Kural ve Sorgu Örüntülerinin Düzenlenmesi ile Rete Tabanlı Bir Çıkarsama Motorunun EniyilenmesiTuğba Özacar Öztürk, Övünç Öztürk, Murat Osman Ünalırru çıkarsama algoritması, kuralları uygulayarakyeni olgular elde eder ve ontolojiye bir olgueklendiği veya ontolojiden bir olgu çıkartıldığıanda, algoritma neredeyse bir önceki döngüdekilerile aynı sonuçları üretmek üzere en baştanbaşlar. Rete, önceden bulunmuş sonuçları hatırlayarak,bunların tekrar hesaplanmasını önleyeneniyilenmiş bir algoritmadır. Rete yalnızcasilinen ve yeni eklenen olguları kurallarla testederek performansı önemli ölçüde arttırır.Rete algoritması, Rete ağının çıkarsama sürecinedayalıdır. İzleyen tanımlar, Rete ağındakikavramların biçimsel gösterimlerini sunmaktadır.U sabitler kümesi, W={w| w = (s, p, o) ∧s, p, o ∈ U} ontolojideki tüm olguların kümesi,R ontolojiye ait tüm kurallar kümesi ve O = (W,R) ontoloji ve w ∈ W olmak üzere her bir w, diğerbir deyişle her bir olgu, bir özne (s), bir yüklem(p) ve bir nesneden (o) oluşur. r ∈ R ve lhsve rhs atom listeleri olmak üzere, r = (lhs, rhs)‘dir. Bir atom, at = (a, i, v), bir öznitelik a, birtanıtıcı i ve bir değişkenden v oluşur ve a,i,v ∈T ve V değişkenler kümesi olmak üzere T = U∪ V’dir. Bir lhs atomu koşul olarak adlandırılır.C, tüm kurallara ait tüm koşulların bulunduğukümedir. Bir ontolojiye ait Rete ağında Ω(O) =(α, β), α “alpha” ağını, β ise “beta” ağını belirtir.α = {δ(c) | c ∈ C} ve D = {x | x ⊆ W}olmak üzere, δ : C → D bir fonksiyondur. δ(c),c koşulu ile eşleşen tüm olguları içeren kümeyi,diğer bir deyişle {w | w = (s, p, o) ∧ c = (a, i, v)∧ ((s = a) ∨ (a ∈ V)) ∧ ((p =i) ∨ (i ∈ V)) ∧((o = v) ∨ (v ∈ V))} kümesini döndürür. β ağı“beta” belleklerden ve “join” düğümlerden oluşur.“Beta” bellekler “token” adı verilen, kurallarınkısmi gerçeklenmelerini saklarken, “join”düğümler kural koşulları arasındaki değişkenbağlamalarının tutarlılığını test ederler. Şekil-1[3], ağdaki kavramlar arası ilişkileri göstermektedir.Şekilde, dikdörtgenler “beta” bellek düğümlerini,ovaller “alpha” bellekleri ve daireler“join” düğümleri göstermektedir.322S = {x | x=(c1∧ ... ∧ cn) ∧ r = (lhs, rhs) ∧ lhs= (c1 ,..., ct) ∧ (1 ≤ n ≤ t) ∧ r ∈ R}, I = {x |x, w ∈ W elemanlarından oluşmuş bir tümelevetlemeliküme} ve φ : S → I bir fonksiyonolmak üzere, PI = {φ(s) | s ∈ S} bütün “beta”bellekleri içeren kümedir. φ(s), s ile eşleşen olgularınbağlamalı setlerini döndürür. Rete ağınınsonundaki gerçeklenmeler, “production”düğümleri, diğer bir deyişle, “p-node”, olarakele alınırlar. P = {φ(s) | s = (c1 ∧...∧ct )∧r =(lhs, rhs)∧lhs = (c1, ..., ct)∧r ∈ R} kümesi,tüm “p-node”ları içeren kümedir. Bir yayılımınRete ağının sonuna varması, diğer bir deyişlebir “p-node”un aktive edilmesi, bir kuralın tümkoşullarının tamamıyla eşleştiğini ve kuralınsağ el tarafındaki (rhs) atomların ontolojiyeeklenecek yeni bir olgu ürettiğini gösterir. Ontolojiyeyeni bir olgunun eklenmesi, Rete ağınıtetikler ve önceden bulunmuş olguların tekrarhesaplanmasını gerektirmeden, bu yeni eklenenolgulara bağlı yeni olgular çıkarsanır.Şekil-1. Örnek bir RETE Ağı.Bu çalışmada kullanılan çıkarsama motoru, OWLontolojilerindeki örtük bilginin, kurallar aracılığıile belirlik hale getirilmesi için Rete algoritmasınıkullanmaktadır. Rete tabanlı çıkarsama motoru,kural belirtimi için OWL Rules Language [5],sorgu belirtimi için OWL-QL [6] kullanır. Sorgular,kuralların özel bir altkümesidirler. Çıkarsamaaracına bir sorgu gönderildiğinde, bu sorgu Reteağına, sağ el tarafı (lhs) boş olan bir “p-node”olarak eklenir. Bu “production” düğümünün elementleri,kullanıcıya sorgu sonucu olarak döndürülürler.Sonuç döndürüldükten sonra, bu “production”düğümü ve “production” düğümününebeveyn düğümleri Rete ağından silinir.3. Eniyileme Buluşsalları veBunların Melez KullanımıYüksek performanslı çıkarsama, anlamsal webvizyonu açısından büyük önem taşımaktadır.Rete bir performans eniyileme algoritmasıolmasına karşın, Rete üzerinde yapılabilecekdaha ileri eniyilemeler sözkonusudur. Bu eniyilemebuluşsallarının bir kısmının çok öncedenbiliniyor olmasına karşın, bu çalışmakapsamında en iyiye yakın performansa ulaşabilmekiçin bilinen eniyilemeler yeniden elealınmış, bunların güncellenmesi ve birleştirilmesisonucu melez bir eniyileme ortaya konulmuştur.Aşağıda her bir eniyileme tekniği vebu tekniğin performansa etkisi anlatılmaktadır.Daha sonra bu buluşsalların birleştirilmesi sonucuoluşan melez eniyileme buluşsalı ayrıntılıolarak anlatılmaktadır.Şunu da belirtmek gerekir ki, bu melez eniyilemeyeek performans artışı sağlamak için, Reteağının “Alpha” ve “Beta” kısımlarında bazı indekslememekanizmaları da kullanılmıştır.3.1. Buluşsal 1: Kısıtlayıcı KoşullarıÖncelikli Olarak YerleştirmekBu optimizasyon, kısıtlayıcı koşulları öncelikliolarak yerleştirerek, Rete ağının orta kısmındaoluşan yükü azaltır. Rete algoritması, kuralları,ontoloji üçlüleri ile karşılaştırarak, bir kuralınbütün gerçeklenmelerini bulur. {c1, ...,cn} birkuralın sol el tarafı olmak üzere, L=((c1), (c1∧ c2 ), ..., (c1 ∧ ... ∧ cn−1 ), (c1 ∧...cn ))bir sıralı liste, K = {k1 , ..., kn } kümesi r’nintüm gerçeklenmelerinin kümesi ve kx L’nin x.elementine ait tüm eşleşmelerin olduğu kümedir.kn, K’nın n. elementi olmak üzere, E (kn)kn’nın boyutunu gösterir;E (k0)=1E (kn) ⊆ E (kn−1) x δ(cn)<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 Üniversitesi323Bu nedenle kısıtlayıcı, diğer bir deyişle minimum“alpha” belleğe sahip, koşulları öncedizmek izleyen gerçeklenmelerin boyutlarınıazaltır. Hangi koşulun daha kısıtlayıcı olduğunakarar vermek için aşağıdaki üç yöntemkullanılır:Yöntem 1: Bu yöntem daha az sayıda ontolojiüçlüsüyle eşleşen koşulları, daha öncelikli olaraksıralar. t anında minimum “alpha” belleğesahip koşulu (m), bulur, fakat m koşulunun birdizi ekleme ve silme işleminden sonra da minimumbelleğe sahip koşul olacağını garantietmez.Yöntem 2: Bu buluşsal daha fazla değişken içerenkoşulların, daha büyük “alpha” belleğe sahipolacağı varsayımını kabullenir. Bu nedenledaha az değişkene sahip koşulları öncelikli olaraksıralar.Yöntem 3: Anlamsal web ontolojilerindekompleks yüklemlerin kullanımı minimum düzeydedir[7]. Ontolojiler genel olarak kapsamave örneği olma ilişkilerinden oluşur.Bununla birlikte, kapsama ilişkileri, çıkarsamasırasında döngüsel olarak tekrarlayan birhesaplamaya neden olurlar ve bu hesaplamasonucunda kapsama yüklemi içeren koşullarınsayısı daha da fazlalaşır[9]. Bu nedenlerdendolayı, bu buluşsal, kompleks yüklemlere sahipkoşullara ait “alpha” belleklerin, kapsamaveya örneği olma yüklemine sahip koşulların“alpha” belleklerine göre daha küçük boyutlardaolacağı varsayımını kabullenir.Sonuç olarak, sıklıkla kullanılan yüklemleresahip koşulları, kural koşulları dizisinin ensonuna yerleştirir. Aynı zamanda, bu buluşsal,ontolojiye yapılan ekleme ve silme işlemlerininperformansını da arttırır. Çünkü sıklıklakullanılan bir yükleme sahip koşulun değişmeolasılığı, diğer koşullara göre daha fazladır veeğer bu koşul, n tane koşulun en sonunda yeralırsa, koşul yeni yaratılan (veya silinen) birolguyla eşleştiğinde yalnızca bir “join” işlemigerçekleşir. Fakat bu koşul , n tane koşulunen başında yer alırsa, n-1 tane “join” işlemigerçekleşir [4].
Kural ve Sorgu Örüntülerinin Düzenlenmesi ile Rete Tabanlı Bir Çıkarsama Motorunun EniyilenmesiTuğba Özacar Öztürk, Övünç Öztürk, Murat Osman Ünalır3.2. Buluşsal 2: Ortak Değişkene SahipKoşulları Ardışık Olarak DizmekBu optimizasyon, Rete ağının orta kısımlarındaoluşan yükü hafifletmek için, ortak değişkenesahip koşulları ardışık olarak dizer. Eğerbir kuralın n. koşulu, n-1. koşul ile ortak birdeğişkene (x), sahip ise n-1. gerçeklemede, xüzerinde oluşmuş kısıtlar sonucu E(kn)’in boyutlarıazalır.3.3. Melez BuluşsalBu iki buluşsal, birbiri ile çelişmeden ve biraradakullanıldıklarında ayrı ayrı kullanılmalarınagöre daha iyi performans sağlayacaklarıgarantisini sağlayarak melezlenebilirler. r eniyilenecekkural, C(r), r’ye ait tüm koşullarınsıralı listesi, r1 eniyilemenin sonucu ve l, C(r1)listesinin en son elemanı olmak üzere, eniyilemeaşağıdaki sırada çalışır:Adım 1:• C (r1) ← null• C(r)’ye ait en kısıtlayıcı koşulu (x), bul vex’i C(r)’den silerek, C (r1)’ye ekleAdım 2:• eğer C (r) ≠∅ ise* x ∈ C (r) olmak üzere, l ile en fazlasayıda ortak değişkene sahip koşullariçinde en kısıtlayıcı olanını (x), belirleve x’i C(r)’den silerek, C (r1)’ye ekle* Adım 2• değilse* r’yi döndürEn kısıtlayıcı koşulun belirlenmesi, kurallar vesorgular için değişir. Yöntem 1, sorguları eniyilerkenminimum “alpha” belleğe sahip olgularıbulmayı garanti eder fakat kuralların eniyilenmesisırasında işe yaramaz hale gelir. Rete ağınınoluşumu henüz tam olarak bitmediği için,kuralların eniyilenmesi sırasında bir koşul ile eşleşenüçlülerin sayısı hesaplanamaz. Bu nedenle,kuralların eniyilenmesi sırasında yalnızca ikiyöntem, şu öncelik sırasında kullanılır: Yöntem2, Yöntem 3. Bu, minimum değişkene sahip koşullariçerisinde kompleks bir yükleme sahip ilk324koşul en kısıtlayıcı olandır, anlamına gelir. Yöntem2’nin, Yöntem 3’ten daha yüksek önceliğesahip olmasının nedeni, kurallar içerisinde üçdeğişkenli ve ontolojideki tüm üçlülerle eşleşençok fazla sayıda koşulun olmasıdır. Bu koşullaren büyük “alpha” belleğe sahiptirler ve Yöntem2 bunların en sona dizileceğini garanti eder.4. Performans AnaliziBu çalışmada, çıkarsama motorunun performansınıdeğerlendirmek ve gerçekleştirileneniyilemelerin performans üzerindeki etkisinigörmek için Lehigh Üniversitesi KarşılaştırmalıDeğerlendirmesi [8] kullanılmıştır. LehighÜniversitesi Karşılaştırmalı Değerlendirmesi,anlamsal web havuzlarının büyük veri setleriile sergiledikleri performansı değerlendirmekiçin geliştirilmiştir. Veri seti, “univ-bench”adındaki ontolojiye uygun olarak ve karşılaştırmalıdeğerlendirme ile birlikte sağlanansentetik veri üretme aracını kullanarak üretilir.Havuzların performansları, veri yükleme zamanını,havuz boyutunu, sorguya tepki süresinive sorgu yanıtlarının tamlığını ve geçerliliğiniiçeren bir dizi metriğe göre değerlendirilir.Karşılaştırmalı değerlendirme takımı, belirlisorgu tiplerine karşılık gelen 14 örnek sorguyukapsar. Testler, aşağıda özellikleri verilmişolan kişisel bilgisayarda gerçekleştirilmiştir:• AMD Athlon 64 3500 2200 Ghz CPU; 2GB RAM;320 GB sabit disk• Windows XP Professional İşletim Sistemi,.NET Framework 1.1Karşılaştırmalı değerlendirme içerisindeki ilkmetrik, veri setinin yüklenme süresidir. <strong>10</strong>3,074örnek içeren LUBM(1,0) veri setinin yüklenmesi6 dakika 41 saniye sürmektedir. Bu sürenin,diğer havuzlar ile karşılaştırıldığında, özellikleyükleme sürecinin Rete algoritmasının en çokzaman alan kısmı olduğu dikkate alınırsa başarılıbir sonuç olduğu görülmektedir.Karşılaştırmalı değerlendirme içerisindeki diğermetrikler, sorgularla ilgilidir. Daha kesinsonuçlar elde edebilmek için, sorgular on kezçalıştırılıp bütün sonuçların ortalaması alınmıştır.Sistemde, tüm sorgular yüzde yüz tam ve geçerliolarak yanıtlanmıştır. Sistemin çıkarsamadüzeyi, OWL Lite ve OWL DL arasındadır. Buçıkarsama düzeyi, OWL Entailment [9] testlerinegöre belirlenmiş 30 kural ile sağlanmaktadır.Test kapsamında, eniyileme işleminden sonratüm sorgular çalıştırılmıştır. Fakat eniyilemeolmaksızın tüm sorguların çalıştırılmamasınınnedeni, sorguların eniyileme yapılmadığındaaşırı derecede yavaş çalışmasıdır. Sistemdekiperformans artışının, kural örüntülerinin yenidendüzenlenmesi dışında bir nedeni daha olduğuunutulmamalıdır. Çıkarsamayı hızlandırmak için,Rete ağının “alpha” ve “beta” kısımlarında ek indekslememekanizmaları kullanılmıştır. Tablo 1,tüm sorguların çalışma sürelerini göstermektedir.Sorgu Metrik Sorgu Metrik<strong>12</strong>34567Süre(ms) 13Süre(ms) 521Yanıt sayısı 4 8 Yanıt sayısı 7790Tamlık <strong>10</strong>0 Tamlık <strong>10</strong>0Süre(ms) 60Süre(ms) 390Yanıt sayısı 0 9 Yanıt sayısı 208Tamlık <strong>10</strong>0 Tamlık <strong>10</strong>0Süre(ms) 23Süre(ms) <strong>10</strong>Yanıt sayısı 6 <strong>10</strong> Yanıt sayısı 4Tamlık <strong>10</strong>0 Tamlık <strong>10</strong>0Süre(ms) 70Süre(ms) 140Yanıt sayısı 34 11 Yanıt sayısı 224Tamlık <strong>10</strong>0 Tamlık <strong>10</strong>0Süre(ms) 532Süre(ms) 13Yanıt sayısı 719 <strong>12</strong> Yanıt sayısı 15Tamlık <strong>10</strong>0 Tamlık <strong>10</strong>0Süre(ms) 477Süre(ms) 11Yanıt sayısı 7790 13 Yanıt sayısı 1Tamlık <strong>10</strong>0 Tamlık <strong>10</strong>0Süre(ms) 76Süre(ms) 546Yanıt sayısı 67 14 Yanıt sayısı 5916Tamlık <strong>10</strong>0 Tamlık <strong>10</strong>0Tablo 1. Sorguların çalışma zamanları.<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 Üniversitesi325Çalışmada sunulan eniyileme buluşsallarınınana amacı kısmi gerçeklenmelerin boyutlarınıazaltmak, diğer bir deyişle sorgu çalıştırılmasısırasında oluşan “token” sayısını azaltmaktır.Sorgu içerisinde tek bir koşul olduğunda, yanıtlamasüreci oldukça basittir. Oluşturulantüm “token”lar, yanıt kümesinin bir elemanıdır.Koşul sayısı ikiye çıktığında, ikinci koşuldaki“token”lar, birinci koşuldaki “token”larla denetlenirve bu “token”ların yanıt kümesine eklenipeklenmeyeceğine karar verilir. İki koşula kadar,koşul diziliminin performans üzerinde bir etkisiyoktur. Fakat üç veya daha fazla koşul olduğunda,koşul dizilimi önem kazanmaktadır.Bu nedenle, üç ya da daha fazla koşula sahip,2, 4, 7, 8, 9 ve <strong>12</strong> numaralı sorguları test etmekanlamlı olmaktadır. Test sonucunda tüm sorgularınçalışma zamanlarında düşüş gözlemlenmiştir.Fakat, Şekil-2’de de görüldüğü gibi, 2,7, 9 ve 4 numaralı sorguların çalışma zamanlarındakidüşüş daha da belirgindir.Şekil-2. Sorgu performanslarındaki artış.Etiket Koşul Boyuta ?x rdf:type ub:GraduateStudent 1874b ?y rdf:type ub:University 979c ?z rdf:type ub:Department 15d ?x ub:memberOf ?z 8330e ?z ub:subOrganizationOf ?y 463f ?x ub:undergraduateDegreeFrom ?y 2414Tablo 2. İkinci sorguya ait koşulların ve bu koşullarakarşılık gelen “alpha” belleklerin boyutları.Bunun nedeni, bu sorgulardaki koşulların tipleridir.Bu sorguların ortak değişkenli koşullarıyoktur ve koşullara ait "alpha" bellekler büyük
- 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 and 106:
Veri Madenciliğinde Temel Bileşen
- Page 107 and 108:
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: Anlamsal Web Politika Dillerinin Ka
- 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