US Data Privacy LawsIDG ConnectThe document summarizes research from IDG Connect on legal and marketing professionals' views of US data privacy laws. The research found that 81% of respondents did not think US privacy laws were sufficient or did not know if they were sufficient. Both legal and marketing professionals shared similar views, with only around 20% feeling current laws go far enough. The US has a fragmented approach to data privacy laws compared to a unified approach in the EU. There is debate around whether proposed stronger EU privacy laws under the GDPR will have significant impacts on US companies.
MULTI-OBJECTIVE OPTIMIZATION ON THE BASIS OF RATIO ANALYSIS (MOORA) METHODRivalri Kristianto HondroMoora adalah multiobjektif sistem mengoptimalkan dua atau lebih attribut yang saling bertentangan secara bersamaan. Metode ini diterapkan untuk memecahkan masalah dengan perhitungan matematika yang kompleks. Moora diperkenalkan oleh Brauers dan Zavadskas pada tahun 2006. Pada awalnya metode ini diperkenalkan oleh Brauers pada tahun 2004 sebagai “Multi-Objective Optimization” yang dapat digunakan untuk memecahkan berbagai masalah pengambilan keputusan yang rumit pada lingkungan pabrik.
knn.pptxAhmadAminollahAlgoritma K-nearest neighbor (KNN) adalah metode supervised learning dimana kelas suatu data baru ditentukan berdasarkan kelas mayoritas dari K tetangga terdekatnya. KNN mengklasifikasikan data baru berdasarkan atribut dan data pelatihan dengan menghitung jarak antara data baru dengan data pelatihan lalu menentukan K tetangga terdekat. Kelas prediksi data baru ditentukan dari kelas mayoritas K tetangga terdekat tersebut.
Academic writingDilum BandaraAcademic Writing for research. On being precise, picking words, style, and use of word Knife. Referencing styles for citing research
Ukuran penyimpangan Data biostatistikaERA MULIANA SADARIDokumen tersebut memberikan penjelasan mengenai ukuran penyimpangan data, meliputi rentang, varians, simpangan baku, kuartil, desil, dan presentil. Diuraikan pula rumus dan contoh soal untuk setiap ukuran penyimpangan data tersebut.
Algoritmalarbuse tekin aydınEğitimde Bilişim Teknolojileri dersim için hazırlamış olduğum sunumudur.Sınıfta çeşitli disiplinlerde öğrenciler bulunduğu için teknik detay içermeyen bir sunumdur.
Algoritmalarbuse tekin aydınEğitimde Bilişim Teknolojileri dersim için hazırlamış olduğum sunumudur.Sınıfta çeşitli disiplinlerde öğrenciler bulunduğu için teknik detay içermeyen bir sunumdur.
2. BİRLİKTELİK KURALLARI
• Birliktelik kuralı, geçmiş verilerin analiz edilerek bu
veriler içindeki birliktelik davranışlarının tespiti ile
geleceğe yönelik çalışmalar yapılmasını destekleyen bir
yaklaşımdır.
• Birliktelik kurallarının kullanıldığı en tipik örnek Market
Sepeti Analizidir (Market Basket Analysis). Bu
işlem, müşterilerin yaptıkları alışverişlerdeki ürünler
arasındaki birliktelikleri bularak müşterilerin satın alma
alışkanlıklarını analiz eder. Bu tip birlikteliklerin
keşfedilmesi, müşterilerin hangi ürünleri bir arada
aldıkları bilgisini ortaya çıkarır ve market yöneticileri de
bu bilgi ışığında daha etkili satış stratejileri
geliştirebilirler.
Apriori Algoritması 2
3. Market Sepet Analizi
• Bir müşteri süt satın alıyorsa, aynı
alışverişte sütün yanında ekmek alma
olasılığı nedir? Bu tip bir bilgi ışığında
rafları düzenleyen market yöneticileri
ürünlerindeki satış oranını
arttırabilirler. Örneğin bir marketin
müşterilerinin süt ile birlikte ekmek
satın alma oranı yüksekse, market
yöneticileri süt ile ekmek raflarını yan
yana koyarak ekmek satışlarını
arttırabilirler.
• Örneğin; bir A ürününü satın alan
müşteriler aynı zamanda B ürününü
da satın alıyorlarsa, bu durum
Birliktelik Kuralı ile gösterilir.
Apriori Algoritması 3
4. APRIORI ALGORİTMASI
• Apriori algoritması, Agrawal ve Srikant
tarafından 1994 yılında geliştirilmiştir.
• Veri Madenciliğinde, birliktelik kuralı çıkarım
algoritmaları içerisinde en fazla bilinen ve
kullanılan algoritmadır.
• Algoritmanın ismi, yaygın nesnelerin önsel
bilgilerini kullanmasından yani bilgileri bir
önceki adımdan almasından “önceki (prior)”
anlamında aprioridir.
Apriori Algoritması 4
5. Temel Yaklaşım
• Öğe kümesi (itemset)
– Bir veya daha çok öğeden oluşan küme
– k-öğe kümesi (k-itemset): k öğeden oluşan küme
• 3-öğe kümesi: {Bal, Süt, Ekmek}
• Bu algoritmada temel yaklaşım, “eğer k-öğe
kümesi minimum destek kriterini
sağlıyorsa, bu kümenin alt kümeleri de
minimum destek kriterini sağlar. ” şeklindedir.
Apriori Algoritması 5
6. Destek ve Güven Kriterleri
• Birliktelik Kuralında, öğeler arasındaki birliktelik, destek ve
güven kriterleri ile hesaplanır.
• Destek (support) kriteri, veride öğeler arasındaki bağıntının ne
kadar sık olduğunu belirtir.
• X ve Y farklı ürünler olmak üzere,
– X ürünü için destek, tüm alışverişler içinde X ürününün oranıdır.
– X ve Y ürünleri için destek, X ve Y’ nin bir arada tüm alışverişler içinde
bulunma olasılığıdır.
Apriori Algoritması 6
7. Destek ve Güven Kriterleri
• Güven (confidence) kriteri ise Y ürününün hangi
olasılıkla X ürünü ile beraber olacağını söyler.
• Elde edilen kuralların güvenirliliği, destek ve güven
değerleri ile doğru orantılıdır.
Apriori Algoritması 7
8. Destek ve Güven Kriterleri
• Her kural bir destek ve güven değeri ile ifade edilir.
• A⇒B [destek = 2%, güven = 60%]
• Birliktelik kuralı için 2% destek değeri, analiz edilen
tüm alışverişlerden 2%’sinde A ile B ürünlerinin
birlikte satıldığını belirtir.
• 60% oranındaki güven değeri ise A ürününü satın
alan müşterilerin 60%’ının aynı alışverişte B ürününü
de satın aldığını gösterir.
Apriori Algoritması 8
9. Algoritmanın Adımları
1. Minimum destek sayısı (min.support ) ve minimum güven değerinin
(min.confidence) belirlenmesi
2. Öğe kümeler içerisindeki her bir öğenin destek değerinin bulunması
3. Minimum destek değerinden daha düşük desteğe sahip olan
öğelerin devre dışı bırakılması
4. Elde edilen tekli birliktelikler dikkate alınarak ikili birlikteliklerin
oluşturulması
5. Minimum destek değerinden düşük olan öğe kümelerin çıkartılması
6. Üçlü birlikteliklerin oluşturulması
7. Üçlü birlikteliklerden minimum destek değerini geçenlerin
dışındakilerin çıkarılması
8. Üçlü birlikteliklerden birliktelik kurallarının çıkarılması
Apriori Algoritması 9
10. Uygulama Alanları
• Eğitim
• Tıp
• Mühendislik
• Finans
• Telekomünikasyon
• Pazarlama
• Bankacılık
• E-Ticaret
• …
Apriori Algoritması 10
11. Kaynaklar
• Karabatak M. ve İnce M.C., Apriori Algoritması ile Öğrenci Başarısı
Analizi.
• Şen F., 2008, Veri Madenciliği ile Birliktelik Kurallarının
Bulunması, Sakarya Üniversitesi.
• Yıldız E., 2011, ASP.NET ile Kitap Takas Sitesi ve Birliktelik Kuralları ile
Kitap Önerileri Oluşturma Sistemi, Kocaeli Üniversitesi.
• Takçı H., 2008, Birliktelik Kuralları: Temel Kavramlar ve Algoritmalar.
• Altıntop Ü., 2006, Internet Tabanlı Öğretimde Veri Madenciliği
Tekniklerinin Uygulanması, Kocaeli Üniversitesi.
• Özseven T. ve Düğenci M., 2011, LOG Analiz: Erişim Kayıt Dosyaları
Analiz Yazılımı ve GOP Üniversitesi Uygulaması, Bilişim Teknolojileri
Dergisi, 4(2).
• Döşlü A., 2008, Veri Madenciliğinde Market Sepet Analizi ve
• Birliktelik Kurallarının Belirlenmesi, Yıldız Teknik Üniversitesi.
Apriori Algoritması 11