{"id":2503,"date":"2018-09-06T21:14:37","date_gmt":"2018-09-06T18:14:37","guid":{"rendered":"http:\/\/oyasanli.com\/oyasblog\/?p=2503"},"modified":"2021-10-24T16:26:17","modified_gmt":"2021-10-24T13:26:17","slug":"veri-madenciligi-giris","status":"publish","type":"post","link":"https:\/\/oyasanli.com\/oyasblog\/2018\/09\/06\/veri-madenciligi-giris\/","title":{"rendered":"Veri madencili\u011fi – Giris"},"content":{"rendered":"\n\n
<\/div>\n\n

\"\"Veri Madencili\u011fi Nedir?<\/span><\/h1>\n

Bilgisayar biliminde, ham verilerin faydal\u0131 bilgilere d\u00f6n\u00fc\u015ft\u00fcr\u00fclmesi s\u00fcrecidir. Bilgi ke\u015ffi olarak da adland\u0131rd\u0131\u011f\u0131m\u0131z, veri madencili\u011fi, b\u00fcy\u00fck hacimli verilerde ilgin\u00e7 ve kullan\u0131\u015fl\u0131 kal\u0131plar\u0131 ve ili\u015fkileri ke\u015ffetme y\u00f6ntemidir.<\/span><\/p>\n

Makine \u00f6\u011frenimi, istatistik, yapay zeka ve veritaban\u0131 teknolojilerini kullanan ve bunlar\u0131n ara\u00e7lar\u0131n\u0131 birle\u015ftiren \u00e7ok disiplinli bir beceridir.<\/p>\n

Veri madencili\u011fi, i\u015f d\u00fcnyas\u0131nda (sigorta, bankac\u0131l\u0131k, perakende), bilim ara\u015ft\u0131rmalar\u0131nda (astronomi, ila\u00e7) ve devlet g\u00fcvenli\u011finde (su\u00e7lular\u0131n ve ter\u00f6ristlerin tespiti) yayg\u0131n olarak kullan\u0131lmaktad\u0131r.<\/p>\n

Veri Madencili\u011fi Uygulama S\u00fcreci<\/span><\/h1>\n

\"\"<\/p>\n

\u0130\u015f anlay\u0131\u015f\u0131:<\/span><\/h1>\n

Bu a\u015famada, i\u015f ve veri madencili\u011fi hedefleri belirlenir.<\/span><\/p>\n

    \n
  • \u00d6ncelikle, i\u015f ve m\u00fc\u015fteri hedeflerini anlaman\u0131z gerekir. M\u00fc\u015fterinizin ne istedi\u011fini tan\u0131mlaman\u0131z gerekir (\u00e7o\u011fu zaman kendileri bile bilmezler)<\/span><\/li>\n
  • Mevcut veri madencili\u011fi senaryosunun stokunu al\u0131n. De\u011ferlendirmenizde kaynaklar, varsay\u0131m, k\u0131s\u0131tlamalar ve di\u011fer \u00f6nemli fakt\u00f6rleri al\u0131n<\/span><\/li>\n
  • \u0130\u015f hedeflerini ve mevcut senaryoyu kullanarak, veri madencili\u011fi hedeflerinizi tan\u0131mlay\u0131n<\/span><\/li>\n
  • \u0130yi bir veri madencili\u011fi plan\u0131 \u00e7ok detayl\u0131d\u0131r ve hem i\u015f hem de veri madencili\u011fi hedeflerini ger\u00e7ekle\u015ftirmek i\u00e7in geli\u015ftirilmelidir<\/span><\/li>\n<\/ul>\n

    Veri anlay\u0131\u015f\u0131:<\/span><\/h1>\n

    Bu a\u015famada, veri madencili\u011fi hedeflerine uygun olup olmad\u0131\u011f\u0131n\u0131 kontrol etmek i\u00e7in veri \u00fczerinde uygunluk kontrol\u00fc yap\u0131l\u0131r.<\/span><\/p>\n

      \n
    • \u0130lk olarak, veriler kurulu\u015fta bulunan birden fazla veri kayna\u011f\u0131ndan toplan\u0131r.<\/span><\/li>\n
    • Bu veri kaynaklar\u0131, birden \u00e7ok veritaban\u0131n\u0131, tekd\u00fcze dosyalar\u0131 veya veri k\u00fcplerini i\u00e7erebilir. Veri Entegrasyonu s\u00fcrecinde nesne e\u015fle\u015ftirme ve \u015fema entegrasyonu gibi sorunlar ortaya \u00e7\u0131kabilir. \u00c7e\u015fitli kaynaklardan gelen verilerin e\u015fle\u015fmesi kolayca m\u00fcmk\u00fcn olmayan olduk\u00e7a karma\u015f\u0131k ve zor bir s\u00fcre\u00e7tir. \u00d6rne\u011fin, tablo A must_no ad\u0131nda bir giri\u015f i\u00e7erirken, ba\u015fka bir B tablosu must-id ad\u0131nda bir giri\u015f i\u00e7erebilir.<\/span><\/li>\n
    • Bu nedenle, bu iki nesnenin de ayn\u0131 de\u011fere sahip olup olmad\u0131klar\u0131n\u0131 garanti etmek olduk\u00e7a zordur. Burada, veri entegrasyon s\u00fcrecindeki hatalar\u0131 azaltmak i\u00e7in Meta veri (Meta veri, di\u011fer veriler hakk\u0131nda bilgi sa\u011flayan “veri [bilgi]” dir.) kullan\u0131lmal\u0131d\u0131r.<\/span><\/li>\n
    • Bir sonraki ad\u0131m eldeki verilerin \u00f6zelliklerini aramakt\u0131r. Verileri ara\u015ft\u0131rman\u0131n iyi bir yolu, sorgulama, raporlama ve g\u00f6rselle\u015ftirme ara\u00e7lar\u0131n\u0131 kullanarak veri madencili\u011fi sorular\u0131na (i\u015f a\u015famas\u0131nda kararla\u015ft\u0131r\u0131lm\u0131\u015f) cevap vermektir.<\/span><\/li>\n
    • Sorgu sonu\u00e7lar\u0131na dayanarak, veri kalitesi belirlenmelidir. E\u011fer eksik veri varsa kazan\u0131lmal\u0131d\u0131r.<\/span><\/li>\n<\/ul>\n

      Veri Haz\u0131rlama:<\/span><\/h1>\n

      Bu a\u015famada, veriler \u00fcretime haz\u0131r hale getirilir. Veri haz\u0131rlama s\u00fcreci, projenin yakla\u015f\u0131k % 90’\u0131n\u0131 t\u00fcketir.<\/span><\/p>\n

      Farkl\u0131 kaynaklardan elde edilen veriler se\u00e7ilmeli, temizlenmeli, d\u00f6n\u00fc\u015ft\u00fcr\u00fclmeli, formatlanmal\u0131, anonim hale getirilmeli ve olu\u015fturulmal\u0131d\u0131r (gerekirse).<\/span><\/p>\n

      Veri temizleme, rahats\u0131z edici verileri d\u00fczelterek ve eksik de\u011ferleri doldurarak verileri “temizlemeye” y\u00f6nelik bir i\u015flemdir.<\/span><\/p>\n

      \u00d6rne\u011fin, m\u00fc\u015fteri demografisi profili i\u00e7in ya\u015f verileri eksik ise doldurulmal\u0131d\u0131r. Baz\u0131 durumlarda veri ayk\u0131r\u0131 olabilir. \u00d6rne\u011fin, ya\u015f 300 de\u011ferini alm\u0131\u015ft\u0131r. Veriler tutars\u0131z olabilir; \u00f6rne\u011fin, m\u00fc\u015fterinin ad\u0131 farkl\u0131 tablolarda farkl\u0131d\u0131r.<\/span><\/p>\n

      \"\"<\/p>\n

      Veri d\u00f6n\u00fc\u015ft\u00fcrme i\u015flemleri, verileri veri madencili\u011finde yararl\u0131 hale getirmek i\u00e7in de\u011fi\u015ftirir. A\u015fa\u011f\u0131daki d\u00f6n\u00fc\u015f\u00fcm uygulanabilir<\/span><\/p>\n

      Veri d\u00f6n\u00fc\u015f\u00fcm\u00fc:<\/span><\/h1>\n

      Veri d\u00f6n\u00fc\u015ft\u00fcrme operasyonlar\u0131 veri madencili\u011fi s\u00fcrecinin ba\u015far\u0131s\u0131na katk\u0131da bulunacakt\u0131r.<\/span><\/p>\n

      Yumu\u015fatma:<\/b> Rahats\u0131z edici verileri \u00e7\u0131karmaya yard\u0131mc\u0131 olur.<\/span><\/p>\n

      Toplama: <\/b>\u00a0\u00d6zet veya toplama i\u015flemleri verilere uygulan\u0131r. Yani, haftal\u0131k sat\u0131\u015f verileri ayl\u0131k ve y\u0131ll\u0131k toplam\u0131 hesaplamak i\u00e7in toplan\u0131r.<\/span><\/p>\n

      Genelle\u015ftirme:<\/b> Bu ad\u0131mda, d\u00fc\u015f\u00fck d\u00fczeydeki veriler, kavram hiyerar\u015filerinin yard\u0131m\u0131yla \u00fcst d\u00fczey kavramlarla de\u011fi\u015ftirilir. \u00d6rne\u011fin, il\u00e7e \u015fehir ile de\u011fi\u015ftirilir.<\/span><\/p>\n

      Normalle\u015ftirme\/Standardizasyon: <\/b>Standardizasyon ya da normalle\u015fmenin amac\u0131, b\u00fct\u00fcn de\u011ferler k\u00fcmesinin belirli bir \u00f6zelli\u011fe sahip olmas\u0131n\u0131 sa\u011flamakt\u0131r. Nitelik verileri a\u015fa\u011f\u0131 veya yukar\u0131 do\u011fru \u00f6l\u00e7eklendi\u011finde normalle\u015ftirme\/standardizasyon ger\u00e7ekle\u015ftirilir. \u00d6znitelik verileri -1.0 ila 1.0, 0.0 ila 1.0 gibi k\u00fc\u00e7\u00fck bir aral\u0131\u011fa d\u00fc\u015fecek \u015fekilde \u00f6l\u00e7eklenir.<\/span><\/p>\n

      \u00d6znitelik yap\u0131s\u0131:<\/b> Yeni nitelikler var olan \u00f6zniteliklerden olu\u015fturulmu\u015f ve b\u00fcy\u00fck boyutlu verilerde yap\u0131n\u0131n do\u011frulu\u011funu art\u0131rmak ve anla\u015f\u0131lmas\u0131na yard\u0131mc\u0131 olmak i\u00e7in eklenmi\u015ftir. \u00d6znitelik yap\u0131s\u0131na g\u00f6re eksik bilgiler ke\u015ffedebilir.<\/span><\/p>\n

      Modelleme:<\/span><\/h1>\n

      Bu a\u015famada, veri modellerini belirlemek i\u00e7in matematiksel modeller kullan\u0131l\u0131r.<\/span><\/p>\n

        \n
      • \u00a0\u0130\u015f hedeflerine g\u00f6re haz\u0131rlanan veri seti i\u00e7in uygun modelleme teknikleri se\u00e7ilir<\/span><\/li>\n
      • \u00a0Modelin kalitesini ve ge\u00e7erlili\u011fini s\u0131namak i\u00e7in bir senaryo olu\u015fturulur<\/span><\/li>\n
      • \u00a0Model haz\u0131rlanan veri k\u00fcmesinde \u00e7al\u0131\u015ft\u0131r\u0131l\u0131r<\/span><\/li>\n
      • \u00a0Sonu\u00e7lar, modelin veri madencili\u011fi hedeflerini kar\u015f\u0131layabildi\u011finden emin olmak i\u00e7in t\u00fcm payda\u015flar, ilgili ki\u015filer taraf\u0131ndan de\u011ferlendirilir.<\/span><\/li>\n<\/ul>\n

        De\u011ferlendirme:<\/span><\/h1>\n

        Bu a\u015famada, tan\u0131mlanan modeller i\u015f hedeflerine g\u00f6re de\u011ferlendirilmektedir.<\/span><\/p>\n

          \n
        • Veri madencili\u011fi modeli taraf\u0131ndan olu\u015fturulan sonu\u00e7lar, i\u015f hedeflerine g\u00f6re de\u011ferlendirilir<\/span><\/li>\n
        • \u0130\u015f ve veri madencili\u011fi hedeflerini belirlemek yinelemeli bir s\u00fcre\u00e7tir. Asl\u0131nda, i\u015fi anlamaya \u00e7al\u0131\u015f\u0131rken, yeni i\u015f gereksinimleri veri madencili\u011fi nedeniyle ortaya \u00e7\u0131kabilir.<\/span><\/li>\n
        • Modeli da\u011f\u0131t\u0131m veya yayma \u00a0a\u015famas\u0131na ta\u015f\u0131mak i\u00e7in bir git(go) veya gitme(no-go) karar\u0131 al\u0131n\u0131r<\/span><\/li>\n<\/ul>\n

          Da\u011f\u0131t\u0131m\/Yay\u0131lma:<\/span><\/h1>\n

          Da\u011f\u0131t\u0131m a\u015famas\u0131nda, veri madencili\u011fi ke\u015fiflerinizi g\u00fcnl\u00fck i\u015f operasyonlar\u0131na ta\u015f\u0131yorsunuz.<\/span><\/p>\n

            \n
          • Veri madencili\u011fi s\u00fcrecinde ortaya \u00e7\u0131kan enformasyon veya bilgi, teknik olmayan payda\u015flar i\u00e7in anla\u015f\u0131lmas\u0131 kolay olmal\u0131d\u0131r<\/span><\/li>\n
          • Veri madencili\u011fi ke\u015fiflerinin ta\u015f\u0131nmas\u0131, bak\u0131m\u0131 ve izlenmesi i\u00e7in ayr\u0131nt\u0131l\u0131 bir da\u011f\u0131t\u0131m plan\u0131 olu\u015fturulur<\/span>
            \n<\/span><\/li>\n
          • Proje s\u00fcresince \u00f6\u011frenilen dersler ve \u00f6nemli deneyimlerle nihai bir proje raporu olu\u015fturulur. Bu, kurulu\u015fun i\u015f politikas\u0131n\u0131 geli\u015ftirmesine yard\u0131mc\u0131 olur.<\/span><\/li>\n<\/ul>\n

            Veri madencili\u011fi teknikleri:<\/span><\/h1>\n

            \"\"<\/p>\n

            Veri madencili\u011fi teknikleri, matematik, sibernetik, genetik ve pazarlama gibi bir\u00e7ok ara\u015ft\u0131rma alan\u0131nda kullan\u0131lmaktad\u0131r. Bu teknikler verimlilik sa\u011flamak ve m\u00fc\u015fteri davran\u0131\u015flar\u0131n\u0131 tahmin etmek i\u00e7in bir ara\u00e7 iken, do\u011fru kullan\u0131ld\u0131\u011f\u0131nda, bir i\u015fletmeyi \u00f6ng\u00f6r\u00fc analiziyle rekabette <\/span>\u00f6<\/span>ne \u00e7\u0131karabilir.<\/span><\/p>\n

            S\u0131n\u0131fland\u0131rma: <\/b>S\u0131n\u0131fland\u0131rma, \u00e7e\u015fitli \u00f6zellikleri birlikte alg\u0131lanabilir kategorilere toplamam\u0131z\u0131 sa\u011flayan, daha fazla sonu\u00e7 \u00e7\u0131karmaya veya daha sonra da kullanabilir baz\u0131 i\u015flevlere hizmet eden karma\u015f\u0131k veri madencili\u011fi tekni\u011fidir. Belirli bir etiketlenmemi\u015f nokta i\u00e7in bir s\u0131n\u0131f etiketinin tahmin edilmesi g\u00f6revini ifade eder. K\u0131saca, veri s\u0131n\u0131fland\u0131rmas\u0131, en etkin ve verimli kullan\u0131m\u0131 i\u00e7in veriyi kategorilere ay\u0131rma s\u00fcrecidir. Bu analiz, veriler ve meta veriler hakk\u0131nda \u00f6nemli ve ilgili bilgileri almak i\u00e7in kullan\u0131l\u0131r. \u00d6rne\u011fin, farkl\u0131 \u00f6zellikleri (koltuk say\u0131s\u0131, araba \u015fekli, direksiyon gibi) tan\u0131mlayarak otomobilleri farkl\u0131 tiplerde (sedan, 4×4, \u00fcst\u00fc a\u00e7\u0131labilir gibi) kolayca s\u0131n\u0131fland\u0131rabilirsiniz. Yeni bir araba verildi\u011finde, \u00f6znitelikleri bilinen tan\u0131m\u0131n\u0131zla kar\u015f\u0131la\u015ft\u0131rarak bunu belirli bir s\u0131n\u0131fa dahil edebilirsiniz.<\/span><\/p>\n

            Ek olarak, s\u0131n\u0131fland\u0131rmay\u0131 ba\u015fka tekniklere ya da ba\u015fka tekniklerin sonucu olarak kullanabilirsiniz. \u00d6rne\u011fin, bir s\u0131n\u0131fland\u0131rmay\u0131 belirlemek i\u00e7in karar a\u011fa\u00e7lar\u0131n\u0131 kullanabilirsiniz. K\u00fcmeleme de, k\u00fcmeleri tan\u0131mlamak i\u00e7in farkl\u0131 s\u0131n\u0131fland\u0131rmalardaki ortak \u00f6zellikleri kullanman\u0131za izin verir. <\/span><\/p>\n

            Bu teknikte iki ana s\u00fcre\u00e7 vard\u0131r:<\/p>\n

            \u00d6\u011frenme \u2013 Bu s\u00fcre\u00e7te veriler s\u0131n\u0131fland\u0131rma algoritmas\u0131 ile analiz edilir.<\/span>
            \n<\/span>S\u0131n\u0131fland\u0131rma \u2013 Bu s\u00fcre\u00e7te veriler s\u0131n\u0131fland\u0131rma kurallar\u0131n\u0131n hassasl\u0131\u011f<\/span>\u0131n\u0131 \u00f6l\u00e7mek i\u00e7in kullan\u0131l\u0131r.<\/span><\/p>\n

            Farkl\u0131 alternatif s\u0131n\u0131fland\u0131rma modelleri de vard\u0131r;<\/span>
            \n<\/span><\/p>\n

              \n
            • Yak\u0131n kom\u015fu S\u0131n\u0131fland\u0131rmas\u0131<\/span><\/li>\n
            • Karar a\u011fa\u00e7lar\u0131 \u0130nd\u00fcksiyonu ile s\u0131n\u0131fland\u0131rma<\/span><\/li>\n
            • Naive Bayes S\u0131n\u0131fland\u0131rmas\u0131<\/span><\/li>\n
            • Bayesian S\u0131n\u0131fland\u0131rmas\u0131<\/span><\/li>\n
            • N\u00f6ral a\u011flar<\/span><\/li>\n
            • Destek vekt\u00f6r makineleri (SVM)<\/span><\/li>\n
            • Birle\u015ftirmeye dayal\u0131 s\u0131n\u0131fland\u0131rma<\/span><\/li>\n
            • Derin\u00a0\u00f6\u011frenme<\/li>\n<\/ul>\n

              \u00a0Bunlar\u0131 biraz detayland\u0131ral\u0131m;<\/span><\/p>\n

                \n
              • S\u0131n\u0131fland\u0131rma i\u00e7in kullan\u0131labilecek en basit karar prosed\u00fcrlerinden biri en yak\u0131n kom\u015fu (NN) kural\u0131d\u0131r. En yak\u0131n kom\u015fusunun kategorisine g\u00f6re bir \u00f6rnek s\u0131n\u0131fland\u0131r\u0131r. B\u00fcy\u00fck \u00f6rnekler s\u00f6z konusu oldu\u011funda, bu kural\u0131n hata olas\u0131l\u0131\u011f\u0131n\u0131n iki kat\u0131ndan daha az olan bir hata olas\u0131l\u0131\u011f\u0131 oldu\u011fu g\u00f6sterilebilir – dolay\u0131s\u0131yla herhangi bir di\u011fer karar kural\u0131na k\u0131yasla hata olas\u0131l\u0131\u011f\u0131 iki kat\u0131ndan daha azd\u0131r. En yak\u0131n kom\u015fu tabanl\u0131 s\u0131n\u0131fland\u0131r\u0131c\u0131lar, bir test desenini s\u0131n\u0131fland\u0131rmak i\u00e7in e\u011fitim setinde mevcut olan kal\u0131plar\u0131n baz\u0131lar\u0131n\u0131 veya tamam\u0131n\u0131 kullan\u0131r. Bu s\u0131n\u0131fland\u0131r\u0131c\u0131lar temel olarak test modeli ile e\u011fitim setindeki her model aras\u0131ndaki benzerli\u011fi bulmaya yarar.<\/span><\/li>\n
              • \u0130nd\u00fcksiyon, genel bir kural veya sonuca ula\u015fmak i\u00e7in bireysel fikir veya olgular\u0131 kulland\u0131\u011f\u0131m\u0131z bir ak\u0131l y\u00fcr\u00fctme y\u00f6ntemidir. A\u015fa\u011f\u0131da karar a\u011fa\u00e7lar\u0131 ile ilgili detayl\u0131 bilgi bulabilirsiniz. Burada ind\u00fcksiyon algoritmas\u0131ndan bahsedelim.\"\"\n
                  \n
                • Algoritma, bir dizi C e\u011fitim \u00f6rne\u011fi \u00fczerinde \u00e7al\u0131\u015f\u0131r.<\/span><\/li>\n
                • C’deki t\u00fcm \u00f6rnekler P s\u0131n\u0131f\u0131nda ise, P d\u00fc\u011f\u00fcm\u00fcn\u00fc olu\u015ftur ve durur, aksi takdirde F \u00f6zelli\u011fini veya niteli\u011fini se\u00e7er ve bir karar d\u00fc\u011f\u00fcm\u00fc olu\u015ftur.<\/span><\/li>\n
                • C’deki e\u011fitim \u00f6rneklerini V de\u011ferlerine g\u00f6re alt k\u00fcmelere ay\u0131r\u0131r.<\/span><\/li>\n
                • Algoritma, C’nin alt k\u00fcmelerinin her birine yinelemeli olarak uygular.<\/span><\/li>\n<\/ul>\n<\/li>\n
                • <\/li>\n
                • A\u015fa\u011f\u0131daki gibi \u00f6rnek verimiz olsun:<\/span><\/li>\n
                • boyut: <\/span>k\u00fc\u00e7\u00fck orta b\u00fcy\u00fck<\/span>
                  \n<\/span>renk : k\u0131rm\u0131z\u0131 mavi ye\u015fil<\/span>
                  \n<\/span>\u015fekil :<\/span> tu\u011fla takoz k\u00fcre s\u00fctun<\/span>
                  \n<\/span>
                  \n<\/span>%% evet<\/span>
                  \n<\/span>orta<\/span> mavi<\/span> tu\u011fla<\/span>
                  \n<\/span>k\u00fc\u00e7\u00fck<\/span> k\u0131rm\u0131z\u0131 k\u00fcre<\/span>
                  \n<\/span>B\u00fcy\u00fck green<\/span> s\u00fctun<\/span>
                  \n<\/span>B\u00fcy\u00fck green<\/span> k\u00fcre<\/span>
                  \n<\/span>
                  \n<\/span>%% hay\u0131r<\/span>
                  \n<\/span>k\u00fc\u00e7\u00fck<\/span> k\u0131rm\u0131z\u0131 takoz<\/span>
                  \n<\/span>b\u00fcy\u00fck<\/span> k\u0131rm\u0131z\u0131 takoz<\/span>
                  \n<\/span>B\u00fcy\u00fck k\u0131rm\u0131z\u0131 s\u00fctun<\/span><\/li>\n
                • <\/li>\n
                • Bu \u00f6rnekte, \u00fc\u00e7 \u00f6zellik veya \u00f6znitelik (boyut, renk ve \u015fekil) bak\u0131m\u0131ndan tan\u0131mlanan 7 \u00f6rnek vard\u0131r ve \u00f6rnekler %% evet ve %% hay\u0131r olarak iki s\u0131n\u0131fa ayr\u0131l\u0131r.<\/span>\"\"Bu kolayca i\u00e7 i\u00e7e bir E\u011fer(if) deyimi olarak ifade edilebilir<\/span>
                  \n<\/span>if (\u015fekil == takoz)<\/span>
                  \n<\/span> \u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0return hay\u0131r;<\/span>
                  \n<\/span>if (\u015fekil == tu\u011fla)<\/span>
                  \n<\/span> \u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0return evet;<\/span>
                  \n<\/span>if (\u015fekil == s\u00fctun)<\/span>
                  \n<\/span>{<\/span>
                  \n<\/span> \u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0if (renk == red)<\/span>
                  \n<\/span> \u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0return hay\u0131r;<\/span>
                  \n<\/span> \u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0if (renk == green)<\/span>
                  \n<\/span> \u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0return evet;<\/span>
                  \n<\/span>}<\/span>
                  \n<\/span>if (\u015fekil == k\u00fcre)<\/span>
                  \n<\/span> \u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0return evet;<\/span><\/li>\n
                • Bayes s\u0131n\u0131flay\u0131c\u0131lar olas\u0131l\u0131kl\u0131 istatistiksel s\u0131n\u0131fland\u0131r\u0131c\u0131lard\u0131r. Belirli bir \u00f6rne\u011fin belirli bir s\u0131n\u0131fa ait olma olas\u0131l\u0131\u011f\u0131 gibi s\u0131n\u0131f \u00fcyelik olas\u0131l\u0131klar\u0131n\u0131 tahmin edebilirler.\u00a0Bayes s\u0131n\u0131flay\u0131c\u0131s\u0131 Bayes teoremini temel al\u0131r.<\/span><\/li>\n
                • Naive Bayesian s\u0131n\u0131fland\u0131r\u0131c\u0131lar\u0131, belirli bir s\u0131n\u0131ftaki bir \u00f6zellik de\u011ferinin etkisinin di\u011fer \u00f6zniteliklerin de\u011ferlerinden ba\u011f\u0131ms\u0131z oldu\u011funu varsayar. Bu varsay\u0131m, s\u0131n\u0131f ko\u015fullu ba\u011f\u0131ms\u0131zl\u0131k olarak adland\u0131r\u0131l\u0131r. S\u00f6z konusu hesaplamay\u0131 basitle\u015ftirmek i\u00e7in yap\u0131l\u0131r ve bu anlamda \u201cnaif\u201d olarak kabul edilir.<\/li>\n
                • N\u00f6ral\u00a0a\u011flar\u0131 bilgi i\u015fleme i\u00e7in bir beyin metaforunu temsil eder. Bu modeller, beynin asl\u0131nda nas\u0131l \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131n bir kopyas\u0131 gibidirler. N\u00f6ral a\u011flar\u0131n, veriden \u201c\u00f6\u011frenmesi\u201d, parametrik olmayan do\u011fas\u0131 (yani, kat\u0131 varsay\u0131mlar\u0131 olmayan) ve genelle\u015ftirebilme yetenekleri nedeniyle pek \u00e7ok tahmin uygulamalar\u0131nda ve i\u015f s\u0131n\u0131fland\u0131rma uygulamalar\u0131nda \u00e7ok \u00fcmit verici sistemler oldu\u011fu g\u00f6r\u00fclm\u00fc\u015ft\u00fcr.\u00a0Sinirsel hesaplama, makine \u00f6\u011frenimi i\u00e7in bir model tan\u0131ma metodolojisini ifade eder. N\u00f6ral bilgi i\u015flemden ortaya \u00e7\u0131kan modele genellikle yapay bir n\u00f6ral a\u011f\u0131 (YSA-NN) veya bir N\u00f6ral a\u011f denir.\u00a0N\u00f6ral a\u011flar\u0131 bir\u00e7ok i\u015fletmede \u00f6r\u00fcnt\u00fc tan\u0131ma, tahmin, tahmin ve s\u0131n\u0131fland\u0131rma uygulamalar\u0131nda kullan\u0131lm\u0131\u015ft\u0131r.\u00a0N\u00f6ral a\u011f veri madencili\u011fine ait\u00a0herhangi bir ara\u00e7 kitinin \u00f6nemli bir bile\u015fenidir.\u00a0<\/span><\/li>\n<\/ul>\n

                  \"\"<\/p>\n

                  Beyinde n\u00f6ron<\/p>\n

                  \"\"<\/p>\n

                    \n
                  • Vladimir Vapnik ve AT&T Bell Laboratuvar\u0131ndaki \u00e7al\u0131\u015fma arkada\u015flar\u0131 taraf\u0131ndan geli\u015ftirilen Destek Vekt\u00f6r Makinesi (SVM), regresyon ve s\u0131n\u0131fland\u0131rma problemleri i\u00e7in kernel bazl\u0131 fonksiyonlar\u0131n lineer kombinasyonunu tahmin i\u00e7in kullanan g\u00fc\u00e7l\u00fc bir denetimli \u00f6\u011frenme metodudur. Telekom ile birlikte bankac\u0131l\u0131k ve sigortac\u0131l\u0131kta riskli gruptaki m\u00fc\u015fterilerin tahmin edilmesi, t\u0131pta hastal\u0131k te\u015fhisi ve belirli bir hastal\u0131k i\u00e7in ilac\u0131n etkilerinin belirlenmesi, biyolojide canl\u0131 t\u00fcrlerinin s\u0131n\u0131fland\u0131r\u0131lmas\u0131nda, sosyal medya ve e-posta uygulamalarinda spamlerin saptanmas\u0131, end\u00fcstriyel \u00fcretim sistemlerinde ortaya \u00e7\u0131kan kusurlu \u00fcr\u00fcnlerin belirlenmesi gibi alanlarda s\u0131n\u0131fland\u0131rma problemleriyle s\u0131k\u00e7a kar\u015f\u0131la\u015f\u0131l\u0131yor. Bu problemleri destek vekt\u00f6r makinesi ile yap\u0131 riskini en aza indirerek \u00e7\u00f6zebilmek m\u00fcmk\u00fcnd\u00fcr.\u00a0<\/span><\/span>Destek vekt\u00f6r makinesi, di\u011fer geleneksel s\u0131n\u0131fland\u0131rma ve tahmin teknikleri \u00fczerinde bir\u00e7ok avantaj\u0131 olan g\u00fc\u00e7l\u00fc bir tahmin tekni\u011fidir. En \u00f6nemli avantajlardan biri, hesaplama yaparken sorunun \u00e7\u00f6z\u00fcm\u00fcn\u00fcn veri k\u00fcmesinin k\u00fc\u00e7\u00fck bir alt k\u00fcmesini kullanmas\u0131d\u0131r. SVM, e\u011fitim hatas\u0131n\u0131 en aza indirgemek yerine genelle\u015ftirme hatas\u0131n\u0131n \u00fcst s\u0131n\u0131r\u0131n\u0131 en aza indirmeyi ama\u00e7lar.\u00a0A\u015fa\u011f\u0131daki \u015fekil, destek vektor makinesinde iki veri k\u00fcmesini ay\u0131ran en iyi hiper d\u00fczlemi g\u00f6stermektedir. Hiper d\u00fczlemin yak\u0131n\u0131ndaki vekt\u00f6rlere Destek Vekt\u00f6rleri (SVs) denir.<\/span><\/span>
                    \n\"\"Destek vekt\u00f6rleri, hiper d\u00fczleme en yak\u0131n veri noktalar\u0131d\u0131r, \u00e7\u0131kar\u0131ld\u0131klar\u0131nda, b\u00f6l\u00fcnen hiper d\u00fczlemin konumunu de\u011fi\u015ftirecek bir veri k\u00fcmesinin noktalar\u0131d\u0131r. Bu nedenle, bir veri k\u00fcmesinin kritik \u00f6\u011feleri olarak kabul edilebilirler. Do\u011frusal olarak ayr\u0131labilir iki s\u0131n\u0131f\u0131n s\u0131n\u0131fland\u0131r\u0131lmas\u0131n\u0131 d\u00fc\u015f\u00fcn\u00fcn, yukar\u0131daki \u015fekilde oldu\u011fu gibi do\u011frusal bir s\u0131n\u0131fland\u0131r\u0131c\u0131 bunlar\u0131 m\u00fckemmel bir \u015fekilde ay\u0131rabilir . Do\u011frusal s\u0131n\u0131fland\u0131r\u0131c\u0131, yani maksimum geni\u015flikteki (wx+b=-1 ve wx+b=+1 hiperd\u00fczlemleri aras\u0131ndaki mesafe) ay\u0131ran hiper d\u00fczlem wx+b=0 dir. w bir a\u011f\u0131rl\u0131k vekt\u00f6r\u00fcd\u00fcr, x giri\u015f vekt\u00f6r\u00fcd\u00fcr ve b sapmad\u0131r.
                    \nBirden fazla ay\u0131ran hiper d\u00fczlem s\u00f6z konusu oldu\u011funda ise; Orjin ve hiperd\u00fczlem H1(yani wx+b=-1) aras\u0131ndaki mesafe | -1-b | \/ || w || Orjin ve hiperd\u00fczlem H2(yani wx+b=+1) aras\u0131ndaki mesafe | +1-b | \/ || w || olur. Burada t\u00fcm hiperd\u00fczlemler paraleldir ve H1 ve H2 hiperd\u00fczlemleri aras\u0131nda hi\u00e7bir \u00f6\u011frenme paterni yoktur. Yukar\u0131daki de\u011ferlendirmelere dayanarak, \u00a0hiper d\u00fczlemler H1 ve H2 aras\u0131ndaki mesafe 2\/||w|| ve optimum ay\u0131ran hiper d\u00fczlem; 2\/||w||’yi en aza indirmeye e\u015fde\u011fer olan ||w||2<\/sup>\/2’yi maksimize ederek ger\u00e7ekle\u015fir. Sonu\u00e7 olarak ||w||2<\/sup>\/2\u2019in maksimumu optimum olarak se\u00e7ilir.<\/li>\n<\/ul>\n
                      \n
                    • Pratikte, bu metodlardan sadece birini kullanman\u0131z \u00e7ok nadirdir. S\u0131n\u0131fland\u0131rma ve k\u00fcmeleme benzer tekniklerdir. En yak\u0131n kom\u015fular\u0131 tan\u0131mlamak i\u00e7in k\u00fcmeleme kullanarak, s\u0131n\u0131fland\u0131rmalar\u0131n\u0131z\u0131 daha da hassasla\u015ft\u0131rabilirsiniz. \u00c7o\u011fu zaman, dizileri ve kal\u0131plar\u0131 tan\u0131mlamak i\u00e7in daha uzun bir s\u00fcre izleyebildi\u011fimiz s\u0131n\u0131fland\u0131rmalar\u0131n olu\u015fturulmas\u0131na ve tan\u0131mlanmas\u0131na yard\u0131mc\u0131 olmak i\u00e7in karar a\u011fa\u00e7lar\u0131n\u0131 kullan\u0131r\u0131z. Neticede bu metodlar\u0131n bir\u00e7ok kombinasyonunu kullanabilirsiniz.\u00a0\u00d6rnek olarak sald\u0131r\u0131 tespit sistemlerinden bahsedebiliriz.<\/span> \u00d6ncelikle Sald\u0131r\u0131 Tespit Sistemi (IDS), Bir h\u0131rs\u0131zl\u0131k alg\u0131lama sistemi (IDS), a\u011flarda ve sistemlerde \u015f\u00fcpheli etkinlik ve bilinen tehditleri arar ve bu t\u00fcr \u00f6\u011feleri buldu\u011funda uyar\u0131lar g\u00f6ndererek a\u011f trafi\u011fini izleyen bir yaz\u0131l\u0131m uygulamas\u0131 veya donan\u0131m arac\u0131d\u0131r.\u00a0<\/span>Bu istemler k\u00f6t\u00fcye kullan\u0131m ve anormali bazl\u0131 tespit olmak \u00fczere iki temel prensip olarak kategorize edilir. K\u00f6t\u00fcye kullan\u0131m tespiti yakla\u015f\u0131m\u0131, bilinen sald\u0131r\u0131 modellerine dayan\u0131r ve genellikle bilinen sald\u0131r\u0131lar\u0131n (veya “imzalar” olarak adland\u0131r\u0131l\u0131r) kurallar\u0131na ba\u011fl\u0131 olduklar\u0131 i\u00e7in “imza temelli” sald\u0131r\u0131lar olarak da adland\u0131r\u0131l\u0131rlar. Yani, k\u00f6t\u00fcye kullan\u0131m tespiti yakla\u015f\u0131m\u0131, bilinen modellere dayan\u0131r ve bilinen sald\u0131r\u0131lar\u0131 tespit etmekte etkilidir, ayr\u0131ca \u00a0d\u00fc\u015f\u00fck yanl\u0131\u015f alarm oran\u0131na sahiptirler. Bilinen sald\u0131r\u0131lar\u0131n ya da imzalarin kurallar\u0131na ba\u011fl\u0131 olduklar\u0131 i\u00e7in yeni sald\u0131r\u0131lar\u0131 tespit edemezler. Anomali saptamas\u0131 ise, normal davran\u0131\u015ftan \u00f6nemli \u00f6l\u00e7\u00fcde sapan davran\u0131\u015flar\u0131n (ataklar) saptanmas\u0131na dayan\u0131r. Yani bir sald\u0131r\u0131y\u0131 tespit etmek i\u00e7in normal davran\u0131\u015flar\u0131n bilgi profillerinin olu\u015fturulmas\u0131 gerekir. B\u00f6ylece bilinmeyen sald\u0131r\u0131lar\u0131 da tespit edebilirler. Bununla birlikte, e\u011fer profiller \u00e7ok geni\u015f tan\u0131mlanm\u0131\u015fsa, baz\u0131 sald\u0131r\u0131lar tespitten ka\u00e7abilir; d\u00fc\u015f\u00fck alg\u0131lama oran\u0131 ger\u00e7ekle\u015fir. Tersine, e\u011fer profiller \u00e7ok dar tan\u0131mlanm\u0131\u015fsa, baz\u0131 normal aktiviteler yanl\u0131\u015f bir \u015fekilde sald\u0131r\u0131 olarak tan\u0131mlanabilir, bu da yanl\u0131\u015f alarm say\u0131s\u0131n\u0131 y\u00fckseltir. Veri madencili\u011fi, hem k\u00f6t\u00fcye kullan\u0131m tabanl\u0131 saptama hem de anormaliye dayal\u0131 alg\u0131lama ve ikisinin karmas\u0131 (hybrid) alg\u0131lama i\u00e7in uygulanabilir. Karma alg\u0131lama i\u00e7in kullan\u0131lan y\u00f6ntemlerden biri: <\/span>\u0130lk olarak e\u011fitim veri k\u00fcmesi, a\u011f protokol\u00fc t\u00fcr\u00fcne ba\u011fl\u0131 olarak e\u011fitim alt k\u00fcmelerine ayr\u0131l\u0131r. Ard\u0131ndan, her bir alt k\u00fcmede \u00f6nemsiz ve gereksiz \u00f6zellikleri i\u00e7eren kay\u0131tlar kald\u0131r\u0131larak k\u00fcme boyutsal olarak azalt\u0131l\u0131r. Daha sonra k\u00fcmeler benzer \u00f6zellik de\u011ferlerine g\u00f6re birbirinden ba\u011f\u0131ms\u0131z b\u00f6lgelere ayrilir. C4.5 karar a\u011fac\u0131, k\u00f6t\u00fcye kullan\u0131lan ve anormali i\u00e7eren b\u00f6lgelerden sapan \u015f\u00fcpheli b\u00f6lgeler i\u00e7in \u00e7oklu k\u00f6t\u00fcye kullan\u0131m tespit modelleri olu\u015fturmak i\u00e7in kullan\u0131l\u0131r. Sonu\u00e7 olarak, her bir alg\u0131lama modeli daha az karma\u015f\u0131k ve ilgili verilerden olu\u015fan y\u00fcksek kaliteli verilerden olu\u015fturulur.<\/span><\/li>\n
                    • Derin \u00d6\u011frenme, yapay sinir a\u011flar\u0131 olarak adland\u0131r\u0131lan beynin yap\u0131s\u0131n\u0131n ve i\u015flevinin esinledi\u011fi algoritmalarla ilgili makine \u00f6\u011freniminin bir alt alan\u0131d\u0131r. D\u00fc\u015f\u00fcncenin ger\u00e7ekle\u015fti\u011fi y\u00fczde 80’lik alanda neokortekste n\u00f6ronlar\u0131n katmanlar\u0131ndaki aktiviteyi taklit etmeye \u00e7al\u0131\u015f\u0131r. ‘derin \u00f6\u011frenme’ fikri beyin sim\u00fclasyonlar\u0131n\u0131 kullanarak \u015funlar\u0131 umuyor:<\/span>\n
                        \n
                      • \n
                          \n
                        • \u00d6\u011frenme algoritmalar\u0131n\u0131n kullan\u0131m\u0131n\u0131 \u00e7ok daha iyi ve daha kolay hale getirmek<\/span><\/li>\n
                        • Makine \u00f6\u011frenimi ve yapay zekada devrimci ilerlemeler yapmak<\/span><\/li>\n<\/ul>\n<\/li>\n<\/ul>\n

                          A\u015fa\u011f\u0131da derin bir \u00f6\u011frenme sisteminin, k\u00f6\u015feler ve d\u0131\u015f hatlar gibi daha basit kavramlar\u0131 bir araya getirerek, bir ki\u015finin imaj\u0131n\u0131 nas\u0131l temsil edebilece\u011fini g\u00f6rebilirsiniz.<\/span><\/p>\n

                          \"\"Derin \u00f6\u011frenmeye dair ba\u015fka bir bak\u0131\u015f a\u00e7\u0131s\u0131, derinli\u011fin bilgisayar\u0131n \u00e7ok ad\u0131ml\u0131 bir bilgisayar program\u0131n\u0131 \u00f6\u011frenmesini sa\u011flamas\u0131d\u0131r, yani hiyerar\u015fik \u00f6\u011frenme derin \u00f6\u011frenme ile ger\u00e7ekle\u015fir. Temsili her katman, bilgisayar\u0131n belle\u011finin durumu olarak d\u00fc\u015f\u00fcn\u00fclebilir. Bir bilgisayar\u0131n, piksel de\u011ferleri toplulu\u011fu olarak g\u00f6sterilen bu g\u00f6r\u00fcnt\u00fc gibi, ham duyusal girdi verilerinin anlam\u0131n\u0131 anlamas\u0131 \u00e7ok zordur. Bir piksel k\u00fcmesinden bir nesne kimli\u011fine e\u015fleme i\u015flevi \u00e7ok karma\u015f\u0131kt\u0131r. Derin \u00f6\u011frenme, bu karma\u015f\u0131kl\u0131\u011f\u0131, istenen karma\u015f\u0131k haritalamay\u0131, her biri modelin farkl\u0131 bir katman\u0131 ile tarif edilen bir dizi i\u00e7 i\u00e7e basit e\u015fle\u015ftirmeye b\u00f6lerek \u00e7\u00f6zer.
                          \n<\/span><\/li>\n<\/ul>\n

                          K\u00fcmeleme: <\/b>K\u00fcmeleme analizi, birbirine benzeyen verileri belirlemek i\u00e7in kullan<\/span>\u0131<\/span>lan veri madencili\u011fi tekni\u011fidir. Bu s\u00fcre\u00e7, veriler aras\u0131ndaki farkl\u0131l\u0131klar\u0131 ve benzerlikleri anlamaya yard\u0131mc\u0131 olur. <\/span><\/p>\n

                          K\u00fcmeleme her iki \u015fekilde de \u00e7al\u0131\u015fabilir. Belli bir noktada bir k\u00fcmenin oldu\u011funu varsayabilir ve do\u011fru olup olmad\u0131\u011f\u0131n\u0131 g\u00f6rmek i\u00e7in te\u015fhis kriterlerini kullanabilirsiniz. Altta, \u015fekildeki grafik iyi bir \u00f6rnek g\u00f6stermektedir. Burada, sat\u0131\u015f verilerinin bir \u00f6rne\u011fi m\u00fc\u015fterinin ya\u015f\u0131n\u0131 sat\u0131\u015f\u0131n b\u00fcy\u00fckl\u00fc\u011f\u00fcyle kar\u015f\u0131la\u015ft\u0131r\u0131r. Yirmilerindeki insanlar\u0131n (evlilikleri ve \u00e7ocuklar\u0131), ellili ve altm\u0131\u015fl\u0131lar\u0131n\u0131n (\u00e7ocuklar evden ayr\u0131ld\u0131klar\u0131nda) daha fazla harcanabilir gelire sahip olmalar\u0131n\u0131 beklemek mant\u0131ks\u0131z de\u011fildir.<\/span><\/p>\n

                          \"\"\u00d6rnekte, biri 2,000 ABD Dolar\u0131 \/ 20-30 ya\u015f grubu ve di\u011feri 7,000-8,000 \/ 50-65 ya\u015f grubu olmak \u00fczere iki k\u00fcmeyi tan\u0131mlayabiliriz.<\/span><\/p>\n

                          Bu \u015fekilde k\u00fcmeleyerek i\u015faretlemek, en yak\u0131n kom\u015fu benzerli\u011fi olarak adland\u0131r\u0131lan basitle\u015ftirilmi\u015f bir \u00f6rnektir.<\/span><\/p>\n

                          K\u00fcmelenmeyi kar\u015f\u0131t perspektiften de uygulayabilirsiniz; Baz\u0131 giri\u015f nitelikleri verildi\u011finde, farkl\u0131\u00a0dokular tan\u0131mlayabilirsiniz. \u00d6rne\u011fin, son zamanlarda yap\u0131lan 4 basamakl\u0131 bir PIN numaras\u0131 \u00e7al\u0131\u015fmas\u0131, birinci ve ikinci \u00e7iftler i\u00e7in 1-12 ve 1-31 aral\u0131\u011f\u0131ndaki rakamlar aras\u0131nda k\u00fcmeler buldu. Bu \u00e7iftleri \u00e7izerek, tarihler (do\u011fum g\u00fcnleri, y\u0131ld\u00f6n\u00fcmleri) ile ilgili k\u00fcme saptayabilir veya belirleyebilirsiniz.<\/span><\/p>\n

                          Regresyon: <\/b>Regresyon analizi, de\u011fi\u015fkenler aras\u0131ndaki ili\u015fkiyi tan\u0131mlamak ve analiz etmek i\u00e7in gerekli veri madencili\u011fi y\u00f6ntemidir. Di\u011fer de\u011fi\u015fkenlerin varl\u0131\u011f\u0131 verildi\u011finde belirli bir de\u011fi\u015fkenin olas\u0131l\u0131\u011f\u0131n\u0131 belirlemek i\u00e7in kullan\u0131l\u0131r. <\/span><\/p>\n

                          D\u0131\u015ftakini alg\u0131lama: <\/b>Bu t\u00fcr veri madencili\u011fi tekni\u011fi, veri k\u00fcmesindeki veri \u00f6\u011felerinin beklenen bir desen veya beklenen davran\u0131\u015fla e\u015fle\u015fmeyen g\u00f6zlemini ifade eder. Bu teknik, izinsiz giri\u015f, tespit, sahtekarl\u0131k veya hata tespiti gibi \u00e7e\u015fitli alanlarda kullan\u0131labilir. D\u0131\u015f alg\u0131lamaya ayr\u0131ca Outlier Analysis veya Outlier madencili\u011fi denir. <\/span><\/p>\n

                          S\u0131ral\u0131 Modeller: <\/b>Bu veri madencili\u011fi tekni\u011fi, belirli d\u00f6nemdeki veride benzer modelleri veya e\u011filimleri ke\u015ffetmeye veya tan\u0131mlamaya yard\u0131mc\u0131 olur.<\/span><\/p>\n

                          \u00d6rne\u011fin, m\u00fc\u015fteri verileriyle m\u00fc\u015fterilerin belirli bir \u00fcr\u00fcn grubunu y\u0131l\u0131n farkl\u0131 zamanlar\u0131nda birlikte sat\u0131n ald\u0131\u011f\u0131n\u0131 belirleyebilirsiniz. Bir al\u0131\u015fveri\u015f sepeti uygulamas\u0131nda, bu bilgileri, belirli \u00f6\u011felerin sat\u0131n alma s\u0131kl\u0131\u011f\u0131na ba\u011fl\u0131 olarak sepete otomatik olarak eklenmesini \u00f6nermek \u00fczere kullanabilirsiniz.<\/span><\/p>\n

                          Tahmin: <\/b>Tahmin, e\u011filimler, s\u0131ral\u0131 desenler, k\u00fcmelenme, s\u0131n\u0131fland\u0131rma vb. gibi di\u011fer veri madencili\u011fi tekniklerinin bir kombinasyonunu kullan\u0131r. Gelecekteki bir olay\u0131 tahmin etmek i\u00e7in ge\u00e7mi\u015f olaylar\u0131 veya \u00f6rnekleri do\u011fru bir dizide analiz eder.<\/span><\/p>\n

                          \u00d6rne\u011fin, kredi kart\u0131 yetkilendirmesini kullanarak, bir i\u015flemin hileli olup olmad\u0131\u011f\u0131n\u0131 ge\u00e7mi\u015f i\u015flemlerin karar a\u011fac\u0131 analizini s\u0131n\u0131fland\u0131rma ve ili\u015fkilendirme ile yaparak belirleyebilirsiniz. ABD’ye u\u00e7u\u015f sat\u0131n al\u0131nm\u0131\u015f olmas\u0131 ABD’de yap\u0131lan i\u015flemin ge\u00e7erli olmas\u0131n\u0131 muhtemel k\u0131lacakt\u0131r.<\/span><\/p>\n

                          \u0130li\u015fkilendirme kurallar\u0131: <\/b>Bu veri madencili\u011fi tekni\u011fi, iki veya daha fazla \u00f6\u011fe aras\u0131ndaki ili\u015fkiyi bulmaya yard\u0131mc\u0131 olur. Veri k\u00fcmesindeki gizli bir \u00f6r\u00fcnt\u00fcy\u00fc, modeli ke\u015ffeder. <\/span>\u00d6rne\u011fin, insanlar\u0131n sat\u0131n alma al\u0131\u015fkanl\u0131klar\u0131n\u0131 izlerken, bir m\u00fc\u015fterinin \u00e7ilek ald\u0131\u011f\u0131nda her zaman krema sat\u0131n ald\u0131\u011f\u0131n\u0131 izleyip bir sonraki seferde \u00e7ilek sat\u0131n ald\u0131\u011f\u0131nda krema <\/span>\u00f6<\/span>nerebilirsiniz.<\/span><\/p>\n

                          Bu tekniklerin farkl<\/span>\u0131<\/span> s<\/span>\u0131<\/span>ralanmas<\/span>\u0131<\/span> da s<\/span>\u00f6<\/span>z konusu, <\/span>\u00f6rne\u011fin<\/span> IBM\u2019in s<\/span>\u0131<\/span>ralamas<\/span>\u0131<\/span> \u015f\u00f6<\/span>yle<\/span><\/p>\n

                          \"\"<\/p>\n

                          Bu <\/span>s<\/span>\u0131<\/span>ralamada karar a<\/span>\u011f<\/span>a<\/span>\u00e7<\/span>lar<\/span>\u0131<\/span> ve uzun sureli (bellek) i<\/span>\u015f<\/span>leme d<\/span>\u0131\u015f\u0131<\/span>nda bilgi vermi<\/span>\u015f<\/span>tik.<\/span><\/p>\n

                          Karar a\u011fa\u00e7lar\u0131:\u00a0<\/b>Di\u011fer tekniklerin \u00e7o\u011funa (\u00f6ncelikli olarak s\u0131n\u0131fland\u0131rma ve tahmin) ba\u011fl\u0131 olarak karar a\u011fac\u0131, ya se\u00e7im kriterlerinin bir par\u00e7as\u0131 olarak ya da genel yap\u0131 i\u00e7indeki belirli verilerin kullan\u0131m\u0131n\u0131 ve se\u00e7imini desteklemek i\u00e7in kullan\u0131labilir. Karar a\u011fac\u0131na, iki (veya bazen daha fazla) cevab\u0131 olan basit bir soruyla ba\u015flars\u0131n\u0131z. Her bir cevap, verilerin s\u0131n\u0131fland\u0131r\u0131lmas\u0131na veya tan\u0131mlanmas\u0131na yard\u0131mc\u0131 olmak i\u00e7in kategorilere ayr\u0131lacak yeni bir soruya dayan\u0131r veya her cevaba g\u00f6re bir tahmin yap\u0131labilir.<\/span><\/p>\n

                          Karar a\u011fa\u00e7lar\u0131, belirli bir nedenden dolay\u0131 segmentasyonunun yap\u0131ld\u0131\u011f\u0131 orijinal veri k\u00fcmesinin bir segmentasyonu olarak da d\u00fc\u015f\u00fcn\u00fclebilir.<\/span><\/p>\n

                          Bir karar a\u011fac\u0131, bir k\u00f6k d\u00fc\u011f\u00fcm\u00fcn\u00fc, dallar\u0131n\u0131 ve yaprak d\u00fc\u011f\u00fcmlerini i\u00e7eren bir yap\u0131d\u0131r. \u00a0A\u011fa\u00e7taki en \u00fcstteki d\u00fc\u011f\u00fcm, k\u00f6k d\u00fc\u011f\u00fcmd\u00fcr. Her bir i\u00e7 d\u00fc\u011f\u00fcm bir \u00f6znitelik \u00fczerinde bir testi belirtir, her bir dal bir testin sonucunu g\u00f6sterir ve her bir yaprak d\u00fc\u011f\u00fcm\u00fc bir s\u0131n\u0131f etiketine sahiptir.<\/span><\/p>\n

                          \"\"<\/p>\n

                          Bu karar a\u011fac\u0131 bir <\/span>m\u00fc\u015fterinin bilgisayar alip almamaya yatk<\/span>\u0131<\/span>nl<\/span>\u0131\u011f\u0131 konusunda bilgi verir. Her i\u00e7 d\u00fc\u011f\u00fcm, bir \u00f6znitelik \u00fczerinde bir testi temsil ederken, her yaprak d\u00fc\u011f\u00fcm\u00fc de bir s\u0131n\u0131f\u0131 temsil eder.<\/span><\/p>\n

                          1980 y\u0131l\u0131nda J. Ross Quinlan ad\u0131nda bir makine ara\u015ft\u0131rmac\u0131s\u0131 ID3 (Iterative Dichotomiser) olarak bilinen bir karar a\u011fac\u0131 algoritmas\u0131 geli\u015ftirdi. Daha sonra ID3’\u00fcn ard\u0131ndan C4.5’i geli\u015ftirdi. ID3 de geriye d\u00f6n\u00fc\u015f yoktur; a\u011fa\u00e7lar yukar\u0131dan a\u015fa\u011f\u0131ya tekrarlanan b\u00f6l-ve-fethet tarz\u0131nda in\u015fa edilir.<\/span><\/p>\n

                          ID3 Occam\u2019s Razor prensibini – “Varl\u0131klar gereksiz yere \u00e7o\u011falt\u0131lmamal\u0131d\u0131r.” – uygular. M\u00fcmk\u00fcn olan en k\u00fc\u00e7\u00fck karar a\u011fac\u0131n\u0131 olu\u015fturma giri\u015fimindedir. ID3 s\u00fcre\u00e7leri; kullan\u0131lmayan t\u00fcm \u00f6znitelikleri al\u0131r ve entropilerini hesaplar sonra bilgi kazan\u0131m\u0131 maksimum oldu\u011funda en d\u00fc\u015f\u00fck entropiye sahip olan \u00f6zniteli\u011fi minimum olarak se\u00e7er, ve bu \u00f6zelli\u011fi i\u00e7eren bir d\u00fc\u011f\u00fcm yapar. <\/span><\/p>\n

                          \u00d6<\/span>rnek entropi hesabi:<\/span><\/p>\n

                          14 elemanl\u0131 S setimiz olsun. S setinde 9 pozitif 5 negatif de\u011fer bulunsun.<\/span><\/p>\n

                          Entropy(S)= + (9\/14) log2<\/sub> (9\/14) – (5\/14) log2<\/sub> (5\/14)= 0.940<\/span><\/p>\n

                          Gelelim C4.5 algoritmas\u0131na, veri madencili\u011finde en klasik s\u0131n\u0131fland\u0131rma algoritmalar\u0131ndan biridir, ancak \u00e7ok say\u0131da hesaplamada kullan\u0131ld\u0131\u011f\u0131nda, verimlilik \u00e7ok d\u00fc\u015f\u00fckt\u00fcr.<\/span><\/p>\n

                          Bir s\u0131n\u0131fland\u0131r\u0131c\u0131 (classifier), veri madencili\u011finde, s\u0131n\u0131fland\u0131rmak istedi\u011fimiz \u015feyleri temsil eden verileri alarak yeni verilerin hangi s\u0131n\u0131fa ait oldu\u011funu tahmin etmeyi deneyen bir ara\u00e7t\u0131r.<\/span><\/p>\n

                          C4.5 karar a\u011fac\u0131 \u015feklinde bir s\u0131n\u0131fland\u0131r\u0131c\u0131 olu\u015fturur. Bunun i\u00e7in C4.5’e \u00f6nceden s\u0131n\u0131fland\u0131r\u0131lm\u0131\u015f olan \u015feyleri temsil eden bir veri k\u00fcmesi verilir. C4.5 karar a\u011fac\u0131n\u0131 olu\u015ftururken bilgi kazanc\u0131n\u0131 (information gain) ve uyum a\u015f\u0131m\u0131n\u0131 azaltmak i\u00e7in tek ge\u00e7i\u015fli budama i\u015flemi kullan\u0131r. Ayr\u0131ca, C4.5 hem kesintisiz\/s\u00fcrekli hem de ayr\u0131k verilerle \u00e7al\u0131\u015fabilir. Anlad\u0131\u011f\u0131ma g\u00f6re, s\u00fcrekli verilerin aral\u0131klar\u0131n\u0131 veya e\u015fiklerini belirleyerek, s\u00fcrekli verileri ayr\u0131k verilere d\u00f6n\u00fc\u015ft\u00fcrerek bunu ger\u00e7ekle\u015ftirir. C4.5 olduk\u00e7a h\u0131zl\u0131 ve pop\u00fcler, \u00e7\u0131kt\u0131lar\u0131 insanlar taraf\u0131ndan rahat okunabilir.<\/span><\/p>\n

                          \u00d6zetlersek, <\/span>karar a\u011fac\u0131n\u0131n faydalar\u0131 \u2212<\/span><\/p>\n

                            \n
                          • Herhangi bir alan bilgisi gerektirmez.<\/span><\/li>\n
                          • Anlamas\u0131 kolayd\u0131r.<\/span><\/li>\n
                          • Bir karar a\u011fac\u0131n\u0131n \u00f6\u011frenme ve s\u0131n\u0131fland\u0131rma ad\u0131mlar\u0131 basit ve h\u0131zl\u0131d\u0131r..<\/span><\/li>\n<\/ul>\n

                            Veri madencili\u011finde a\u00e7\u0131k kaynakl\u0131 veri g\u00f6rselle\u015ftirme i\u015flemlerinde ve analiz arac\u0131 olarak karar a\u011fac\u0131 s\u0131n\u0131fland\u0131r\u0131c\u0131s\u0131nda C4.5 uygulan\u0131r.<\/span><\/p>\n

                            Bu teknikteki ilk ve en \u00f6nemli ad\u0131m a\u011fac\u0131 b\u00fcy\u00fctmektir. A\u011fac\u0131n b\u00fcy\u00fctmenin temeli, her dal\u0131nda sorulmas\u0131 m\u00fcmk\u00fcn olan en iyi soruyu bulmakt\u0131r. Bir karar a\u011fac\u0131n\u0131n b\u00fcy\u00fcmesi a\u015fa\u011f\u0131daki ko\u015fullardan herhangi birinde durur;<\/span><\/p>\n

                              \n
                            • Dal \/segment sadece bir kay\u0131t i\u00e7eriyorsa<\/span><\/li>\n
                            • T\u00fcm kay\u0131tlar ayn\u0131 \u00f6zellikleri i\u00e7eriyorsa<\/span><\/li>\n
                            • Daha fazla b\u00f6l\u00fcnme\/dal\/segment ger\u00e7ekle\u015femiyorsa<\/span><\/li>\n<\/ul>\n

                              Uzun s\u00fcreli (bellek) i\u015fleme: <\/b><\/p>\n

                              \u00c7ekirdek y\u00f6ntemlerin hepsinde, bilgilerin kaydedilmesi ve \u00f6\u011frenilmesi i\u00e7in genellikle bir neden vard\u0131r. Baz\u0131 tekniklerde bu tamamen a\u00e7\u0131kt\u0131r. \u00d6rne\u011fin, s\u0131ral\u0131 desenler ve \u00f6ng\u00f6r\u00fcc\u00fc \u00f6\u011frenme ile bir model olu\u015fturmak i\u00e7in birden fazla kaynaktaki ve bilgi \u00f6rneklerindeki verilere geri bakars\u0131n\u0131z.\u00a0<\/span>Di\u011ferlerinde, s\u00fcre\u00e7 daha a\u00e7\u0131k olabilir. Karar a\u011fa\u00e7lar\u0131 nadiren bir kez in\u015fa edilir ve asla unutulmaz. Yeni bilgiler, olaylar ve veri noktalar\u0131 belirlendik\u00e7e, ek bilgilerle ba\u015fa \u00e7\u0131kmak i\u00e7in daha fazla dal ve hatta tamamen yeni a\u011fa\u00e7lar in\u015fa etmek gerekebilir.<\/span><\/p>\n

                              Bu s\u00fcrecin bir k\u0131sm\u0131n\u0131 otomatik hale getirebilirsiniz. \u00d6rne\u011fin, kredi kart\u0131 sahtekarl\u0131\u011f\u0131n\u0131 tan\u0131mlamak tahmin edici bir model olu\u015fturmak, mevcut i\u015flem \u00a0\u00fczerinde kullanabilece\u011finiz olas\u0131l\u0131klar olu\u015fturmak ve ard\u0131ndan bu modeli yeni (onaylanm\u0131\u015f) i\u015flemle g\u00fcncellemek ile ilgilidir. Bu bilgi daha sonra kaydedilir ve b\u00f6ylece karar bir dahaki sefere h\u0131zl\u0131ca yap\u0131labilir.<\/span><\/p>\n

                              San\u0131r\u0131m veri madencili\u011fine giri\u015f i\u00e7in \u015fimdilik bu kadar bilgi yeterli. Tabii daha anlat\u0131lmas\u0131 gereken pek \u00e7ok \u015fey var. Bu noktadan sonra ben R dilini \u00f6\u011frenmekle devam etmek istiyorum. Ama \u00f6nce ilk k\u0131v\u0131lc\u0131m\u0131 ate\u015fleyen \u00f6\u011fretmenlerime te\u015fekk\u00fcr ederim; Sn. Prof. Dr. M. Erdal BALABAN, Sn. Yrd. Doc. Dr G\u00fclsen Dondurmac\u0131, Sn. Dr. Ay\u015fe \u00c7\u0131nar. Ayr\u0131ca TOVAK\u2019a\u00a0 \u00c7al\u0131\u015ftaya, bize yer sa\u011flad\u0131\u011f\u0131 i\u00e7in te\u015fekk\u00fcr ederim.<\/p>\n

                              \u00d6\u011frenmeye ba\u015flarken faydaland\u0131\u011f\u0131m kaynaklar;<\/p>\n

                              L\u00fctfen sorunuz..<\/p>\n

                              .\"\"…<\/span>Devam\u0131 bir sonraki yaz\u0131mla gelecek\u2026<\/span><\/p>\n

                              Sa\u011fl\u0131kl\u0131, mutlu g\u00fcnler<\/p>\n","protected":false},"excerpt":{"rendered":"

                              Veri Madencili\u011fi Nedir? Bilgisayar biliminde, ham verilerin faydal\u0131 bilgilere d\u00f6n\u00fc\u015ft\u00fcr\u00fclmesi s\u00fcrecidir. Bilgi ke\u015ffi olarak da adland\u0131rd\u0131\u011f\u0131m\u0131z, veri madencili\u011fi, b\u00fcy\u00fck hacimli verilerde ilgin\u00e7 ve kullan\u0131\u015fl\u0131 kal\u0131plar\u0131 ve ili\u015fkileri ke\u015ffetme y\u00f6ntemidir. Makine \u00f6\u011frenimi, istatistik, yapay zeka ve veritaban\u0131 teknolojilerini kullanan ve bunlar\u0131n ara\u00e7lar\u0131n\u0131 birle\u015ftiren \u00e7ok disiplinli bir beceridir. Veri madencili\u011fi, i\u015f d\u00fcnyas\u0131nda (sigorta, bankac\u0131l\u0131k, perakende), bilim ara\u015ft\u0131rmalar\u0131nda…<\/p>\n","protected":false},"author":1,"featured_media":2510,"comment_status":"closed","ping_status":"closed","sticky":true,"template":"","format":"aside","meta":{"jetpack_post_was_ever_published":false,"jetpack_publicize_message":"","jetpack_is_tweetstorm":false,"jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":true,"jetpack_social_options":[]},"categories":[174,428],"tags":[373,377,379,376,375,374,378],"jetpack_publicize_connections":[],"jetpack_featured_media_url":"https:\/\/i0.wp.com\/oyasanli.com\/oyasblog\/wp-content\/uploads\/2018\/09\/aIMG_7371.jpg?fit=960%2C720&ssl=1","jetpack_sharing_enabled":true,"jetpack_shortlink":"https:\/\/wp.me\/p4aIZ6-En","jetpack-related-posts":[{"id":12680,"url":"https:\/\/oyasanli.com\/oyasblog\/2022\/12\/18\/mekansal-veri-bilimiyle-ilgili\/","url_meta":{"origin":2503,"position":0},"title":"Mek\u00e2nsal veri bilimiyle ilgili","date":"December 18, 2022","format":"aside","excerpt":"Mek\u00e2nsal veri bilimi, verimizi yararl\u0131 bir eylemle bilgilere d\u00f6n\u00fc\u015ft\u00fcrmek i\u00e7in mek\u00e2nsal algoritmalar, makine \u00f6\u011frenmesi, istatistik ve derin \u00f6\u011frenmedeki en son ve en iyi tekniklerin yan\u0131 s\u0131ra denenmi\u015f ve do\u011frulanm\u0131\u015f, daha geleneksel tekniklerden baz\u0131lar\u0131n\u0131 da kullanarak temelde sorunlar\u0131m\u0131z\u0131 \u00e7\u00f6zmekle ilgili bilim dal\u0131d\u0131r. G\u00fcn\u00fcm\u00fczde, bilgisayar bilimi, istatistik ve programlama ge\u00e7mi\u015fine sahip, daha\u2026","rel":"","context":"In "CBS"","img":{"alt_text":"","src":"https:\/\/i0.wp.com\/oyasanli.com\/oyasblog\/wp-content\/uploads\/2022\/12\/1669300543902.png?fit=1110%2C297&ssl=1&resize=350%2C200","width":350,"height":200},"classes":[]},{"id":12055,"url":"https:\/\/oyasanli.com\/oyasblog\/2021\/07\/04\/r-spatial\/","url_meta":{"origin":2503,"position":1},"title":"R Spatial","date":"July 4, 2021","format":"aside","excerpt":"R Spatial Giri\u015f \u00a0Burada, R ile konumsal analiz ve modelleme hakk\u0131nda bilgi vermeye ve ilgili kaynaklar\u0131 payla\u015fmaya \u00e7al\u0131\u015faca\u011f\u0131z. Burada asl\u0131nda R ile veri i\u015flemenin temellerini ele al\u0131yoruz. R'de konumsal verilerle \u00e7al\u0131\u015fmadan \u00f6nce R dilinin baz\u0131 temellerini bilmek gerekebilir. Daha \u00f6nce R ile \u00e7al\u0131\u015fmad\u0131ysan\u0131z veya bilgilerinizi tazelemek i\u00e7in bu k\u0131sa giri\u015fe\u2026","rel":"","context":"In "IT Journals"","img":{"alt_text":"","src":"https:\/\/i0.wp.com\/oyasanli.com\/oyasblog\/wp-content\/uploads\/2021\/07\/2021-07-04.png?fit=1200%2C466&ssl=1&resize=350%2C200","width":350,"height":200},"classes":[]},{"id":2718,"url":"https:\/\/oyasanli.com\/oyasblog\/2019\/02\/18\/bilgi-yonetimi-neden-onemli\/","url_meta":{"origin":2503,"position":2},"title":"Bilgi y\u00f6netimi neden \u00f6nemli?","date":"February 18, 2019","format":"aside","excerpt":"Computer History Museum San\u0131r\u0131m \u00f6nce bilgi nedir ile ba\u015flamak laz\u0131m, bu konuda \u00e7ok \u00e7e\u015fitli g\u00f6r\u00fc\u015fler var tabii. Felsefe a\u00e7\u0131s\u0131ndan bak\u0131ld\u0131\u011f\u0131nda; \u2018Bilgi, \u00e7o\u011fu zaman bilen \u00f6zne ile bilinen nesne aras\u0131nda kurulan ili\u015fki sonucunda ortaya \u00e7\u0131kan \u00fcr\u00fcn olarak tan\u0131mlan\u0131r. Bu tan\u0131mlamada ge\u00e7en \u00f6zne, aktif bir tav\u0131r sergileyen insan; nesne ise \u00f6znenin y\u00f6neldi\u011fi\u2026","rel":"","context":"In "IT Journals"","img":{"alt_text":"","src":"https:\/\/i0.wp.com\/oyasanli.com\/oyasblog\/wp-content\/uploads\/2019\/02\/IMG_20150718_151045-01.jpg?fit=1200%2C964&ssl=1&resize=350%2C200","width":350,"height":200},"classes":[]},{"id":12661,"url":"https:\/\/oyasanli.com\/oyasblog\/2022\/07\/18\/yeni-enerji-tasarruflu-anahtarlar-sayesinde-yeni-nesil-veri-merkezleri-elinizin-altinda\/","url_meta":{"origin":2503,"position":3},"title":"Yeni enerji tasarruflu anahtarlar sayesinde yeni nesil veri merkezleri elinizin alt\u0131nda","date":"July 18, 2022","format":"aside","excerpt":"https:\/\/phys.org\/news\/2022-07-next-generation-centers-energy-efficient.html Faz de\u011fi\u015ftiren malzeme (koyu mavi segment) ve grafen \u0131s\u0131t\u0131c\u0131 (petek kafes) kullanarak \u0131\u015f\u0131\u011f\u0131 manip\u00fcle eden silikon bazl\u0131 bir anahtar\u0131n sanatsal bir sunumu. Kredi bilgileri: Zhuoran Fang Verileri depolamak, i\u015flemek ve yaymak i\u00e7in ayr\u0131lm\u0131\u015f alanlar olan veri merkezleri, bulut bili\u015fimden video yay\u0131n ak\u0131\u015f\u0131na kadar her \u015feyi m\u00fcmk\u00fcn k\u0131lar. Bu s\u00fcre\u00e7te,\u2026","rel":"","context":"In "IT Journals"","img":{"alt_text":"Intel 4004","src":"https:\/\/i0.wp.com\/oyasanli.com\/oyasblog\/wp-content\/uploads\/2022\/07\/IMG_20170610_155003-1-scaled.jpg?fit=900%2C1200&ssl=1&resize=350%2C200","width":350,"height":200},"classes":[]},{"id":10640,"url":"https:\/\/oyasanli.com\/oyasblog\/2020\/12\/24\/r-kodlama\/","url_meta":{"origin":2503,"position":4},"title":"R – Kodlama","date":"December 24, 2020","format":"aside","excerpt":"R, istatistiksel hesaplama, veri analiti\u011fi ve bilimsel ara\u015ft\u0131rmada yayg\u0131n olarak kullan\u0131lan bir programlama dili ve ortam\u0131d\u0131r. Daha \u00f6nceki yaz\u0131m ile R - Giri\u015f ba\u015fl\u0131\u011f\u0131 alt\u0131nda R ortam\u0131 ve R veri tipleri ile ilgili yazmaya ba\u015flam\u0131\u015ft\u0131m, dizilerle devam edece\u011fim orada. Ama \u015fimdiki bo\u015flu\u011fu da f\u0131rsat bilip R - Kodlama ile ilgili\u2026","rel":"","context":"In "IT Journals"","img":{"alt_text":"","src":"https:\/\/i0.wp.com\/oyasanli.com\/oyasblog\/wp-content\/uploads\/2020\/12\/123942342_10158184411279011_3848842236204647347_o.jpg?fit=1200%2C992&ssl=1&resize=350%2C200","width":350,"height":200},"classes":[]},{"id":2572,"url":"https:\/\/oyasanli.com\/oyasblog\/2018\/11\/09\/r-giris\/","url_meta":{"origin":2503,"position":5},"title":"R – Giri\u015f","date":"November 9, 2018","format":"aside","excerpt":"R, istatistiksel hesaplama ve grafikler i\u00e7in bir dil ve ortamd\u0131r. T-testi, ki-kare testleri, standart do\u011frusal modeller, enstr\u00fcmental de\u011fi\u015fkenler tahmini, yerel polinom regresyonlar\u0131, vb. gibi \u00e7ok say\u0131da istatistiksel prosed\u00fcr i\u00e7erir. Ayn\u0131 zamanda y\u00fcksek seviye grafik yetenekleri sa\u011flar. R, \u00e7ok \u00e7e\u015fitli UNIX platformlar\u0131 ve benzer sistemleri (FreeBSD ve Linux dahil), Windows ve\u2026","rel":"","context":"In "IT Journals"","img":{"alt_text":"","src":"https:\/\/i0.wp.com\/oyasanli.com\/oyasblog\/wp-content\/uploads\/2016\/12\/robot1-Techmuseumofinnovation.jpg?fit=1200%2C900&ssl=1&resize=350%2C200","width":350,"height":200},"classes":[]}],"_links":{"self":[{"href":"https:\/\/oyasanli.com\/oyasblog\/wp-json\/wp\/v2\/posts\/2503"}],"collection":[{"href":"https:\/\/oyasanli.com\/oyasblog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/oyasanli.com\/oyasblog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/oyasanli.com\/oyasblog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/oyasanli.com\/oyasblog\/wp-json\/wp\/v2\/comments?post=2503"}],"version-history":[{"count":48,"href":"https:\/\/oyasanli.com\/oyasblog\/wp-json\/wp\/v2\/posts\/2503\/revisions"}],"predecessor-version":[{"id":12644,"href":"https:\/\/oyasanli.com\/oyasblog\/wp-json\/wp\/v2\/posts\/2503\/revisions\/12644"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/oyasanli.com\/oyasblog\/wp-json\/wp\/v2\/media\/2510"}],"wp:attachment":[{"href":"https:\/\/oyasanli.com\/oyasblog\/wp-json\/wp\/v2\/media?parent=2503"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/oyasanli.com\/oyasblog\/wp-json\/wp\/v2\/categories?post=2503"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/oyasanli.com\/oyasblog\/wp-json\/wp\/v2\/tags?post=2503"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}