42

AÇIK KAYNAK KODLU VERĠ MADENCĠLĠĞĠ PROGRAMLARI:

WEKA’DA ÖRNEK UYGULAMA

Murat DENER Murat DÖRTERLER Abdullah ORMAN

Gazi Üniversitesi Gazi Üniversitesi Gazi Üniversitesi

Elektronik-Bilgisayar Eğitimi Bölümü Elektronik-Bilgisayar Eğitimi Bölümü Elektronik-Bilgisayar Eğitimi Bölümü

muratdener@gazi.edu.tr dorterler@gazi.edu.tr abdullah@gazi.edu.tr





ÖZET

depolarında çok miktarda bilginin depolanmasını ve

Veri Madenciliği, veriden bilgi elde etme amaçlı çözümlenmesini gerektirmektedir. Bilgisayar

kullanılan teknikler bütünüdür. İstatistiksel analiz teknolojilerindeki gelişmeler doğrultusunda Veri

tekniklerinin ve yapay zekâ algoritmalarının bir Madenciliği yöntemleri ve programlarının amacı

arada kullanılarak veri içerisindeki gizli bilgilerin büyük miktarlardaki verileri etkin ve verimli hale

açığa çıkarılması ve verinin nitelikli bilgiye getirmektedir. Bilgi ve tecrübeyi birleştirmek için

dönüştürülmesi sürecidir. Veri Madenciliği Veri Madenciliği konusunda geliştirilmiş

uygulamalarını gerçekleştirmek için ticari ve açık yazılımların kullanılması gerekmektedir. Hızla

kaynak olmak üzere birçok program mevcuttur. Bu artan veri kayıtları (GB/saat), Otomatik istasyonlar,

makalede açık kaynak kodlu Veri Madenciliği Uydu ve uzaktan algılama sistemleri, Teleskopla

programlarından olan RapidMiner(YALE), WEKA uzay taramaları, Gen teknolojisindeki gelişmeler,

ve R anlatılmış olup, bu programların Bilimsel hesaplamalar, benzetimler, modeller, Veri

karşılaştırılmalarına yer verilmiştir. Ayrıca WEKA’ Madenciliğini zorunlu kılmıştır.

da örnek bir uygulama sunulmuştur.

Gerçekleştirilen uygulamanın lisansüstü eğitimi Teknolojinin gelişimiyle bilgisayar ortamında ve

veren tüm Enstitülere yararlı olacağı veritabanlarında tutulan veri miktarının artması,

değerlendirilmektedir. yeni veri toplama yolları, otomatik veri toplama

aletleri, veritabanı sistemleri, bilgisayar

kullanımının artması, büyük veri kaynakları (İş

ABSTRACT dünyası:Web,e-ticaret, alışveriş,hisse senetleri,…),

bilim dünyası (Uzaktan algılama ve izleme,

Data Mining is a technique designed to extract bioinformatik, simülasyonlar..) toplum

information from data sets. It is a process used to (haberler,digital kameralar, YouTube, Facebook…)

reveal hidden information in data and transform neden Veri Madenciliği sorusuna cevap

data into codified information by using a vermektedir [1].

combination of both statistical analysis techniques Veri Madenciliği uygulamalarını gerçekleştirmek

and artificial intelligence algorithms. A lot of için programlara ihtiyaç duyulur. Bu kapsamda,

softwares exist for implement to Data Mining SPSS Clementine, Excel, SPSS, SAS, Angoss,

Applications with the inclusion of commercial and KXEN, SQL Server, MATLAB ticari ve

open source. In this article, RapidMiner(YALE), RapidMiner(YALE), WEKA, R, C4.5, Orange,

WEKA and R are explained which are open source KNIME açık kaynak olmak üzere birçok program

softwares. Comparison of this softwares are geliştirilmiştir.

mentioned. Also, sample application is showed in

WEKA. It is claimed that this application is useful Bu çalışmada Veri Madenciliği Açık Kaynak Kodlu

for Institutes. programlarına değinilmiş, programlar

karşılaştırılmış ve örnek bir uygulama

Anahtar Kelimeler: Veri Madenciliği, Açık gerçekleştirilmiştir. İkinci bölümde Veri

Kaynak, WEKA, Örnek Uygulama Madenciliği, üçüncü bölümde Açık Kaynak Kodlu

Veri Madenciliği Programlarından

RapidMiner(YALE), WEKA ve R anlatılmıştır.

1. GĠRĠġ Dördüncü Bölümde bu programlar

karşılaştırılmıştır. Beşinci bölümde ise WEKA ile

Günümüzde birçok kaynaktan veri alıp bu verileri gerçekleştirilen örnek bir uygulama sunulmuştur.

veritabanlarında saklayan kurumların amaçlarından

biri de ham verileri bilgiye dönüştürmektir. Bu 2. VERĠ MADENCĠLĠĞĠ

işlem yani veriyi bilgiye dönüştürme işlemi Veri

Madenciliği olarak adlandırılmaktadır. Son yıllarda

ölçüm cihazlarının artmasına paralel olarak veri Veri Madenciliği; veri ambarlarındaki tutulan, çok

sayısı ve türleri artmaktadır. Veri toplama araçları çeşitli ve çok miktarda veriye dayanarak daha önce

ve veri tabanı teknolojilerindeki gelişmeler, bilgi keşfedilmemiş bilgileri ortaya çıkarmak, bunları

karar verme ve eylem planını gerçekleştirmek için

kullanma sürecidir. Büyük miktarda veri içinden, 3.1. RAPĠDMĠNER (YALE)

gelecekle ilgili tahmin yapmamızı sağlayacak

bağıntı ve kuralların aranmasıdır. Veri Madenciliği, Amerika‟da bulunan YALE üniversitesi bilim

verilerin içerisindeki desenlerin, ilişkilerin, adamları tarafından Java dili kullanılarak

değişimlerin, düzensizliklerin, kuralların ve geliştirilmiştir. YALE‟de çok sayıda veri işlenerek,

istatistiksel olarak önemli olan yapıların yarı bunlar üzerinden anlamlı bilgiler çıkarılabilir. Aml,

otomatik olarak keşfedilmesidir. Veriler arasındaki arff, att, bib, clm, cms, cri, csv, dat, ioc, log, mat,

ilişkiyi, kuralları ve özellikleri belirlemekten mod, obf, bar, per, res, sim, thr, wgt, wls, xrff

bilgisayar sorumludur. Amaç, daha önceden fark uzantılı dosyaları desteklemektedir. Diğer

edilmemiş veri desenlerini tespit edebilmektir. programlar gibi birkaç tane format desteklememesi

YALE‟nin artılarındandır [4].

Etkin bir Veri Madenciliği Uygulaması için farklı

tipteki verileri ele alma, Veri Madenciliği

algoritmasının etkinliği ve ölçeklenebilirliği, Makine Öğrenme Algoritmaları olarak Destek

sonuçların yararlılık, kesinlik ve anlamlılık Vektör Makinelerini içeren büyük sayıdaki

kıstaslarını sağlaması, keşfedilen kuralların çeşitli öğrenme modelleri için sınıflandırma ve regresyon,

biçimlerde gösterimi, farklı ortamlarda yer alan veri Karar Ağaçları, Bayesian, Mantıksal Kümeler,

üzerinde işlem yapabilme, gizlilik ve veri güvenliği İlişkilendirme Kuralları ve Kümeleme için birçok

özelliklerinin sağlanması gereklidir. Alternatif algoritma (k-means, k-medoids, dbscan),

olarak Veri Madenciliği aslında bilgi keşfi sürecinin WEKA‟da olan her şey, veri önişleme için ayırma,

bir parçası şeklinde kabul görmektedir. Bilgi keşfi normalizasyon, filtreleme gibi özellikler, genetik

sürecinin aşamaları aşağıda verilmiştir. algoritma, yapay sinir ağları, 3D ile verileri analiz

etme gibi birçok özelliği bulunmaktadır. 400‟den

1-Veri Temizleme (gürültülü ve tutarsız verileri fazla algoritmaya sahiptir. Oracle, Microsoft SQL

çıkarmak) Server, PostgreSQL, veya mySQL

2-Veri Bütünleştirme (birçok veri kaynağını veritabanlarından veriler YALE‟ye aktarılabilir.

birleştirebilmek) Eğer veritabanı yönetim sistemi desteklenmiyorsa,

3-Veri Seçme (Yapılacak olan analiz ile ilgili olan jdbc driverı classpath değişkenine eklenerek sorun

verileri belirlemek ) giderilebilir.

4-Veri Dönüşümü (Verinin Veri Madenciliği

tekniğinden kullanılabilecek hale dönüşümünü YALE‟de veri kümesi XML olarak ifade edilir.

gerçekleştirmek) Aşağıda örnek veri kümesi verilmiştir.

5-Veri Madenciliği (Veri örüntülerini

yakalayabilmek için akıllı metotları uygulamak)

edilmiş bilgiyi temsil eden ilginç örüntüleri



algoritma bulunmaktadır. Bu algoritmaları

3. AÇIK KAYNAK KODLU VERĠ

kapsamda birçok yazılım geliştirilmiştir. Bu



İçerisinde yüzlerce özelik barındırdığı gibi oluşturulabilir, Open diyerek te varolan

kullanıcıya yakınlığı açısından da diğer uygulamalar açılabilir. Program bünyesinde her bir

programlardan oldukça üstündür. YALE ilk algoritma için örnek bulunmaktadır.

çalıştırıldığında, New diyerek yeni bir uygulama

3.3. R

3.2. WEKA

Grafikler, istatistiksel hesaplamalar, veri analizleri

WEKA bir proje olarak başlayıp bugün dünya için geliştirilmiş bir programdır. S diline benzer bir

üzerinde birçok insan tarafından kullanılmaya GNU projesidir. Yeni Zelanda‟da bulunan

başlanan bir Veri Madenciliği uygulaması Auckland Üniversitesi İstatistik Bölümünde bilim

geliştirme programıdır. WEKA java platformu adamlarından olan Robert Gentleman ve Ross Ihaka

üzerinde geliştirilmiş açık kodlu bir programdır. tarafından geliştirilmiştir. R & R olarak ta bilinir.

WEKA çalıştırıldıktan sonra Şekil 1‟de görüldüğü R, farklı uygulamalar ile S diline üstünlük

gibi, Application menüsünde çalışılabilecek modlar sağlamaktadır. Lineer ve lineer olmayan

listelenmektedir. Bunlar komut modunda çalışmayı modelleme, klasik istatistiksel testler, zaman

sağlayan Simple CLI, projeyi adım adım görsel serileri analizi, sınıflandırma, kümeleme gibi

ortamda gerçekleştirmeyi sağlayan Explorer ve özellikleri bünyesinde bulundurmaktadır. R,

projeyi sürükle bırak yöntemiyle gerçekleştirmeyi Windows, MacOS X ve Linux sistemleri üzerinde

sağlayan KnowledgeFlow seçenekleridir. çalışabilmektedir [5].



R yaygın olarak pencereli sistemlerde kullanılır.

R‟nin X Window sistemi üzerinde kullanılması

tavsiye edilmektedir. Açık sistemlerin kullanıcıya

sunduğu en büyük özelliklerinden biri olan X

Window, Linux'un doğduğu andan itibaren destek

görmeye başlamıştır. İnternet üzerinde bedava

dağıtılmasıyla Linux dağıtımı altında bir standart

olarak kendine yer edinmiştir. X Window, istemci-

sunucu modeline göre çalışır. Ana makina üzerinde

çalışan X sunucusu, grafik donanımı üzerindeki

tüm giriş-çıkış yetkilere sahiptir. Bir X istemcisi,

sunucuya bağlanarak istediği işlemleri sunucuya

yaptırır. İstemcinin görevi emir vermek, sunucunun

ise verilen emri görünür hale getirmektir [6].

Şekil 1. WEKA‟da Applications Menüsü Windows veya MacOS üzerinde R‟yi çalıştırmak

için uzman yardımına ihtiyaç vardır. Kullanıcılar,

Explorer seçeneği seçildikten sonra üzerinde R‟yi çoğunlukla Unix makineler üzerinde

çalışılacak verilerin seçilmesi, bu veriler üzerinde çalıştırırlar.

temizleme ve dönüştürme işlemlerinin

gerçekleştirilebilmesini sağlayan ekran ile R‟yi Unix makinelerde çalıştırabilmek için

karşılaşılmaktadır. aşağıdaki adımlar izlenir.

Arff, Csv, C4.5 formatında bulunan dosyalar —Problemi çözümü için gereken veri dosyaları

WEKA‟da import edilebilir. Herhangi bir text barındırmak için dizin oluşturulur.

soyadaki verileri WEKA ile işlemek olanaksızdır. $ mkdir work

Ayrıca Jdbc kullanılarak veritabanına bağlanıp $ cd work

burada da işlemler yapılabilir. WEKA‟nın

içerisinde Veri İşleme, Veri Sınıflandırma, Veri —R programının çalıştırılması için aşağıdaki komut

Kümeleme, Veri İlişkilendirme özellikleri yazılır.

mevcuttur. $ R

Bu adımdan sonra yapılacak olan projenin amacına

göre açılan sayfadaki uygun tabdaki (Sınıflandırma, —R programından çıkmak için aşağıdaki komut

Kümeleme, İlişkilendirme) uygun algoritma veya yazılır.

algoritmalar seçilerek veriler üzerine uygulanmakta > q()

ve en doğru sonucu veren algoritma

seçilebilmektedir. — Fonksiyonların özelliklerini öğrenmek için

aşağıdaki komutlar yazılabilir.

> help(solve)

> ?solve

Verilerin işleniş şekli de aşağıda verilmektedir.

> incomes ”Gazi

Notu niteliğine ait verilerin (yukarıda belirlenen Üniversitesi”

derslere ait) eksik olduğundan dolayı bu verilerin

veritabanından çıkarılmasına karar verilmiştir. 3- Öğrencilerin lisans programından mezun olduğu

Nümerik kayıp değerler için yazılan SQL bölüm ve devam ettiği bölüm karşılaştırılarak,

sorgusuyla yukarıda belirlenen dersler silinmiştir. aşağıdaki sql komutları ile değiştirilmiştir.



Delete from tablo_adi where dersad Update tablo_adi set

like „%Tez%‟ and dersad like Mezun_Oldugu_Bolum=”aynı” where

„%Seminer%‟ dersad like „%Bilimsel Mezun_Oldugu_Bolum =

Hazırlık%‟ dersad like „%Yeterlik Devam_Ettiği_Bolum

Aşaması%‟ dersad like „%Uzmanlık Alan Update tablo_adi set

Dersi%‟ Mezun_Oldugu_Bolum=”farklı” where

Silinen satırlardaki derslerin kredisi 0 olduğundan Mezun_Oldugu_Bolum

dolayı ortalamayı etkilememektedir. Devam_Ettiği_Bolum

4- Öğrencilerin ikamet ettiği yeri tutan Update tablo_adi set İkamet_Ettiği_İl

İkamet_Ettiği_İl alanı aşağıda gösterildiği gibi =”0” where Adres_İl “Ankara”

güncellenmiştir.

Tablo 1‟de veri dönüşümünden önce ve sonraki

Update tablo_adi set İkamet_Ettiği_İl nitelik isimleri gösterilmektedir.

=”1” where Adres_İl = “Ankara”



Tablo 1. Nitelik İsimleri

Nitelikler

Veri Dönüşümünden Önce Veri Dönüşümünden Sonra

Notu (AA, BA, BB, CB, CC, DC, DD, FD, G,

Notu (5, 4, 3, 2 ,1)

D)

Mezun Olduğu Üniversite (Abant İzzet

Baysal, Afyon Kocatepe, Akdeniz,

Anadolu, Ankara, Atatürk, Atılım,

Balıkesir, Başkent, Celal Bayar,

Cumhuriyet, Çanakkale 18 Mart, Çankaya,

Çukurova, Dicle, Doğu Akdeniz,

Dumlupınar, Ege, Erciyes, Fırat, Gazi,

Gaziantep, Gaziosmanpaşa, Hacettepe,

Mezun Olduğu Üniversite (aynı, farklı)

İnönü, İstanbul Teknik, İstanbul

Ticareti İstanbul, İzmir Yüksek

Teknoloji, Karadeniz Teknik, Kocaeli,

Marmara, Mersin, Mustafa Kemal, Niğde,

19 Mayıs, Odtü, Osman Gazi, Sakarya,

Selçuk, Süleyman Demirel, Trakya,

Uludağ, Yıldız Teknik, Zonguldak

Karaelmas)

Mezun Olduğu Bölüm (Biyoloji, Fizik,

İstatistik, Kimya, Matematik, Elek.

Elektronik Müh., Endüstri Müh., İnşaat

Müh., Makine Müh., Mimarlık, Şehir ve

Bölge Planlama, Kimya Müh., Makine

Eğitimi, Metal Eğitimi, Yapı Eğitimi,

Mezun Olduğu Bölüm (aynı, farklı)

Mobilya ve Dekorasyon Eğitimi, Elektrik

Eğitimi, Endüstriyel Teknoloji Eğitimi,

Trafik Planlaması ve Uygulaması,

Kazaların Teknik ve Çevresel

Araştırması, İleri Teknolojiler, Çevre

Bilimleri, Orman Müh., Bilgisayar Müh.)

İkamet Ettiği İl (Adana, Adıyaman,

Afyon, Amasya, Ankara, Antalya, Aydın,

Balıkesir, Bolu, Bursa, Çankırı, Çorum,

Denizli, Diyarbakır, Düzce, Elazığ,

Eskişehir, Gaziantep, İçel, İstanbul,

İzmir, Karabük, Kastamonu, Kayseri, İkamet Ettiği İl (1, 0)

Kırıkkale, Kırklareli, Kırşehir,

Kocaeli, Konya, Kütahya, Malatya,

Manisa, Muş, Nevşehir, Osmaniye,

Sakarya, Samsun, Sivas, Tokat, Trabzon,

Yozgat)





5.2.3 Modelleme

Belirlene hedeflere ulaşmak için kullanılan

Veri temizleme ve dönüşümünden sonraki adım algoritmalar ve bu algoritmaların doğruluklarının

modelleme adımıdır. Farklı modeller veri kümesi karşılaştırılması Tablo 2‟de gösterilmiştir.

üzerinde denenerek doğruluğu en yüksek olan

model seçilir.

Tablo 2. Sınıflandırma Algoritmaları ve Doğrulukları



NAIVE

ALGORİTMA KSTAR RBFNETWORK J.48 JRIP RIDOR

BAYES



Doğru Olarak

Sınıflandırılan 5434 5352 5364 5253 5311 5271

Örnek Sayısı

Yanlış Olarak

Sınıflandırılan 907 989 977 1088 1030 1070

Örnek Sayısı

Kappa

0.367 0.1481 0.3537 0 0.0885 0.0294

İstatistiği

Ortalama Mutlak

0.2195 0.2467 0.2188 0.2843 0.2694 0.1687

Hata

Ortalama Hata

0.3337 0.3457 0.3476 0.377 0.3687 0.4108

Karakök

Göreli Mutlak

%77.1815 %86.7651 %76.943 %99.9734 %94.7277 %59.3417

Hata

Göreli Hata

%88.5109 %91.6863 %92.2014 %100 %97.7933 %108.9563

Karakök



Tablo 2‟deki değerler WEKA paket programı Doğru olarak sınıflandırılan örnek sayısı 5000‟den

yardımıyla elde edilmiştir. WEKA paket az olduğu için değerlendirmeye alınmamıştır. Tablo

programında veri kümesi için sırasıyla Naive 2‟den de görüldüğü gibi doğruluğu en yüksek olan

Bayes, Kstar, RBFNetwork, J.48, JRIP, Ridor sınıflandırma algoritması Naive Bayes olduğu için

algoritmaları seçilerek program çalıştırılmış ve elde uygulamanın bu bölümünde Naive Bayes

edilen sonuçlarla Tablo 2 hazırlanmıştır. Ayrıca algoritması esas alınacaktır.

HyperPipes, VFI gibi birçok algoritma denenmiştir.









Şekil 5. Naive Bayes Sınıflandırıcı



Veri kümesine Naive Bayes algoritması olan öğrencilerin başarısı, ikamet yerinin

uygulandığında Mezun_Olduğu_Bölüm alanı için lisansüstü eğitimini gördüğü yerden farklı olan

Şekil 5 elde edilmektedir. Kırmızı işaretler mezun öğrencilerin başarısından daha fazladır.

olduğu bölüm aynı olan öğrencileri, mavi ise mezun Görüldüğü gibi yukarıda bulunan kırmızı

olduğu bölümü farklı olan öğrencileri işaretler, aşağıda bulunanlara göre oldukça

göstermektedir. X ekseninde, 1,2,3,4,5 olmak üzere fazladır. 3,4,5 notlarına göre bu başarı

başarı notları, Y ekseninde ise 1,0 olmak üzere beklendiği gibi olabilir. Ama 1,2 notlarında

ikamet edilen il gösterilmektedir. Naive Bayes görülen olay beklenilmeyen bir durumdur.

algoritmasının sonuçlarını aşağıdaki şekilde Şöyle ki; aynı yerde ikamet eden öğrencilerin

değerlendirmek mümkündür. yoğunluğu, farklı yerde ikamet eden

öğrencilerin yoğunluğundan 1 notuna göre

 Mezun olduğu bölümde lisansüstü eğitimine daha fazladır. Bilindiği gibi 1 notu, FF,

devam eden öğrenciler ele alındığında, ikamet Girmedi, Devamsız notlarına karşılık

yeri ile lisansüstü eğitimini gördüğü yer aynı gelmektedir. Bu durumun, aynı yerde ikamet

eden öğrencilerin iş hayatlarındaki programlarına ihtiyaç vardır. Bu programlar

yoğunluklarından meydana geldiği içerisinde veri kümeleme, karar ağaçları, bayes

düşünülmektedir. Bu sorunu gidermek için, bu sınıflandırıcılar, apriori yöntemi gibi birçok

öğrencilerin iş yerlerinden, üniversite algoritma mevcuttur. Algoritmalar sayesinde

tarafından 2 günlük izin alınarak bölümde işlenen verilerden, bilgi çıkarımı yapılabilmektedir.

çalışması desteklenebilir. Bu çalışmada Açık Kaynak Kodlu Veri Madenciliği

programlarından RapidMiner(YALE), WEKA, R

X ve Y eksenlerine veri kümesindeki diğer anlatılmış ve farkları üzerinde durulmuştur.

özellikler teker teker yerleştirildiğinde aşağıdaki WEKA‟nın en çok kullanılan Veri Madenciliği

sonuçlar elde edilmektedir. programı olduğu görülmüştür. WEKA‟da örnek bir

uygulama sunulmuştur. Gerçekleştirilen

 Mezun olduğu bölümde lisansüstü eğitimine uygulamadan elde edilen sonuçların lisansüstü

devam eden öğrenciler ele alındığında, doktora eğitimi veren tüm Enstitülere yararlı olacağı

öğrencileri ve yüksek lisans öğrencilerinin, 3 düşünülmektedir.

notu hariç diğer başarı notları, ortalama olarak

aynıdır. 3 notunda ise yüksek lisans 7. KAYNAKLAR

öğrencilerin çoğunluğu fark edilmektedir.

Bilindiği gibi 3 notu, CC ve DC notuna karşılık 1. Kudyba, S., “Managing Data Mining”,

gelmektedir. Bunun sebebi olarak, Yüksek CyberTech Publishing, 2004, 146-163.

Lisans öğrencilerinin geçme notunun CC, 2. Han, J. ve Kamber M., “Data Mining Concepts

doktora öğrencilerinin geçme notunun ise CB and Techniques”, Morgan Kaufmann Publishers,

olmasıdır. Buradaki not kriteri başarıyı 2001.

tetiklemiştir. Yüksek Lisans öğrencilerinin de 3. Delen, D., Walker, G., Kadam, A., „Predicting

geçme notu CB‟ye yükseltilerek başarının breast cancer survivability: a comparison of three

yükselmesi sağlanabilir. data mining methods‟, Artificial Intelligence in

Medicine, vol 34, June 2005, pp113-127

 Mezun olduğu bölüm dışında lisansüstü 4

eğitimine devam eden öğrenciler ele http://surfnet.dl.sourceforge.net/sourceforge/YALE/

alındığında, doktora öğrencileri, yüksek lisans rapidminer-4.2-tutorial.pdf

öğrencilerine göre başarı olarak büyük bir 5- http://cran.r-project.org/doc/manuals/R-intro.pdf

üstünlük sağlamaktadır. Bu üstünlüğün sebebi 6- Hania Gajewska, Mark S. Manasse and Joel

doktora öğrencilerinin genel olarak yüksek McCormack, Why X Is Not Our Ideal Window

lisans öğrencilerinden daha fazla bilgi sahibi System , Software — Practice & Experience vol 20,

olması olarak açıklanabilir. Bu yüzden farklı issue S2 (October 1990)

bölümde lisansüstü eğitimine devam etse bile 7- http://www.kdnuggets.com/polls/2007/data

başarısı etkilenmemektedir. Yüksek lisans _mining_software_tools.htm

öğrencilerinin bu zayıflığı, farklı bölümlerde 8-http://sourceforge.net/project/stats/detail.php?

lisansüstü eğitimi yapmak isteyen öğrencilerin group_id=5091&ugn=yale&type=prdownload

zorunlu olarak alması gereken Bilimsel &mode=year&package_id=0&release_id=0&file_i

Hazırlık dersinin süresini uzatarak giderilebilir. d=0

9-http://sourceforge.net/project/stats/detail.php?

 Mezun olduğu üniversitede ve mezun olduğu group_id=5091&ugn=weka&type=prdownloa

üniversite dışında lisansüstü eğitimine devam d&mode=year&package_id=0&release_id=0&file_

eden Doktora&Yüksek lisans öğrencilerinin id=0

başarı notları ortalama olarak aynıdır. Bu

durum şunu göstermektedir ki, farklı

üniversiteden gelen öğrenciler yeni eğitim

yerine hızlıca ayak uydurabilmektedir. Bu

kısımda, mezun olduğu üniversitede

lisansüstüne devam eden öğrencilerin daha

başarılı olması beklense de, farklı üniversiteden

gelen öğrencilerin kaliteli olmasından dolayı

bir eşitlik söz konusudur.



6. SONUÇLAR



Artan veri miktarından dolayı bilgiye ulaşamama

sorunu neticesinde ortaya çıkan alan Veri

Madenciliği olarak nitelendirilmektedir. Veri

Madenciliği uygulamaları yapmak için bilgisayar