“Veri Madenciliğinde Kümeleme Teknikleri Üzerine Bir Çalışma: K-Means ve K-Medoids Kümeleme Algoritmalarının Karşılaştırılması” başlıklı çalışma Güncel Sariman tarafından yapılmış ve Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi 15.3 (2011)’nde yayınlanmıştır. İndirmek için: kmeans-kmedoids Notlar: Veri madenciliği: 1-Tahmin edici (Predictive): sınıflandırma, eğri uydurma, zaman serileri 2-Tanımlayıcı (Descriptive): kümeleme, özetleme, birliktelik kuralları, sıralı diziler Kümeleme analizinin kullanılmasında>>>
Aylık Arşivler: Mayıs 2017
28
May
May
Mathworks firması tarafından hazırlanan ve 4 bölümden oluşan Makine Öğrenmesi e-kitaplarını/sunularını okurken bazı yerleri not etmek istedim. Benim notlarıma bakmadan kendiniz okumak isterseniz aşağıdaki bağlantılardan erişebilirsiniz. 1. 1-Introducing_Machine_Learning 2. 2-Getting_Started _with_Machine_Learning 3. 3-Applying_Unsupervised_Learning 4. 4-Applying_Supervised_Learning 1-Makine Öğrenmesine Giriş (Introducing Machine Learning) Bilgisayarların insanlar ve hayvanlar gibi deneyimlere dayalı bir şekilde öğrenme yapmasına makine öğrenmesi denir.>>>
DAVET Dörtnala gelip Uzak Asya’dan Akdeniz’e bir kısrak başı gibi uzanan bu memleket, bizim. Bilekler kan içinde, dişler kenetli, ayaklar çıplak ve ipek bir halıya benzeyen toprak, bu cehennem, bu cennet bizim. Kapansın el kapıları, bir daha açılmasın, yok edin insanın insana kulluğunu, bu dâvet bizim…. Yaşamak bir ağaç gibi tek ve hür ve bir>>>
21
May
May
Karar ağacı öğrenmesi(decision tree learning) nedir? Karar ağacı öğrenmesi sırasında, öğrenilen bilgi bir ağaç üzerinde modellenir. Bu ağacın bütün iç düğümleri (interior nodes) birer girdiyi ifade eder. Karar ağacı öğrenmesi (decision tree learning) iki temel amaç için kullanılır. 1-Sınıflandırma problemleri : Sınıflandırma ağaçları (Classification Tree) : Bir kişinin harcamalarından eğitim düzeyinin tahmini gibi, hedef kümeyi>>>
21
May
May
Kavram Öğrenimi (Concept Learning) yöntemleri nelerdir? Kavram Öğrenimi (Concept Learning) yöntemleri 1-Arama şeklinde kavram öğrenmesi (Genelden özele sıralama hipotezi) 2-Find-S (Maksimum Özel Hipotezi Bulma) 3-Model Uzayları (Version Spaces) ve Aday Eleme Algoritması (Candidate Elimination Algorithm) 4-Tümevarımsal Eğilim(Inductive Bias)
Sınıflandırma ve kümeleme nedir ve farkı nedir? Sınıflandırma, gözetimli(supervised); kümeleme gözetimsiz(unsupervised) öğrenme metodudur. Sınıflandırmada -Verilerin etiketi vardır. -Verileri bir gruba dahil etmek için bir kural oluşturulmasını bekler. -Veri setini eğitim ve test olarak ayırmak gereklidir. Kümelemede, -Verilerin etiketi yoktur. -Verileri bir gruba yakınlığa/benzerliğe/alakaya/hiyerarşiye göre dahil eder. -Verideki örüntülerini ve yapıları tespit eder.
Gözetimli (Supervised) ve Gözetimsiz (unsupervised) öğrenme (learning) nedir? Elimizdeki verinin sınıf sayısı belli, hangi girdilerin hangi sonuçları ürettiği mevcutsa ve bu bilgileri kullanarak bir makine öğrenmesi yapıyorsak bu gözetimli(supervised) öğrenmeye girmektedir. Sınıflandırma işlemi örnek olarak verilebilir. Fakat elimizdeki verinin kaç sınıfa ayrıldığını, girdilerin hangi sonuçları ürettiğini bilmeden tabiri caizse ham veriden bir anlam çıkarmaya çalışıyorsak>>>
Yapay Zekâ’nın kullanım alanları ve nasıl kullanıldıkları… YAPAY ZEKÂNIN UYGULAMA ALANLARI 1-SES TANIMA VE ANLAMA Ses mikrofon aracılığıyla dijitalleşir ve bu frekanslardan sesler, seslerden de harfler, kelimeler algılanmaya çalışılır. Özellikle konuşulanın mantıksal olarak anlaşılması, şivelerin ayıklanması, gerçekten ne denmek istendiğinin anlaşılması, son derece zor bir operasyon. Ama son yıllarda çok hızlı gelişti. Yapay zekâ algoritmaların>>>
Makine Öğrenmesi Nedir? İnsan yaşadığı tecrübelerle öğrenir. Makineler ise veriler üzerinde yapılan çeşitli işlemler ile çeşitli tahminler yaparak öğrenme işlemini gerçekleştirebilir. Yapay Zekâ Nedir? Yapay zeka, insanın sahip olduğu zekanın yani yeteneklerin modellenerek bilgisayarlar vasıtasıyla çeşitli problemleri çözmek için kullanılmasıdır.
Sonlandırma kriteri olarak; -Sabit bir iterasyon/fonksiyon değerlendirme sayısı, -Sabit bir CPU çalışma zamanı, -Son iki iterasyonun değerleri arasındaki farkın belirli bir değerin altına düşmesi, -Optimumu bilinen fonksiyonlar için optimum değere ulaşma, -… seçilebilir.