Günümüzün hızlı yaşam şartları, karşılaşılan seçeneklerin sayısını arttırdığı gibi karar verme işleminin de hızlı bir şekilde yerine getirilmesini zorunlu hâle getirmektedir.

Entropi, bir veri yığınındaki düzensizliğin, rassallığın miktarını ölçmek için kullanılan bir ölçüdür.

Kümeleme, veri setinde bulunan gözlemlerin ya da değişkenlerin kendi aralarındaki benzerlikleri göz önünde bulundurularak gruplandırılması işlemidir.

Karar ağaçlarını, sınıflandırma probleminin çözümlenmesinde kullanırken iki adıma ihtiyaç duyulur. Bu adımlar,

1. Karar ağacının oluşturulması
2. Veritabanında yer alan her bir kaydın (ti) sınıflandırmasının yapılması

şeklindedir. Karar ağacının oluşturulması sürecinde karşılaşılabi­lecek en önemli sorun, kök ve iç düğümlerde hangi niteliklerin yer alacağının tespit edil­mesidir. Çünkü, sınırlı sayıda kayıttan oluşan bir veri yığını için olası tüm karar ağaçlarını oluşturmak ve bunların arasından en uygunu seçmek oldukça zor olacaktır. Bu nitelik, ayırma işlemini gerçekleştiren en iyi nitelik olacaktır ve ayırma kriteri olarak adlandırılır. Ayırma kriteri olarak öyle bir nitelik seçilmelidir ki diğer nitelikler ile karşılaştırıldığında en iyi ayırıcı nitelik olmalıdır. Karar ağacı oluşturulduktan sonra, her bir kayıt bu karar ağacının kök düğümden başlayarak, geçtiği her düğümdeki sorunun yönlendirmesine göre bir yaprak düğüme ulaşır ve böylece sınıflandırma işlemi tamamlanmış olur.

Bu nedenle doğru yanıt a) seçeneğidir.

Atıf analizi, akademik olarak yazarlar ile yayınları arasındaki ilişkiyi kurmak için yapılan
alıntıları inceleyen bir araştırma alanıdır. Bir yayın başka bir yayından alıntı yaptığında bu iki yayın arasında bir ilişki veya bağlantı kurulmuş olur. Dolayısıyla atıf analizinde de bu bağlantılar incelenerek yayınların önem düzeyleri ortaya konulmaya çalışılır.

Günümüzde bir yayının önemini belirleyen en önemli ölçü “impact factor” yani etki faktörüdür. Ortak atıf ve bibliyografik eşleme, HITS algoritmasını temel alan ve atıf analizinde dokümanların kümelenmesinde kullanılan benzerlik ölçüleridir.

  formülü üzerinden 

5!/3!*2!=10 nesne kümesi oluşturulur.

İlişki kuralı oluşturmak için kullanılan algoritmalarının hepsi ilişki kuralı oluşturmada destek ve güven eşik değerlerini kullanır. Belirlenen destek ve güven eşik değerleri, güç­lü olmayan birçok kuralın gereksiz yere elde edilmesini engellemesine rağmen, bazı du­rumlarda değerlendirilmesi gereken güçlü kural sayısı yine de fazla olabilmektedir. Böyle durumlarda ortaya çıkan güçlü kurallar içerisinden bir seçim yapabilmek ya da güçlü ku­ralları önem sırasına göre sıralamak ve problemin amacına en uygun ilişki kuralını belirleyebilmek için ilave kısıtlamalar kullanmak gerekmektedir. Bunlar içerisinden en çok kullanılan ölçüt ise, öncül(A) ve sonuç(B) nesne setleri arasındaki ilişkinin(korelasyonun) belirlenmesi temeline dayanarak hesaplanan kaldıraç(lift) değeridir. A⇒B şeklinde ifade edilen bir ilişki kuralı için kaldıraç değeri, A ve B nesne setlerinin istatistiksel olarak bağımsız oldukları varsayımı altında, kuralın güven değerinin sonucun (B’nin) destek değerine oranı şeklinde elde edilir ve

Kaldıraç (A⇒ B)= Güven(A⇒ B) / Destek(B) = Destek(A∪ B) / Destek(A) * Destek(B)

 eşitliği yardımıyla hesaplanır. Oluşturulan güçlü ilişki kuralının ilginç yani bilgi üretme- de kullanılabilir bir kural olup olmadığının bir ölçüsü olarak hesaplanan kaldıraç değeri [0,∞) arasında değer alır ve yüzde olarak ifade edilir. Hesaplanan kaldıraç değerinin,

• Kaldıraç (A⇒B)<1 olması, A ve B nesne setleri arasında ters yönlü (negatif) bir ilişki olduğunu,
• Kaldıraç (A⇒B)=1 olması, A ve B nesne setleri arasında ilişki olmadığını
• Kaldıraç (A⇒B)>1 olması, A ve B nesne setleri arasında aynı yönlü (pozitif) bir ilişki olduğunu ifade eder.

 Kaldıraç değeri, öncül (A) nesne setinin gözlendiği durumlarda sonuç(B) nesne setinin olasılığındaki değişim hakkında bilgi verir.

Bu nedenle doğru yanıt a) seçeneğidir.

M adet nesne içeren bir I nesneler kümesinden ilişki kuralı oluşturmada kullanılabilecek k tane nesne içerek kümelerin sayısı   adet olarak karşımıza çıkar. Dolayısıyla formülü kullandığımızda   formülasyonundan sonucu 35 olarak elde ederiz.

Verilerin standardize edilmesi ve belirli aralıklardaki değerlere dönüştürülmesi için en çok kullanılan yöntemler; z skorlarına dönüştürme, -1≤x≤1 aralığına dönüştürme, 0≤x≤1 aralığına dönüştürme, serideki maksimum değer 1 olacak şekilde dönüştürme, ortalama değer 1 olacak şekilde dönüştürme, standart sapma 1 olacak şekilde dönüştürme yöntemleridir.

Literatürde en yakın komşuluk olarak da bilinen tek bağlantı kümeleme yöntemi, uzaklık matrisini kullanarak birbirine en yakın (uzaklık değerleri en küçük) birim ya da değişkenleri birleştirerek kümelerin oluşmasını sağlamaktadır. Bu yöntemin ilk aşamasın­da uzaklık matrisindeki en yakın (en küçük uzaklık) iki birim dikkate alınarak ilk küme oluşturulur. İkinci aşamada ise bir sonraki en küçük uzaklık belirlenir ve ilk oluşturulan kümeye bu birim ya da değişken eklenir ya da bu birim ile iki birimden oluşan yeni bir küme oluşturulur. İşlem, tüm birimler bir kümeye yerleşinceye kadar devam eder. Birleş­tirme yapılırken kümelerin eleman sayısının birden fazla olması koşulu yoktur. Tek bir birim de bir küme oluşturabilir. Bu yöntemde, m ve j kümeleri arasındaki uzaklık;

dmj=min (dkj, dlj)

biçiminde hesaplanmaktadır.

Bu nedenle doğru yanıt a) seçeneğidir

İnternet ortamından yararlı bilginin keşfi için, web madenciliği sürecini dört temel
adımda ele alabiliriz.

1. Kaynakların Tespiti

2. Bilgi Seçimi ve Ön İşleme

3. Genelleştirme

4. Analiz

Literatürde en yakın komşuluk olarak da bilinen tek bağlantı kümeleme yöntemi, uzaklık matrisini kullanarak birbirine en yakın (uzaklık değerleri en küçük) birim ya da değişkenleri birleştirerek kümelerin oluşmasını sağlamaktadır. Bu yöntemin ilk aşamasında uzaklık matrisindeki en yakın (en küçük uzaklık) iki birim dikkate alınarak ilk küme oluşturulur. İkinci aşamada ise bir sonraki en küçük uzaklık belirlenir ve ilk oluşturulan kümeye bu birim ya da değişken eklenir ya da bu birim ile iki birimden oluşan yeni bir küme oluşturulur. İşlem, tüm birimler bir kümeye yerleşinceye kadar devam eder.

Karar ağaçlarını, sınıflandırma probleminin çözümlenmesinde kullanırken iki adıma ihtiyaç duyulur. Bu adımlar,
1. Karar ağacının oluşturulması
2. Veritabanında yer alan her bir kaydın sınıflandırmasının yapılması

Bu süreçte karşılaşılabilecek en önemli sorun, kök ve iç düğümlerde hangi niteliklerin yer alacağının tespit edilmesidir. Çünkü, sınırlı sayıda kayıttan oluşan bir veri yığını için olası tüm karar ağaçlarını oluşturmak ve bunların arasından en uygunu seçmek oldukça zor olacaktır. Bu nitelik, ayırma işlemini gerçekleştiren en iyi nitelik olacaktır ve ayırma kriteri olarak adlandırılır.

Tam Bağlantı Kümeleme Yöntemi aşamaşı kümeleme yöntemlerinden biridir.

M adet nesne içeren bir I nesneler kümesinden toplamda 3^m-2^m+1+1 adet ilişki kuralı oluşturulabilir. Bu soruda 3³ – 2³⁺¹ + 1=10 sonucuna ulaşılır.

Birleştirici (agglomerative) aşamalı kümeleme yöntemleri, başlangıçta veri setinde bulunan tüm birimlerin farklı birer küme oluşturduğu kabul edilerek analize başlanır. Veri setinde bulunan n birimi aşamalı olarak sırasıyla; n küme, n-1 küme, n-2 küme, ..., n-r küme, ..., 3 küme, 2 küme, 1 kümeye yerleştirmeyi amaçlayan bir yaklaşımdır. Bu yöntemde, her birim başlangıçta tek başına farklı birer küme olarak kabul edilir. Daha sonra birbirleri ile yüksek derecede benzerlik gösteren iki birim, bir küme oluşturur. Bir sonraki adımda bu kümeye farklı benzerlik düzeylerinde diğer birimler eklenerek birimlerin tamamı bir kümede toplanacak biçimde birbirleri ile bağlanırlar(birleştirilirler, kümelenirler).

k adet nesne içeren bir sık görülen nesne seti L_k şeklinde gösterilir. L_k’nın elemanları kullanılarak oluşturulacak toplam ilişki kuralı sayısı 2^k-2 tanedir. Buradan doğru cevap: 126

Toplanan ham veri diğer bir deyişle işlenmemiş verinin veri madenciliğinde analize hazır duruma getirilmesi amacıyla yapılan işlemler bütününe veri hazırlama adı verilir. Literatürde veri hazırlamayla ilgili izlenmesi gereken aşamalar araştırmacıdan araştırmacıya göre farklı isimler ve farklı sayıda aşamalar olarak verilse de sonuçta amaç hepsinde aynıdır. Verinin hazırlanmasındaki amaç ham verinin yapısında bulunan ve onu değersizleştiren hataları ve sorunları ortadan kaldırmaktır.

Bu nedenle doğru yanıt a) seçeneğidir.

X veri değeri ise; (X-Xmin)/(Xmax-Xmin)=(200-120)/(440-120)=80/320=0,25