Kategoriler
Eser Adı Yazar Yayınevi Açıklama İçindekiler Barkod
Arama  
Ana Sayfa Sipariş Takip Üyelik Yardım İletişim
 
 
Tüm Kategoriler »
Bülten
Ana Sayfa Veri Madenciliği Teknikleri ve Uygulamaları
   

×
Veri Madenciliği Teknikleri ve Uygulamaları
Kavram – Teori – Modeller, Yöntem
Mayıs 2019 / 3. Baskı / 303 Syf.
Fiyatı: 275.00 TL
24 saat içerisinde temin edilir.
 
Sepete Ekle
   

Bu kitap hem araştırmacılar için başvuru kitabı hem de üniversitelerin fen, mühendislik, sağlık ve sosyal bilimlerinde okutulan veri analizi ve veri madenciliği dersleri için önemli bir kaynak niteliğindedir. Kitapta verimadenciliği kavramı, veritabanı teknolojisi tarihçesi ve ilişkisi, veri madenciliğinin bileşenleri ve veri depoları, veri madenciliğinin aşamaları, veri madenciliği tahmin edici amaçlı modeller, kümeleme amaçlı modeller ve birliktelik kuralları anlatılmıştır.

Kitapta veri madenciliği teknikleri paket programlar aracılığıyla ve uygulamalı olarak verilmiştir.Veri madenciliği tekniklerine ilişkin uygulama çalışmalarında, yoğunluklu olarak SPSS Modeler (Clementine) ve WEKA yazılımından yararlanılmakla beraber, RapidMiner, Statistica Data Miner ve Microsoft Data Mining Add-ins uygulaması da verilmiştir.

Konu Başlıkları
Veri Madenciliğine Giriş
Veri Madenciliği ve Veri Tabanı Teknolojisi Tarihçesi ve İlişkisi
Veri Madenciliğinin Temel Gereksinimleri, Bileşenleri ve Veri Depoları
Veri Madenciliği Aşamaları
Veri Madenciliği Modelleri
Tahmin Edici Amaçlı Modeller
Kümeleme Amaçlı Modeller
Birliktelik Kuralları
SPSS Modeler ile Veri Madenciliği Metodolojisi ve Uygulamaları
Weka ile Veri Madenciliği ve Uygulamaları
Statistica Data Miner, Microsoft Data Mining Add–Ins–Excel, Rapidminer, Weka ve IBM SPSS Modeler Veri Madenciliği Programları ile Bir Uygulama
Barkod: 9789750254529
 Yayın Tarihi: Mayıs 2019
Baskı Sayısı:  3
 Ebat: 16x24
Sayfa Sayısı: 303
 Yayınevi: Seçkin Yayıncılık
Kapak Türü: Karton Kapaklı
Dili: Türkçe
Ekler: -

 

İÇİNDEKİLER
İçindekiler
Önsöz  7
1. BÖLÜM: VERİ MADENCİLİĞİNE GİRİŞ  13
1.1. Veri Madenciliği ve Karar Destek Sistemi  15
1.2. Veri Madenciliğinde Verinin Büyüklüğü  16
1.3. Veri Madenciliğinin Önemi ve İlişkili Olduğu Alanlar  17
1.4. Veri Madenciliğinin Kullanım Alanları  18
1.5. Veri Madenciliği ile İstatistik Arasındaki İlişki  22
1.6. Veri Madenciliğinde Sıklıkla Karşılaşılan Sorular  25
2. BÖLÜM: VERİ MADENCİLİĞİ VE VERİ TABANI TEKNOLOJİSİ TARİHÇESİ VE İLİŞKİSİ  27
2.1. Tarihçe  27
2.2. Veri Madenciliği ve Bilgi Keşif Süreci  28
2.3. Veri Tabanı Teknolojisinin Süreci  29
2.4. Veri Madenciliği Yazılımlarından Bazıları  30
3. BÖLÜM: VERİ MADENCİLİĞİNİN TEMEL GEREKSİNİMLERİ, BİLEŞENLERİ VE VERİ DEPOLARI  37
3.1. Veri Ambarları ve Tarihçesi  39
3.2. Veri Akışı ve Bileşenleri  44
3.3. Veri Ambarları ve Çevrimiçi Analitik İşleme (OLAP – On Line Analytical Processing)  47
3.4. Çok Boyutlu Çevrimiçi Analitik İşleme (MOLAP)  52
3.5. İlişkisel Çevrimiçi Analitik İşleme (ROLAP)  53
4. BÖLÜM: VERİ MADENCİLİĞİ AŞAMALARI  55
4.1. Problemin veya Projenin Tanımlanması  57
4.2. Verilerin Anlaşılması ve Hazırlanması  58
4.2.1. Verilerin Toplanması  58
4.2.2. Verilerin Temizlenmesi  58
4.2.3. Verilerin Bütünleştirilmesi  59
4.2.4. Verilerin Dönüştürülmesi  59
4.2.5. Verilerin İndirgenmesi  59
4.3. Modelin Kurulması  59
4.4. Modelin Değerlendirmesi  62
4.5. Model Sonuçlarının Karar Verici Tarafından Kullanılması  63
4.6. Modelin İzlenmesi  63
5. BÖLÜM: VERİ MADENCİLİĞİ MODELLERİ  65
5.1. Tahmin Edici Amaçlı Modeller  65
5.1.1. Bayes Sınıflandırma Algoritması  67
5.1.2. Genetik Algoritmalar  67
5.1.3. Çoklu Doğrusal Regresyon Analizi  68
5.1.4. Yapay Sinir Ağları  68
5.1.5. Karar Ağaçları  70
5.1.5.1. Karar Ağaçlarında Dallanma ve Budama Kriterleri  71
5.1.5.2. Karar Ağacı Algoritmaları  74
5.2. Kümeleme Amaçlı Modeller  77
5.2.1. Kümeleme Yöntemleri  79
5.2.2. Kümelemede Kullanılan Uzaklıkların Hesaplanması  80
5.2.3. K–Ortalamalar Kümeleme Metodu  83
5.2.4. İki Aşamalı Kümeleme  83
5.2.5. Kohonen Ağları  84
5.3. Birliktelik Kuralları  85
6. BÖLÜM: IBM SPSS MODELER VERİ MADENCİLİĞİ METODOLOJİSİ  87
6.1. IBM SPSS Modeler’de Görsel Programlama Arayüzü  87
6.2. IBM SPSS Modeler Programına Veri Kaynaklarının Bağlantıları  91
6.3. IBM SPSS Modeler Programı ile Veri Hazırlama  115
6.4. Verideki İlişkilerin Araştırılması  137
6.5. IBM SPSS Modeler Programında Kullanılan Modelleme Yöntemlerine İlişkin Örnek Uygulamalar  143
6.5.1. Sınıflayıcı (Öngörüsel) Modellemelere İlişkin Örnek Uygulamalar  143
6.5.1.1. Yapay Sinir Ağı (Neural Network) Uygulama Çalışması  143
6.5.1.2. C5.0 Algoritma Uygulaması  151
6.5.1.3. CRT Algoritması Uygulaması  158
6.5.2. Kümeleyici Yöntemlere İlişkin Örnek Uygulamalar  163
6.5.2.1. K–Means Kümeleme Yöntemine İlişkin Uygulama  163
6.5.2.2. Kohonen Kümeleme Yöntemine İlişkin Uygulama  168
6.5.2.3. İki Aşamalı Kümeleme Uygulaması  175
6.5.3. Birliktelik Kurallarına İlişkin Uygulama  182
6.5.4. APRIORI Algoritmasına İlişkin Uygulama  183
6.5.5. Sınıflayıcı, Kümeleyici ve Birliktelik Kurallarına İlişkin Örnek Uygulama  188
6.5.6. Kümeleyici Modeller, Birliktelik Kuralları ve Sınıflayıcı Modellere İlişkin Örnek Uygulama  205
7. BÖLÜM: WEKA İLE VERİ MADENCİLİĞİ  223
7.1. Weka ile Veri Madenciliği ve Algoritmaları  223
7.2. Weka ile Veri Dosyası Çağırımı  225
7.3. WEKA ile Veri tabanı Bağlantıları  226
7.3.1. WEKA Programından Excel Dosyalarının Okutulması  230
7.4. Weka Veri Madenciliği Arayüzü  234
7.4.1. Explorer Uygulaması  235
7.4.1.1. Verilerin Hazırlanması  236
7.4.1.2. Sınıflayıcı Algoritmaları  237
7.4.1.3. Kümeleyici Algoritmaları  240
7.4.1.4. Birliktelik Kuralları Algoritmaları  243
7.4.1.5. Öznitelik Seçimi  245
7.4.1.6. Görselleştirme  245
7.4.2. “Experimenter” Uygulaması  247
7.4.3. “Knowledge Flow” Uygulaması  248
7.4.4. Simple CLI (Komut Satırı)  249
7.5. WEKA Örnek Uygulama Çalışması–1  250
7.6. WEKA Örnek Uygulama Çalışması–2  263
7.7. WEKA Örnek Uygulama Çalışması–3  268
8. BÖLÜM: STATISTICA DATA MINER, MICROSOFT DATA MINING ADD–INS–EXCEL, RAPIDMINER, WEKA VE IBM SPSS MODELER VERİ MADENCİLİĞİ PROGRAMLARI İLE UYGULAMA  275
8.1. Microsoft Data Mining Add–ins Excel Uygulaması  276
8.2. Rapid–I RapidMiner Uygulaması  281
8.3. Statsoft Statistica Veri Madenciliği Uygulaması  285
8.4. WEKA Uygulaması  288
8.5. IBM SPSS Modeler Uygulaması  292
9. BÖLÜM: VERİ MADENCİLİĞİNİN GENEL DEĞERLENDİRİLMESİ  297
Kaynakça  299
  






 

İÇİNDEKİLER
İçindekiler
Önsöz  7
1. BÖLÜM: VERİ MADENCİLİĞİNE GİRİŞ  13
1.1. Veri Madenciliği ve Karar Destek Sistemi  15
1.2. Veri Madenciliğinde Verinin Büyüklüğü  16
1.3. Veri Madenciliğinin Önemi ve İlişkili Olduğu Alanlar  17
1.4. Veri Madenciliğinin Kullanım Alanları  18
1.5. Veri Madenciliği ile İstatistik Arasındaki İlişki  22
1.6. Veri Madenciliğinde Sıklıkla Karşılaşılan Sorular  25
2. BÖLÜM: VERİ MADENCİLİĞİ VE VERİ TABANI TEKNOLOJİSİ TARİHÇESİ VE İLİŞKİSİ  27
2.1. Tarihçe  27
2.2. Veri Madenciliği ve Bilgi Keşif Süreci  28
2.3. Veri Tabanı Teknolojisinin Süreci  29
2.4. Veri Madenciliği Yazılımlarından Bazıları  30
3. BÖLÜM: VERİ MADENCİLİĞİNİN TEMEL GEREKSİNİMLERİ, BİLEŞENLERİ VE VERİ DEPOLARI  37
3.1. Veri Ambarları ve Tarihçesi  39
3.2. Veri Akışı ve Bileşenleri  44
3.3. Veri Ambarları ve Çevrimiçi Analitik İşleme (OLAP – On Line Analytical Processing)  47
3.4. Çok Boyutlu Çevrimiçi Analitik İşleme (MOLAP)  52
3.5. İlişkisel Çevrimiçi Analitik İşleme (ROLAP)  53
4. BÖLÜM: VERİ MADENCİLİĞİ AŞAMALARI  55
4.1. Problemin veya Projenin Tanımlanması  57
4.2. Verilerin Anlaşılması ve Hazırlanması  58
4.2.1. Verilerin Toplanması  58
4.2.2. Verilerin Temizlenmesi  58
4.2.3. Verilerin Bütünleştirilmesi  59
4.2.4. Verilerin Dönüştürülmesi  59
4.2.5. Verilerin İndirgenmesi  59
4.3. Modelin Kurulması  59
4.4. Modelin Değerlendirmesi  62
4.5. Model Sonuçlarının Karar Verici Tarafından Kullanılması  63
4.6. Modelin İzlenmesi  63
5. BÖLÜM: VERİ MADENCİLİĞİ MODELLERİ  65
5.1. Tahmin Edici Amaçlı Modeller  65
5.1.1. Bayes Sınıflandırma Algoritması  67
5.1.2. Genetik Algoritmalar  67
5.1.3. Çoklu Doğrusal Regresyon Analizi  68
5.1.4. Yapay Sinir Ağları  68
5.1.5. Karar Ağaçları  70
5.1.5.1. Karar Ağaçlarında Dallanma ve Budama Kriterleri  71
5.1.5.2. Karar Ağacı Algoritmaları  74
5.2. Kümeleme Amaçlı Modeller  77
5.2.1. Kümeleme Yöntemleri  79
5.2.2. Kümelemede Kullanılan Uzaklıkların Hesaplanması  80
5.2.3. K–Ortalamalar Kümeleme Metodu  83
5.2.4. İki Aşamalı Kümeleme  83
5.2.5. Kohonen Ağları  84
5.3. Birliktelik Kuralları  85
6. BÖLÜM: IBM SPSS MODELER VERİ MADENCİLİĞİ METODOLOJİSİ  87
6.1. IBM SPSS Modeler’de Görsel Programlama Arayüzü  87
6.2. IBM SPSS Modeler Programına Veri Kaynaklarının Bağlantıları  91
6.3. IBM SPSS Modeler Programı ile Veri Hazırlama  115
6.4. Verideki İlişkilerin Araştırılması  137
6.5. IBM SPSS Modeler Programında Kullanılan Modelleme Yöntemlerine İlişkin Örnek Uygulamalar  143
6.5.1. Sınıflayıcı (Öngörüsel) Modellemelere İlişkin Örnek Uygulamalar  143
6.5.1.1. Yapay Sinir Ağı (Neural Network) Uygulama Çalışması  143
6.5.1.2. C5.0 Algoritma Uygulaması  151
6.5.1.3. CRT Algoritması Uygulaması  158
6.5.2. Kümeleyici Yöntemlere İlişkin Örnek Uygulamalar  163
6.5.2.1. K–Means Kümeleme Yöntemine İlişkin Uygulama  163
6.5.2.2. Kohonen Kümeleme Yöntemine İlişkin Uygulama  168
6.5.2.3. İki Aşamalı Kümeleme Uygulaması  175
6.5.3. Birliktelik Kurallarına İlişkin Uygulama  182
6.5.4. APRIORI Algoritmasına İlişkin Uygulama  183
6.5.5. Sınıflayıcı, Kümeleyici ve Birliktelik Kurallarına İlişkin Örnek Uygulama  188
6.5.6. Kümeleyici Modeller, Birliktelik Kuralları ve Sınıflayıcı Modellere İlişkin Örnek Uygulama  205
7. BÖLÜM: WEKA İLE VERİ MADENCİLİĞİ  223
7.1. Weka ile Veri Madenciliği ve Algoritmaları  223
7.2. Weka ile Veri Dosyası Çağırımı  225
7.3. WEKA ile Veri tabanı Bağlantıları  226
7.3.1. WEKA Programından Excel Dosyalarının Okutulması  230
7.4. Weka Veri Madenciliği Arayüzü  234
7.4.1. Explorer Uygulaması  235
7.4.1.1. Verilerin Hazırlanması  236
7.4.1.2. Sınıflayıcı Algoritmaları  237
7.4.1.3. Kümeleyici Algoritmaları  240
7.4.1.4. Birliktelik Kuralları Algoritmaları  243
7.4.1.5. Öznitelik Seçimi  245
7.4.1.6. Görselleştirme  245
7.4.2. “Experimenter” Uygulaması  247
7.4.3. “Knowledge Flow” Uygulaması  248
7.4.4. Simple CLI (Komut Satırı)  249
7.5. WEKA Örnek Uygulama Çalışması–1  250
7.6. WEKA Örnek Uygulama Çalışması–2  263
7.7. WEKA Örnek Uygulama Çalışması–3  268
8. BÖLÜM: STATISTICA DATA MINER, MICROSOFT DATA MINING ADD–INS–EXCEL, RAPIDMINER, WEKA VE IBM SPSS MODELER VERİ MADENCİLİĞİ PROGRAMLARI İLE UYGULAMA  275
8.1. Microsoft Data Mining Add–ins Excel Uygulaması  276
8.2. Rapid–I RapidMiner Uygulaması  281
8.3. Statsoft Statistica Veri Madenciliği Uygulaması  285
8.4. WEKA Uygulaması  288
8.5. IBM SPSS Modeler Uygulaması  292
9. BÖLÜM: VERİ MADENCİLİĞİNİN GENEL DEĞERLENDİRİLMESİ  297
Kaynakça  299
  


 
Kitap
Bülten
Kitap
Kitap
İndirimli Kitaplar
 
 
Ana Sayfa | 2021 Kaynakça Dokümanı | Hakkımızda | Bülten | Kişisel Verilerin Korunması | Yardım | İletişim

Seçkin Yayıncılık San. Tic. A.Ş.
Copyright © 1996 - 2024