veri tabanı güncelleme

M = 5 adet nesne içeren bir I={a, b, c, d, e} nesneler kümesinden ilişki kuralı oluşturmada kullanılacak nesne seti sayısı 2^m-1=32-1=31 tanedir.

Tüm bu 31 nesne seti içerisinden {c} ve {c, d} nesne setlerinin sık görülen nesne setleri olmadığı bilindiğine göre destek bazlı budama özelliğine göre bu 31 nesne seti içerisinden de {c} nesnesini içeren nesne setleri ve {c, d} nesnelerini içeren nesne setleri budanır ve değerlendirme dışı bırakılır. Dolayısıyla bu durumda {a, d, e} nesne seti {c} ve {c, d} nesne setlerinden birini içermediği için nesne seti olarak kalır.

function() komutu, return() komutu ile sonlandırılır. Doğru cevap B'dir.

Bankacılık web madenciliğinin uygulama alanlarından birisi değildir.

Karar ağaçları, karar vericinin içinde bulunduğu karar verme probleminde ortaya çıkabilecek tüm durumları ve karar vericinin karşılaşabileceği tüm senaryoları bir arada gösterebilen bir grafiksel yaklaşımdır. Karar ağaçlarının bazı avantajları,
• Açıklanmalarının kolay olması,
• İnsani karar almayı diğer yaklaşımlara göre daha iyi yansıtması,
• Grafiksel olarak gösterilebilir olması,
• Uzman olmayan kişiler tarafından da kolaylıkla yorumlanabilir olması,
• Temsili değişkenlere ihtiyaç duymadan nitel değişkenleri de işleyebiliyor olmalarıdır.

Doğru cevap C şıkkıdır.

İş zekasının ana hedefi şirket performansını artırmak ve pazarda rekabet avantajı sağlamak için insanların doğru kararlar almalarına yardımcı olmaktır. Web kullanım madenciliği müşteri davranışları hakkında bilgileri ayıklamak ve yararlı ve etkili bir veritabanı oluşturmak için uygun bir tekniktir. İnternet üzerinden yapılan ürün ve hizmet satışları için müşteri potansiyelini arttırmak, var olan müşterinin devamlılığını sağlamak, daha çok satış gerçekleştirebilmek ve daha etkin bir lojistik ve stok yönetimi gerçekleştirebilmek için web kullanım madenciliği sonuçlarından yararlanılabilir.

İnternet günümüzde kullanılan veri madenciliği teknolojilerinden birisidir. Diğer teknolojiler tarihsel süreçte önceden kullanılan teknolojilerdendir.

En yüksek kazancı sağlayan nitelik, ayırıcı nitelik olarak tanımlanır. Ancak, Entropi ve Gini indeksleri gibi indeksler belli değerleri çok sayıda bulunduran nitelikleri tercih etme eğilimindedirler. Dolayısıyla ayırma sayısı fazla olacağından elde edilen sınıflar çok küçük sınıflar olacaktır.

Bir A nesne setinin destek değeri, D işlemler veritabanında A nesne setini içeren işlem sayısının veritabanındaki tüm işlemlerin sayısına oranı şeklinde elde edilir ve

Destek(A) = | A |/ | D |

eşitliği yardımıyla hesaplanır. Eşitlikte |A|, tüm işlemler içerisinde A nesne setini içeren işlem sayısını, |D| ise işlemler veritabanındaki tüm işlemlerin sayısını ifade eder. Aslında bir A nesne setinin destek değeri, A nesne setindeki nesnelerin veritabanındaki işlemler içerisindeki bulunma olasığını ifade eder ve P (A) şeklinde gösterilir. Destek değeri [0,1] aralığında değer alır ve yüzde olarak yorumlanır.

Bu nedenle doğru yanıt a) seçeneğidir.

Pazarlama

Apriori özelliğinin aksine, “Eğer bir alt küme sık görülen nesne kümesi değil ise, onun
bütün üst kümeleri de sık görülen nesne kümesi değildir” temel yaklaşımına sahiptir. Böylece belirlenen destek eşik değerini geçemeyen az elemanlı kümelerin üst kümeleri de destek eşik değerini geçemeyeceği için değerlendirme dışı bırakılır. Bu yönteme destek-bazlı
budama (support based pruning) denir.

İlişki kuralı oluşturabilmek için geliştirilen algoritmalar içerisinde en çok bilinen ve en sık kullanılan algoritmadır. Apriori algoritması, 1994 yılında Agrawal ve Srikant tarafından geliştirilmiştir. Algoritmanın ismi, sık görülen nesne kümelerin önsel bilgisini kullanma­sından, diğer bir ifadeyle bilgileri bir önceki adımdan almasından dolayı bir önceki (prior) anlamına gelen “apriori” dir.

Apriori özelliği

Apriori algoritmasının temel yaklaşımı, “Eğer k nesneden oluşan nesne setleri kümesi en küçük destek kriterini sağlıyorsa, bu kümenin alt kümeleri de en küçük destek kriterini sağlar.” şeklindedir.

Örneğin; I={a,b,c,d} nesne kümesi için, şayet {a,b,c} nesne kümesi bir sık görülen nes­ne kümesi ise, onun tüm alt kümeleri olan Ø, {a}, {b}, {c}, {a, b}, {a, c} ve {b, c} kümeleri de sık görülen nesne kümeleridir. Bu özelliğe apriori özelliği adı verilir.

Destek Bazlı Budama Özelliği

Apriori özelliğinin aksine, “Eğer bir alt küme sık görülen nesne kümesi değil ise, onun bütün üst kümeleri de sık görülen nesne kümesi değildir” temel yaklaşımına sahiptir. Böyle­ce belirlenen destek eşik değerini geçemeyen az elemanlı kümelerin üst kümeleri de des­tek eşik değerini geçemeyeceği için değerlendirme dışı bırakılır. Bu yönteme destek-bazlı budama (support based pruning) denir.

Örneğin; I={a,b,c,d} nesne kümesi için, şayet {c, d} nesne kümesi bir sık görülen nesne kümesi değil ise, bu kümenin elemanlarını içeren tüm üst kümeleri olan {a, c, d}, {b, c, d} ve {a, b, c, d} kümeleri de sık görülen nesne kümeleri değildir.

Bu nedenle doğru yanıt a) seçeneğidir.

McQuitty bağlantı kümeleme yönteminin farklı bir biçimidir. Bu yöntemde m. ve j. kümeler arasındaki uzaklık; dmj= (dkj + dlj)/2 - dkl/4 formülü yardımıyla hesaplanır.

Karar ağaçlarının bazı avantajları,
• Açıklanmalarının kolay olması,
• İnsani karar almayı diğer yaklaşımlara göre daha iyi yansıtması,
• Grafiksel olarak gösterilebilir olması,
• Uzman olmayan kişiler tarafından da kolaylıkla yorumlanabilir olması,
• Temsili değişkenlere ihtiyaç duymadan nitel değişkenleri de işleyebiliyor olmalarıdır

ID3 karar ağacı oluşturma algoritması en basit karar ağacı oluşturma algoritmasıdır. Ayırma kriteri olarak kazanç ölçütünden yararlanılmaktadır. Karar ağacının büyümesini durdurma kriteri ise tüm kayıtların tek bir sınıfa ait olması veya kazanç ölçütünün sıfırdan büyük olmaması durumudur. ID3 algoritmasında, karar ağacına herhangi bir budama işlemi uygulanmaz, ek olarak bu algoritma sayısal (ölçüm düzeyi nicel) nitelikleri ve kayıp veriyi işleyeme­mektedir. 1983 yılında Ross Quinlan tarafından önerilmiştir.

Bu nedenle doğru yanıt a) seçeneğidir.

3^m-2^m+1+1 formülü uygulandığında; 3⁴-2³⁺¹+1=66

Web ortamındaki veriler sadece belirli bir konuda olması web ortamında bulunan verilerin standart veri tabanı yönetim sistemleri verilerinden farklı olarak kendine özgü özelliklerinden değildir?

Destek değerlerini hesaplayabilmek için öncelikle m=5 nesne içeren  nesneler kümesinden iki nesneden oluşan nesne setlerinin (k=2) belirlenmesi gerekir. İki nesne içeren
nesne seti sayısı= 5!/2!*3!= 10'dur.  Destek {A, E}= 2/5= 0,40

Karar verme sürecinde, seçeneklerin, alınacak kararı etkileyen etmenlerin çokluğu ve hızlı karar verme gerekliliğinin getirdiği karmaşıklık, karar vericinin vereceği kararlarda olumsuz bir etkiye sahip olabilmektedir. Olası tüm seçeneklerin ve bunlara bağlı olarak elde edilecek tüm sonuçların rakamsal olarak takip edilmesi, pek çok karar vericinin daha fazla iş yüküyle karşılaşmasına neden olabilmektedir.