Sepetinizde ürün bulunmamaktadır

DATA: Veri Madenciliği Veri Analizi
ISBN: 978-605-4220-81-6, Türkçe, Eylül 2014, 448 sayfa, (16,5x24 cm2), 80 gr 1. hamur kağıt.
  • Yazar Adı : Haldun AKPINAR (Prof. Dr.)
  • Liste Fiyatı :39.00 TL
  • Ürün İndirim Oranı :% 15
  • İndirimli Fiyatı :30.69 TL + KDV
  • Yayınevi :Papatya Bilim Yayınevi
  • Stok Durumu :
Kampanya
İndirimli
Satışta
Adet
Enformasyon Teknolojileri dünyasındaki olağanüstü gelişmeler, doğal olarak zaman içerisinde aşama aşama diğer disiplinleri de etkilemeye başlamıştır. Basit istatistik analiz teknikleri, süratle yerlerini çok değişkenli ve karmaşık tekniklere bırakırken, yapay zekâ araştırmaları olağanüstü bir süratle gelişmiş, Kasparov ile satranç oynayan Deep Blue, Jeopardy’de IBM Watson insanları şaşkına çeviren düzeylere erişmiştir. Son olarak muhteşem bilim adamı Alan Turing’in, Turing Testi’nin de gerçekleştiği bu ay içinde gazetelerde yer bulmuştur.
 
Data (Veri) kavramı giderek önemini artırmış ve data ile başlayan kavramlarda olağanüstü bir artış ortaya çıkmıştır. İlk dönemlerdeki işletmelerin itici gücü, yerini giderek genetik çalışmalardaki olağanüstü veri analizi ihtiyacına bırakmıştır. Bir taraftan veri saklama ve erişimi için yeni teknolojiler devreye girerken, bu veri dizilerinin analizi yeni algoritmaların geliştirilmesini gerekli kılmıştır. Çeşitli disiplinlerle gerçekleşen arakesitler ve uygulama ihtiyaçları yeni yaklaşımların ortaya çıkmasına neden olmuştur.
 
Veri madenciliği birçok disiplinin katkılarıyla inşa edilmiş yığma bir yapıdır. Bu yapıda taşıyıcı birimler yapay zekâ, veri tabanı yönetim sistemleri, özellikle çok değişkenli istatistik analiz teknikleridir. Son dönemde bu disiplinlere uygulama alanlarındaki gelişmelerle birlikte her geçen gün yeni disiplinler katılmaktadır. Kitapta bu disiplinlere ilişkin bir takım özet bilgilere yer verilmişse de, okuyucunun enformasyon sistemleri ve teknolojileri, yapay zekâ, veri tabanları ve istatistik alanlarında bilgi sahibi olması kaçınılmazdır.
Bu kitap hem profesyoneller için hem de üniversitelerde verilen "veri madenciliği", "veri analizi" gibi dersler için önemli bir kaynak niteliğindedir.

--------------------

İÇİNDEKİLER

ÖNSÖZ

BÖLÜM 1 : Ölçmek
1.1. Scientia Potestas Est
1.2. Ölçmek ya da Ölçememek
1.3. Ölçü Skalası
   1.3.1.      Nominal (isimsel) Skala
   1.3.2.      Ordinal (sıralı) Skala
   1.3.3.      Interval (aralıklı) Skala
   1.3.4.      Ratio (oransal) Skala

BÖLÜM 2 : Veri
2.1. Veri Yönetimi
2.2. Örnek Veri Dizileri
   2.2.1. Iris / Süsen Çiçeği
   2.2.2. Karaciğer
   2.2.3. Bilgisayar Alımı
2.3. Veri Gösterimi
2.4. Veri Saklama Ortamları
2.5. Veri Saklama Yönetimi
2.6. Veri Betimleme
2.7. Görselleştirme
   2.7.1. Çizgi, Sütun Grafiği ve Histogram
   2.7.2. Box-Whisker Çizimi
   2.7.3. Serpilme Çizimleri
   2.7.4. Serpilme Matris Çizimi
   2.7.5. Survey Plot
   2.7.6. Paralel Koordinatlar
   2.7.7. Yüzey, Eşyükselti ve Gofret Grafikleri
   2.7.8. Chernoff Yüzleri
2.8. Coğrafi Görselleştirme Örneği

BÖLÜM 3 : Veri Madenciliği
3.1. Veri Analizi
3.2. Yapay Zekâ
   3.2.1. Durum Uzayını Arama
                   Su Testisi Problemi
                   Köprüden Nasıl Geçmeli
                   Tic-Tac-Toe
   3.2.2. Heuristic Arama
                   A* Heuristic Algoritması
                   Tepe Tırmanma Algoritması
3.3. Veri Madenciliği Modelleri
   3.3.1. Sınıflandırma
   3.3.2. Kümeleme
   3.3.3. Birliktelik Kuralları ve Ardışık Zamanlı Örüntüler
3.4. Veri Madenciliği Süreci
   3.4.1. CRISP-DM Süreç Modeli
   3.4.2. Semma Süreci – SAS
   3.4.3. Süreç Önerisi

BÖLÜM 4 : Veri Ön İşleme
4.1. Veri Kalitesi
4.2. Veri Ön İşleme
4.3. Veri Entegrasyonu
   4.3.1. Veri Konsolidasyonu
          ETL Süreci
          ELT Süreci
   4.3.2. Veri Yayınımı / Federasyonu
4.4. Veri Temizleme
   4.4.1. Veri Tutarsızlıklarının Saptanması
   4.4.2. Gramer İncelemesi
   4.4.3. Çifte Kayıtların Ayıklanması
   4.4.4. Temizlenmiş Verinin Bakımı
   4.4.5. Sanal Entegrasyonda Veri Temizleme
   4.4.6. Veride Parazit Azaltımı
                Veri Dilimleme
                Görüntü İşlemede Dilimleme
                Veri Perdahlama
4.5. Eksik Verinin Tamamlanması
   4.5.1. Eksik Veri Örüntüsünün Betimlenmesi
   4.5.2. Eksik Verinin Tesadüfilik Düzeyinin Belirlenmesi
                   Tamamen Tesadüfi Eksiklik
                   Tesadüfi Eksiklik
                   Tesadüfi Olmayan Eksiklik
                   Tesadüfilik Sınıfının Belirlenmesi
   4.5.3. Eksik Verinin Giderilmesi
        Silme Yöntemleri
          Tam Gözlem Yöntemi
          Mevcut Gözlem Yöntemi
       Tekli Atama Yöntemleri
          Aritmetik Ortalama Değeri ile Tamamlama
          Medyan Değeri ile Tamamlama
      Tanımlanan Sayıda Komşunun Aritmetik Ortalaması / Medyan Değeri ile Tamamlama
      Model Temelli Yöntemler
          Maksimum Olabilirlik
          Beklenti-Maksimizasyon Yöntemi
          Markov Zinciri Monte Carlo Yöntemi
4.6. Sıra Dışı Değer Analizi
   4.6.1. Tek Değişkenli Veri Dizilerinde
                                      Standart Sapma Kullanımı
                                      Kartiller Arası Uzaklık
                                      Dean Dixon Q Testi
   4.6.2. Çok Değişkenli Veri Dizilerinde
4.7. Veri Dönüştürme
   4.7.1. Veri Normalleştirme / Veri Standardizasyonu
                   z-Skor Normalleştirmesi
                   [0,1] Aralığında Normalleştirme
                   [-1,1] Aralığında Normalleştirme
                   10 Tabanına Göre Logaritma
                   Aritmetik Ortalamanın 1 Olduğu Normalleştirme
                   Standart Sapmanın 1 Olduğu Normalleştirme
   4.7.2. Sürekli Veri Dizisi Değerlerinin Kategorik Değerlere Dönüştürülmesi
   4.7.3. Nominal Veri Dizisi Değerleri için Kavram Hiyerarşisi
4.8. Veri İndirgeme
   4.8.1. Öznitelik / Boyut Sayısının Azaltılması
   4.8.2. Öznitelik Alt Dizisi Seçimi
               Paketleyici Yöntemler
               Filtre Kullanan Yöntemler
               Gömülü Yöntemler
4.9. Faktör Analizi
   4.9.1. Korelasyon / Kovaryans Matrisi
   4.9.2. Barttlett Küresellik Testi
   4.9.3. Anti-Image Korelasyon Matrisi
   4.9.4. Faktör Çıkartımı
   4.9.5. Faktör Yüklemeleri
   4.9.6. Faktör Rotasyonu
4.10. Örnekleme

BÖLÜM 5 : Uzaklık ve Benzerlik Ölçüleri
5.1. Uzaklık ve Benzerlik Ölçüleri
5.2. Uzaklık Ölçüleri
    5.2.1. Aralık Ölçek için Uzaklık Ölçüleri
          Euclid ve Kareli Euclid Uzaklık Ölçüleri
          Minkowski Uzaklığı
          Chebyshev Uzaklığı
          Manhattan Uzaklığı
          Mahalanobis Uzaklığı
   5.2.2. Frekans Uzaklık Ölçüleri
   5.2.3. İkil Veri için Uzaklık Ölçüleri
5.3. Benzerlik Ölçüleri
   5.3.1. Aralık Ölçek için Benzerlik Ölçüleri
          Pearson Korelasyonu
          Kosinüs Benzerliği
          Karakter Dizisi Karşılaştırması
   5.3.2. İkil Veri için Benzerlik Ölçüleri
5.4. Uzaklık ve Benzerlik Ölçüleri Yeterli midir
 
BÖLÜM 6 : Sınıflandırma
6.1. Giriş
6.2. Lineer Diskriminanz Analizi
   6.2.1. Diskriminanz Analizi Süreci
   6.2.2. Kanonik Diskriminanz Fonksiyonu Katsayıları
   6.2.3. Sonuçların Değerlendirilmesi
6.3. Karar Ağacı Öğrenimi
   6.3.1. Karar Ağaçları
   6.3.2. Karar Ağaçlarından Karar Ağacı Öğrenimine
   6.3.3. En İyi Bölen Özniteliğin Seçilmesi
          Entropi Endeksi
          Gini Endeksi
          Sınıflandırma Hatası Endeksi
   6.3.4. Budama Süreci
   6.3.5. Karar Ağacı Algoritmaları
          CLS Ailesi
          AID Ailesi
          CART
          QUEST
  6.3.6. Karar Ağaçlarının Doğruluğunun Test Edilmesi
          Ensemble Öğrenim
          REPTree
          RandomTree
          DecisionStump
          RandomForest
          NBTree
   6.3.7. Kullanılan Yazılımlar
6.4. k-En Yakın Komşu Algoritması
6.5. Yapay Sinir Ağları
   6.5.1. Temel Sinir Fizyolojisi
   6.5.2. Biyolojik Sinir Hücrelerinden Yapay Sinir Ağlarına
   6.5.3. Yapay Sinir Ağı Araştırmalarının Gelişimi
          McCulloch-Pitts Modeli
          Hebbian Öğrenimi
          Perceptron
          Perceptron Kuramının Yıkılışı
          Duraklama Dönemi
          Duraklama Döneminde Gerçekleştirilen Diğer Araştırmalar
          Yapay Sinir Ağlarının Yeniden Doğuşu
   6.5.4. Geriye Yayınım Ağları
          Genelleştirilmiş Delta Kuralı
          GY Ağlarının Kullanımında Karşılaşılan Sorunlar
                    Eğitim Verisinin Seçilmesi
                    Kurulacak Ağın Boyutlarının Belirlenmesi
                    Başlangıç Ağırlık Değerlerinin ve
                    Öğrenme Parametresinin Belirlenmesi
          Ağırlık Matris Değerlerinin Hesaplanması
          Örnek Uygulama
   6.5.6. Yapay Sinir Ağı Modellerinin Sınıflandırılması
          İleri Beslemeli
          Radyal Temelli Fonksiyonlar
          Kendini Düzenleyen Haritalar
          Tekrarlı Yapay Sinir Ağı Modelleri
          Learning Vector Quantization
          Modüler Yapay Sinir Ağları
6.6. Destek Vektör Makineleri
   6.6.1. Lineer Sınıflandırma
   6.6.2. Lineer Olmayan Sınıflandırma
             I. Tip Problemler – Aylak Değişken Kullanımı
             II. Tip Problemler – Kernel Trick Kullanımı
 
BÖLÜM 7 : Kümeleme Algoritmaları
7.1. Giriş
   7.1.1. Biyoloji, Hesapsal Biyoloji ve Biyoenformatik
   7.1.2. Tıp
   7.1.3. İşletme
   7.1.4. Enformatik
   7.1.5. Astronomi
   7.1.6. Antropometri
   7.1.7. Schelling’in Segregation Modeli
   7.1.8. Görüntü Renklendirme ve İşleme
   7.1.9. Mekânsal Veri Madenciliği
7.2. Kümeleme Algoritmalarının Sınıflandırılması
7.3. Hiyerarşik Küme Analizi
   7.3.1. Tekli Bağlantı / En Yakın Komşu Yöntemi
   7.3.2. Tam Bağlantı / En Uzak Komşu Yöntemi
   7.3.3. Aritmetik Ortalamalı Bağlantı / Gruplar Arası Bağlantı. 305
   7.3.4. Merkezi Bağlantı
   7.3.5. Medyan Bağlantı
   7.3.6. Ward Bağlantısı
   7.3.7. Lance & Williams Yöntemi
   7.3.8. Bağlantı Yöntemlerinin Karşılaştırılması
7.4. Bölümleyici Küme Analizi
   7.4.1. k-means Algoritması
   7.4.2. Siluet Katsayısı
   7.4.3. k-medoids Algoritması
   7.4.4. k-modes Algoritması
   7.4.5. k-median Algoritması
   7.4.6. k-means++ Algoritması        
   7.4.7. Canopy Kümeleme Algoritması
7.5. Hiyerarşik Temelli Küme Analizi Algoritmaları
   7.5.1. BIRCH
          Küme içi Homojenlik Ölçüleri
          Kümeler Arası Heterojenlik Ölçütleri
          Kümeleme Özelliği
          Kümeleme Özelliği Ağacı
          BIRCH Algoritmasının Temel Yapısı
          Yazılım
          Log-Likelihood Uzaklık Ölçüsü
    7.5.2. CURE
          Tesadüfi Örnekleme
          Örnek Kütlenin Kümelenmesi
          Sıra Dışı Değerlerin Giderilmesi
          Ana Kütlenin Kümelere Atanması
     7.5.3. ROCK
          Komşuluk                    
          Link                               
     7.5.4. Chameleon
          Veri Dizilerinden Seyrek Bir Çizgenin Yapılandırılması
          Çizgenin Alt Kümelere Ayrılması
          Alt Kümelerin Birleştirilmesi
          Nispi Interconnectivity
          Nispi Yakınlık        
          Alt Kümelerin Birleştirilmesi
7.6. Yoğunluk Temelli Algoritmalar
   7.6.1. DBSCAN                    
   7.6.2. OPTICS                    
   7.6.3. DENCLUE
7.7. Izgara Temelli Algoritmalar
          STING                    
7.8. Kendini Düzenleyen Haritalar
          Örnek Uygulama        
7.9. Fuzzy Kümeleme
7.10. Yüksek Boyutlu Veri Dizilerinin Kümelenmesi
7.11. Küme Analizi Algoritmalarında Darboğazlar
7.12. Küme Analizi Sonuçlarının Değerlendirilmesi
   7.12.1. İçsel Değerlendirme
          Davies – Bouldin Endeksi
          Dunn Endeksi
   7.12.2. Dışsal Değerlendirme
          Rand Endeksi
          F-Ölçüsü        
          Jackard Endeksi
          Fowlkes-Mallows Endeksi
Kaynakça
Dizin
Türkiye İş Bankası - Maximum Kart
TAKSİT TUTAR TOPLAM TUTAR
2 3 4
16.58 TL 33 TL
11.05 TL 33 TL
8.29 TL 33 TL
YORUMLARSize Yorumunuzu Yazın

Bu Ürünü Nasıl Buldunuz ?

Ad Soyad:
Mail Adresiniz :
Yorum :
Güvenlik Resmi :
Lütfen resimdeki 3 karakterli yazıyı kutuya sırasıyla yazınız
Güvenlik Resmi
YORUMLARA GÖZ ATIN
Ürüne ait yorum kaydı bulunamadı!
BENZER ÜRÜNLER
% 15
Bilgisayar Mühendisliğine Giriş
ISBN: 978-975-6797-77-8, Türkçe, 5. basım, 15 Ağustos 2016, 352 sayfa,(16,5x24 cm2), 80 gr 1. hamur kağıt.
35.00 TL
27.55 TL+KDV
% 15
Bilgi Yönetimi ve Uygulamaları
ISBN: 978-605-4220-15-1, Editör: Murat DİNÇMEN (Prof. Dr.), Türkçe, 1. basım, 2010, 300 sayfa, (16,5x24 cm2), 80 gr 1. hamur kağıt.
30.00 TL
23.61 TL+KDV
% 15
Bilişim Sistemleri Temelleri ve Uygulamaları
ISBN: 978-975-6797-96-6, Türkçe, 2. basım, Şubat 2013, 328 sayfa, (16,5x24 cm2), 80 gr 1. hamur kağıt.
30.00 TL
23.61 TL+KDV
% 15
Veri Madenciliği Yöntemleri
ISBN: 978-975-6797-82-2, 3. basım, Ağustos 2016, 240 sayfa, (16,5x24 cm2), 80 gr 1. hamur kağıt
28.00 TL
22.04 TL+KDV
% 15
Veri Madenciliği (Kavram ve Algoritmaları)
ISBN: 978-975-6797-81-5, Türkçe, Genişletilmiş 3. basım, 2016, 304 sayfa, (16,5x24 cm2), 80 gr 1. hamur
30.00 TL
23.61 TL+KDV
% 60
SQL 2008 Uygulamalarıyla Veritabanı 1
ISBN: 978-605-4220-05-2, Türkçe, 1. basım, 2009, 248 sayfa, (16,5x24 cm2), 1. hamur kitap kağıdı.
25.00 TL
9.26 TL+KDV
% 20
SQL 2008 Uygulamalarıyla Veritabanı 2
ISBN: 978-975-6797-99-0, Türkçe, 2009, 232 sayfa, (16,5x24 cm2), 1. hamur kitap kağıdı.
25.00 TL
18.52 TL+KDV
% 50
Türkiye Bilişim Ansiklopedisi
ISBN: 975-6797-38-X, Başeditörler: Tuncer ÖREN, Tuncer ÜNEY, Rifat ÇÖLKESEN, 2006, 1200 sayfa, (17x24 cm2), sert kapak, 80 gr 1. hamur kağıt.
75.00 TL
34.72 TL+KDV
% 93
İnternet Teknolojileri ve İntranet Uygulamaları
ISBN: 975-6797-41-X, Türkçe, 1. basım, 2003, 240 sayfa, (16,5x24 cm2), 80 gr 1. hamur kağıt.
22.00 TL
1.43 TL+KDV
% 15
SQL Server ADO.NET
ISBN: 975-8982-32-X, Türkçe, 3. basım, 2007, 640 sayfa, (16x24 cm2), 1. hamur kitap kağıdı.
30.00 TL
23.61 TL+KDV
% 15
Visual C# .NET 2005 Veritabanı
ISBN: 975-8982-52-4, Türkçe, 1. basım, 2005, 660 sayfa, (16x24 cm2), 1. hamur kitap kağıdı.
32.50 TL
25.58 TL+KDV
% 15
SQL Server 2005
SQL Server 2005
37.50 TL
29.51 TL+KDV
% 15
ASP .NET 3.5 (Visual Studio 2008)
ASP .NET 3.5 (Visual Studio 2008)
54.00 TL
42.50 TL+KDV
% 5
Bilgisayar Veri Tabanı Sistemleri
Bilgisayar Veri Tabanı Sistemleri
20.00 TL
17.59 TL+KDV
% 15
Veri Madenciliği (Kavram ve Teknikler)
ISBN: 978-975-8768-24-7, Türkçe, 2009, 596 sayfa, (16,5x23,5 cm2), 1. hamur kağıt.
15.00 TL
11.81 TL+KDV