Data mining discovers actionable information from large datasets using mathematical analysis. Mining models can be applied for forecasting, risk assessment, recommendations, and grouping. Process includes six basic steps: problem definition, data preparation, exploration, modeling, validation, and deployment
Bu video, veri madenciliği eğitim serisinin 21. videosu olup, bir konuşmacı tarafından KNN (En Yakın K Komşu) sınıflandırma algoritması hakkında bilgi verilmektedir.. Video, KNN algoritmasının temel prensiplerini açıklayarak başlıyor ve ardından Veka programında bu algoritmanın nasıl uygulanacağını gösteriyor. Konuşmacı, KNN'nin Euclidean mesafesi kullanarak en yakın k komşuya bakarak sınıflandırma yaptığını, majority voting (çoğunluk oylaması) özelliğini ve meta classification tekniklerindeki kullanımını anlatıyor.. Videoda ayrıca KNN'nin diğer algoritmalara göre avantaj ve dezavantajları ele alınıyor ve K değerinin nasıl ayarlanabileceği ile bu ayarların başarı oranına etkisi üzerinde duruluyor. Konuşmacı, bir sonraki videoda yapay sinir ağları ile ilgili bilgiler vereceğini belirtiyor.
Bu video, bir konuşmacının Türkiye'deki veri analitiği ve yapay zeka uygulamaları hakkında bilgi verdiği bir sunum formatındadır.. Konuşmacı, Türkiye'nin yıllardır veri ambar sistemleri, hızlı veri ambar sistemleri ve istek platformları gibi veriye yatırım yaptığını ancak temel sorunun toplanan verilerin anlamlı bilgiye dönüştürülmesi sürecindeki eksiklik olduğunu belirtiyor. Video, kurumların veri madenciliği ve yapay zeka süreçlerini nasıl uygulayabileceklerini, insan kaynaklarına doğru yatırımlar yaparak bu alanlarda eğitim vermenin önemini ve bu uygulamaların karmaşık görünmesinin aslında doğru planlama ve modelleme yaklaşımlarıyla kolayca gerçekleştirilebileceğini anlatıyor.
Bu video, bir akademisyen tarafından sunulan eğitim içeriğidir. Konuşmacı, şehir efsanesi olarak duran "derin internet" kavramını akademik bir bakış açısıyla açıklamaktadır.. Video, internet ve web kavramlarının ayrımını açıklayarak başlıyor ve derin internetin aslında yüzeyde olduğunu, ancak erişmenin zor olduğunu anlatıyor. Derin internetin, bilgisayar ve telefon ağlarına sızarak insanların mahrem bilgilerine ulaşma imkanı sunduğu, veri madenciliği ve bilgisayar korsanlığı ile erişilebileceği açıklanıyor. Konuşmacı, gelecek derslerde derin internetteki suçlar ve bunlardan korunma yöntemleri hakkında bilgi vereceğini belirtiyor.
CRISP-DM, iş problemlerini veri tabanlı çözümlerle çözmek için kullanılan standart metodolojidir. Model, farklı aşamalarda ve teknolojilerde uygulanabilir
Bu video, bir eğitmen tarafından sunulan makine öğrenmesi ve yapay zeka konularını içeren kapsamlı bir eğitim dersidir.. Ders, veri madenciliği, yapay zeka ve makine öğrenmesi kavramlarının tanıtımıyla başlayıp, makine öğrenmesinin tarihsel gelişimini anlatmaktadır. Ardından üç temel öğrenme tipi (gözetimsiz, gözetimli ve takviyeli öğrenme) detaylı olarak açıklanmakta, gerçek hayat uygulamalarıyla desteklenmektedir. Dersin son bölümünde sınıflandırma algoritmaları, performans ölçütleri ve karışıklık matrisi konuları ele alınmaktadır.. Videoda ayrıca regresyon, kümeleme ve takviyeli öğrenme gibi makine öğrenmesi kavramları çeşitli örneklerle açıklanmakta, Tesla araçları, CAPTCHA sistemleri, fraud detection ve tavsiye edici sistemler gibi uygulamalar gösterilmektedir. Dersin sonunda sınav hakkında bilgi verilmekte ve bir sonraki derste karar ağaçları ve regresyon analizleri ele alınacağı belirtilmektedir.
Bu video, bir konuşmacı tarafından sunulan veri madenciliği konusunda eğitim içeriği içeren bir ders formatındadır.. Video, veri madenciliğinin temel aşamalarından olan veri hazırlama sürecini kapsamlı şekilde ele almaktadır. İlk bölümde veri hazırlamanın önemi, temel değişken tipleri ve veri hazırlama aşamaları (veri temizleme, birleştirme, indirgeme, dönüştürme, kayıp veri ve aykırı değer) anlatılırken, ikinci bölümde veri indirgeme yöntemleri ve veri dönüşümünde kullanılan teknikler (düzeltme, bir araya getirme, genelleme, normalleştirme ve özellik oluşturma) detaylandırılmaktadır.. Videoda özellikle normalleştirme yöntemleri (en küçük, en büyük normalleştirme, Z skoru normalleştirme ve ondalık ölçekleme) ve veri sıkıştırma, büyük sayıların indirgenmesi gibi teknikler hakkında kapsamlı bilgiler sunulmaktadır.
Yapay sinir ağları, insan beyninin öğrenme özelliğini taklit eden bilgisayar sistemleridir. 1970'lerden sonra XOR probleminin çözümü ile yeniden ilgi görmeye başlamıştır. Ağlar birbirine bağlı proses elemanlarından (yapay sinir hücreleri) oluşur
Bu video, bir eğitmen tarafından sunulan veri madenciliği ve veri ön işleme konularını kapsayan kapsamlı bir eğitim dersidir.. Ders, veri hazırlama ve ön işleme kavramlarıyla başlayıp, veri toplama yöntemlerini (gözlem, anket, web scraping vb.), veri seti kaynaklarını (UCI dataset), veri tiplerini (nominal, ordinal, interval, ratio) ve istatistiksel ölçümleri (merkezi eğilim ve dağılım ölçüleri) detaylı şekilde ele almaktadır. Jupyter Notebook ortamında uygulamalar gösterilerek teorik bilgiler somutlaştırılmaktadır.. Video, veri bilimi ve makine öğrenimi öğrencileri için hazırlanmış olup, veri setlerinin nasıl indirileceği, Jupyter Notebook'a nasıl aktarılacağı, veri tiplerinin nasıl sınıflandırılacağı ve temel istatistiksel analizlerin nasıl yapılacağı konularında pratik bilgiler sunmaktadır. Ayrıca, veri dağılımlarını gösteren grafik türleri ve aykırı verilerin tespiti gibi konular da içermektedir.
Veri, araştırma sürecinde kullanılan işlenmemiş gerçeklerdir. Enformasyon, veriye değer katılarak anlamlandırılmasıdır. Bilgi, enformasyonun analiz edilip yorumlanmasıyla ortaya çıkar
Bu video, bir teknoloji ürününün tanıtımını yapan bir sunum formatındadır. Konuşmacı, Nokta Zeka adlı inovatif bir iş zekası platformunun özelliklerini anlatmaktadır.. Video, Nokta Zeka platformunun üç temel platformu (harita sistemi, coğrafi bilgi sistemi ve veri madenciliği) bir araya getirerek sunduğu çözümleri açıklamaktadır. Platform, çok sayıda mağaza, acente veya şube yöneten kuruluşların verimlilik takibi, performans analizi ve yeni lokasyon açma kararları için veri sunmaktadır. Özellikle büyük kuruluşların saha yönetimi, mevcut lokasyonların performansını değerlendirme ve büyüme hedeflerine yönelik yeni lokasyon açma kararları için karar desteği sağlamaktadır.
Bu video, bir eğitimci tarafından sunulan veri madenciliği ve makine öğrenmesi konularında regresyon analizi üzerine bir eğitim dersidir. Eğitimci, endüstri mühendisliği dersinin bir bölümü olarak bu konuyu öğrencilere anlatmaktadır.. Video, regresyon analizinin temel kavramlarını, regresyonun sınıflandırma ile arasındaki farkları ve regresyon modelinin nasıl çalıştığını açıklamaktadır. İlk bölümde regresyon analizinin ne olduğu, gözetimli öğrenme alt dalı olduğu ve hedef değişkenin sürekli verilerden oluşması durumunda regresyon modelinin kullanılması gerektiği anlatılırken, ikinci bölümde lojistik regresyon ve basit lineer regresyon arasındaki farklar, en küçük kareler yöntemi ve minimizasyon kavramları ele alınmaktadır.. Videoda teorik bilgilerin yanı sıra Python programlama dilinde uygulamalı gösterimler de bulunmaktadır. Özellikle reklam giderleri ve satışlar arasındaki ilişki üzerinden bir veri seti kullanılarak basit lineer regresyon modeli oluşturulmakta ve sonuçlar görselleştirilmektedir. Video sonunda öğrencilerin Google Classroom üzerinden ödevlerini yüklemesi gerektiği belirtilmektedir.
Bu video, bir eğitmen tarafından sunulan istatistiksel bir eğitim içeriğidir. Eğitmen, literatürde standart skor veya Z-score olarak bilinen normalizasyon yöntemini açıklamaktadır.. Video, standart skorun formülünü ve hesaplanma yöntemini detaylı şekilde anlatmaktadır. Eğitmen önce formülü açıklar, ardından Excel'de örnek bir veri kümesi üzerinden hesaplama yapar. Standart skorun çan eğrisi (bell curve) üzerindeki yeri, ortalama ve standart sapma değerlerinin önemi ve farklı veri kümelerinin aynı aralığa indirgenmesi için nasıl kullanıldığı örneklerle gösterilmektedir. Video, veri madenciliği ve makine öğrenmesi algoritmalarında standart skorun önemini vurgulayarak sona erer.
Veri madenciliği, büyük veri kümelerinden anlamlı bilgiler çıkaran bilgisayar destekli tekniktir. Veri madenciliği, verinin kendisini çıkarmak değil, mevcut verilerden anlam çıkarmaktır. Veri madenciliği süreci altı aşamadan oluşur: iş anlayışı, veri anlama, hazırlama, modelleme, değerlendirme ve dağıtım
Bu video, bir veri madencisi tarafından sunulan eğitim formatında bir ders içeriğidir. Konuşmacı, veri madenciliğinin temel kavramlarını ve uygulamalarını detaylı şekilde anlatmaktadır.. Video, veri madenciliğinin ne olduğunu açıklayarak başlayıp, üç temel modelini (sınıflandırma, kümeleme ve örüntü tanıma) örneklerle açıklamaktadır. Daha sonra veri ambarlarının önemi, veri madenciliğinde kişisel bilgilerin kullanılmadığı, sadece davranışların ve örüntülerin analiz edildiği anlatılmaktadır. Son bölümde ise açık kaynak kodlu ve yarı açık kaynak kodlu programlar hakkında bilgi verilmekte ve işletmecilere yönelik yazılım üretimi tavsiyeleri sunulmaktadır.. Videoda ayrıca veri madenciliğinin işletmelerde müşteri profilleri oluşturma, ürün ilişkileri analizi ve spor oyunlarında taktik analizi gibi çeşitli alanlardaki uygulamaları gösterilmekte, veri madenciliğinde kullanılan araçlar ve kayıp verilerin nasıl işleneceği ele alınmaktadır. Konuşmacı, hazır yazılımlara güvenmek yerine kendi yazılım üretimi yapmanın avantajlarını kendi deneyimlerinden yola çıkarak vurgulamaktadır.
Uluslararası hakemli dergilerde 15 makale yayımlandı. Uluslararası konferanslarda 12 bildiri sunuldu. Üç kitap bölümü yazıldı. Ulusal ve uluslararası patent başvuruları yapıldı
Bu video, bir öğrencinin veri madenciliği dersinin son haftasında içerik analizi yapma sürecini gösteren bir eğitim içeriğidir.. Videoda, içerik analizi için Excel'den veri çekme ve temizleme adımları gösterilmektedir. Öğrenci, önceki haftada çektiği verileri Excel'den import ederek, tweetleri temizleyip içerik analizine dönüştürmektedir. Ayrıca, veri analizinde kullanılan kodların ne işe yaradığını açıklamakta ve tweetlerin en çok tekrar eden kelimelerini göstermektedir. Video, veri madenciliği dersinin final ödevi için içerik analizi yapmak isteyenler için faydalı bilgiler içermektedir.
Bu video, Sakarya Uygulamalı Bilimler Üniversitesi Endüstri Mühendisliği Bölümü'nde Dr. Caner Erden tarafından verilen veri madenciliği ve makine öğrenmesi derslerinin tanıtımını içermektedir.. Video, derslerin önemi, yapısı ve içeriği hakkında bilgiler sunmaktadır. İlk bölümde veri madenciliği dersinin tanıtımı yapılmakta, ikinci bölümde makine öğrenmesi dersinin temel kavramları anlatılmakta, üçüncü bölümde ders tanıtım formu ve değerlendirme sistemi açıklanmakta, son bölümde ise Google Classroom platformunun kullanımı detaylı şekilde gösterilmektedir.. Derslerin uzaktan eğitim formatında verileceği, Google Meet ve Google Classroom platformlarının nasıl kullanılacağı, ders materyallerinin paylaşımı, ödevlerin toplanması, sınavların yönetimi ve performans ödevi sunumlarının nasıl yapılacağı gibi teknik detaylar da videoda yer almaktadır. Ayrıca derslerin kodları, ders saatleri ve değerlendirme sistemleri hakkında bilgiler de paylaşılmaktadır.
Bu video, Dr. Öğretim Üyesi Caner Erden tarafından sunulan bir veri madenciliği eğitim dersidir. Sakarya Uygulamalı Bilimler Üniversitesi'nde görev yapan eğitmen, yaklaşık sekiz yıllık tecrübesiyle veri madenciliği konusunu detaylı bir şekilde anlatmaktadır.. Video, veri madenciliği dersinin tanıtımı ve kurallarıyla başlayıp, Python programlama dilinin kullanımı, Jupyter Notebook kurulumu ve temel Python kütüphaneleri (NumPy, Pandas, SciKit-Learn, SciPy ve Matplotlib) hakkında bilgiler sunmaktadır. Daha sonra veri madenciliğinin tanımı, büyük veri, veri analitiği gibi ilgili kavramlar ve veri madenciliğinin temel aşamaları (veri edinme, ön işleme, özellik belirleme ve sonuç yorumlama) açıklanmaktadır.. Videoda ayrıca veri madenciliğinin pratik uygulamaları (market sepet analizi, müşteri segmentasyonu, kredi skorlaması ve döküman madenciliği) örneklerle anlatılmakta ve veri ön işleme konusunun bir sonraki derste işleneceği belirtilmektedir. Ders materyallerinin Google Class üzerinden paylaşılacağı ve değerlendirme sistemi hakkında da bilgiler verilmektedir.