Veri Madenciliği - Ulaş Akküçük - Yalın Yayıncılık
Hiç mesaj bulunmadı
Taksit | Tutar | Toplam |
---|---|---|
Tek Çekim | 38.25 TL | 38.25 TL |
100 TL nin altındaki tutarlar için taksit yapılamamaktadır. |
Taksit | Tutar | Toplam |
---|---|---|
Tek Çekim | 38.25 TL | 38.25 TL |
Taksit | Tutar | Toplam |
---|---|---|
Tek Çekim | 38.25 TL | 38.25 TL |
100 TL nin altındaki tutarlar için taksit yapılamamaktadır. |
Taksit | Tutar | Toplam |
---|---|---|
Tek Çekim | 38.25 TL | 38.25 TL |
100 TL nin altındaki tutarlar için taksit yapılamamaktadır. |
Taksit | Tutar | Toplam |
---|---|---|
Tek Çekim | 38.25 TL | 38.25 TL |
100 TL nin altındaki tutarlar için taksit yapılamamaktadır. |
Ödeme Türü | Toplam Tutar |
---|---|
Diğer Kredi Kartları | 38.25 TL |
Havale / Eft | 38.25 TL |
Posta Çeki | 38.25 TL |
- Vade farksız taksitler KOYU renkte gösterilmektedir.
- X+X şeklinde belritilen taksitler (Örneğin: 2+3) 2 taksit olarak işleme alınmakta ancak ilgili bankanın kampanyası dahilinde 2 taksit üzerinden işlem yapıldığı halde 2+3 yani 5 taksit olarak kartınıza ve ödemenize yansımaktadır. (2 taksit seçilmiş olsa bile banka kampanyası dahilinde ekstradan vade farkı eklenmeden işlem 5 taksite bölünmektedir.)
Veri Madenciliği - Ulaş Akküçük - Yalın Yayıncılık
Bankalar, kamu kuruluşları, cep telefonu şirketleri gibi çeşitli kuruluşların topladığı veri miktarı arttıkça bu veriden anlamlı sonuçlar çıkartma isteği birtakım matematiksel yöntemlerin Veri Madenciliği adı altında toparlanmasına sebep olmuştur.
Veri madenciliği, kitabın başlığına da esin kaynağı olan iki önemli ve işletmeler için faydalı amaç için kullanılabilir.Bunlardan ilki sınıflama olarak nitelendirilebilir. Örneğin bir banka kredi başvurularını krediye uygun ve krediye uygun değil olarak sınıflamak isteyecektir.
Diğer önemli amaç ise kümeleme olarak nitelenebilir ve aslında ilk amaçla ortak olarak da kullanılabilir. Örneğin aynı banka kredi başvurusu yapan müşterileri bir hedef değişken gözetmeden demografik ve diğer özelliklere göre segmentlere ayırmak isteyebilir.
Sadece bir amaca hizmet eden algoritmalar olmakla birlikte, hem kümeleme hem sınıflama algoritması olarak kullanılabilen algoritmalar da mevcuttur.
Bu kitabın amacı veri madenciliği tekniklerini temel matematiksel prensipleri ve uygulama yöntemleriyle göstermektir. Bu anlamda k-means başta olmak üzere kümele teknikleri, k en yakın komşu algoritması ve karar ağaçları basit ve anlaşılır bir biçimde açıklanmıştır.
Son olarak hayali bir cep telefonu şirketinin kayıp müşteri tahmini ile ilgili ve yüksek öğretimde toplanmış gerçek veri ile iki uygulamalı vaka, anlatılan teorik modelleri daha anlaşılır kılmaktadır.