Deneme Sınavı Soruları

0.25

0.50

0.75

0.90

0.95

Düşük seviyeli veri okutma işlemi,

belirgin bir genişlik tanımlanmış veri dosyalarından okuma işlemi

Değişkenlerin virgülle ayrıldığı dosyalardan okuma işlemi

veriseti.csv kayıt işlemi

Dosyalardan formatlanmış data frame elde edilmesi işlemi

Gürültülü veri

Kirli veri

Aşırı veri

Anlamsız veri

Karışık veri

Karl Pearson uzaklığı

Manhattan uzaklığı

Minkowski uzaklığı

Açısal benzerlik

Jaccard uzaklığı

1

2

4

6

8

 İstatistiksel analizde, analize genellikle bir hipotez kurularak başlanırken veri madenciliği ile analizde herhangi bir hipoteze gerek duyulmaz.

İstatistikçiler hipotezlerini eşleştirmek için kendi eşitliklerini geliştirmek zorunda
oldukları hâlde, veri madenciliği algoritmaları eşitlikleri otomatik olarak geliştirir.

İstatistiksel analiz sonuçları bilimselken, veri madenciliği sonuçları gündelik bilgiyi oluşturur.

İstatistiksel analizler genellikle sayısal veriler üzerinde gerçekleştirilirken veri madenciliği sayısal verilere ek olarak metin, ses vb. gibi farklı veri türleri üzerinde de
işlem yapabilir.

İstatistiksel analizde, kirli veri analiz sırasında bulunur ve filtre edilirken veri madenciliği temizlenmiş veri üzerinde gerçekleştirilir.

Benzerlikler birbirine daha çok benzeyen nesne çiftleri için daha yüksektir.

Benzerlikler genellikle [0,1] arasında ölçeklendirilirler.

“1” sayısı ilgili nesnelerin özdeş olduklarını ifade eder.

Uzaklık iki nesne arasındaki düzensizliğin veya bozukluğun bir ölçüsüdür.

Birbirine benzemeyen nesne çiftleri için uzaklık ölçüsünün alacağı değer küçüktür.

[,1] [,2]

[1,] 6 1

[2,] 5 2

[3,] 4 3

[4,] 3 4

[5,] 2 5

[6,] 1 6

[,1] [,2]

[1,] 1 1

[2,] 2 2

[3,] 3 3

[4,] 4 4

[5,] 5 5

[6,] 6 6

[,1] [,2]

[1,] 1 6

[2,] 2 5

[3,] 3 4

[4,] 4 3

[5,] 5 2

[6,] 6 1

[,1] [,2]

[1,] 6 6

[2,] 5 5

[3,] 4 4

[4,] 3 3

[5,] 2 2

[6,] 1 1

[,1] [,2]

[1,] 1 4

[2,] 2 5

[3,] 3 6

[4,] 3 6

[5,] 2 5

[6,] 1 4

0,44

0,29

0,35

0,17

0,56

Yalnız I

II - III

I - III - IV

II - III - IV - V

I - II - III - IV - V

Karl Pearson uzaklığı

Manhattan uzaklığı

Minkowski uzaklığı

Açısal benzerlik

Jaccard uzaklığı

ncol=3

nrow=3

nrow=5

3

5

ortalama

kümeleme

toplama

bölme

varyans

Modelin İzlenmesi

Veriler Üzerinde Ön İşlemlerin Yapılması 

Modelin Kurulması ve Değerlendirilmesi 

Modelin Kullanılması ve Yorumlanması 

Hepsi

I ve II

II ve III

I ve III

II ve IV

III ve IV

Ölçme

Ölçeklendirme

Normalizasyon

Derecelendirme

Sayısallaştırma

[1] 7

[1] 3

[1] 4

[1] 8

[1] 12

head()

kmeans()

rep()

sqrt()

matrix()

Ölçümlendirilmemiş

Oranlı Ölçümlendirilmiş

Aralıklı Ölçümlendirilmiş

Sıra Gösteren

İsimsel