• Buradasın

    Karar Ağacı

    Özetteki ilgi çekici içerikler

    • Gini Algoritması Eğitim Videosu

      Bu video, bir eğitmen tarafından sunulan Gini algoritması hakkında bir eğitim içeriğidir. Eğitmen, Gini algoritmasının nasıl çalıştığını adım adım anlatmaktadır. Video, Gini algoritmasının temel prensiplerini ve uygulamalarını göstermektedir. Eğitmen önce ikili gruplandırma tablosu oluşturma, ardından Gini sol ve Gini sağ değerlerinin hesaplanması ve son olarak toplam Gini değerinin bulunması sürecini detaylı şekilde açıklamaktadır. Örnek bir veri seti üzerinden eğitim, yaş, cinsiyet ve nitelikler gibi niteliklerin nasıl sınıflandırıldığı ve karar ağacının nasıl oluşturulduğu gösterilmektedir. Video, Gini algoritmasını öğrenmek isteyenler için temel bir rehber niteliğindedir.

      • youtube.com

    • Karar Ağacı ve Bayes Teoremi Konu Özeti

      Bu video, bir eğitim dersi formatında olup, bir öğretmen tarafından karar modelleri dersinin dördüncü ünitesi olan karar ağacı ve Bayes teoremi konu özetini sunmaktadır. Video, karar ağacının tanımı ve öğelerini (karar düğümü, şans düğümü, bitiş düğümü, dal, sonuç ve olasılık) detaylı şekilde açıklamaktadır. Ayrıca karar ağacının oluşturulması ve çözüm süreci, beklenen değer hesaplamaları ve Bayes teoremi formülü ile ilgili bilgiler verilmektedir. Video, öğrencilerin karar vermede karar ağacı kullanımını, Bayes teoremini ve formülünü uygulayabilmelerini amaçlamaktadır.

      • youtube.com

    • Ardışık Karar Verme Problemi Çözümü

      Bu video, bir eğitim içeriği olup, bir eğitmen tarafından ardışık karar verme problemlerinin nasıl çözüleceğini adım adım anlatan bir ders formatındadır. Videoda, Aidmatic adlı bir yazılım firmasının ürün geliştirme, pazar araştırması ve pazara çıkarma konusunda karar verme problemi ele alınmaktadır. Eğitmen, karar ağacı yöntemi kullanarak problemi çözmekte ve her adımı detaylı olarak açıklamaktadır. Önce karar noktaları ve risk noktaları belirlenmekte, ardından maliyet hesaplamaları yapılmakta ve geriye doğru hareket ederek beklenen getiriler hesaplanmaktadır. Sonuç olarak, firmaya paket hazırlaması ve başarılı olursa pazar araştırması yapmadan düşük fiyatla pazara çıkarması önerilmektedir.

      • youtube.com

    • Python ile Makine Öğrenmesi: Karar Ağacı Sınıflandırması

      Bu video, bir eğitim içeriği olup, konuşmacı Python ile makine öğrenmesi konusunda devam eden bir ders serisinin bir parçasıdır. Videoda karar ağacı sınıflandırması konusu ele alınmaktadır. Konuşmacı önce karar ağacı regresyon yapısını hatırlatarak başlıyor, ardından sınıflandırma problemlerinde karar ağacının nasıl kullanıldığını boy-kilo-cinsiyet örneği üzerinden açıklıyor. Karar ağacının parçalama mantığı, alan içindeki en çok oy verilen etiketi belirleme yöntemi ve girdi verilerinin nasıl tahmin edildiği görsel örneklerle anlatılıyor. Video, bir sonraki bölümde karar ağacının optimal hale getirilmesi için kullanılan matematiksel algoritmaların anlatılacağını belirterek sona eriyor. Konuşmacı, bu modelin çalışma prensibini bir sonraki videoda daha detaylı anlatacağını da belirtiyor.

      • youtube.com

    • Operasyonel Gereklilik Programları (OPP) Eğitim Videosu

      Bu video, bir eğitim içeriği olup, konuşmacı operasyonel gereklilik programları (OPP) hakkında bilgi vermektedir. Video, OPP'lerin ne olduğunu ve kontrol noktaları ile arasındaki farkları açıklamaktadır. OPP'lerin sürekli izlenemeyen, ancak tehlikeleri önlemede kullanılan kontrol noktaları olduğu belirtilmektedir. Konuşmacı, karar ağacı kullanarak OPP'lerin tespit edilebileceğini ve haset planlarında alternatif olarak kullanılabileceğini anlatmaktadır. Ayrıca, OPP'lerin temel mantığı ve kullanım alanları hakkında bilgiler verilmektedir.

      • youtube.com

    • Gradient Boosting Machine Eğitim Videosu

      Bu video, bir eğitim içeriği olup, konuşmacı gradient boosting machine algoritmasını anlatmaktadır. Video, gradient boosting machine'in temel prensiplerini golf oyunu benzetmesiyle açıklamaktadır. Konuşmacı, tek bir karar ağacının yeterli olmadığını, gradient descent yöntemiyle adım adım iyileştirildiğini ve bu süreçte kayıp fonksiyonu kullanılarak maliyet fonksiyonunun nasıl azaltıldığını anlatmaktadır. Ayrıca, zayıf sınıflandırıcıların (karar ağaçları) bir araya gelerek daha kompleks problemleri çözebildiği ve bu algoritmanın "tek bir ağaç hiçbir zaman yeterli değildir" prensibine dayandığı vurgulanmaktadır.

      • youtube.com

    • Müşteri Kaybı Analizi ve Karar Ağacı Modeli Eğitimi

      Bu video, bir eğitmen tarafından sunulan veri analizi ve modelleme eğitim içeriğidir. Eğitmen, müşteri kaybı (customer churn) analizi yapma sürecini adım adım göstermektedir. Video, Kagu üzerinden alınan bir telekom şirketinin müşteri kayıtlarını analiz etme sürecini kapsamaktadır. İçerikte veri setinin Excel'e dönüştürülmesi, verilerin düzenlenmesi, kiralama süresinin kategorilere ayrılması, veri temizleme, cross validation yöntemiyle veri setini eğitim ve test için bölme işlemleri ve karar ağacı modelinin oluşturulması ve test edilmesi anlatılmaktadır. Eğitim, veri analizi yapmak isteyenler için temel adımları içermekte ve karar ağacı modelinin performansını değerlendirmek için maksimum derinlik, confidence ve minimum kazanç gibi parametre ayarlarının nasıl test edileceğini göstermektedir. Video, bir telekom şirketine abonelik terk etme durumunu analiz eden bir müşteri analizi örneği üzerinden ilerlemektedir.

      • youtube.com

    • Veri Yapıları: Ağaçlar ve Karar Ağacı Eğitim Videosu

      Bu video, bir eğitmen tarafından sunulan bilgisayar bilimleri eğitim içeriğidir. Eğitmen, veri yapıları konusunda detaylı bilgiler vermektedir. Video, veri yapıları konusunu adım adım ele almaktadır. İlk olarak tek boyutlu veri saklama yöntemleri (array) ve linklist yapıları anlatılmakta, ardından ağaç (tree) veri yapısı, kök, dallar ve yaprak kavramları açıklanmaktadır. Daha sonra ikili sıralı ağaçlar (binary search trees), dengeli ve dengesiz ağaçlar, düğüm gezme yöntemleri (pre-order, in-order, post-order) detaylı şekilde incelenmektedir. Son bölümde ise karar ağacı (decision tree) kavramı, sınıflandırma ve regresyon örnekleriyle açıklanmaktadır. Video, makine öğrenmesi konusuna geçiş yapmadan önce gerekli temel bilgileri sunmakta ve özellikle ikili ağaçlarda eleman ekleme işlemleri, ağacın yeniden düzenlenmesi ve farklı kriterlere göre verilerin gruplanması gibi pratik uygulamaları içermektedir.

      • youtube.com

    • İstatistik II: Karar Teorisi Dersi

      Bu video, bir eğitmen tarafından sunulan İstatistik II dersinin sekizinci ünitesi olan "Karar Teorisi" konusunu içeren bir eğitim dersidir. Video, karar teorisinin temel kavramlarını ve belirsizlik altında karar verme yöntemlerini detaylı şekilde ele almaktadır. Eğitmen, karar verme sürecindeki faktörleri, strateji tablosu kavramını ve farklı karar ölçütlerini (iyimserlik ölçüsü, kötümserlik ölçüsü, en iyi beklenen değer ölçüsü, en büyük olasılık ölçüsü ve Harris'in genelleştirilmiş iyimserlik ölçüsü) örneklerle açıklamaktadır. Ayrıca karar ağacı yöntemi de detaylı olarak anlatılmaktadır. Videoda karar verme süreçlerinin farklı durumlarda (kazanç ve maliyet durumları, farklı ekonomik koşullar) nasıl uygulanacağı çeşitli örnekler üzerinden gösterilmektedir. Eğitmen, elektronik alet dizayn tasarımı, danışmanlık hizmetleri ve ürün gamına yeni ürün ekleme gibi pratik örnekler üzerinden konuyu pekiştirmekte ve ünite sonunda soruları çözmektedir.

      • youtube.com

    • Information Gain Dersi

      Bu video, bir eğitim dersi formatında olup, bir eğitmen tarafından information gain konusu anlatılmaktadır. Video, entropi ile bağlantılı olan information gain kavramını açıklamaktadır. Eğitmen, bir golf oynama örneği üzerinden (outlook, temperature, wind ve play sütunları) entropi ve information gain hesaplamalarını adım adım göstermektedir. Öncelikle genel entropi hesaplanır, ardından her sütunun (outlook, temperature, wind) entropisi ayrı ayrı hesaplanır ve son olarak information gain değerleri bulunur. Bir sonraki derste bu information gain'lere göre decision tree (karar ağacı) çizimi yapılacağı belirtilmektedir.

      • youtube.com

    • Veka Programı Kullanım Eğitimi

      Bu video, Abdullah Karakaya tarafından sunulan bir eğitim dersidir. Videoda Veka programının nasıl kullanılacağı adım adım anlatılmaktadır. Öncelikle Excel'den veri aktarımı için CSV formatına dönüştürme işlemi gösterilmekte, ardından Veka programında bu verilerin nasıl yükleneceği, filtrelenmesi ve sınıflandırma algoritmaları (ID3 ve C4.5) kullanılarak karar ağacı oluşturma süreci açıklanmaktadır. Örnek olarak hava şartları altında oyun oynanması veya oynanmaması için karar verme problemi üzerinden veri madenciliği uygulamaları gösterilmektedir.

      • youtube.com

    • Sosyal Medya Reklam Kampanyası Veri Seti Üzerinde Sınıflandırma Algoritmaları Karşılaştırması

      Bu video, bir eğitim içeriği olup, konuşmacı sosyal medya reklam kampanyası veri seti üzerinde sınıflandırma algoritmalarını incelemektedir. Video, veri setinin tanıtımıyla başlayıp, gerekli kütüphanelerin tanımlanmasıyla devam ediyor. Ardından veri ön işleme aşamaları (kullanıcı ID'nin silinmesi, cinsiyetin nominal veriye dönüştürülmesi, veri setinin eğitim ve test olarak bölünmesi, normalizasyon) gösteriliyor. Son olarak lojistik regresyon, KNN ve karar ağacı algoritmaları uygulanıyor ve performans karşılaştırılıyor. Sonuç olarak, KNN algoritmasının en iyi performans gösterdiği, ardından karar ağacı ve lojistik regresyon algoritmalarının geldiği belirtiliyor.

      • youtube.com

    • Veri Madenciliği Eğitim Videosu

      Bu video, bir eğitmen tarafından sunulan veri madenciliği dersinin bir bölümüdür. Eğitmen, SPSS programında veri analizi yaparak öğrencilerine çeşitli algoritmaları ve teknikleri göstermektedir. Video, CVT algoritması ve market sepeti analizi (birliktelik analizi) konularını ele almaktadır. Eğitmen önce CVT algoritmasının çalışma prensibini açıklayıp, ardından market sepeti analizinde müşterileri segmentlere ayırmayı göstermektedir. Daha sonra SPSS programında veri seti yüklendikten sonra, müşterilerin kişisel bilgilerine göre haber kanalı üyeliği teklifini kabul etme olasılığını tahmin eden bir karar ağacı modeli oluşturmakta ve bu modeli kullanarak yüksek kabul olasılığı olan müşterileri belirlemektedir.

      • youtube.com

    • Java'da Decision Tree (Karar Ağacı) Oluşturma Eğitimi

      Bu video, bir eğitmen tarafından sunulan Java programlama dilinde karar ağacı (decision tree) yapısının nasıl oluşturulacağını anlatan kapsamlı bir eğitim içeriğidir. Video, hastaların verilerini kullanarak karar ağacı oluşturma sürecini adım adım göstermektedir. İçerikte veri setlerinin eğitim ve test setlerine ayrılması, verilerin belirli bir ayrım noktasına göre küçük ve büyük değerlerden oluşan iki listeye ayrılması, entropi hesaplaması ve en iyi ayrım noktasının bulunması gibi konular ele alınmaktadır. Ayrıca, "listeyiAyır" ve "listeyiAyırHayali" gibi fonksiyonların geliştirilmesi, "three element" sınıfının oluşturulması ve karar ağacı yapısının temel elemanlarının kodlanması detaylı olarak anlatılmaktadır. Eğitim, Java'da birden fazla değer döndürme problemine çözüm sunmakta, veri setindeki özelliklerin ayrıştırma işlemine dahil edilip edilmeyeceği kontrolü ve entropi hesaplaması için logaritma kullanımı gibi teknik detayları da içermektedir. Video, entropi hesaplama metodunun oluşturulmasıyla devam edeceğini belirterek sona ermektedir.

      • youtube.com

    • Ardışık Kararlar ve Karar Ağacı Analizi

      Bu video, bir eğitim içeriği olup, karar ağacı analizi konusunu anlatmaktadır. Konuşmacı, karar tablolarının basit karar problemlerinde kullanışlı olmasına rağmen, birbirine bağlı durumlar içeren karar problemlerinde karar ağacı analizinin önemini vurgulamaktadır. Video, Fatman Petrol Şirketi'nin petrol rezervi vurulması beklenen bir arazide kuyu açma veya açmama kararını verme problemi üzerinden karar ağacı analizini göstermektedir. Önce karar tabloları yöntemiyle çözüm yapılmakta, ardından karar ağacı yöntemiyle aynı problem çözülmektedir. Karar ağacı modelinde kare biçimindeki karar noktaları ve daire biçimindeki rastlantısal noktalar kullanılarak, beklenen değer yaklaşımı ile en iyi karar belirlenmektedir. Video, bir sonraki bölümde ardışık karar verme problemlerinin daha detaylı inceleneceğini belirterek sona ermektedir.

      • youtube.com

    • Veri Madenciliği Ödevi Tanıtımı

      Bu video, bir öğrencinin veri madenciliği ödevini tanıttığı bir eğitim içeriğidir. Öğrenci, SGK sigorta değerlendirme durumunu içeren hastane verilerini analiz etmiştir. Video, veri analizinin adım adım gösterildiği bir yapıya sahiptir. Öğrenci önce verileri tablolarda göstermekte, ardından karar ağacı oluşturma sürecini anlatmaktadır. Entropi hesaplamaları, olasılık değerleri ve kazanç oranları formülleri kullanılarak cinsiyet, durum ve ücret gibi niteliklerin entropi değerleri hesaplanmaktadır. Sonuç olarak, kazanç değeri en yüksek olan nitelik (ücret) karar ağacının en üst basamağını oluşturmakta ve diğer dalların nasıl belirlendiği gösterilmektedir.

      • youtube.com

    • Titanic Verisi Üzerinde Makine Öğrenmesi Uygulaması

      Bu video, bir eğitim içeriği olup, izleyicilere veri madenciliği ve makine öğrenmesi uygulamalarını adım adım göstermektedir. Videoda, Titanic verisinde kimlerin hayatta kaldığını tahmin eden bir makine öğrenme metodu geliştirilmektedir. İçerik, veri yükleme, hedef belirleme (survival kolonunu label olarak seçme), veri kümesi seçimi (subset), yaş bilgisinin discritize edilmesi ve karar ağacı (decision tree) algoritması kullanarak tahmin yapma aşamalarını kapsamaktadır. Sonuç olarak, cinsiyet, sınıf ve yaş gibi faktörlerin hayatta kalma oranına etkisi gösterilmektedir.

      • youtube.com

    • Karar Ağacı Kullanarak Olasılık Problemi Çözümü

      Bu video, bir eğitmen tarafından sunulan matematik dersidir. Eğitmen, karar ağacı (olasılık ağacı, ağaç diyagramı, karar şeması) kullanarak karmaşık bir olasılık problemi çözmektedir. Videoda, çantada bulunan sekiz bozuk paranın üçünün hileli olduğu ve bunların tura gelme olasılıklarının farklı olduğu bir problem ele alınmaktadır. Eğitmen önce problemi açıklar, ardından karar ağacı çizerek hilesiz ve hileli paraların olasılıklarını hesaplar. Son olarak, çantadaki tüm paraların hilesiz olsaydı ve tüm paraların hileli olsaydı olasılıkları karşılaştırarak, çantadaki tüm paraların hileli olduğu durumda üst üste iki kere tura gelme olasılığının %29,125 olduğunu bulur.

      • youtube.com
  • Yazeka sinir ağı makaleleri veya videoları özetliyor