Veri Madenciliği Yöntemleri Papatya Bilim

Veri Madenciliği Yöntemleri Papatya Bilim

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.
--------------
İÇİNDEKİLER

Önsöz

Bölüm 1.  Veri MADENCİLİĞİ ve VERİ Ambarı
1.1.  Veriyi Bilgiye Dönüştürmenin Yolu
1.2.  Veri Madenciliği
1.3.  Veri Madenciliği için Veri Kaynakları
1.3.1.   Veritabanı Sistemleri
1.3.2.   Veri Ambarı
1.3.3.   Veri Kümeleri
1.3.4.   Veri Ambarının Tasarlanması
1.3.4.1.  Konuya Yöneliktir
1.3.4.2.  Bütünleşiktir
1.3.4.3.  Zaman Boyutu Vardır
1.3.4.4.  Sadece Okunabilir
1.3.5.   Veri Ambarının Temel Özellikleri
1.3.6.   Veri Ambarının İçerdiği Veri
1.3.6.1.  Metedata
1.3.6.2.  Ayrıntı Veri
1.3.6.3.  Eski Ayrıntı Veri
1.3.6.4.  Düşük Düzeyde Örneklenmiş Veri
1.3.6.5.  Yüksek Düzeyde Örneklenmiş Veri
1.3.7.   Veri Ambarı Veri Modeli
1.4. Özet
1.5. Sorular

Bölüm 2. Veri Madenciliği SÜRECİ VE UYGULAMALARI
2.1.  Uygulama Alanları
2.2.  Veri Madenciliği Süreci
2.2.1.   Veri Temizleme
2.2.2.   Veri Bütünleştirme
2.2.3.   Veri İndirgeme
2.2.4.   Veri Dönüştürme
2.2.4.1.  Min-Max Normalleştirilmesi
2.2.4.2.  Z-score Standartlaştırma
2.2.5.   Veri Madenciliği Algoritmasını Uygulama
2.2.6.   Sonuçları Sunum ve Değerlendirme
2.3. Veri Madenciliği Yöntemleri
2.3.1.   Sınıflandırma
2.3.2.   Kümeleme
2.3.3.   Birliktelik Kuralları
2.4.  Özet
2.5.  Sorular

Bölüm 3. Karar Ağaçları ile Sınıflandırma
3.1.  Sınıflandırma
3.2.  Sınıflandırma Süreci
3.3.  Karar Ağaçları ile Sınıflandırma
3.4.  Karar Ağaçlarında Dallanma Kriterleri
3.5.  ID3 Algoritması
3.5.1.   Entropi
3.5.2.   Karar Ağacında Entropi
3.5.3.   Dallanma İçin Niteliklerin Seçilmesi ve Kazanç Ölçütü
3.5.4.   ID3 Algoritması
3.5.5.   Uygulama    
3.5.6.   Kazanç Oranı
3.6.  C4.5 Algoritması
3.6.1.   Sayısal Değerlere Sahip Nitelikler
3.6.2.   Uygulama
3.6.3.   Bilinmeyen Öznitelik Değerleri
3.7.  Karar Ağaçlarının Budanması
3.7.1.   C4.5'de Budama
3.8.  Karar Kuralları Oluşturmak
3.9.  Sınıflandırma Modelinin Doğruluğu
3.9.1.   Öngörülerin Elde Edilmesi
3.9.2.   Karışıklık Matrisi
3.9.3.   İki Sınıflı Modeller için Doğruluk Ölçütleri
3.9.4.   Aşırı Öğrenme Durumu
3.9.5.   Doğrulama Süreci
3.9.5.1.  Veri Kümesinin Eğitim ve Test için Bölünmesi
3.9.5.2.  Holdout Yöntemi
3.9.5.3.  k-Katlı Çapraz Doğrulama
3.9.5.4.  Birini Dışarıda Bırakan Çapraz Doğrulama
3.9.5.5.  Bootstarp
3.10.  Özet
3.11.  Sorular

Bölüm 4.  Sınıflandırma ve Regresyon Ağaçları
4.1.  Twoing Algoritması
4.1.1.   Uygulama
4.1.2.   Modelin Başarımı
4.2.  Gini Algoritması
4.2.1.   Uygulama
4.2.2.   Sürekli Değerlerin Kullanım
4.2.3.   Uygulama: Sayısal Değerler için Gini Algoritması
4.3.  Regresyon Ağaçları
4.4.  Özet
4.5.   Sorular

Bölüm 5.  En Yakın k-komşu AlgoritmasI İLE SINIFLAMA     
5.1.  En Yakın k-Komşu Algoritması
5.1.1.   Uygulama 1
5.1.2.   Uygulama 2
5.2.  Ağırlıklı Oylama
5.2.1.   Uygulama 3
5.3.  Özet
5.4.  Sorular

Bölüm 6.  BAYES SINIFLANDIRICILAR
6.1.  Koşullu Olasılık
6.2.  Bayes Teoremi
6.3.  Bayes Sınıflandırıcısı
6.3.1.   Sade Bayes Sınıflandırıcısı
6.3.2.   Uygulama 1
6.3.3.   Sınıflandırma Modelinin Performansı
6.3.4.   Bayes Sınıflandırıcılarda Sıfır Değer Sorunu
6.3.5.   Sayısal Nitelik Değerleri
6.3.6.   Uygulama 2
6.4.  Özet
6.5.  Sorular

Bölüm 7.  Destek Vektör Makinesi İLE Sınıflandırma
7.1.  Doğrusal Olarak Ayrılabilme Durumu
7.1.1.      Primal Çözüm
7.1.2.      Lagrange Çarpanları
7.1.3.      Karush-Kuhn-Tucker Koşulları
7.1.4.      Dual Çözüm
7.2.  Verilerin Doğrusal Olarak Ayrılamama Durumu
7.3.  Doğrusal Olmayan Sınıflandırıcılar
7.3.1.   Doğrusal Olmayan Özellik Uzayı
7.3.2.   Çekirdek Fonksiyonlar
7.3.3.   Destek Vektör Makinası ve Çekirdek Fonksiyonlar
7.4.  Özet
7.5.  Sorular

Bölüm 8.  Kümeleme
8.1.  Kümeleme Çözümlemesi
8.2.  Uzaklık Ölçüleri
8.3.  Hiyerarşik Kümeleme
8.3.1.   Birleştirici Hiyerarşik Yöntemler
8.3.2.   En Yakın Komşu Algoritması
8.3.2.1.  Uygulama
8.3.3.   En Uzak Komşu Algoritması
8.3.3.1.  Uygulama
8.4.  Hiyerarşik Olmayan Kümeleme
8.4.1.   k-Ortalamalar Yöntemi
8.4.1.1. Uygulama
8.5.  Özet
8.6.  Sorular

Bölüm 9. Birliktelik Kuralları
9.1.  Destek ve Güven Ölçütleri
9.2.  Apriori Algoritması
9.3.  Uygulama
9.4.  Özet
9.5.  Sorular

Kaynakça
Dizin