Veri Madenciliği Teknikleri ve Yapay Sinir Ağları

1. Bölüm
Veri Madenciliği
1.1. Veri Madenciliğine Giriş
1.2. Veri Madenciliği Tanımı
1.3. Veri Madenciliği Süreci
1.3.1. Problemin Tanımlanması
1.3.2. Verinin Anlaşılması
1.3.3. Verinin Hazırlanması
1.3.3.1. Veri Temizleme
1.3.3.2. Veri Normalleştirme
1.3.3.3. Veri İndirgeme
1.3.3.4. Veri Entegrasyonu
1.3.4. Modelleme
1.3.4.1. Modelleme Tekniğinin Seçimi
1.3.4.2. Test Tasarımının Gerçekleştirilmesi
1.3.4.3. Modelin Kurulması
1.3.5. Modelin Değerlendirilmesi
1.3.6. Modelin Kullanılması
1.4. Veri Madenciliği Yöntemleri
1.4.1. Bayesyen Sınıflandırma
1.4.2. Karar Ağaçları ile Sınıflandırma
1.4.2.1. Id3 Algoritması
1.4.2.2. C4.5 Algoritması
1.4.2.3. C5.0 Algoritması
1.4.2.4. Sınıflandırma ve Regresyon Ağaçları (CART)
1.4.2.5. Chaıd Algoritması
1.4.3. Kümeleme Analizi
1.4.3.1. Uzaklık ve Benzerlik Ölçütlerinin Hesaplanması
1.4.3.2. Hiyerarşik Kümeleme Yöntemi
1.4.3.3. Hiyerarşik Olmayan Kümeleme Yöntemi
1.4.4. Birliktelik Kuralları Analizi
1.4.4.1. Apriori Algoritması
1.4.5. Destek Vektör Makineleri
1.4.5.1. Lineer Destek Vektör Makineleri
1.4.5.2. Lineer Olmayan Destek Vektör Makineleri
2. Bölüm
Yapay Sinir Ağları
2.1. Yapay Sinir Ağlarının Yapısı ve Temel Bileşenleri
2.1.1. Girdiler
2.1.2. Ağırlıklar
2.1.2. Toplama Fonksiyonu
2.1.3. Aktivasyon Fonksiyonu
2.1.3.1. Doğrusal Aktivasyon Fonksiyonu
2.1.3.2. Basamak Aktivasyon Fonksiyonu
2.1.3.3. Kutuplamalı Basamak Aktivasyon Fonksiyonu
2.1.3.4. Parçalı Doğrusal Aktivasyon Fonksiyonu
2.1.3.5. Sigmoid Tipli Aktivasyon Fonksiyonu
2.1.3.6. Tanjant Hiperbolik Tipli Aktivasyon Fonksiyonu
2.1.3.7. Sinüs Tipli Aktivasyon Fonksiyonu
2.1.4. Hücrenin Çıktısı
2.2. Yapay Sinir Ağlarında Öğrenme İşlemi
2.2.1. Yapay Sinir Ağlarında Öğrenme Stratejileri
2.2.1.1. Danışmanlı Öğrenme
2.2.1.2. Danışmansız Öğrenme
2.2.1.3. Takviyeli Öğrenme
2.2.2. Yapay Sinir Ağlarında Öğrenme Kuralları
2.2.2.1. Kohonen Öğrenme Kuralı
2.2.2.2. Hebb Öğrenme Kuralı
2.2.2.3. Hopfield Öğrenme Kuralı
2.2.2.3. Delta Öğrenme Kuralı
2.3. Yapay Sinir Ağı Modelleri
2.3.1. Tek Katmanlı Ysa
2.3.1.1. Basit Algılayıcı Model
2.3.1.2. Adalıne / Madalıne Modeli
2.3.2. Çok Katmanlı Ysa
2.3.2.1. Geri Yayılım Algoritması
2.3.2.2. Geri Yayılma Ağları
2.3.2.2. İleri Beslemeli Ağlar
2.3.3. LVQ Ağları
2.3.4. Art Ağları
2.3.5. Hopfield Ağı
2.3.5. Jordan Ağı
2.3.6. Elman Ağı
2.4. Yapay Sinir Ağ Tasarımı
2.4.1. Model Mimarisi Seçimi
2.4.2. Öğrenme Algoritması Seçimi
2.4.3. Gizli Katman ve Düğümlerin Sayısının Belirlenmesi
2.4.4. Gizli Katman Nöron Sayısının Belirlenmesi
2.4.5. Ysa Parametrelerinin Belirlenmesi
2.4.5.1. Başlangıç Ağırlık Değerlerinin Belirlenmesi
2.4.5.2. Öğrenme Oranının Belirlenmesi
2.4.5.3. Momentum Katsayısının Belirlenmesi
2.4.5.4. Aktivasyon Fonksiyonu Seçimi
2.4.5.5. Verilerin Normalizasyonu
2.4.5.6. Eğitim ve Test Setlerinin Belirlenmesi
2.4.5.7. Ysa Eğitimi ve Testi
2.4.5.8. Eğitimin Sonlandırılması
2.4.5.9. Ysa Performans Ölçütlerinin Belirlenmesi
2.4. Yapay Sinir Ağlarının Avantajları
2.5. Yapay Sinir Ağlarının Dezavantajları
2.6. Yapay Sinir Ağları Uygulama Alanları
3. Bölüm
Finansal Başarısızlık
3.1. Finansal Başarısızlığın Tanımı
3.3.1. Finansal Başarısızlığın Nedenleri
3.1.1.1. Finansal Başarısızlığa Etki Eden İçsel Faktörleri
3.1.1.2. Finansal Başarısızlığa Etki Eden Dışsal Faktörler
3.2. Finansal Başarısızlığın Düzeltilmesinde Alınabilecek Tedbirler
3.3. Finansal Başarısızlık Tahmini Önemi
3.3.1. İşletme Yöneticileri Açısından Önemi
3.3.2. Kredi Kurumları Açısından Önemi
3.3.3. Yatırımcılar Açısından Önemi
3.3.4