ATİLA umitatila@karabuk.edu.tr http://web.karabuk.edu.tr/umitatilla/ Sıralama Bir grup veriyi azalan veya artan şekilde yerleştirme.
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 Yapay Zeka BİM-433 4/II 2+2+0 3 4,5 Dersin Dili Dersin Seviyesi
DetaylıÖZET...V ABSTRACT...VII TEŞEKKÜR... IX ŞEKİLLER DİZİNİ... XIV SÖZLÜK... XIX
XI İÇİNDEKİLER ÖZET...V ABSTRACT...VII TEŞEKKÜR... IX ŞEKİLLER DİZİNİ... XIV SÖZLÜK... XIX 1. GİRİŞ... 1 2. PLANLAMANIN TARİHÇESİ... 7 2.1 Literatürdeki Planlayıcılar ve Kullandıkları Problem... Gösterimi
DetaylıGRAPH LAR Düzce Üniversitesi Teknoloji Fakültesi VERİ YAPILARI. Bilgisayar Mühendisliği ÖĞR.GÖR.GÜNAY TEMÜR 1
VERİ YAPILARI GRAPH LAR Düzce Üniversitesi Teknoloji Fakültesi Bilgisayar Mühendisliği ÖĞR.GÖR.GÜNAY TEMÜR 1 GRAPH (ÇİZGE - GRAF) Terminoloji Çizge Kullanım Alanları Çizge Gösterimi Komşuluk Matrisi Komşuluk
DetaylıYrd. Doç. Dr. Ümit ATİLA
Yrd. Doç. Dr. Ümit ATİLA Sıralama Bir grup veriyi azalan veya artan şekilde yerleştirme. Bilgisayar sistemleri için veri sıralama çok önemlidir. Sıralama işlemi, hem arama işlemlerini hem de bir grup veriyi
DetaylıGraflar bilgi parçaları arasındaki ilişkileri gösterirler.
Graflar (Graphs) Graf gösterimi Uygulama alanları Graf terminolojisi Depth first dolaşma Breadth first dolaşma Topolojik sıralama Yrd.Doç.Dr. M. Ali Akcayol Graflar Graflar bilgi parçaları arasındaki ilişkileri
DetaylıDOSYA ORGANİZASYONU. Çarpışma çözümleme yöntemleri ÖZLEM AYDIN TRAKYA ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
DOSYA ORGANİZASYONU ÖZLEM AYDIN TRAKYA ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ Çarpışma çözümleme yöntemleri Sunum planı Bağlantıları kullanarak çarpışmaların çözümlenmesi. Coalesced Hashing (Birleştirilmiş
DetaylıBLM 210 PROGRAMLAMA LABORATUVARI II PROJELERİ
1 BLM 210 PROGRAMLAMA LABORATUVARI II PROJELERİ 1. Programlama Laboratuvarı II dersinde aşağıdaki takvimde belirtilen konularda projeler gerçekleştirilecektir. Proje takviminin telafisi olmayacaktır. Proje
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
DetaylıÇizgeler (Graphs) Doç. Dr. Aybars UĞUR
Çizgeler (Graphs) ve Uygulamaları Doç. Dr. Aybars UĞUR Giriş Şekil 12.1 : Çizge (Graph) Çizge (Graph) : Köşe (vertex) adı verilen düğümlerden ve kenar (edge) adı verilip köşeleri birbirine bağlayan bağlantılardan
DetaylıMETASEZGİSEL YÖNTEMLER
METASEZGİSEL YÖNTEMLER Ara sınav - 30% Ödev (Haftalık) - 20% Final (Proje Sunumu) - 50% - Dönem sonuna kadar bir optimizasyon tekniğiyle uygulama geliştirilecek (Örn: Zaman çizelgeleme, en kısa yol bulunması,
DetaylıAlgoritma Analizi. Özelliklerinin analizi Algoritmanın çalışma zamanı Hafızada kapladığı alan
Karmaşıklık Giriş 1 Algoritma Analizi Neden algoritmayı analiz ederiz? Algoritmanın performansını ölçmek için Farklı algoritmalarla karşılaştırmak için Daha iyisi mümkün mü? Olabileceklerin en iyisi mi?
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
DetaylıEğitim seti (training set) sınıflandırma modelinin elde edileceği kayıtları içerir
sınıflandırma: temel kavramlar, karar ağaçları ve model değerlendirme Sınıflandırma : Tanım Eğitim seti (training set) sınıflandırma modelinin elde edileceği kayıtları içerir Eğitim setindeki her kayıt
DetaylıYrd. Doç. Dr. Caner ÖZCAN
Yrd. Doç. Dr. Caner ÖZCAN BAĞLI LİSTELER Bağlı listeler konusuna çalışmanın bazı faydaları var. Bağlı listeler gerçek programlarda kullanılabilecek bir veri yapısıdır. Bağlı listelerin güçlü ve zayıf yönlerini
DetaylıYZM 2116 Veri Yapıları
YZM 2116 Veri Yapıları Yrd. Doç. Dr. Deniz KILINÇ Celal Bayar Üniversitesi Hasan Ferdi Turgutlu Teknoloji Fakültesi Yazılım Mühendisliği BÖLÜM - 2 Bu bölümde, Algoritma Analizi, Çalışma Zamanı Analizi
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Ara sınav - 25% Ödev (Haftalık) - 10% Ödev Sunumu (Haftalık) - 5% Final (Proje Sunumu) - 60% - Dönem sonuna kadar bir optimizasyon tekniğiyle uygulama geliştirilecek (Örn:
DetaylıWeek 9: Trees 1. TREE KAVRAMI 3. İKİLİ AĞAÇ DİZİLİMİ 4. İKİLİ ARAMA AĞACI 2. İKİLİ AĞAÇ VE SUNUMU > =
Week 9: Trees 1. TREE KAVRAMI 2. İKİLİ AĞAÇ VE SUNUMU 3. İKİLİ AĞAÇ DİZİLİMİ 4. İKİLİ ARAMA AĞACI < 6 2 > = 1 4 8 9 1. TREES KAVRAMI Bir ağaç bir veya daha fazla düğümün (T) bir kümesidir : Spesifik olarak
DetaylıBMB204. Veri Yapıları Ders 11. Çizgeler (Graph) Erdinç Uzun NKÜ Çorlu Mühendislik Fakültesi Bilgisayar Mühendisliği Bölümü
BMB204. Veri Yapıları Ders 11. Çizgeler (Graph) Erdinç Uzun NKÜ Çorlu Mühendislik Fakültesi Bilgisayar Mühendisliği Bölümü Dersin Planı Çizgeler Çizge Tanım Çeşitleri Çizge Üzerinde Arama Önce derinliğine
DetaylıYZM 2116 Veri Yapıları
YZM 2116 Veri Yapıları Yrd. Doç. Dr. Deniz KILINÇ Celal Bayar Üniversitesi Hasan Ferdi Turgutlu Teknoloji Fakültesi Yazılım Mühendisliği Bu bölümde, BÖLÜM - 7 Ağaç (Tree) Veri Yapısı Giriş Ağaç VY Temel
DetaylıAkıllı Satranç Uygulaması HAZIRLAYAN: BERKAY ATAMAN DANIŞMAN: DOÇ. DR. FEZA BUZLUCA
Akıllı Satranç Uygulaması HAZIRLAYAN: BERKAY ATAMAN - 150120037 DANIŞMAN: DOÇ. DR. FEZA BUZLUCA İÇERİK 1. Giriş 2. Analiz 3. Modelleme ve Gerçekleme 4. Yapılan Testler 5. Sonuç 6. Demo 1. GİRİŞ Satranç
DetaylıVERİ YAPILARI. GRAPH LAR Düzce Üniversitesi Teknoloji Fakültesi ÖĞR.GÖR.GÜNAY TEMÜR 1
VERİ YAPILARI GRAPH LAR Düzce Üniversitesi Teknoloji Fakültesi ÖĞR.GÖR.GÜNAY TEMÜR 1 GRAPH (ÇİZGE - GRAF) Terminoloji Çizge Kullanım Alanları Çizge Gösterimi Komşuluk Matrisi Komşuluk Listesi Çizge Üzerinde
DetaylıYZM 3217 YAPAY ZEKA DERS#3: PROBLEM ÇÖZME VE ARAMA
YZM 3217 YAPAY ZEKA DERS#3: PROBLEM ÇÖZME VE ARAMA Geçen Haftalar: Özet YZ nin Tanımı ve Tarihçesi Turing Testi Zeki Ajanlar: Ajan Tipleri: Basit Tepki, model tabanlı, hedef tabanlı, fayda tabanlı Rasyonel
DetaylıYZM 2116 Veri Yapıları
YZM 2116 Veri Yapıları Yrd. Doç. Dr. Deniz KILINÇ Celal Bayar Üniversitesi Hasan Ferdi Turgutlu Teknoloji Fakültesi Yazılım Mühendisliği Bu bölümde, BÖLÜM - 8 Problem Tanımı Arama Ağaçları İkili Arama
DetaylıGraf Veri Modeli. Düğümler kümesi. Kenarlar kümesi
Graf Veri Modeli Graf, bir olay veya ifadenin düğüm ve çizgiler kullanılarak gösterilme şeklidir. Fizik, Kimya gibi temel bilimlerde ve mühendislik uygulamalarında ve tıp biliminde pek çok problemin çözümü
DetaylıBÖLÜM III: Şebeke Modelleri. Şebeke Kavramları. Şebeke Kavramları. Şebeke Kavramları. Yönlü Şebeke (Directed Network) Dal / ok
8.0.0 Şebeke Kavramları BÖLÜM III: Şebeke Modelleri Şebeke (Network) Sonlu sayıdaki düğümler kümesiyle, bunlarla bağlantılı oklar (veya dallar) kümesinin oluşturduğu yapı şeklinde tanımlanabilir ve (N,A)
Detaylıf(x) ve g(x) reel sayılarda tanımlı iki fonksiyon olmak üzere, x > k olacak şekilde bir k vardır öyle ki,
Algoritma Karmaşıklığı ve Büyük O Gösterimi (Big O Notation) Yazdığımız bir algoritmanın doğru çalıştığından emin olmakla birlikte bu algoritmayı, daha önce yazılmış ve aynı sonucu veren başka algoritmalarla
DetaylıBİL-341 ALGORİTMALAR BÜYÜK O NOTASYONU AHMET ATAKAN 0904.01036. atakanahmet@hotmail.com KIRGIZİSTAN-TÜRKİYE MANAS ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ
BİL-341 ALGORİTMALAR BÜYÜK O NOTASYONU AHMET ATAKAN 0904.01036 atakanahmet@hotmail.com KIRGIZİSTAN-TÜRKİYE MANAS ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ BİŞKEK 2012 Ahmet Atakan
DetaylıALGORİTMA ANALİZİ. Cumhuriyet Üniversitesi Bilgisayar Mühendisliği Bölümü
ALGORİTMA ANALİZİ Cumhuriyet Üniversitesi Bilgisayar Mühendisliği Bölümü 2 Yürütme Zamanı (Running Time) Algoritmanın belirli bir işleme veya eyleme kaç kez gereksinim duyulduğunu gösteren bağıntıdır ve
DetaylıAlgoritmalara Giriş 6.046J/18.401J
Algoritmalara Giriş 6.046J/18.401J DERS 12 Atlama Listeleri Veri Yapısı Rastgele Araya Yerleştirme Yüksek olasılıkla" sınırı Analiz (Çözümleme) Yazı Tura Atma Prof. Erik D. Demaine Atlama Listeleri Basit
DetaylıHACETTEPE ÜNİVERSİTESİ BAHAR DÖNEMİ
Öğrenci Adı Soyadı: Öğrenci Numarası: S1 S2 S3 S4 S5 Toplam HACETTEPE ÜNİVERSİTESİ 2014-2015 BAHAR DÖNEMİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ BBM202 Algoritmalar 2. Ara Sınav 09.04.2015 Sınav Süresi: 90 dakika
Detaylı3.Hafta Master Teorem ve Böl-Fethet Metodu
1 3.Hafta Master Teorem ve Böl-Fethet Metodu 2 Ana Metod (The Master Method) Ana method aşağıda belirtilen yapıdaki yinelemelere uygulanır: T(n) = at(n/b) + f (n), burada a 1, b > 1, ve f asimptotik olarak
DetaylıMax - Min Heap Tree (Max ve Min Yığıt Ağaçları) Veri Yapıları ve Algoritmalar 2 - Mustafa EGE Ders Notları
Max - Min Heap Tree (Max ve Min Yığıt Ağaçları) Veri Yapıları ve Algoritmalar 2 - Mustafa EGE Ders Notları Max - Min Heap Öncelikli kuyruk konusunu hatırlayın. Kuyruğa sonradan eklenmesine rağmen öncelik
DetaylıHACETTEPE ÜNİVERSİTESİ BAHAR DÖNEMİ
Öğrenci Adı Soyadı: Öğrenci Numarası: S1 S2 S3 S4 S5 S6 S7 Toplam HACETTEPE ÜNİVERSİTESİ 2012-2013 BAHAR DÖNEMİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ BBM202 Algoritmalar 1. Ara Sınav 25.04.2013 Sınav Süresi:
DetaylıBIL222 Veri Yapıları ve Algoritmalar
BIL222 Veri Yapıları ve Algoritmalar 1. ĠKĠLĠ AĞAÇLAR (BIARY TREES) Bütün düğümlerinin derecesi en fazla iki olan ağaca ikili ağaç denir. Yani bir düğüme en fazla iki tane düğüm bağlanabilir ( çocuk sayısı
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Tabu Arama (Tabu Search) Doç.Dr. M. Ali Akcayol Tabu Arama 1986 yılında Glover tarafından geliştirilmiştir. Lokal minimum u elimine edebilir ve global minimum u bulur. Değerlendirme
DetaylıPratik Ara Sınav 1 Çözümleri
Kitapçık 11: Pratik Ara Sınav 1 Algoritmalara Giriş Massachusetts Institute of Technology Profesörler Erik D. Demaine ve Charles E. Leiserson 6 Ekim 2005 6.046J/18.410J Kitapçık 11 Pratik Ara Sınav 1 Çözümleri
DetaylıFonksiyon Optimizasyonunda Genetik Algoritmalar
01-12-06 Ümit Akıncı Fonksiyon Optimizasyonunda Genetik Algoritmalar 1 Fonksiyon Optimizasyonu Fonksiyon optimizasyonu fizikte karşımıza sık çıkan bir problemdir. Örneğin incelenen sistemin kararlı durumu
DetaylıVeri Yapıları. Yrd. Doç. Dr. Şadi Evren ŞEKER
Veri Yapıları Yrd. Doç. Dr. Şadi Evren ŞEKER Not: Bu sunumun amacı, İstanbul Üniversitesi Bilgisayar Mühendisliği Bölümü, Bilgisayar Mühendisliğine Giriş Dersi için genel amaçlı veri yapıları hakkında
DetaylıAlgoritma Analizi ve Büyük O Notasyonu. Şadi Evren ŞEKER YouTube: Bilgisayar Kavramları
Algoritma Analizi ve Büyük O Notasyonu Şadi Evren ŞEKER YouTube: Bilgisayar Kavramları Algoritmaların Özellikleri Algoritmalar Input Girdi, bir kümedir, Output ÇıkF, bir kümedir (çözümdür) Definiteness
Detaylıb) Algoritmanızın en kötü durumda işlem zamanını asimptotik olarak bulunuz
2014 Soru 1. (15 puan) 5,2,4,1,15,8,11,13,7,6 dizisinin elemanlarından maksimum özellikli bir yığın(heap) oluşturulmasını adım adım yazınız. Heapsort algoritmasının yardımıyla yapılacak sıralamayı anlatınız.
DetaylıALTIN ORAN ARAMA (GOLDEN SECTION SEARCH) METODU
ALTIN ORAN ARAMA (GOLDEN SECTION SEARCH) METODU Tek değişkenli bir f(x) fonksiyonunu ele alalım. [Bazı x ler için f (x) bulunamayabilir.] Aşağıdaki DOP modelini çözmek istediğimizi var sayalım. Max f(x)
DetaylıYZM 2116 Veri Yapıları
YZM 2116 Veri Yapıları Yrd. Doç. Dr. Deniz KILINÇ Celal Bayar Üniversitesi Hasan Ferdi Turgutlu Teknoloji Fakültesi Yazılım Mühendisliği Bu bölümde, BÖLÜM - 9 Hatırlatmalar Tam İkili Ağaç Eksiksiz İkili
DetaylıYapay Bağışık Sistemler ve Klonal Seçim. Bmü-579 Meta Sezgisel Yöntemler Yrd. Doç. Dr. İlhan AYDIN
Yapay Bağışık Sistemler ve Klonal Seçim Bmü-579 Meta Sezgisel Yöntemler Yrd. Doç. Dr. İlhan AYDIN Bağışık Sistemler Bağışıklık sistemi insan vücudunun hastalıklara karşı savunma mekanizmasını oluşturan
DetaylıMAT223 AYRIK MATEMATİK
MAT223 AYRIK MATEMATİK Gezgin Satıcı Problemi 9. Bölüm Emrah Akyar Anadolu Üniversitesi Fen Fakültesi Matematik Bölümü, ESKİŞEHİR 2014 2015 Öğretim Yılı Gezgin Satıcı Problemi Soru n tane şehri olan bir
DetaylıVERİ YAPILARI DERS NOTLARI BÖLÜM 2 ALGORİTMA ANALİZİ. Yard. Doç. Dr. Deniz KILINÇ
VERİ YAPILARI DERS NOTLARI BÖLÜM 2 ALGORİTMA ANALİZİ Yard. Doç. Dr. Deniz KILINÇ CELAL BAYAR ÜNİVERSİTESİ, YAZILIM MÜHENDİSLİĞİ 2015-2016 1. ALGORİTMA TANIMI Verilen herhangi bir sorunun çözümüne ulaşmak
DetaylıRekabet ortamında Arama (Adversarial Search) Oyunlarda Arama
Rekabet ortamında arama Rekabet ortamında Arama (Adversarial Search) Oyunlarda Arama Kerem Salçın Çoklu etmen ortamı- her bir etmen (agent) karar verirken diğer etmenlerin de hareketlerini dikkate almalı
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
DetaylıRassal Değişken Üretimi
Rassal Değişken Üretimi Doç. Dr. Mehmet AKSARAYLI GİRİŞ Yaşadığımız ya da karşılaştığımız olayların sonuçları farlılık göstermektedir. Sonuçları farklılık gösteren bu olaylar, tesadüfü olaylar olarak adlandırılır.
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.
DetaylıMAT223 AYRIK MATEMATİK
MAT223 AYRIK MATEMATİK Gezgin Satıcı Problemi 9. Bölüm Emrah Akyar Anadolu Üniversitesi Fen Fakültesi Matematik Bölümü, ESKİŞEHİR 2014 2015 Öğretim Yılı Gezgin Satıcı Problemi Soru n tane şehri olan bir
DetaylıDOSYA ORGANİZASYONU. Ağaç Yapıları ÖZLEM AYDIN TRAKYA ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
DOSYA ORGANİZASYONU ÖZLEM AYDIN TRAKYA ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ Ağaç Yapıları Sunum planı Genel kavramlar İkili ağaç İkili arama ağacı AVL Tree B-Tree Genel Kavramlar Bir ağaç yapısı
DetaylıYrd. Doç. Dr. Caner ÖZCAN
Yrd. Doç. Dr. Caner ÖZCAN BAĞLI LİSTELER Bağlı listeler konusuna çalışmanın bazı faydaları var. Bağlı listeler gerçek programlarda kullanılabilecek bir veri yapısıdır. Bağlı listelerin güçlü ve zayıf yönlerini
DetaylıYapay Zekada Problem Çözme
Yapay Zekada Problem Çözme Yapay Zekada Problem Çözme Yapay zeka teknolojileri her şeyden önce problem çözme işlemini arama ve değerlendirmeye dayalı olarak gerçekleştirir. Probleme Çözüm Arama ve Değerlendirme:
Detaylı... ROBOTİK VE KODLAMA EĞİTİMİ ÇERÇEVESİNDE ÖĞRETİM YILI BİLİŞİM TEKNOLOJİLERİ DERSİ ÜNİTELENDİRİLMİŞ YILLIK DERS PLANI
... ROBOTİK VE KODLAMA EĞİTİMİ ÇERÇEVESİNDE 2018 2019 ÖĞRETİM YILI BİLİŞİM TEKNOLOJİLERİ DERSİ ÜNİTELENDİRİLMİŞ YILLIK DERS PLANI Hazırlayan : Özel Öğretim Kurumları Birliği (ÖZKURBİR) Dersin Adı : Bilişim
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
DetaylıYZM 2116 Veri Yapıları
YZM 2116 Veri Yapıları Yrd. Doç. Dr. Deniz KILINÇ Celal Bayar Üniversitesi Hasan Ferdi Turgutlu Teknoloji Fakültesi Yazılım Mühendisliği BÖLÜM - 11 Bu bölümde, Graph (Çizge - Graf) Terminoloji Çizge Kullanım
DetaylıİLERİ ALGORİTMA ANALİZİ TABU ARAMA ALGORİTMASI (TABU SEARCH)
İLERİ ALGORİTMA ANALİZİ TABU ARAMA ALGORİTMASI (TABU SEARCH) Tabu Arama Algoritması, optimizasyon problemlerinin çözümü için F.Glover tarafından geliştirilmiş iteratif bir araştırma algoritmasıdır. Temel
Detaylı4. ÜRÜN GELİSTİRME İŞLEMİ
4. ÜRÜN GELİSTİRME İŞLEMİ Genel Problem Çözme İşlemi Adım adım analiz / sentezi içerir Önerilen işlemsel adımlar: - Fonksiyon yapıları geliştirilir - Çözümler geliştirilir - Sıralı / esnek olarak uygulanır
DetaylıPERGEL YAYINLARI LYS 1 DENEME-6 KONU ANALİZİ SORU NO LYS 1 MATEMATİK TESTİ KAZANIM NO KAZANIMLAR
2013-2014 PERGEL YAYINLARI LYS 1 DENEME-6 KONU ANALİZİ SORU NO LYS 1 MATEMATİK TESTİ A B KAZANIM NO KAZANIMLAR 1 1 / 31 12 32173 Üslü İfadeler 2 13 42016 Rasyonel ifade kavramını örneklerle açıklar ve
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
DetaylıTP SORUNLARININ ÇÖZÜMLERİ
TP SORUNLARININ ÇÖZÜMLERİ (Bu notlar Doç.Dr. Şule Önsel tarafıdan hazırlanmıştır) TP problemlerinin çözümü için başlıca iki yaklaşım vardır. İlk geliştirilen yöntem kesme düzlemleri (cutting planes) olarak
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
DetaylıAlgoritmalara Giriş 6.046J/18.401J DERS 2
Algoritmalara Giriş 6.046J/18.401J DERS 2 Asimptotik Simgelem O-, Ω-, ve Θ-simgelemi Yinelemeler Yerine koyma metodu Yineleme döngüleri Özyineleme ağacı Ana Metot (Master metod) Prof. Erik Demaine September
DetaylıGenel Graf Üzerinde Mutlak 1-merkez
Genel Graf Üzerinde Mutlak 1-merkez Çözüm yöntemine geçmeden önce bazı tanımlara ihtiyaç vardır. Dikkate alınan G grafındaki düğümleri 1 den n e kadar numaralandırın. Uzunluğu a(i, j)>0 olarak verilen
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
DetaylıBölüm Özeti. Algoritmalar. Fonksiyonların Büyümesi. Algoritmaların Karmaşıklığı. Örnek Algoritmalar Algoritmik Paradigmalar
Bölüm 3 Bölüm Özeti Algoritmalar Örnek Algoritmalar Algoritmik Paradigmalar Fonksiyonların Büyümesi Büyük-O ve diğer gösterimler Algoritmaların Karmaşıklığı Bölüm 3.1 Bölüm Özet Algoritmaların Özellikleri
DetaylıGENETİK ALGORİTMALAR BÜŞRA GÜRACAR
GENETİK ALGORİTMALAR BÜŞRA GÜRACAR 201420404036 İÇERİK Genetik Algoritmanın, Amacı Kullanım Alanları Kavramları Uygulama Adımları Parametreler Genetik Algoritma Kodlama Türleri Genetik Algoritma Genetik
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.
DetaylıAltın Oran Arama Metodu(Golden Search)
Altın Oran Arama Metodu(Golden Search) Bir f(x) (tek değişkenli) fonksiyonunu ele alalım. [Bazı x ler için f (x) bulunamayabilir.] Aşağıdaki DOP modelini çözmek istediğimizi var sayalım. Max f(x) a x b
DetaylıYÖNEYLEM ARAŞTIRMASI - III
YÖNEYLEM ARAŞTIRMASI - III Prof. Dr. Cemalettin KUBAT Yrd. Doç. Dr. Özer UYGUN İçerik İkiye Bölme / Yarılama Yöntemi Genel olarak f x = 0 gerek şartını sağlamak oldukça doğrusal olmayan ve bu sebeple çözümü
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
Detaylı9.Hafta Veri sıkıştırma ve Aç gözlü algoritmalar
1 9.Hafta Veri sıkıştırma ve Aç gözlü algoritmalar 2 Veri Sıkıştırma (Compression) Kayıplı-Kayıpsız Veri Sıkıştırma Sabit ve Değişken Genişlikli Kodlama Huffman Algortiması (Greedy Algoithms) Veri Sıkıştırma
DetaylıBilgisayar İşletim Sistemleri BLG 312
Bilgisayar İşletim Sistemleri BLG Çok prosesli ortamda birden fazla proses çalışmaya hazır şekilde bellekte yer alır MİB zamanının prosesler arasında paylaştırılması:zaman paylaşımlı çalışma iş sıralama:bir
DetaylıVeri Yapıları Laboratuvarı
2013 2014 Veri Yapıları Laboratuvarı Ders Sorumlusu: Yrd. Doç. Dr. Hakan KUTUCU Lab. Sorumlusu: Arş. Gör. Caner ÖZCAN İÇİNDEKİLER Uygulama 1: Diziler ve İşaretçiler, Dinamik Bellek Ayırma... 4 1.1. Amaç
Detaylıİşletim Sistemlerine Giriş
İşletim Sistemlerine Giriş Ölümcül Kilitlenme (Deadlock) İşletim Sistemlerine Giriş - Ders06 1 Ölümcül Kilitlenme (Deadlock) Bilgisayar sistemleri, bir anda sadece tek bir kullanıcı tarafından kullanılabilecek
DetaylıYAPAY ZEKA KISIM - II. 10.09.2008 Y. Doç. Dr. Aybars UĞUR (517 Yapay Zeka Dersi) 1
YAPAY ZEKA KISIM - II 10.09.2008 Y. Doç. Dr. Aybars UĞUR (517 Yapay Zeka Dersi) 1 Ders İçeriği 1. Prolog 2. Etmenler 3. Aramayla Problem Çözme 4. Sezgisel Arama ve Dolaşma 5. Kısıt Sağlama Problemleri
Detaylı