Çok fazla bilgiden gizli kalmış örüntüleri ortaya çıkarma sürecine Veri Madenciliği denir.
|
|
- Nuray Gürses
- 6 yıl önce
- İzleme sayısı:
Transkript
1 Veri Madenciliği Çok fazla bilgiden gizli kalmış örüntüleri ortaya çıkarma sürecine Veri Madenciliği denir. istatistik + makine öğrenmesi + yapay zeka = veri madenciliği Veri madenciliği süreçleri CRISP-DM Süreci Data Understanding Classification (Sınıflandırma): veri belirli kategorilere göre sınıflara ayrılır. Clustring (kümeleme): Belirli etiketlere göre kümeleme yapıp promosyon maillerinin sadece ilgili kişilere gitmesini sağlar Assocation Rules (Birliktelik kuralları): Buna bakan bunlara da baktı yapısı gibi veriler arasında ilişki. Data preparation Bu fazda değerlendirilecek veriler hazırlanır. Elimizde boş girilmiş veri olmaması gerekir. Boş olan verilere diğer veriler medyanı veya aritmetik ortalaması ile doldurulur.
2 Modelleme İstatiksel makine öğrenmesi ve yapay zeka yöntemleri kullanılır. Bu şekilde istatistiksel olarak karşılaştırma yapılır. Evaluation Modellemeden gelen veriler değerlendirilir. Deployment Verilerin ekranda gösterilmesi aşamasına denir. OLTP: Bir veritabanında sadece Insert-Update-Delete yapılıyor ise bu veri tabanına denir. Dataware House OLTP veritabanındaki verilerin sadece analiz edilecek kısmını tutar. Kullanılacak bazı kütüphaneler Pandas: csv verileri üzerinde hızlı işlem yapabiliyor. NumPy : matrisler üzerinde hızlı çalışıabiliyor Scikit_Learn: Makine öğrenmesi kütüphanesi Pandas Verilerin satır ve sütunları üzerinde işlem yapmaya izin veren Data Frame ve Series özellikleri vardır. NumPy Güçlü bir N-boyutlu dizi sağlar. Karmaşık fonksiyonlar bulunmaktadır. C/C++ Fortran entegrasyonu bulunmaktadır. Kullanışlı Foruier dönüşümü ve rastgele sayı yeternekleri vardır. Scikit_Learn Makine öğrenmesi kütüphanesi NumPy verilerini parametre olarak alır. Pandas kullanarak verileri yüklenebilir. temizlenebilir ve işlenebilir.
3 ilk uygulama import pandas as pd import numpy as np # F9 ile bulunulan satır veya taranmış olan satırları çalıştırabiliriz. dataframe = pd.read_csv('eskicalisanlar.csv') # Data frame kısmında içeriği görebiliriz. dataframe.head() # en üstten itibaren belirli sayıda kaydı gösterir. # head parantezlerinin içerisine bir parametre verilirse o parametre kadar # veriyi gösterir. dataframe.tail() # sondan itibaren kayıtları görmek için kullanılır. dataframe.shape # dataframein kaç satır ve kaç sütundan oluştuğunu bir tuple olarak verir. dataframe.size # dataframein içerisinde kaç tane kayıt olduğunu gösterir. len(dataframe) # satır sayısını öğrenmemizi sağlar. dataframe.columns # kolon isimlerini görmemizi sağlar. dataframe['hired'] # sadece 'Hired' kolonu bilgilerini görmemizi sağlar. dataframe['hired'][5] # Hired ın 5. indisindaki veri gösterir. dataframe[['hired', 'Employed?']] # birden fazla sütunu aynı anda çekmemizi sağlar. dataframe.sort_values(['years Experience']) # verileri 'Years Experience' öncelikli sıralamamızı sağlar. Varsayılan olarak # küçükten büyüğe sıralar. egitimduzeyi = dataframe['level of Education'].value_counts() # 'Level of Education' kolonuna sahip kişilerin verilerini birleştirir. egitimduzeyi.plot(kind='bar') # egitimduzeyi verilerinden grafik oluşturmamızı sağlar.
4 Soru Yalnızca "Previous Employers" ve "Hired" sütunlarını, dataframeimizin 5-10 satırlarını saçin. Bunu yeni bir Dataframe'e atayın ve verilerin bu alt kümesindeki Previous Employersların dağılımını gösteren bir histogram oluşturun. Veri Tipleri Numerical Nümerik veriler Discrete ve Continuous olmak üzere ikiye ayrılır. Dicrete Data (Ayrık veri) Tam sayı tabanlıdır. Genellikle bir olayın gerçekleşme sayısı gibi durumlar ifade edilir. (Bir müşteri yılda kaç defa alışveris yaptı.) Continuous Data (Sürekli Veri) Bu tip veriler ölçümle belirlenmiş değerlerdir. Gerek tam sayı gerekse virgüllü sayılar olabilir. Yani sayı doğrusu üzerindeki tüm değerleri alabilirler. (Bir okuldaki öğrencilerin kiloları nedir?) Categorical Data (Kategorik Veri) Cinsiyeti Irk, Ürün kategorisi vb. Ordian Data (Ordinal Veri) Ordinal veriler de yine kategorik veri türündendir. Fakat değerleri arasında sıralı bir ilişki bulunmaktadır. (Film ratingleri, Müşteri ürün değerlendirmeleri vb.) Örnek Sorular Tankınızda ne kadar gaz var? (Continuous) Hastane hizmetine verdiğiniz puan? 1 kötü, 2 orta, 3 iyi, 4 çok iyi (Ordinal) Sınıtaki öğrencilerin yaşadıkları iller (Categorical) Sınıftaki öğrencilerin yaşları. (Discrete) Alışveriş merkezinde harcanan para (Continuous) Categorical
5 Mean, Median ve mode Mean verilerin aritmetik ortalamsıdır. import pandas as pd import numpy as np veri = [1,2,3,4,5,6,7,8,9,10] np.mean(veri) rastgele veri üretmek istersek aşağıdaki gibi yapabiliriz. import pandas as pd import numpy as np import mathplotlib.pyplot as plot gelirler = np.random.normal(3000,1500,10000) # Normal dağılıma sahip ortalama değer, Standart sapma, değer üret np.mean(gelirler) plot.hist(gelirler, 50) # gelirler verilerini 50 aralığa ayır demek. Histogram Gruplandırılmış bir veri dağılımının sütun grafiği ile gösterimine histogram adı verilir. Histogram oluşturma 1. Öncelikle veriler küçükten büyüğe sıralanır. 2. Veri grubunun açıklığı (aralığı) bulunur. Açıklık en büyük veriden en küçük verinin çıkarılması ile bulunur. 3. Verilerin kaç gruba ayrılacağı belirlenir. 4. Grup genişliği bulunur. Açıklık değerinin grup sayısına bölünmesiyle elde edilen sayıdan büyük en küçük doğal sayı grup genişliği olarak alınır. 5. Veriler en küçük veriden başlayarak veri genişliğine göre gruplara ayrılır. 6. Oluşturulan gruplar ve gruplardaki veri sayıları tablo halinde düzenlenir. 7. Tabloya bakılılarak histogram çizilir.
6 Örnek histogram çizimi: Veriler: 162, 161, 170, 167, 170, 173, 163, 176, 174, 180, 179, 164, 169, 175, 177, 185, 169, 172, 180, 175, 168, 163, 172, 172, 169, 173, 170, 171, 168, 166, 167, ) Öncelikleri veriler küçükten büyüğe sıraladık. 161, 162, 163, 163, 164, 166, 167, 167, 168, 168, 169, 169, 169, 170, 170, 170, 170, 171, 172, 172, 172, 173, 173, 174, 175, 175, 176, 177, 179, 180, 180, 185 2) Veri grubunun açıklığını bulduk = 24 3) Verilerin kaç gruba ayrılacağı belirledik. Grup sayımız 5 olsun 4) Grup genişliğini bulduk. 24 : 5 = 4,8 olup bu sayıdan büyük en küçük doğal sayı 5'tir. Verileri grup genişliğine göre gruplara ayırdık. Verilerdeki en küçük sayıdan başlayarak grup genişliği kadar sayı ilerleyerek bir grup yapıyoruz. Buradaki sayıların veriler arasında olma zorunluluğu yok gibi 5 tane veriyi şeklinde yazıyoruz. O halde gruplarımız: , , , , ) Gruplarımızı ve o gruplardaki veri sayılarını tablo halinde düzenledik. Gruplar Kişi sayısı
7 Outlier (Aşırı değer) Bir veri analizi yapılırken verilerin normal dağılıma uygun olduğu düşünülür. Veriler, ortalama >= -3*Standart sapma ve ortalama <= 3 * Standart sapma aralığı içerisinde olmalıdır. Bu aralığın dışında bulunan değerler Outlier değerlerdir. Outlier değerler silinmezse doğru sonuca ulaşılamaz. Bu verilerin silinmesi gerekmektedir. Mod Bir sayısal değer içerisinde en çok tekrar eden değere denir. from scipy import stats yaslar = np.random.randint(18, high=90, size=500) # Rastgele yaş değerine sahip 500 tane değer oluşturur. stats.mode(yaslar) # verilen yaşların en çok tekrar edenini bulur. Median Bir sayısal değer sıralandığında ortadaki sayıyı verir. Eğer standart sapma çok yüksekse medyan çok önemlidir. Çünkü ortalama istediğimiz sonucu vermeyecektir. Burada medyan değerlerine göre işlem yapılır. Bu yğzden veriyi düzgün incelemek gerekmektedir. np.median(yaslar)
Karar ağaçları overfitting e karşı çok hassastır. Birkaç alternatif karar ağacı oluşturulur ve sonuçta oylama yapılarak karar verilir.
Entropy Bir veri setindeki bozukluğu ifade eder. pi her sınıf için etiketlenen verilerin oranını gösterir. karar ağaçlarında kullanılır. Karar ağaçları (Decision Tree) Makine öğrenmesi kullanılarak, sınıflamaya
DetaylıMerkezi Eğilim ve Dağılım Ölçüleri
Merkezi Eğilim ve Dağılım Ölçüleri Soru Öğrencilerin derse katılım düzeylerini ölçmek amacıyla geliştirilen 16 soruluk bir test için öğrencilerin ilk 8 ve son 8 soruluk yarılardan aldıkları puanlar arasındaki
DetaylıTANIMLAYICI İSTATİSTİKLER
TANIMLAYICI İSTATİSTİKLER Tanımlayıcı İstatistikler ve Grafikle Gösterim Grafik ve bir ölçüde tablolar değişkenlerin görsel bir özetini verirler. İdeal olarak burada değişkenlerin merkezi (ortalama) değerlerinin
DetaylıÖrnek...4 : İlk iki sınavında 75 ve 82 alan bir öğrencinin bu dersin ortalamasını 5 yapabilmek için son sınavdan kaç alması gerekmektedir?
İSTATİSTİK Bir sonuç çıkarmak ya da çözüme ulaşabilmek için gözlem, deney, araştırma gibi yöntemlerle toplanan bilgiye veri adı verilir. Örnek...4 : İlk iki sınavında 75 ve 82 alan bir öğrencinin bu dersin
DetaylıBÖLÜM 5 MERKEZİ EĞİLİM ÖLÇÜLERİ
1 BÖLÜM 5 MERKEZİ EĞİLİM ÖLÇÜLERİ Gözlenen belli bir özelliği, bu özelliğe ilişkin ölçme sonuçlarını yani verileri kullanarak betimleme, istatistiksel işlemlerin bir boyutunu oluşturmaktadır. Temel sayma
DetaylıMerkezi Yığılma ve Dağılım Ölçüleri
1.11.013 Merkezi Yığılma ve Dağılım Ölçüleri 4.-5. hafta Merkezi eğilim ölçüleri, belli bir özelliğe ya da değişkene ilişkin ölçme sonuçlarının, hangi değer etrafında toplandığını gösteren ve veri grubunu
DetaylıProbability Density Function (PDF, Sürekli fonksiyon)
Varyans Bir serideki her elemanın ortalamadan farklarının karelerinin toplamının, serideki eleman sayısına bölümü ile elde edilir. Standart Sapma Varyansın kareköküdür. Eğer birçok veri ortalamaya yakın
Detaylıİstatistik ve Olasılığa Giriş. İstatistik ve Olasılığa Giriş. Ders 3 Verileri Sayısal Ölçütlerle İfade Etme. Verileri Sayısal Ölçütlerle İfade Etme
İstatistik ve Olasılığa Giriş Robert J. Beaver Barbara M. Beaver William Mendenhall Presentation designed and written by: Barbara M. Beaver İstatistik ve Olasılığa Giriş Ders 3 Verileri Sayısal Ölçütlerle
DetaylıDers 8: Verilerin Düzenlenmesi ve Analizi
Ders 8: Verilerin Düzenlenmesi ve Analizi Betimsel İstatistik Merkezsel Eğilim Ölçüleri Dağılım Ölçüleri Grafiksel Gösterimler Bir kitlenin tamamını, ya da kitleden alınan bir örneklemi özetlemekle (betimlemekle)
DetaylıTEMEL İSTATİSTİK BİLGİSİ. İstatistiksel verileri tasnif etme Verilerin grafiklerle ifade edilmesi Vasat ölçüleri Standart puanlar
TEMEL İSTATİSTİK BİLGİSİ İstatistiksel verileri tasnif etme Verilerin grafiklerle ifade edilmesi Vasat ölçüleri Standart puanlar İstatistiksel Verileri Tasnif Etme Verileri daha anlamlı hale getirmek amacıyla
Detaylı4. HİSTOGRAM. Tolerans Aralığı. Değişim Aralığı HEDEF. Üst Spesifikasyon Limiti. Alt Spesifikasyon Limiti
4. HİSTOGRAM Nedir? Sınıflandırılmış verilerin sütun grafiğidir. Sütunların (sınıfların) genişliği sabit olup, bir veri sınıfını temsil etmektedir. Sütunların yüksekliği ise her bir veri sınıfına düşen
DetaylıDeney Dizaynı ve Veri Analizi Ders Notları
Deney Dizaynı ve Veri Analizi Ders Notları Binom dağılım fonksiyonu: Süreksiz olaylarda, sonuçların az sayıda seçenekten oluştuğu durumlarda kullanılır. Bir para atıldığında yazı veya tura gelme olasılığı
DetaylıProf.Dr.İhsan HALİFEOĞLU
Prof.Dr.İhsan HALİFEOĞLU FREKANS DAĞILIMLARINI TANIMLAYICI ÖLÇÜLER Düzenlenmiş verilerin yorumlanması ve daha ileri düzeydeki işlemler için verilerin bütününe ait tanımlayıcı ve özetleyici ölçülere ihtiyaç
DetaylıBÖLÜM 4 FREKANS DAĞILIMLARININ GRAFİKLE GÖSTERİLMESİ
BÖLÜM 4 FREKANS DAĞILIMLARININ GRAFİKLE GÖSTERİLMESİ Frekans dağılımlarının betimlenmesinde frekans tablolarının kullanılmasının yanı sıra grafik gösterimleri de sıklıkla kullanılmaktadır. Grafikler, görselliği
DetaylıSürekli Rastsal Değişkenler
Sürekli Rastsal Değişkenler Normal Dağılım: Giriş Normal Dağılım: Tamamen ortalaması ve standart sapması ile tanımlanan bir rastsal değişken, X, için oluşturulan sürekli olasılık dağılımına normal dağılım
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?
DetaylıYrd. Doç. Dr. Sedat Şen 9/27/2018 2
2.SUNUM Belirli bir amaç için toplanmış verileri anlamlı haline getirmenin farklı yolları vardır. Verileri sözel ifadelerle açıklama Verileri tablolar halinde düzenleme Verileri grafiklerle gösterme Veriler
DetaylıTEMEL İSTATİSTİKİ KAVRAMLAR YRD. DOÇ. DR. İBRAHİM ÇÜTCÜ
TEMEL İSTATİSTİKİ KAVRAMLAR YRD. DOÇ. DR. İBRAHİM ÇÜTCÜ 1 İstatistik İstatistik, belirsizliğin veya eksik bilginin söz konusu olduğu durumlarda çıkarımlar yapmak ve karar vermek için sayısal verilerin
DetaylıİSTATİSTİK I KISA ÖZET KOLAYAOF
DİKKATİNİZE: BURADA SADECE ÖZETİN İLK ÜNİTESİ SİZE ÖRNEK OLARAK GÖSTERİLMİŞTİR. ÖZETİN TAMAMININ KAÇ SAYFA OLDUĞUNU ÜNİTELERİ İÇİNDEKİLER BÖLÜMÜNDEN GÖREBİLİRSİNİZ. İSTATİSTİK I KISA ÖZET KOLAYAOF 2 Kolayaof.com
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
DetaylıSıklık Tabloları, BASİT ve TEK değişkenli Grafikler Ders 3 ve 4 ve 5
Sıklık Tabloları, BASİT ve TEK değişkenli Grafikler Ders 3 ve 4 ve 5 Sıklık Tabloları Veri dizisinde yer alan değerlerin tekrarlama sayılarını içeren tabloya sıklık tablosu denir. Tek değişken için çizilen
DetaylıKitle: Belirli bir özelliğe sahip bireylerin veya birimlerin tümünün oluşturduğu topluluğa kitle denir.
BÖLÜM 1: FREKANS DAĞILIMLARI 1.1. Giriş İstatistik, rasgelelik içeren olaylar, süreçler, sistemler hakkında modeller kurmada, gözlemlere dayanarak bu modellerin geçerliliğini sınamada ve bu modellerden
DetaylıİSTATİSTİK. Bölüm 1 Giriş. Ankara Üniversitesi SBF İstatistik 1 Ders Notları Prof. Dr. Onur Özsoy 4/4/2018
İSTATİSTİK Bölüm 1 Giriş 1 Bu Bölümde Anlatılacak Konular Bir Yönetici Neden İstatistik Bilmeli? Modern İstatistiğin Gelişimi İstatistiksel Düşünce ve Yönetim Tanımsal ve Yargısal İstatistik Data Türleri
DetaylıTanımlayıcı İstatistikler. Yrd. Doç. Dr. Emre ATILGAN
Tanımlayıcı İstatistikler Yrd. Doç. Dr. Emre ATILGAN 1 Tanımlayıcı İstatistikler Yer Gösteren Ölçüler Yaygınlık Ölçüleri Merkezi Eğilim Ölçüleri Konum Ölçüleri 2 3 Aritmetik Ortalama Aritmetik ortalama,
DetaylıTest İstatistikleri AHMET SALİH ŞİMŞEK
Test İstatistikleri AHMET SALİH ŞİMŞEK İçindekiler Test İstatistikleri Merkezi Eğilim Tepe Değer (Mod) Ortanca (Medyan) Aritmetik Ortalama Merkezi Dağılım Dizi Genişliği (Ranj) Standart Sapma Varyans Çarpıklık
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
Detaylıİstatistik Dersi Çalışma Soruları Arasınav(Matematik Müh. Bölümü-2014)
İstatistik Dersi Çalışma Soruları Arasınav(Matematik Müh. Bölümü-2014) S-1) Bir otoyol üzerinde radarla hız kontrolü yapan, polis ekipler tarafından tespit edilen tane aracın hızları aşağıdaki tabloda
DetaylıİÇİNDEKİLER. BÖLÜM 1 Değişkenler ve Grafikler 1. BÖLÜM 2 Frekans Dağılımları 37
İÇİNDEKİLER BÖLÜM 1 Değişkenler ve Grafikler 1 İstatistik 1 Yığın ve Örnek; Tümevarımcı ve Betimleyici İstatistik 1 Değişkenler: Kesikli ve Sürekli 1 Verilerin Yuvarlanması Bilimsel Gösterim Anlamlı Rakamlar
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
DetaylıGRAFİK YORUMLAMA. 1 ) Sütun Grafiği : Belirli bir zaman aralığında bazı veri grup-
GRAFİK YORUMLAMA Verilerin veya karşılaştırılması yapılacak değişkenlerin çizgi, tablo, nokta veya şekillerle ifade edilmesine grafik adı verilir. Grafik türleri olarak; sütun, çizgi, daire, histogram,
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
DetaylıİSTATİSTİK ÖRNEK SORULARI
1. Aşağıda gruplandırılmış seri verilmiştir. (n) 0-10 den az 5 10-20 den az 6 20-30 den az 9 30-40 den az 11 40-50 den az 4 50-60 den az 3 TOPLAM 38 İSTATİSTİK ÖRNEK SORULARI a) Mod değerini bulunuz? (15
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
Detaylı3.SUNUM. Yrd. Doç. Dr. Sedat Şen
3.SUNUM 1 Daha önce gösterdiğimiz gibi SPSS e manual olarak (elle) veri girişi yapabildiğimiz gibi daha önce başka bir dosyaya girilmiş olan bir veriyi de SPSS e file>open >data seçeneklerini kullanarak
DetaylıK En Yakın Komşu Methodu (KNearest Neighborhood)
K En Yakın Komşu Methodu (KNearest Neighborhood) K-NN algoritması, Thomas. M. Cover ve Peter. E. Hart tarafından önerilen, örnek veri noktasının bulunduğu sınıfın ve en yakın komşunun, k değerine göre
DetaylıİSTATİSTİKTE TEMEL KAVRAMLAR
İSTATİSTİKTE TEMEL KAVRAMLAR 1. ve 2. Hafta İstatistik Nedir? Bir tanım olarak istatistik; belirsizlik altında bir konuda karar verebilmek amacıyla, ilgilenilen konuya ilişkin verilerin toplanması, düzenlenmesi,
DetaylıMarketing plan for your startup
Let The Machines Do The Work Marketing plan for your startup @artiwise 06.03.2017 1 İçindekiler 1 Hakkımızda... (Sayfa 3-4) 2 ArtiwiseMetinAnalitiği Platformu... (Sayfa 5-7) 3 Değer Önerimiz... (Sayfa
DetaylıDeğişken Türleri, Tanımlayıcı İstatistikler ve Normal Dağılım. Dr. Deniz Özel Erkan
Değişken Türleri, Tanımlayıcı İstatistikler ve Normal Dağılım Dr. Deniz Özel Erkan Evren Parametre Örneklem Çıkarım Veri İstatistik İstatistik Tanımlayıcı (Descriptive) Çıkarımsal (Inferential) Özetleme
DetaylıBÖLÜM 8 BİLGİSAYAR UYGULAMALARI - 2
1 BÖLÜM 8 BİLGİSAYAR UYGULAMALARI - 2 Bu bölümde bir veri seti üzerinde betimsel istatistiklerin kestiriminde SPSS paket programının kullanımı açıklanmaktadır. Açıklamalar bir örnek üzerinde hareketle
DetaylıCopyright 2004 Pearson Education, Inc. Slide 1
Slide 1 Bölüm 2 Verileri Betimleme, Keşfetme, ve Karşılaştırma 2-1 Genel Bakış 2-2 Sıklık Dağılımları 2-3 Verilerin Görselleştirilmesi 2-4 Merkezi Eğilim Ölçüleri 2-5 Değişimin Ölçülmesi 2-6 Nispi Sabitlerin
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
DetaylıProf.Dr.İhsan HALİFEOĞLU
Prof.Dr.İhsan HALİFEOĞLU Örnek: Aşağıda 100 yetişkine ilişkin kolesterol değerlerini sınıflandırılarak aritmetik ortalamasını bulunuz (sınıf aralığını 20 alınız). 2 x A fb C 229.5 n 40 20 100 221.5 3 Örnek:.
DetaylıÜNİTE NESNE TABANLI PROGRAMLAMA I. Uzm. Orhan ÇELİKER VERİTABANI SORGULARI İÇİNDEKİLER HEDEFLER
VERİTABANI SORGULARI İÇİNDEKİLER Select İfadesi Insert İfadesi Update İfadesi Delete İfadesi Verileri Sıralamak Verileri Gruplandırmak Veriler Üzerinde Arama Yapmak NESNE TABANLI PROGRAMLAMA I Uzm. Orhan
DetaylıVerilerin Özetlenmesinde Kullanılan Tablolar ve Grafiksel Yöntemler
Verilerin Özetlenmesinde Kullanılan Tablolar ve Grafiksel Yöntemler Frekans Dağılımları Verilerin Düzenlenmesi Sıralı dizi bir dizi verinin küçükten büyüğe yada büyükten küçüğe göre sıralanması Dağılı
DetaylıGenel olarak test istatistikleri. Merkezi Eğilim (Yığılma) Ölçüleri Dağılım (Yayılma) Ölçüleri. olmak üzere 2 grupta incelenebilir.
4.SUNUM Genel olarak test istatistikleri Merkezi Eğilim (Yığılma) Ölçüleri Dağılım (Yayılma) Ölçüleri olmak üzere 2 grupta incelenebilir. 2 Ranj Çeyrek Kayma Çeyrekler Arası Açıklık Standart Sapma Varyans
DetaylıSPSS-Tarihsel Gelişimi
SPSS -Giriş SPSS-Tarihsel Gelişimi ilk sürümü Norman H. Nie, C. Hadlai Hull ve Dale H. Bent tarafından geliştirilmiş ve 1968 yılında piyasaya çıkmış istatistiksel analize yönelik bir bilgisayar programıdır.
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Ders 2: Prof. Dr. İrfan KAYMAZ Tanım İnceleme sonucu elde edilen ham verilerin istatistiksel yöntemler kullanılarak özetlenmesi açıklayıcı istatistiği konusudur. Açıklayıcı istatistikte
DetaylıHDI SİGORTA ELMA KULLANIM KILAVUZU
HDI SİGORTA ELMA KULLANIM KILAVUZU Yönetim Bilgi Sistemleri ELMA RAPORLAMA PORTALI KULLANIM KILAVUZU 1. Yeni programımıza erişmek için http://elma.hdisigorta.com.tr linkine tıklayınız. 2. Kullanıcı adı
DetaylıMATLAB. Temel işlemler, Vektörler, Matrisler DOÇ. DR. ERSAN KABALCI
MATLAB Temel işlemler, Vektörler, Matrisler DOÇ. DR. ERSAN KABALCI İçerik Matlab Nedir? Matlab ın Kullanım Alanları Matlab Açılış Ekranı Matlab Programı İle Temel İşlemlerin Gerçekleştirilmesi Vektör İşlemleri
DetaylıBİYOİSTATİSTİK. Ödev Çözümleri. Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH
BİYOİSTATİSTİK Ödev Çözümleri Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim AD. Web: www.biyoistatistik.med.ege.edu.tr Ödev 1 Çözümleri 2 1. Bir sonucun
Detaylıİstatistik 1 BÖLÜM 2
İstatistik 1 BÖLÜM 2 VERİ SETLERİNİN ÖZETLENMESİNDE KULLANILAN SIKLIK DAĞILIM TABLOLARI VE GRAFİKSEL YÖNTEMLER 1 İşlenecek Konular VERİ TÜRLERİ VE SAYISAL OLMAYAN İSTATİSTİKSEL ÖZETLEME YÖNTEMLERİ Temel
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
Detaylıveriler elde edebilmek için bilgilerin toplanması, düzenlenmesi, değerlendirilmesi ve alternatif çözümler
911-00-TA 004 10.12.22 1/5 1.Amaç Bu talimatin amacı; ürün tedarikinden başlayarak müşteri şikayetlerine kadar olan tüm aşamalarda sağlıklı veriler elde edebilmek için bilgilerin toplanması, düzenlenmesi,
Detaylıİstatistik Nedir? İstatistiğin Önemi Nedir? Tanımlayıcı ve Çıkarımcı İstatistik ttitik Tanımlayıcı İstatistik Türleri Çıkarımcı İstatistiğin i iği
İSTATİSTİK E GİRİŞ TEMEL KAVRAMLAR İstatistik Nedir? İstatistiğin Önemi Nedir? Tanımlayıcı ve Çıkarımcı İstatistik ttitik Tanımlayıcı İstatistik Türleri Çıkarımcı İstatistiğin i iği Elemanlarıl AMAÇ İstatistiğe
DetaylıVERİ SETİNE GENEL BAKIŞ
VERİ SETİNE GENEL BAKIŞ Outlier : Veri setinde normal olmayan değerler olarak tanımlanır. Ders: Kantitatif Yöntemler 1 VERİ SETİNE GENEL BAKIŞ Veri setinden değerlendirme başlamadan çıkarılabilir. Yazım
DetaylıElektra Raporlama Sistemi Sunumu
Elektra Raporlama Sistemi Sunumu Raporlama Araçları Açıklamaları: 1-Seçilen nesneyi raporlar. 2-Yeni boş bir rapor eklemeyi sağlar. 3-Seçilen raporları düzenlemeyi sağlar. 4-Seçilen raporu siler. 5-Seçilen
DetaylıAST415 Astronomide Sayısal Çözümleme - I. 7. Grafik Çizimi
AST415 Astronomide Sayısal Çözümleme - I 7. Grafik Çizimi Bu derste neler öğreneceksiniz? Python'la şekildekine benzer grafikler çizmeyi öğreneceksiniz! MATPLOTLIB.PYPLOT Modülü Python da grafik çizmek
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
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)
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Ders 2: Prof. Dr. İrfan KAYMAZ Tanım İnceleme sonucu elde edilen ham verilerin istatistiksel yöntemler kullanılarak özetlenmesi açıklayıcı istatistiği konusudur. Açıklayıcı istatistikte
DetaylıMühendislikte İstatistik Yöntemler
.0.0 Mühendislikte İstatistik Yöntemler İstatistik Parametreler Tarih Qma.3.98 4..98 0.3.983 45 7..984 37.3.985 48 0.4.986 67.4.987 5 0.3.988 45.5.989 34.3.990 59.4.99 3 4 34 5 37 6 45 7 45 8 48 9 5 0
DetaylıİÇİNDEKİLER ÖN SÖZ...
İÇİNDEKİLER ÖN SÖZ... v GİRİŞ... 1 1. İSTATİSTİK İN TARİHÇESİ... 1 2. İSTATİSTİK NEDİR?... 3 3. SAYISAL BİLGİDEN ANLAM ÇIKARILMASI... 4 4. BELİRSİZLİĞİN ELE ALINMASI... 4 5. ÖRNEKLEME... 5 6. İLİŞKİLERİN
DetaylıVERİ KÜMELERİNİ BETİMLEME
BETİMLEYİCİ İSTATİSTİK VERİ KÜMELERİNİ BETİMLEME Bir amaç için derlenen verilerin tamamının olduğu, veri kümesindeki birimlerin sayısal değerlerinden faydalanarak açık ve net bir şekilde ilgilenilen özellik
DetaylıSPSS (Statistical Package for Social Sciences)
SPSS (Statistical Package for Social Sciences) SPSS Data Editor: Microsoft Excel formatına benzer satır ve sütunlardan oluşan çalışma sayfası (*sav) Data Editör iki arayüzden oluşur. 1. Data View 2. Variable
DetaylıSPSS (Statistical Package for Social Sciences)
SPSS (Statistical Package for Social Sciences) SPSS Data Editor: Microsoft Excel formatına benzer satır ve sütunlardan oluşan çalışma sayfası (*sav) SPSS Data Editör iki arayüzden oluşur. 1. Data View
DetaylıA t a b e y M e s l e k Y ü k s e k O k u l u İstatistik Sunum 4 Öğr.Gör. Şükrü L/O/G/O KAYA www.sukrukaya.org www.themegallery.com 1 Yer Ölçüleri Yer ölçüleri, verilerin merkezini veya yığılma noktasını
DetaylıKonum ve Dağılım Ölçüleri. BBY606 Araştırma Yöntemleri Güleda Doğan
Konum ve Dağılım Ölçüleri BBY606 Araştırma Yöntemleri Güleda Doğan Konum ölçüleri Merkezi eğilim ölçüleri Verilerin ortalamaya göre olan gruplanması nasıl? Yakın, uzak? Sıklık dağılımlarının karşılaştırılması
DetaylıLAÜ FEN EDEBĐYAT FAKÜLTESĐ PSĐKOLOJĐ BÖLÜMÜ PSK 106 ĐSTATĐSTĐK YÖNTEMLER I BAHAR DÖNEMĐ BÜTÜNLEME SINAVI SORULARI
LAÜ FEN EDEBĐYAT FAKÜLTESĐ PSĐKOLOJĐ BÖLÜMÜ PSK 106 ĐSTATĐSTĐK YÖNTEMLER I 2015-2016 BAHAR DÖNEMĐ BÜTÜNLEME SINAVI SORULARI Tarih/Saat/Yer: 24.06.16/11:00-12:30/AS010 Instructor: Prof. Dr. Hüseyin Oğuz
DetaylıDers 1 Minitab da Grafiksel Analiz-I
ENM 5210 İSTATİSTİK VE YAZILIMLA UYGULAMALARI Ders 1 Minitab da Grafiksel Analiz-I İstatistik Nedir? İstatistik kelimesi ilk olarak Almanyada devlet anlamına gelen status kelimesine dayanılarak kullanılmaya
DetaylıLAÜ FEN EDEBĐYAT FAKÜLTESĐ PSĐKOLOJĐ BÖLÜMÜ PSK 106 ĐSTATĐSTĐK YÖNTEMLER I BAHAR DÖNEMĐ TELAFĐ SINAVI SORULARI
LAÜ FEN EDEBĐYAT FAKÜLTESĐ PSĐKOLOJĐ BÖLÜMÜ PSK 106 ĐSTATĐSTĐK YÖNTEMLER I 2015-2016 BAHAR DÖNEMĐ TELAFĐ SINAVI SORULARI Tarih/Saat/Yer: 20.06.16/15:00-16:30/AS010 Instructor: Prof. Dr. Hüseyin Oğuz Öğrenci
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
DetaylıBölüm 3 Merkezi Konum (Eğilim) Ölçüleri. Giriş Veri kümesi. Ortalamalar iki grupta incelenir. A. Duyarlı olan ortalama. B. Duyarlı olmayan ortalama
GM-220 MÜH. ÇALIŞ. İSTATİSTİKSEL YÖNTEMLER Bölüm 3 Merkezi Konum (Eğilim) Ölçüleri Yrd. Doç. Dr. Safa KARAMAN 1 2 Giriş Veri kümesi Verileri betimlemenin ve özetlemenin bir diğer yolu da verilerin bir
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
DetaylıProjenin Adı: İstatistik yardımıyla YGS ye hazırlık için soru çözme planlaması
Projenin Adı: İstatistik yardımıyla YGS ye hazırlık için soru çözme planlaması Projenin Amacı : YGS de başarılı olmak isteyen bir öğrencinin, istatistiksel yöntemler çerçevesinde, sınavda çıkan soru sayısını,
DetaylıİSTATİSTİK MHN3120 Malzeme Mühendisliği
İSTATİSTİK MHN3120 Malzeme Mühendisliği CBÜ - Malzeme Mühendisliği Bölümü Ofis: Mühendislik Fakültesi A Blok Ofis no:311 Tel: 0 236 2012404 E-posta :emre.yalamac@cbu.edu.tr YARDIMCI KAYNAKLAR Mühendiler
DetaylıVeri Madenciliği Yaklaşımı ile Mesleki Yönlendirme Sistemi
Veri Madenciliği Yaklaşımı ile Mesleki Yönlendirme Sistemi YRD. DOÇ. DR. HÜSEYİN GÜRÜLER MUĞLA SITKI KOÇMAN ÜNİVERSİTESİ, TEKNOLOJİ FAKÜLTESİ, BİLİŞİM SİSTEMLERİ MÜHENDİSLİĞİ Meslek Seçimi Meslek Seçimi
DetaylıLAÜ FEN EDEBĐYAT FAKÜLTESĐ PSĐKOLOJĐ BÖLÜMÜ PSK 106 ĐSTATĐSTĐK YÖNTEMLER I BAHAR DÖNEMĐ DÖNEM SONU SINAV SORULARI
LAÜ FEN EDEBĐYAT FAKÜLTESĐ PSĐKOLOJĐ BÖLÜMÜ PSK 106 ĐSTATĐSTĐK YÖNTEMLER I 2015-2016 BAHAR DÖNEMĐ DÖNEM SONU SINAV SORULARI Tarih/Saat/Yer: 15.06.16/09:00-10:30/AS115-116-117 Instructor: Prof. Dr. Hüseyin
DetaylıBağıl Değerlendirme Sistemi ile ilgili Bilgi Notu
Bağıl Değerlendirme Sistemi ile ilgili Bilgi Notu 2013-2014 Eğitim Öğretim yılından itibaren Fakültemizin kayıtlı tüm öğrencilerinin (hem eski hem de yeni müfredata tabi olan öğrencilerin) başarı notları
DetaylıÜNİTE NESNE TABANLI PROGRAMLAMA I. Uzm. Orhan ÇELİKER VERİTABANI SORGULARI İÇİNDEKİLER HEDEFLER
VERİTABANI SORGULARI İÇİNDEKİLER Select İfadesi Insert İfadesi Update İfadesi Delete İfadesi Verileri Sıralamak Verileri Gruplandırmak Veriler Üzerinde Arama Yapmak NESNE TABANLI PROGRAMLAMA I Uzm. Orhan
DetaylıÜretim Süreci: Girdi İşlem Ürün (Sonuç) Araştırma Süreci: Hangi alanda olursa olsun araştırma bir BİLGİ ye ulaşma sürecidir.
BİYOİSTATİSTİK Üretim Süreci: Girdi İşlem Ürün (Sonuç) Araştırma Süreci: Hangi alanda olursa olsun araştırma bir BİLGİ ye ulaşma sürecidir. Veri Analiz Bilgi El ile ya da birtakım bilgisayar programları
Detaylıİstatistik Nedir? Ders 1 Minitab da Grafiksel Analiz-I ENM 5210 İSTATİSTİK VE YAZILIMLA UYGULAMALARI. İstatistiğin Konusu Olan Olaylar
ENM 5210 İSTATİSTİK VE YAZILIMLA UYGULAMALARI İstatistik Nedir? İstatistik kelimesi ilk olarak Almanyada devlet anlamına gelen status kelimesine dayanılarak kullanılmaya başlanmıştır. Ders 1 Minitab da
DetaylıKANTİTATİF TEKNİKLER - Temel İstatistik -
KANTİTATİF TEKNİKLER - Temel İstatistik - 1 İstatistik Nedir? Belirli bir amaçla verilerin toplanması, düzenlenmesi, analiz edilerek yorumlanmasını sağlayan yöntemler topluluğudur. 2 İstatistik Kullanım
DetaylıYrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü
Mühendislikte İstatistiksel Yöntemler Yrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü 1 Araştırma sonuçlarının açıklanmasında frekans tablosu
DetaylıVERİ TABANI YÖNETİM SİSTEMLERİ I
BÖLÜM 8 8. TEMEL SQL KOMUTLARI-II 8.1. SELECT (Seç) Komutu Veri tabanındaki tablo veya tablolardan istenilen özellikteki verileri seçip listeleme için kullanılan komuttur. Genel kullanımı aşağıdaki gibidir.
DetaylıMühendislikte İstatistiksel Yöntemler
Mühendislikte İstatistiksel Yöntemler BÖLÜM 2 AÇIKLAYICI (BETİMLEYİCİ) İSTATİSTİK Yrd. Doç. Dr. Fatih TOSUNOĞLU 1-Açıklayıcı (Betimleyici) İstatistik İnceleme sonucu elde edilen ham verilerin istatistiksel
DetaylıGrafik üzerindeki bilgiler özetlenmiştir. Veriler arasındaki ilişkiler görünür haldedir.
GRAFİK VE İSTATİSTİK Grafikler,verileri görsel hale getirerek,veriler üzerinde daha kolay işlem yapılmasına ve elde edilen sonuçları değerlendirerek üzerinde tahmin yapılmasına olanak sağlar. Grafik üzerindeki
DetaylıMAPINFO PRO TEMEL VE İLERİ SEVİYE EĞİTİM İÇERİĞİ
MAPINFO PRO TEMEL VE İLERİ SEVİYE EĞİTİM İÇERİĞİ Başarsoft Bilgi Teknolojileri A.Ş. Web site: http://www.basarsoft.com.tr Kontak mail: egitim@basarsoft.com.tr Ankara Merkez Adres Ehlibeyt Mah. Ceyhun Atıf
DetaylıYANLILIK. Yanlılık örneklem istatistiği değerlerinin evren parametre değerinden herhangi bir sistematik sapması olarak tanımlanır.
AED 310 İSTATİSTİK YANLILIK Yanlılık örneklem istatistiği değerlerinin evren parametre değerinden herhangi bir sistematik sapması olarak tanımlanır. YANLILIK Yanlı bir araştırma tasarımı uygulandığında,
DetaylıBİYOİSTATİSTİK Grafikler Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH
BİYOİSTATİSTİK Grafikler Yrd. Doç. Dr. Aslı SUNER KARAKÜLAH Ege Üniversitesi, Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim AD. Web: www.biyoistatistik.med.ege.edu.tr 1 Hangi Grafik?Neden? 1. Veri çeşidine
DetaylıÖrnek 4.1: Tablo 2 de verilen ham verilerin aritmetik ortalamasını hesaplayınız.
.4. Merkezi Eğilim ve Dağılım Ölçüleri Merkezi eğilim ölçüleri kitleye ilişkin bir değişkenin bütün farklı değerlerinin çevresinde toplandığı merkezi bir değeri gösterirler. Dağılım ölçüleri ise değişkenin
DetaylıYapı Kredi Bankası Ar-Ge Çalışmaları Araştırma, Vizyon ve Uygulama. Eğitmen: Onur AĞIN
Yapı Kredi Bankası Ar-Ge Çalışmaları Araştırma, Vizyon ve Uygulama Eğitmen: Onur AĞIN 2016 Biz Kimiz? Kuruluş 9Eylül 2013 14 Kişilik bir Takım 11 Ar-Ge Mühendisi 2 Ar-Ge Koordinatörü 1 Müdür Yenilik Prototip
DetaylıProf.Dr.İhsan HALİFEOĞLU
Prof.Dr.İhsan HALİFEOĞLU ÖDEV: Aşağıda verilen 100 öğrenciye ait gözlem değerlerinin aritmetik ortalama, standart sapma, ortanca ve tepe değerini bulunuz. (sınıf aralığını 5 alınız) 155 160 164 165 168
DetaylıBÖLÜM13 3- EXCEL DE VERİ İŞLEMLERİ
BÖLÜM13 3- EXCEL DE VERİ İŞLEMLERİ Excel de veritabanı dosyaları oluşturmak oldukça kolay ve pratiktir. Böyle bir dosya herhangi özel bir işlem gerektirmeden, veri alanlarının direkt hücrelere girilmesi
DetaylıBar Diyagramı ENM 5210 İSTATİSTİK VE YAZILIMLA UYGULAMALARI. Ders 3 Minitab da Grafiksel Analiz-III. Bar Diyagramı İçin Checklist.
ENM 5210 İSTATİSTİK VE YAZILIMLA UYGULAMALARI Ders 3 Minitab da Grafiksel Analiz-III (Bar-Pareto-Neden Sonuç-Saçılım Diagramları) Sayıları, ortalamaları veya diğer özet istatistiksileri kıyaslamak için
DetaylıData Science Boot Camp
Data Science Boot Camp Eğitim Detayları Eğitim Süresi : 3 Gün Kontenjan : 12 Ön Koşullar : Eğitim Hakkında Data Science Boot Camp Sertifikasyon Programı Introductory Python, Data Science with Python: Data
DetaylıAnkara Üniversitesi, SBF İstatistik 2 Ders Notları Prof. Dr. Onur Özsoy 1
Ankara Üniversitesi, SBF İstatistik 2 Ders Notları Prof. Dr. Onur Özsoy 1 Population Belirli bir konudaki verilerin tamamıdır. Örnek Populasyonun belirli bir kesitidir. Parametre Populasyonla ilgili tanımsal
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
DetaylıBMÜ-111 Algoritma ve Programlama. Bölüm 5. Tek Boyutlu Diziler
BMÜ-111 Algoritma ve Programlama Bölüm 5 Tek Boyutlu Diziler Yrd. Doç. Dr. İlhan AYDIN 1 Problem 100 adet sayı okumak istediğimizi düşünelim. Bu sayıların ortalaması hesaplanacak ve sayıların kaç tanesinin
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
DetaylıVeri Analizi. Isınma Hareketleri. Test İstatistikleri. b) En çok tekrar eden: 7 (mod) c) Açıklık = En büyük En küçük = 10 1 = 9. d)
Isınma Hareketleri 1 Aşağıda verilenleri inceleyiniz. Test İstatistikleri Merkezi Eğilim (Yığılma) Ölçüleri Aritmetik ortalama Tepe değer (mod) Ortanca (medyan) Merkezi Dağılım (Yayılma) Ölçüleri Açıklık
Detaylı