Veri Madenciliğinde Temel Bileşenler Analizi ve Negatifsiz Matris Çarpanlarına Ayırma Tekniklerinin Karşılaştırmalı AnaliziKazım Yıldız, Yılmaz Çamurcu, Buket Doğanİris veri setine PCA ve NNMF ile boyut azaltmaişlemi yapıldıktan sonra boyut azaltma işnellikleçok az sayıda boyut doğrudan kümelerleilgili olur ancak ilgisiz boyutlardaki veri, çokfazla gürültüye sebep olabilir ve bu da keşfedilecekkümelerin gizlenmesine sebep olur [1].Bundan daha önemlisi boyut arttıkça, verininseyrekleşmesi sorunudur. Sabit sayıda verinoktasının bulunduğu bir veri seti boyut sayısıarttıkça üstel artan bir biçimde seyrekleşir [9].Bu yüzden verinin boyutu arttıkça kümelemeişlemi zorlaşacağından ve doğru sonucun bulunmaihtimali azalacağından veri setinin boyutununazaltılması gerekmektedir. Böylece verimadenciliğindeki çeşitli uygulamalarda boyutazaltma tekniklerine ihtiyaç duyulmaktadır.2.3.1 Temel Bileşen Analizi (PCA-PrincipalComponent Analysis)Bir diğer adı Karhunen-Loeve metodudur.Türkçesi “temel bileşenler analizi” olan PCA,tanıma, sınıflandırma, görüntü sıkıştırma alanlarındakullanılan, bir değişkenler setinin varyanskovaryansyapısını, bu değişkenlerin doğrusalbirleşimleri vasıtasıyla açıklayarak, boyut indirgenmesive yorumlanmasını sağlayan, çok değişkenlibir istatistik yöntemidir. Bu yöntemdekarşılıklı bağımlılık yapısı gösteren, ölçüm sayısı(n) olan (p) adet değişken; doğrusal, dikey(ortogonal) ve birbirinden bağımsız olma özelliklerinitaşıyan (k) tane yeni değişkene dönüştürülmektedir.PCA, verideki gerekli bilgileriortaya çıkarmada oldukça etkili bir yöntemdir.Yüksek boyutlu verilerdeki genel özellikleribularak boyut sayısının azaltılmasını, verininsıkıştırılmasını sağlar. Boyut azalmasıyla bazıözelliklerin kaybedileceği kesindir; fakat amaçlanan,bu kaybolan özelliklerin veri seti hakkındaçok az bilgi içeriyor olmasıdır.PCA yönteminin amacı, verinin çeşitliliğinidaha iyi yakalayacak yeni bir boyut takımınınbulunmasıdır[7]. İlk boyut, mümkün olduğuncaçok çeşitliği gösterecek şekilde seçilir. 2.Boyut, ilk boyuta dikey olacak şekilde ve yinemümkün olduğunca çok çeşitliliği gösterecekşekilde seçilir.2<strong>10</strong>PCA yönteminin birkaç karakteristik özelliğivardır:• Verinin içindeki en güçlü örüntüyü bulmayaçalışır. Bu yüzden örüntü bulma tekniğiolarak kullanılabilir.• Çoğunlukla verinin sahip olduğu çeşitlilik,tüm boyut takımından seçilen küçükbir boyut setiyle yakalanabilir. BöylecePCA kullanarak yapılan boyut küçültmeişlemleri, daha küçük boyutlu veri setlerininortaya çıkmasını sağlar ve böyleceyüksek boyutlu verilere uygun olmayanteknikler bu yeni veri seti üzerinde rahatçaçalışabilir.• Verideki gürültüler, örüntülerden dahagüçsüz olduklarından, boyut küçültme sonucundabu gürültüler temizlenebilir. Buözellik hem veri madenciliğinde hem dediğer veri analiz algoritmalarında özelliklekullanışlıdır.2.3.2 Negatifsiz Matris Çarpanlara Ayırma(NNMF-Non Negative Matrix Factorization)Standart çarpanlarına ayırma metotlarındanolan Temel Bileşen Analizi (PCA) veri setlerindesıklıkla kullanılmaktadır. Ancak bir çokveri seti, örneğin görüntü ve metin, orijinal veriseti negatif olmayan değerler içermektedir. Buyüzden kullanılan yöntemlerde negatif değerleroluşmaktadır ve bu verinin yorumlanmasındazorluklar oluşturmaktadır.Non-negative Matrix Factorization[43](NNMF) yakın zamanda gerçekleştirilen verininnegatif olmayan bir şekilde lineer olaraktemsil edilmesini sağlayan bir tekniktir.Bu yöntem indirgenen boyuttaki değerlerinnegatif ten farklı olmasıyla diğer metotlardanayrılır. Yani yüksek boyuttan düşük boyuta indirgenenmatriste boyutlarda negatif elemanlarbulunmaz. Bütün hepsi pozitif değerlerdir.Nonnegativity (Negatifolmayan) matris çarpanlarınaayırmada faydalı bir kısıttır ki veri bölümlerinintensil edilmesini öğrenebilir [16, 17].NNMF algoritması aşağıdaki gibi formüleedilmektedir.V ≈ WH (5)V: Veri matrisiW: Karma MatrisH: Şifreleme MatrisiBurada V boyut indirgenecek matrisi, W, verimatrisinin boyut azaltılmışı H matrisi ise azaltmaişlemi sırasında her bir sütunun şifrelenmişhalini temsil etmektedir. Boyut azaltılan matrislernegatif değerler içermez.Elde edilen W ve H matrisleri daha düşük boyuttadırve orijinal matris V yaklaşık olarak Wmatrisi ile H matrisini çarpımına eşittir. NMF;W ve H’nin ilk değerlerini değiştirmek için,ürünün V’ye yaklaşması ile sonuçlanan tekrarlıbir işlem kullanır. Yaklaştırma hatasına yaklaştığındaveya belli sayıda bir tekrara ulaşıldığındaişlem sonlanır.3. UygulamaUygulamalar Intel(R) Core(TM) 2 Duo CPUE8300 2.83 GHZ 32 bit işletim sistemi ve 3GB RAM sahip bilgisayarda gerçekleştirilmiştir.Yazılım ortamı olarak MATLAB programıkullanılmıştır. MATLAB tercih edilmesininnedeni grafiksel desteğinin yüksek olması veuygulanan kümeleme algoritmalarının fonksiyonlarınınMATLAB’te bulunmasındandır.Çalışmada veri seti olarak iris ile vehicle verisetleri kullanılmıştır. İris veri 150 satır 4 sütundan,vehicle veri seti ise 846 satır 18 sütundanoluşan yüksek boyutlu veri setleridir. İris verisetinde 3 farklı sınıf, vehicle veri setinde ise 4farklı sınıf bulunmaktadır. Bu yüzden algoritmalar3 ve 4 küme sayısı için uygulanmıştır.İlk olarak veri setlerine Kmeans ve FuzzyCmeans algoritmaları boyut azaltma işlemiyapmadan uygulanmıştır. Ardından PCA veNNMF ile boyut azaltma işlemi yapılmış ve<strong>Akademik</strong> Bilişim’<strong>10</strong> - XII. <strong>Akademik</strong> Bilişim Konferansı Bildirileri<strong>10</strong> - <strong>12</strong> Şubat 20<strong>10</strong> Muğla Üniversitesi211kümeleme algoritmaları veri setlerine bu şekildeuygulanmıştır.Elde edilen sonuçlar, purity(saflık) ve mutualınfo (ortak bilgi) değerleri hesaplanarak karşılaştırılmıştır.Tablo 1’de elde edilen sonuçlar verilmektedir.BOYUT AZALTMADANPCA ile boyut azaltma işleminden sonraNNMF ile boyut azaltma işlmeinden sonraAlgoritmalar Değer İRİS VEHİCLEKMEANS Küme Saflığı 0.96 0.42660.72 0.47171.00 0.22<strong>12</strong>0.3518Ortak Bilgi 0.7515 0.<strong>10</strong>05Zaman 0.0167 0.0289F-CMEANS Küme Saflığı 1.00 1.000.80 0.82551.00 0.96311.00Ortak Bilgi 0.8360 0.8737Zaman 0.1795 0.3098KMEANS Küme Saflığı 1.00 0.36180.94 0.23040.72 0.44500.4670Ortak Bilgi 0.7419 0.<strong>10</strong>01Zaman 0.0<strong>12</strong>7 0.0184F-CMEANS Küme Saflığı 1.00 1.001.00 0.90090.78 1.000.9447Ortak Bilgi 0.8315 0.8947Zaman 0.<strong>10</strong>31 0.2094KMEANS Küme Saflığı 1.00 0.50250.96 0.33020.92 0.2280.6239Ortak Bilgi 0.8642 0.<strong>12</strong>01Zaman 0.0165 0.0256F-CMEANS Küme Saflığı 1.00 0.92661.00 0.51420.96 1.000.9899Ortak Bilgi 0.9488 0.7930Zaman 0.<strong>12</strong>13 0.2200Tablo 1 Kümeleme Sonuçları
Veri Madenciliğinde Temel Bileşenler Analizi ve Negatifsiz Matris Çarpanlarına Ayırma Tekniklerinin Karşılaştırmalı AnaliziKazım Yıldız, Yılmaz Çamurcu, Buket Doğan<strong>Akademik</strong> Bilişim’<strong>10</strong> - XII. <strong>Akademik</strong> Bilişim Konferansı Bildirileri<strong>10</strong> - <strong>12</strong> Şubat 20<strong>10</strong> Muğla Üniversitesilemi yapmadan elde edilen kümelerin saflık veortak bilgi değerleri ile benzer sonuçlar eldeedilmiştir.İris veri setine boyut azaltma işleminden sonraFuzzy Cmeans algoritması uygulandığındaelde edilen sonuçlarda NNMF algoritmasınınboyut azaltma işleminde daha etkili olduğugözlenmiştir.Vehicle veri setinde boyut sayısı biraz daha arttığıiçin Kmeans algoritmasının kümeleri tespitetmede yetersiz kaldığı gözlenmiştir. Boyutazaltma işlemi yapıldıktan sonra ise kümelerinsaflık değerleri çok fazla artmasa da azaltmaişleminden önceki sonuçların benzeri daha kısasürede elde edilmiştir.Vehicle veri setine Fuzzy Cmeans algoritmasıuygulandığında algoritmanın Kmeans’e nazarandaha iyi çalıştığı gözlenmiştir. Boyut azaltma işlemindensonra ise elde edilen sonuçlara görePCA ile elde edilen yeni düşük boyutlu veri setinde,Fuzzy Cmeans algoritması sonuçları dahadoğru ve ideale yakın tespit edebilmiştir.4. Sonuç ve ÖnerilerKmeans ve Fuzzy Cmeans algoritmaları ile eldeedilen sonuçlar üçüncü bölümde verilmiştir.Veri setlerinde boyut sayısı arttıkça gelenekselalgoritmaların etkisi azalmakta ve yapılan uygulamalariçin çok fazla süre gerekmektedir. Buyüzden veri madenciliğinde yüksek boyutlu verisetleri indirgendikten sonra geleneksel kümelemealgoritmalarının, elde edilen bu veri setleriüzerinde daha etkili oldukları gözlenmiştir.Yapılan çalışmadaki sonuçlara görePCA(Principal Component Analysis, TemelBileşenler Analizi) yüksek boyutlu veri setlerininindirgenmesinde ilgili ve gerekli noktalarıboyut azaltma işlemi sırasında koruduğundankümeleme sonuçlarının yeni veri seti üzerindedaha etkili olduğu gözlenmektedir. Böylecealgoritmalar ile yapılan deneylerde büyük verisetleri üzerinde kümeleme işlemi için çok fazlasüre gereksinimi, yüksek boyutlu veri setlerindekikümelerin doğru bir şekilde tespit edilememesigibi sorunlar ortadan kaldırılmıştır.Sonuçlara göre Fuzzy Cmeans algoritmasıKmeans’e nazaran kümelemede daha etkili biralgoritmadır. Boyut azaltma metotları ile verisetlerinin sahip olduğu özellikler kaybedilmedendoğru ve hızlı sonuçlar üretilebilmektedir.Boyut azaltma metotları ile çok daha yüksekboyutlu veri setlerindeki kümeler boyut azaltmaişleminden sonra geleneksel kümeleme algoritmalarıile de doğru bir şekilde tespit edilebilmektedir.Böylece geleneksel kümelemealgoritmaları ile boyut azaltma teknikleri beraberindirgeme işleminden sonra veri setlerindeetkili bir şekilde kullanılabilir.Burada yapılan çalışmada geleneksel kümelememetotlarının yüksek boyutlu veri setlerindeuygulaması yapılmış ardından boyut azaltmaişlemi yapılarak elde edilen sonuçlar ile karşılaştırılmıştır.Veri madenciliğinde boyut azaltmatekniklerinin bundan sonraki benzer çalışmalardada kullanılması mümkündür.5. Kaynaklar[1] Han, J.; Kamber, M.: “Data Mining Conceptsand Techniques.”, MorganKauffmannPublishers Inc.,(Ağustos 2001).[2]. Berry, M., J., A.; Linoff, G. S.: Data MiningTechniques, Wiley Publishing, Inc., Indiana,USA, (2004)[3] Larose, D., T.: Discovering Knowledge inData - An Introduction to Data Mining, JohnWiley & Sons, Inc., New Jersey, USA, (2005)[4]Karypis,G.;Han,E.H.;Kumar,V.:“CHAMELEON: A hierarchical clusteringalgorithm usingdynamic modeling”, IEEE Computer 32(8),(Ağustos 1999)68-75.[5] Jain,A.K.; Dubes,R.C.: ”Algorithms ForClustering Data”, Prentice Hall,EnglewoodCliffs, New Jersey, 07632,(1988)[6] Boutsinas,B.; Gnardellis,T.: “On DistributingThe Clustering Process”, PatternRecognitionLetters 23, (2002), 999-<strong>10</strong>08.[7] Berkhin,P. : “Survey of Clustering Data MiningTechniques.”, Accrue SoftwareInc., SanJose,California,USA (2002)[8] Jain, A.K.; Murty, M.N.; Flynn, P.J.: “DataClustering: A Review”, ACM ComputingSurveys, Vol. 31, No. 3., (September 1999)[9] Bilgin, T.T.: “Çok Boyutlu Uzayda GörselVeri Madenciliği için Üç Yeni Çatı Tasarımı veUygulamaları”, Doktora Tezi, Marmara ÜniversitesiFen Bilimleri Enstitüsü, İstanbul,Türkiye, (2007)[<strong>10</strong>] Mucha, J, M; Sofyan, H: “NonhierarchicalClustering”,http://www.quantlet.com/mdstat/scripts/xag/ html/xaghtmlframe149.htm (ErişimTarihi : Ekim 2009)[11] Davidson, I, Y.: “Understanding K-meansNon-hierarchical Clustering”, Technical Report,Computer Science Department of StateUniversity of New York (SUNY)–Albany, (Şubat2002).[<strong>12</strong>] Everts, J:“Clustering Algorithms”,www.ai.rug.nl/ki2/slides/ki2-s07-clusteringalgorithms.ppt(Erişim Tarihi :Ekim 2009)[13] Ng, R. T. and Han, J.: “Clarans: A methodfor clustering objects for spatial data mining”,IEEE Trans. on KDE, 14(5), 2002.[14] http://www.elet.polimi.it/upload/matteucc/Clustering/tutorial_html/cmeans.htm(ErişimTarihi: Ekim 2009)[15] Azem, Z: “A Comprehensive Cluster ValidityFramework For Clustering Algorithms”,MSc Thesis, The University of Guelph, Canada,(2003) 15-19[16] Lee, DD & Seung, HS. Unsupervised learningby convex and conic coding (1997). Proceedingsof the Conference on Neural InformationProcessing Systems 9, 515–521.[17] Lee, DD & Seung, HS (1999). Learningthe parts of objects by non-negative matrix factorization.Nature 401, 788–791.[18] Pang-Ning Tan, P.N.; Steinbach, M.; Kumar,V.: “Introduction to Data Mining”., AddisonWesley (2005)[19] Han, J.; Kamber, M.; Tung, A. K. H.: ‘’Spatial Clustering Methods in Data Mining: ASurvey’’, in H. Miller and J. Han (eds.), GeographicData Mining and Knowledge Discovery,Taylor and Francis, (2001).[20] Öğüdücü, Ş.:“Veri Madenciliği, Demetleme Yöntemleri”, www.cs.itu.edu.tr/ ~gunduz/courses/verimaden/slides/d5.pdf (Erişim Tarihi: Kasım 2005)[21] Moertini, V.S.: “Introduction To FiveClustering Algorithms”, Integral, Vol. 7, No. 2,(Ekim 2002)[22] “An Introduction to Cluster Analysisfor DataMining”,http://www.users.cs.umn.edu/~han/dmclass/clustersurvey<strong>10</strong>0200.pdf(Erişim Tarihi: Ekim 2009)2<strong>12</strong>213
- Page 4 and 5:
Tıp Bilişiminde Mobilite Uygulama
- Page 6 and 7:
İnternet ve Sanat, Yeni Medya ve n
- Page 9 and 10:
İnternet ve Sanat, Yeni Medya ve n
- Page 11 and 12:
İnternet ve Sanat, Yeni Medya ve n
- Page 14 and 15:
Akademik Bilişim’10 - XII. Akade
- Page 17 and 18:
Öğrenci ve Öğretim Elemanının
- Page 19 and 20:
Lise Öğrencilerinin Mesleki Yönl
- Page 21 and 22:
Lise Öğrencilerinin Mesleki Yönl
- Page 23 and 24:
Telsiz Duyarga Ağları ile Bir Nes
- Page 25 and 26:
Akademik Bilişim’10 - XII. Akade
- Page 27 and 28:
Kablosuz Algılayıcı Ağlar ve G
- Page 29 and 30:
Akademik Bilişim’10 - XII. Akade
- Page 31 and 32:
Çizge Teorisi, Dağıtık Algoritm
- Page 33 and 34:
Uzaktan Eğitimde Sistem Odası Tas
- Page 35 and 36:
Hizmet İçi Eğitime Farklı Bir Y
- Page 37 and 38:
Hizmet İçi Eğitime Farklı Bir Y
- Page 39 and 40:
Orta Öğretimden Üniversiteye Gel
- Page 41 and 42:
Orta Öğretimden Üniversiteye Gel
- Page 43 and 44:
Uzaktan Eğitimde Yeni Bir Yaklaş
- Page 45 and 46:
Akademik Bilişim’10 - XII. Akade
- Page 47 and 48:
Erişim Ağlarında WIMAX’ın Opt
- Page 49 and 50:
Akademik Bilişim’10 - XII. Akade
- Page 51 and 52:
Türk ve Dünya Hukukunda Bilişim
- Page 53 and 54:
Akademik Bilişim’10 - XII. Akade
- Page 55 and 56: Mekânsal Bilişime Ontolojik Bir Y
- Page 57 and 58: Mekânsal Bilişime Ontolojik Bir Y
- Page 59 and 60: Mekânsal Bilişime Ontolojik Bir Y
- Page 61 and 62: Temel Bilişim Eğitiminde Enformat
- Page 63 and 64: Mobi̇ l Peer-To-Pee (P2P) Ağlarda
- Page 65 and 66: Mobi̇ l Peer-To-Pee (P2P) Ağlarda
- Page 67 and 68: Bulut Hesaplama Teknolojisi: Mimari
- Page 69 and 70: Bulut Hesaplama Teknolojisi: Mimari
- Page 71 and 72: Görevdeş (P2P) Ağlarda Sık Bulu
- Page 73 and 74: Görevdeş (P2P) Ağlarda Sık Bulu
- Page 75 and 76: Çevrimiçi Web Analiz Yazılımlar
- Page 77 and 78: Web Sitelerinde Kullanılabilirlik
- Page 79 and 80: Akademik Bilişim’10 - XII. Akade
- Page 81 and 82: Akademik Profil Web SayfasıMehmet
- Page 83 and 84: Mekansal Veritabanlarında Hızlı
- Page 85 and 86: Mekansal Veritabanlarında Hızlı
- Page 87 and 88: Öncül Parola Denetimi Yöntemiyle
- Page 89 and 90: Öncül Parola Denetimi Yöntemiyle
- Page 91 and 92: Yazılım Geliştirme Süreçleri v
- Page 93 and 94: Yazılım Geliştirme Süreçleri v
- Page 95 and 96: Web Tabanlı CMMI Süreç Yönetimi
- Page 97 and 98: Akademik Bilişim’10 - XII. Akade
- Page 99 and 100: Geleneksel Yazılım Mühendisliği
- Page 101 and 102: Geleneksel Yazılım Mühendisliği
- Page 103 and 104: Veriambarı Yazılım Geliştirme S
- Page 105: Veri Madenciliğinde Temel Bileşen
- Page 109 and 110: İş Zekası Çözümleri için Ço
- Page 111 and 112: İş Zekası Çözümleri için Ço
- Page 113 and 114: Görüntü İşlemede Yeni Bir Solu
- Page 115 and 116: Görüntü İşlemede Yeni Bir Solu
- Page 117 and 118: Bağlantısız Web Uygulamalarını
- Page 119 and 120: Bağlantısız Web Uygulamalarını
- Page 121 and 122: Web 2.0 Yeniliklerinin Eğitimde Ku
- Page 123 and 124: Kurumsal Kimlik Yönetiminde Günce
- Page 125 and 126: Kurumsal Kimlik Yönetiminde Günce
- Page 127 and 128: Nesneye Dayalı Programlarla Nesne
- Page 129 and 130: Normatif Çoklu Etmen Sistemlerinde
- Page 131 and 132: Normatif Çoklu Etmen Sistemlerinde
- Page 133 and 134: Birbirleriyle Etkileşim Halinde Bu
- Page 135 and 136: Birbirleriyle Etkileşim Halinde Bu
- Page 137 and 138: Gezgin Satıcı Probleminin İkili
- Page 139 and 140: Gezgin Satıcı Probleminin İkili
- Page 141 and 142: Akademik Bilişim’10 - XII. Akade
- Page 143 and 144: Web Tabanlı Sayısal Yarıgrup Hes
- Page 145 and 146: Web 2.0 Uygulamalarının E-Öğren
- Page 147 and 148: Web 2.0 Uygulamalarının E-Öğren
- Page 149 and 150: İstatistiksel Yazılım Geliştirm
- Page 151 and 152: Arama Motoru OptimizasyonuCoşkun A
- Page 153 and 154: Arama Motoru OptimizasyonuCoşkun A
- Page 155 and 156: Üst Seviye Ontolojileri Üzerine B
- Page 157 and 158:
Üst Seviye Ontolojileri Üzerine B
- Page 159 and 160:
Anlamsal Web Politika Dillerinin Ka
- Page 161 and 162:
Anlamsal Web Politika Dillerinin Ka
- Page 163 and 164:
Kural ve Sorgu Örüntülerinin Dü
- Page 165 and 166:
Akademik Bilişim’10 - XII. Akade
- Page 167 and 168:
Eğitimde bir Günlük Uygulaması:
- Page 169 and 170:
Eğitimde bir Günlük Uygulaması:
- Page 171 and 172:
Web 2.0 Teknolojilerinin Eğitim Ü
- Page 173 and 174:
Türkçe Hayat Bilgisi Veri Tabanı
- Page 175 and 176:
Türkçe Hayat Bilgisi Veri Tabanı
- Page 177 and 178:
Türkiye’de İşe Alım Sürecini
- Page 179 and 180:
Akademik Bilişim’10 - XII. Akade
- Page 181 and 182:
Türkiye’de Bilim ve Teknoloji Po
- Page 183 and 184:
Türkiye’de Bilim ve Teknoloji Po
- Page 185 and 186:
Türkiye’de Planlı Kalkınma ve
- Page 187 and 188:
Türkiye’de Planlı Kalkınma ve
- Page 189 and 190:
Bilişim Şuraları, Teknoloji Poli
- Page 191 and 192:
Bilişim Şuraları, Teknoloji Poli
- Page 193 and 194:
Düşük Maliyetli Web Tabanlı Uza
- Page 195 and 196:
Düşük Maliyetli Web Tabanlı Uza
- Page 197 and 198:
Mobil Öğrenme Teknolojileri ve Ar
- Page 199 and 200:
Akademik Bilişim’10 - XII. Akade
- Page 201 and 202:
Öğretim Teknolojileri: Tanımı v
- Page 203 and 204:
Akademik Bilişim’10 - XII. Akade
- Page 205 and 206:
Braille Alfabesi ile Yazılmış Ka
- Page 207 and 208:
Bilgi Güvenliğinde El YazısıBor
- Page 209 and 210:
Güvenli İnternet Bankacılığı
- Page 211 and 212:
Güvenli İnternet Bankacılığı
- Page 213 and 214:
SMTP Protokolü ve Spam Mail Proble
- Page 215 and 216:
SMTP Protokolü ve Spam Mail Proble
- Page 217 and 218:
Sembolik Hesaplamalar için Mathema
- Page 219 and 220:
Genişband Gezgin Haberleşmede Yen
- Page 221 and 222:
Üç Boyutlu Çerçeve Yapıların
- Page 223 and 224:
Üç Boyutlu Çerçeve Yapıların
- Page 225 and 226:
Değişken Kalınlıklı İzotrop P
- Page 227 and 228:
Değişken Kalınlıklı İzotrop P
- Page 229 and 230:
Katsayıları Özellikli Bant Matri
- Page 231 and 232:
Akademik Bilişim’10 - XII. Akade
- Page 233 and 234:
Beykent Üniversitesi Yazılım Mü
- Page 235 and 236:
Beykent Üniversitesi Yazılım Mü
- Page 237 and 238:
Kampüs Ağlarında Etkin Bant Geni
- Page 239 and 240:
Kampüs Ağlarında Etkin Bant Geni
- Page 241 and 242:
Yabancı Dilde Lisans Öğrenimi i
- Page 243 and 244:
Pardus’un 64 bit Mimarisine Port
- Page 245 and 246:
Akademik Bilişim’10 - XII. Akade
- Page 247 and 248:
İnternetteki Etkileşim Merkezi So
- Page 249 and 250:
Akademik Bilişim’10 - XII. Akade
- Page 251 and 252:
Desert Dune Dynamics And ProcessesL
- Page 253 and 254:
Uydu Kentlerin Tasarımı için Bir
- Page 255 and 256:
Uydu Kentlerin Tasarımı için Bir
- Page 257 and 258:
Kent Kaynaklarının Etkin ve Verim
- Page 259 and 260:
Kent Kaynaklarının Etkin ve Verim
- Page 261 and 262:
Anadolu Liselerine Öğretmen Atama
- Page 263 and 264:
Akıllı Trafik Denetimi ve Yöneti
- Page 265 and 266:
Akıllı Trafik Denetimi ve Yöneti
- Page 267 and 268:
3-Boyutlu Sanal Üniversite Oryanta
- Page 269 and 270:
Akademik Bilişim’10 - XII. Akade
- Page 271 and 272:
Metin İçerikli Türkçe Dokümanl
- Page 273 and 274:
Akademik Bilişim’10 - XII. Akade
- Page 275 and 276:
Uygurcada Biçimbilimsel Belirsizli
- Page 277 and 278:
Sosyal Ağlar ve Profil Yönetimine
- Page 279 and 280:
Sosyal Ağlar ve Profil Yönetimine
- Page 281 and 282:
Mimarlıkta Yapı Bilgi Modelleme v
- Page 283 and 284:
Mimarlıkta Yapı Bilgi Modelleme v
- Page 285 and 286:
Kan Damarı Genişliği Değişimin
- Page 287 and 288:
Diş Hekimliği Fakültesi Hastanel
- Page 289 and 290:
Diş Hekimliği Fakültesi Hastanel
- Page 291 and 292:
Ulusal Aşı Bilgi Sistemi: Bir Dur
- Page 293 and 294:
Ulusal Aşı Bilgi Sistemi: Bir Dur
- Page 295 and 296:
Dermatolojide Tanı Belirlemeye Yar
- Page 297 and 298:
Türkiye’de B2B e-Ticaret’i Uyg
- Page 299 and 300:
Türkiye’de B2B e-Ticaret’i Uyg
- Page 301 and 302:
Bazı Kamu Kurumlarında Elektronik
- Page 303 and 304:
Bazı Kamu Kurumlarında Elektronik
- Page 305 and 306:
Akademik Bilişim’10 - XII. Akade
- Page 307 and 308:
Açık Kaynak Kodlu Bilgisayar Enva
- Page 309 and 310:
Dicle Üniversitesi Bilgi İşlem O
- Page 311 and 312:
Aluminyum Kütle İçerisinde İler
- Page 313 and 314:
Aluminyum Kütle İçerisinde İler
- Page 315 and 316:
İş Akış Çizelgeleme Problemi
- Page 317 and 318:
Meslek Liselerinde Mesleki Eğitimi
- Page 319 and 320:
Meslek Liselerinde Mesleki Eğitimi
- Page 321 and 322:
ActiveX ile Eğitsel Bir Web Sayfas
- Page 323 and 324:
Eğitim Amaçlı Debian Web, FTP ve
- Page 325 and 326:
Akademik Bilişim’10 - XII. Akade
- Page 327 and 328:
Yeni Nesil Mobil Öğrenme Aracı:
- Page 329 and 330:
Geoteknik Rapor Hazırlanmasında S
- Page 331 and 332:
Geoteknik Rapor Hazırlanmasında S
- Page 333 and 334:
Excel VBA ile Ankrajlı ve Ankrajs
- Page 335 and 336:
Excel VBA ile Ankrajlı ve Ankrajs
- Page 337 and 338:
Nüfus Tahmin Metotlarının ve Gel
- Page 339 and 340:
Nüfus Tahmin Metotlarının ve Gel