Akademik - Bilimsel - Üniversite Ders Kitapları                             Farkımız kitaplarımızda...

Hakkımızda

Kitaplarımız

Hazırlanan Kitaplar

Satış/Dağıtım

Çalışmak

İletişim

Periyodik Dergi

Post-Edu Enstitüsü

Kitap Fuarları

Kurumsal Hizmetler

Veri Madenciliği

Yöntemleri

Dr. Yalçın ÖZKAN

Bu kitap, veri madenciliği yöntemlerini ele alan temel ve nitelikli bir eserdir. Sınıflama, kümeleme ve birliktelik kurallarıyla ilgili birçok algoritma en yalın biçimiyle incelenmiştir.

Veri madenciliği, kurumların zaman içerisinde sahip olduğu büyük boyutlardaki verilerden alışılagelen istatistik yöntemlerle elde edilemeyen veya elde edilmesi güç olan bilgileri elde etmek için bir çeşit verileri işleme ve çözümleme yöntemidir. Yani sahip olduğumuz veri kümesinden işimize yarayacak yararlı bilgiyi üretme yöntemidir.

“Veri Madenciliği” adlı bu kitabımızda sırasıyla veri ambarı kavramı, veri madenciliği kavramı ve kullanım alanları, veri madenciliğinde kullanılan sınıflandırma algoritmaları, Twoing ve Gini algoritmaları, en yakın k-komşu algoritması, kümeleme konusu, hiyerarşik ve hiyerarşik olmayan kümeleme biçimi,  sepet çözümlemeleri adıyla bilinen birliktelik kuralları, “Bayes ağları” ve “Destek Vektör Makineleri” konusu ele alınmıştır; herbiri bir bölüm olarak düzenlenmiştir.

Böylesi bir “Veri Madenciliği” kitabı hem profesyoneller için yararlı bir başvuru kitabı hem de bilgisayar mühendisliği, matematik-bilgisayar, yönetim bilişim sistemleri, endüstri mühendisliği, yazılım mühendisliği gibi mühendislik ve sosyal bilimlerde dört yıllık lisans ve meslek yüksek okulu öğrencileri için yararlı bir ders kitabı özelliğindedir.

Papatya Yayıncılık Eğitim'den... Yine bir ilk, yine en iyisi...

Akademik kitaplarda... yayıneviniz...

Akademik ve bilimsel kitaplar; mühendislik, sosyal bilimler, temel bilimler....

İÇİNDEKİLER

Bölüm 1. Veri Ambarı

1.1.          Temel Kavramlar 

1.1.1.       Klasik Dosya Yapıları

1.1.2.       Kayıt ve Alan

1.1.3.       Sıralı Dosyalar

1.1.4.       Dizinli Dosyalar

1.1.5.       Hesaba Dayalı Dosyalar

1.1.6.       Veri Tabanı Sistemleri

1.1.7.       Veri tabanı sistemlerinin üstünlükleri

1.1.8.       Veri Modelleri

1.1.8.1.    İlişkisel Model

1.1.8.2.    İlişkisel Veritabanı

1.2.          Veri Ambarı

1.2.1.       OLTP Sistemler

1.2.2.       Karar Destek Sistemleri

1.2.3.       Veri Ambarı Nedir?

1.2.3.1.    Konuya Yöneliktir

1.2.3.2.    Bütünleşiktir

1.2.3.3.    Zaman Boyutu Vardır

1.2.3.4.    Sadece Okunabilir               

1.2.4.       Veri Ambarının Temel Özellikleri

1.2.5.       Veri Ambarının İçerdiği Veri

1.2.5.1.    Metadata

1.2.5.2.    Ayrıntı Veri

1.2.5.3.    Eski Ayrıntı Veri

1.2.5.4.    Düşük Düzeyde Özetlenmiş Veri

1.2.5.5.    Yüksek Düzeyde Özetlenmiş Veri

1.2.6.       Veri Ambarı Veri Modeli

1.2.7.       Veri Ambarı Mimarisi

1.2.7.1.    Verinin Dönüştürülmesi

1.2.7.2.    Veri Ambarının Oluşturulması

1.2.7.3.    Kullanıcıların Veri Ambarına Erişimi 

1.2.8.       Veri Ambarı ve OLTP Sistemlerin Genel Karşılaştırılması

Bölüm 2. Veri Madenciliğine Giriş

2.1.          Veriyi Bilgiye Dönüştürmenin Yolu

2.2.          Veri Madenciliği

2.3.          Uygulama Alanları

2.4.          Veri Madenciliği Süreci

2.4.1.       Veri Temizleme

2.4.2.       Veri Bütünleştirme

2.4.3.       Veri İndirgeme

2.4.4.       Veri Dönüştürme

2.4.4.1.    Min-Max Normalleştirilmesi

2.4.4.2.    Z-score Standartlaştırma

2.4.5.       Veri Madenciliği Algoritmasını Uygulama

2.4.6.       Sonuçları Sunum ve Değerlendirme

2.5.          Veri Madenciliği Yöntemleri

2.5.1.       Sınıflandırma

2.5.2.       Kümeleme

2.5.3.       Birliktelik kuralları

Bölüm 3. Karar Ağaçları ile Sınıflandırma

1.1.          Sınıflandırma

1.2.          Sınıflandırma Süreci

1.3.          Karar Ağaçları ile Sınıflandırma

1.4.          Karar Ağaçlarında Dallanma Kriterleri

1.5.          ID3 Algoritması

1.5.1.       Entropi

1.5.2.       Karar Ağacında Entropi

1.5.3.       Dallanma İçin Niteliklerin Seçilmesi ve Kazanç Ölçütü 

1.5.4.       Uygulama

1.5.5.       Kazanç oranı

1.6.          C4.5 Algoritması

1.6.1.       Sayısal Değerlere Sahip Nitelikler

1.6.2.       Uygulama

1.6.3.       Bilinmeyen Nitelik Değerleri

1.7.          Karar Ağaçlarının Budanması

1.7.1.       C4.5'de Budama

1.8.          Karar Kuralları Oluşturmak

Bölüm 4. Sınıflandırma ve Regresyon Ağaçları (CART)

4.1.          Giriş

4.2.          Twoing Algoritması

4.2.1.       Uygulama

4.3.          Gini Algoritması

4.3.1.       Uygulama

Bölüm 5. Bellek Tabanlı Sınıflandırma: En Yakın k-Komşu Algoritması

5.2.          En Yakın k-Komşu Algoritması

5.2.1.       Uygulama 1

5.2.2.       Uygulama 2

5.3.          Ağırlıklı Oylama

5.3.1.       Uygulama 3

Bölüm 6. Kümeleme

6.1.          Kümeleme Çözümlemesi

6.2.          Uzaklık Ölçüleri

6.3.          Hiyerarşik Kümeleme

6.3.1.       Birleştirici Hiyerarşik Yöntemler

6.3.2.       En Yakın Komşu Algoritması

6.3.3.       Uygulama 1

6.3.4.       En Uzak Komşu Algoritması

6.3.4.1.    Uygulama 2

6.4.          Hiyerarşik Olmayan Kümeleme

6.4.1.       k-Ortalamalar Yöntemi

6.4.2.       Uygulama 3

 Bölüm 7. Birliktelik Kuralları

7.1.          Giriş

7.2.          Destek ve Güven Ölçütleri

7.3.          Apriori Algoritması

7.4.          Uygulama

Bölüm 8. İstatistiksel Sınıflandırma Modelleri: Bayes Sınıflandırıcılar ve Bayes Ağları

8.1. Koşullu olasılık

8.2.          Bayes Teoremi

8.3.          Bayes Sınıflandırıcısı

8.3.1.       Sade Bayes Sınıflandırıcısı

8.3.2.       Uygulama 1

8.3.3.       Bayes Sınıflandırıcılarda Sıfır Değer Sorunu

8.3.4.       Sayısal Nitelik Değerleri

8.3.5.       Uygulama 2

8.4.          Bayes Ağları

8.4.1.       Uygulama 3

 Bölüm 9. Optimizasyona Dayalı Sınıflandırma Modelleri: Destek Vektör Makinesi

4.1.          Giriş

4.2.          Doğrusal Olarak Ayrılabilme Durumu

4.2.1.       Primal Çözüm

9.2.2.       Lagrange Çarpanları

9.2.3.       Karush-Kuhn-Tucker Koşulları

9.2.4.       Dual Çözüm

9.3.          Verilerin Doğrusal Olarak Ayrılamama Durumu

9.4.          Doğrusal Olmayan Sınıflandırıcılar

9.4.1.       Doğrusal Olmayan Özellik Uzayı

9.4.2.       Çekirdek Fonksiyonlar

9.4.3.       Destek Vektör Makinası ve Çekirdek Fonksiyonlar

Kaynakça

Dizin

Teknik Bilgiler:

80 gr 1. hamur kağıt.

16,5x24 cm2

Papatya Yayıncılık Eğitim; akademik/bilimsel kitapların üretim merkezi...