BibTex RIS Cite

WEB İSTATİSTİKLERİNDE MAKİNE ÖĞRENMESİ ALGORİTMALARI İLE KRİTİK PARAMETRE TESPİTİ

Year 2015, Volume: 5 Issue: 4, 23 - 41, 28.12.2015
https://doi.org/10.17339/ejovoc.94867

Abstract

Web sitelerinin internet ziyaretçileri tarafındaki yansıması ile oluşan web sitesi istatistiklerinin bu sektördeki önemi artmaktadır. Web istatistikleri, web sunucuları tarafında tutulabilen kayıtlardır ve web sitelerinin popülaritesini kıyaslamada net ve doğru bir bilgi sunmaktadırlar. Oluşan bu değerler bütününün ağ trafiğinde anlamlandırılabilmesi için sınıflandırma veya kümeleme işlemlerine tabi tutulması gerekmektedir. Bu bağlamda, Türkiye’de yaygın olarak tıklanan web sitelerinin istatistiksel verileri kullanılarak, makine öğrenmesi algoritmaları ile analizi bu çalışmanın amacı olmuştur. Elde edilen gerçek veriler üzerinde makine öğrenmesinin nasıl gerçekleştiği ve veriler arasında web site trafiğindeki en belirleyici parametreler tespit edilmiştir. Bu tespitler, gözetimli ve gözetimsiz öğrenme algoritmaları ile gerçekleştirilmiştir. Eğitim, test ve çapraz doğrulama gibi farklı seçeneklerle ayrıntılı olarak incelenen bu algoritmaların birbirine göre başarı ve performans kıyaslaması yapılarak web siteleri parametre analizleri araştırılmıştır.

References

  • Alpaydın, E.(2004). Introductionto Machine Learning, The MIT Press.
  • Amasyalı, m. F., bilgin, M., (2015), Sekans Etiketleme Uygulamaları için Makine Öğrenmesi
  • Yöntemlerinin Karşılaştırılması Comparison of Machine Learning Methods for the
  • Sequence Labelling Applications.
  • Anderberg, M. R. (1973), Cluster Analysis for Applications, New York: AcademicPress.
  • Bülbül,Ş., Güler, M.F., Kandemir, A.Ş., (2009), Propensity Skor Uygulamalarında Kümeleme
  • Analizinin Test Amaçlı Kullanımı,172.
  • Coşkun, C., Baykal, A., Veri Madenciliğinde Sınıflandırma Algoritmalarının Bir Örnek
  • Üzerinde Karşılaştırılması, Dicle Üniversitesi, Fen Fakültesi Matematik Bölümü, Diyarbakır.
  • Cristianni, N.,Shawe-Taylor, J.(2000). An IntroductiontoSupportVectorMachinesand
  • OtherKernel-Based Learning Methods, UK: Cambridge UniversityPress.
  • Çetın, N. M., Haciomeroglu, M. (2013). Survey of GPU Accelerated Data Clustering
  • Algorithms. AJIT-e, 4(11), 19.
  • Demirci, D.A. (2007). Destek Vektör Makineleri İle Karakter Tanıma, Yüksek Lisans Tezi,
  • Yıldız Teknik Üniversitesi.
  • Dünder, E., Cengiz, M. A., Koç, H., Savaş, N. (2013). Bayesci ağlarda risk analizi:
  • Bankacılık sektörü üzerine bir uygulama. Erzincan üniversitesi sosyal
  • Bilimler Enstitüsü Dergisi, 6(1), 1-14.
  • Gencer, C., Akbulut, S., Kızılkaya Aydoğan, E. (2008), Churn Analysis AndCustomer
  • SegmentationOf A CosmeticsBrand Using Data MiningTechniques, Journal of Engineeringand Natural Sciences, Sigma. Vol./Cilt 26 Issue/Sayı 1.
  • Günes, A., Yiğit, T. (2012, April). Handwritten digit recognition with accelerated Support
  • Vector Machines. In Signal Processing and Communications Applications Conference (SIU), 2012 20th (pp. 1-4). IEEE.
  • Habibi, Y., Sheisi, G. H., Abdi, H. (2015). Voltage Instability Detection in Power System
  • Using Support Vector Machine (SVM).
  • Johnson, R. A., Dean W. W. (1999). AppliedMultivariate Statistical Analysis(Fourth
  • Editon)., New Jersey: PrenticeHall, UpperSaddleRiver.
  • Kavzoğlu, t., Çölkesen, İ. (2010). Karar Ağaçları İle Uydu Görüntülerinin
  • Sınıflandırılması. Harita Teknolojileri Elektronik Dergisi, 2(1), 36-45.
  • Kaya, Ç., & Yıldız, O. (2014). Makine öğrenmesi teknikleriyle saldırı tespiti: Karşılaştırmalı
  • analiz.
  • Kırmızıgül Çalışkan, S.,Soğukpınar, İ. (2008), Knn: K-Means Ve K En Yakın Komşu
  • Yöntemleri İle Ağlarda Nüfuz Tespiti, TmmobEmo 2.Ağ Ve Bilgi Güvenliği Ulusal Sempozyumu.
  • Lee, C. H. (2015). A gradient approach for value weighted classification learning in naive
  • Bayes. Knowledge-Based Systems.
  • Monz, C.,Machine Learning for Data Mining, Week 6: Clustering.
  • Quinlan J.R. (1993). C4.5: Programs for Machine Learning, San Mateo, CA: Morgan
  • Kaufmann.
  • Özkan, Y. (2008). Veri Madenciliği Yöntemleri (1.Baskı). İstanbul: Papatya Yayıncılık.
  • Öztemel, E.(2006). Yapay Sinir Ağları (2.Baskı). İstanbul: Papatya Yayıncılık
  • Saini, I., Singh, D., Khosla, A. (2013). QRS detection using K-Nearest Neighbor
  • algorithm (KNN) and evaluation on standard ECG databases. Journal of advanced
  • research, 4(4), 331-344.
  • Silahtaroğlu, G. (2008).Veri Madenciliği Kavram ve Algoritmaları. İstanbul: Papatya
  • Yayıncılık.
  • Sorias, S. (2014). Psikiyatrik Tanıda Betimsel ve Kategorik Yaklaşımların Kısıtlılıklarını
  • Aşmak: Bayes Ağlarına Dayalı Bir Öneri.
  • SPSS.(1999).AnwerTreeAlgorithmSummary. SPSS White Paper, USA.
  • Uzun, E. (2007). İnternet tabanlı bilgi erişimi destekli bir otomatik öğrenme sistemi.
  • Yıldırım, S. (2003). Tümevarım Öğrenme Tekniklerinin C4.5’in İncelenmesi, Yüksek Lisans
  • Tezi. İstanbul: İTÜ.
  • http://tr.wikipedia.org/wiki/Makine_%C3%B6%C4%9Frenimi, E.T: 07.05.2014
  • http://www.google.com/support/adplanner,https://adwords.google.com/da/DisplayPlanner/Home ET:10.04.2011
  • http://www.turkeyforum.com/satforum/archive/index.php/t635294.html,E.T:21.05.2014
  • http://www.damlakaraman.com.tr/google-doubleclick-nedir, E.T:18.06.2014
Year 2015, Volume: 5 Issue: 4, 23 - 41, 28.12.2015
https://doi.org/10.17339/ejovoc.94867

Abstract

References

  • Alpaydın, E.(2004). Introductionto Machine Learning, The MIT Press.
  • Amasyalı, m. F., bilgin, M., (2015), Sekans Etiketleme Uygulamaları için Makine Öğrenmesi
  • Yöntemlerinin Karşılaştırılması Comparison of Machine Learning Methods for the
  • Sequence Labelling Applications.
  • Anderberg, M. R. (1973), Cluster Analysis for Applications, New York: AcademicPress.
  • Bülbül,Ş., Güler, M.F., Kandemir, A.Ş., (2009), Propensity Skor Uygulamalarında Kümeleme
  • Analizinin Test Amaçlı Kullanımı,172.
  • Coşkun, C., Baykal, A., Veri Madenciliğinde Sınıflandırma Algoritmalarının Bir Örnek
  • Üzerinde Karşılaştırılması, Dicle Üniversitesi, Fen Fakültesi Matematik Bölümü, Diyarbakır.
  • Cristianni, N.,Shawe-Taylor, J.(2000). An IntroductiontoSupportVectorMachinesand
  • OtherKernel-Based Learning Methods, UK: Cambridge UniversityPress.
  • Çetın, N. M., Haciomeroglu, M. (2013). Survey of GPU Accelerated Data Clustering
  • Algorithms. AJIT-e, 4(11), 19.
  • Demirci, D.A. (2007). Destek Vektör Makineleri İle Karakter Tanıma, Yüksek Lisans Tezi,
  • Yıldız Teknik Üniversitesi.
  • Dünder, E., Cengiz, M. A., Koç, H., Savaş, N. (2013). Bayesci ağlarda risk analizi:
  • Bankacılık sektörü üzerine bir uygulama. Erzincan üniversitesi sosyal
  • Bilimler Enstitüsü Dergisi, 6(1), 1-14.
  • Gencer, C., Akbulut, S., Kızılkaya Aydoğan, E. (2008), Churn Analysis AndCustomer
  • SegmentationOf A CosmeticsBrand Using Data MiningTechniques, Journal of Engineeringand Natural Sciences, Sigma. Vol./Cilt 26 Issue/Sayı 1.
  • Günes, A., Yiğit, T. (2012, April). Handwritten digit recognition with accelerated Support
  • Vector Machines. In Signal Processing and Communications Applications Conference (SIU), 2012 20th (pp. 1-4). IEEE.
  • Habibi, Y., Sheisi, G. H., Abdi, H. (2015). Voltage Instability Detection in Power System
  • Using Support Vector Machine (SVM).
  • Johnson, R. A., Dean W. W. (1999). AppliedMultivariate Statistical Analysis(Fourth
  • Editon)., New Jersey: PrenticeHall, UpperSaddleRiver.
  • Kavzoğlu, t., Çölkesen, İ. (2010). Karar Ağaçları İle Uydu Görüntülerinin
  • Sınıflandırılması. Harita Teknolojileri Elektronik Dergisi, 2(1), 36-45.
  • Kaya, Ç., & Yıldız, O. (2014). Makine öğrenmesi teknikleriyle saldırı tespiti: Karşılaştırmalı
  • analiz.
  • Kırmızıgül Çalışkan, S.,Soğukpınar, İ. (2008), Knn: K-Means Ve K En Yakın Komşu
  • Yöntemleri İle Ağlarda Nüfuz Tespiti, TmmobEmo 2.Ağ Ve Bilgi Güvenliği Ulusal Sempozyumu.
  • Lee, C. H. (2015). A gradient approach for value weighted classification learning in naive
  • Bayes. Knowledge-Based Systems.
  • Monz, C.,Machine Learning for Data Mining, Week 6: Clustering.
  • Quinlan J.R. (1993). C4.5: Programs for Machine Learning, San Mateo, CA: Morgan
  • Kaufmann.
  • Özkan, Y. (2008). Veri Madenciliği Yöntemleri (1.Baskı). İstanbul: Papatya Yayıncılık.
  • Öztemel, E.(2006). Yapay Sinir Ağları (2.Baskı). İstanbul: Papatya Yayıncılık
  • Saini, I., Singh, D., Khosla, A. (2013). QRS detection using K-Nearest Neighbor
  • algorithm (KNN) and evaluation on standard ECG databases. Journal of advanced
  • research, 4(4), 331-344.
  • Silahtaroğlu, G. (2008).Veri Madenciliği Kavram ve Algoritmaları. İstanbul: Papatya
  • Yayıncılık.
  • Sorias, S. (2014). Psikiyatrik Tanıda Betimsel ve Kategorik Yaklaşımların Kısıtlılıklarını
  • Aşmak: Bayes Ağlarına Dayalı Bir Öneri.
  • SPSS.(1999).AnwerTreeAlgorithmSummary. SPSS White Paper, USA.
  • Uzun, E. (2007). İnternet tabanlı bilgi erişimi destekli bir otomatik öğrenme sistemi.
  • Yıldırım, S. (2003). Tümevarım Öğrenme Tekniklerinin C4.5’in İncelenmesi, Yüksek Lisans
  • Tezi. İstanbul: İTÜ.
  • http://tr.wikipedia.org/wiki/Makine_%C3%B6%C4%9Frenimi, E.T: 07.05.2014
  • http://www.google.com/support/adplanner,https://adwords.google.com/da/DisplayPlanner/Home ET:10.04.2011
  • http://www.turkeyforum.com/satforum/archive/index.php/t635294.html,E.T:21.05.2014
  • http://www.damlakaraman.com.tr/google-doubleclick-nedir, E.T:18.06.2014
There are 54 citations in total.

Details

Journal Section Articles
Authors

Harun Bayer

Tevfik Çoban

Publication Date December 28, 2015
Submission Date December 28, 2015
Published in Issue Year 2015 Volume: 5 Issue: 4

Cite

APA Bayer, H., & Çoban, T. (2015). WEB İSTATİSTİKLERİNDE MAKİNE ÖĞRENMESİ ALGORİTMALARI İLE KRİTİK PARAMETRE TESPİTİ. Ejovoc (Electronic Journal of Vocational Colleges), 5(4), 23-41. https://doi.org/10.17339/ejovoc.94867

Cited By