auzefVeri MadenciliğiYönetim Bilişim Sistemleri

Veri Madenciliği Final Deneme Sınavı -7

Auzef Veri Madenciliği Final Deneme Sınavı -7

#1. DBSCAN algoritmasının öne çıkan özellikleri nelerdir?

Cevap: B) Aykırı değerleri saptama ve silme yeteneği

Açıklama: DBSCAN algoritması, aykırı değerleri saptama ve silme yeteneği ile öne çıkar ve yoğunluk tabanlı kümeleme yapar.

#2. Yaşlı ve genç yetişkinler arasındaki algılanan yaşam doyumunun farklarını incelemek amacıyla bir araştırma yapılmıştır. 10 kişilik iki gruptan oluşan, 70 yaş üstü yaşlı yetişkinlere ve 20 – 30 yaş arası genç yetişkinlere yüksek güvenilirlik ve geçerliliği olduğu bilinen bir yaşam memnuniyeti testi verilmiştir. Ölçüm puanları 0 (en düşük) – 60 (en yüksek) arasındadır. Yaşlı yetişkinlerin verdiği puanların ortalaması 44.5 ve varyansı 75.39 iken genç yetişkinlerin verdiği puanların ortalaması 28.1 ve varyansı 72.99 olarak hesaplanmıştır. Yaşlı ve genç yetişkinler arasındaki ortalama yaşam memnuniyetinin farklı olduğu iddiasını %5 anlam düzeyinde test ediniz ve yorumlayınız. - Yukarıdaki örneğe göre hesaplanan test istatistiği değeri kaçtır?

Cevap: C) 4,26

Açıklama: T-testi kullanılarak hesaplanan test istatistiği değeri 4,26’dir.

#3. K-ortalamalar kümeleme yönteminde, merkezi prototip genellikle hangi tür veriler için kullanılır?

Cevap: A) Nicel Veriler

Açıklama: K-ortalamalar kümeleme yönteminde, merkezi prototip genellikle nicel veriler için kullanılır, çünkü bu yöntem veri noktalarının aritmetik ortalamasını hesaplar.

#4. A firması tarafından üretilen ampullerden 80 adet seçilmiş ve ortalama 1258 saat çalıştığı görülmüştür. Ana kütleye ait standart sapma 94 saattir. B firması tarafından üretilen ampullerden 60 adet seçilmiş ve ortalama 1029 saat çalıştığı görülmüştür. Ana kütleye ait standart sapma 68 saattir. A firmasının ampul fiyatı daha fazla olduğu için bir test yapılacaktır. A firması tarafından üretilen ampullerin çalışma süresi, B firması tarafından üretilen ampullerin çalışma süresinden 200 saat fazlaysa, A firmasının ampulleri satın alınacaktır. 𝛼𝛼 = 0.011 için hangi firmanın ampullerinin satın alınacağını test ediniz. - Yukarıdaki örnekte hangi test istatistiği kullanılmalıdır?

Cevap: A) Z-testi

Açıklama: Z-testi, büyük örneklem büyüklükleri ve bilinen populasyon standart sapmaları için kullanılır.

#5. Belli bir parçanın üretimi için gereken ortalama zamanın 11.5 dakika olduğu biliniyor. İşe alınan 10 işçinin bu mamulü üretim süreleri gözlemleniyor ve aşağıdaki sonuçlar elde ediliyor. %5 anlam düzeyinde yeni işe alınan işçilerin bu mamulü üretim süresinin eski işçilerden daha fazla olup olmadığını araştırınız. (İpucu: Bu soru için toplanan verilerin kendisi verilmiştir. Daha önceki örneklerde ve sorularda toplanan verilerden elde edilen ortalamalar veya standart sapmalar verilmişti.) - Yukarıdaki örneğe göre kritik test istatistiği değeri kaçtır?

Cevap: D) 1,83

Açıklama: Kritik test istatistiği değeri %5 anlamlılık düzeyinde 1,83’tür.

#6. Metin madenciliği hangi adımda gürültüyü azaltarak veri kalitesini artırmayı amaçlar?

Cevap: D) Metin ön işleme

Açıklama: Metin ön işleme, metin madenciliği sürecinde gürültüyü azaltarak veri kalitesini artırmayı amaçlar. Bu adım, veriyi temizlemek ve analiz için hazırlamak için önemlidir.

#7. A firması tarafından üretilen ampullerden 80 adet seçilmiş ve ortalama 1258 saat çalıştığı görülmüştür. Ana kütleye ait standart sapma 94 saattir. B firması tarafından üretilen ampullerden 60 adet seçilmiş ve ortalama 1029 saat çalıştığı görülmüştür. Ana kütleye ait standart sapma 68 saattir. A firmasının ampul fiyatı daha fazla olduğu için bir test yapılacaktır. A firması tarafından üretilen ampullerin çalışma süresi, B firması tarafından üretilen ampullerin çalışma süresinden 200 saat fazlaysa, A firmasının ampulleri satın alınacaktır. 𝛼𝛼 = 0.011 için hangi firmanın ampullerinin satın alınacağını test ediniz. - Yukarıdaki örneğe göre kritik test istatistiği değeri kaçtır?

Cevap: E) 2,33

Açıklama: Kritik test istatistiği değeri %1 anlamlılık düzeyinde 2,33’tür.

#8. Aşağıdakilerden hangisi birleştirme (aggregation) işleminin bir riskidir?

Cevap: C) Detaylardan bazılarının kaybolması

Açıklama: Birleştirme işlemi sırasında bazı detayların kaybolması riski vardır, bu da veri analizinde önemli bilgilere ulaşmayı zorlaştırabilir.

#9. Boyut azaltmanın avantajlarından hangisi doğrudur?

Cevap: B) Veri işleme sürelerini kısaltır

Açıklama: Boyut azaltma, veri işleme sürelerini kısaltarak analiz süreçlerini hızlandırır ve daha etkin hale getirir.

#10. Hangi kümeleme türü, veriyi kesinlikle örtüşmeyen alt kümelerine böler?

Cevap: D) Bölütlenmiş Kümeleme

Açıklama: Bölütlenmiş kümeleme, veriyi kesinlikle örtüşmeyen alt kümelere böler ve her nesne yalnızca bir kümeye ait olur.

#11. Metin madenciliği ile ilgili olarak hangisi yanlıştır?

Cevap: D) Doğal dil işlemede yapılanları kapsar.

Açıklama: Metin madenciliği, yapılandırılmamış metin verilerini analiz etmek ve bu verilerden anlamlı bilgileri çıkarmak için kullanılan bir tekniktir. Metin madenciliği adımları arasında metnin belirli parçalara bölünmesi (tokenizasyon), metin verilerinin sayısal formata dönüştürülmesi için özellikler eklenmesi (özellik mühendisliği) ve model oluşturma gibi işlemler yer alır. Doğal dil işleme (NLP) ise, metin madenciliğinin önemli bir bileşeni olarak kabul edilmekle birlikte, metin madenciliği doğrudan NLP’de yapılan tüm işlemleri kapsamaz. Bu nedenle, “Doğal dil işlemede yapılanları kapsar” ifadesi yanlıştır. Metin madenciliği, metin verilerini anlamak için özel teknikleri içerir ve bu teknikler, doğal dil işlemenin ötesine geçerek metin verilerinden anlamlı bilgileri çıkarmaya odaklanır

#12. Hangi kümeleme türünde nesneler sadece bir kümeye ait olabilir?

Cevap: D) Özel Kümeleme

Açıklama: Özel kümeleme, nesnelerin sadece bir kümeye ait olabileceği kümeleme türüdür. Bu, veri noktalarının birden fazla kümeye dahil olmaması anlamına gelir.

#13. Gizli anlam çözümlemesi (LSA) nedir?

Cevap: B) Bir metin kümesindeki ana fikirleri çıkarmak ve temsil etmek için kullanılan bir istatistiksel yöntemdir.

Açıklama: Gizli anlam çözümlemesi (LSA), bir metin kümesindeki ana fikirleri çıkarmak ve temsil etmek için kullanılan bir istatistiksel yöntemdir.

#14. Belli bir parçanın üretimi için gereken ortalama zamanın 11.5 dakika olduğu biliniyor. İşe alınan 10 işçinin bu mamulü üretim süreleri gözlemleniyor ve aşağıdaki sonuçlar elde ediliyor. %5 anlam düzeyinde yeni işe alınan işçilerin bu mamulü üretim süresinin eski işçilerden daha fazla olup olmadığını araştırınız. (İpucu: Bu soru için toplanan verilerin kendisi verilmiştir. Daha önceki örneklerde ve sorularda toplanan verilerden elde edilen ortalamalar veya standart sapmalar verilmişti.) 7- Yukarıdaki örnekte hangi test istatistiği kullanılmalıdır?

Cevap: B) T-testi

Açıklama: T-testi, küçük örneklem büyüklükleri ve bilinmeyen populasyon standart sapmaları için kullanılır.

#15. Hangi durumda Basit Fonksiyonel Dönüşümler veya Normalizasyon kullanılabilir?

Cevap: C) Veri setinin analizde daha anlamlı ve doğrusal bir şekle getirilmesi için

Açıklama: Basit fonksiyonel dönüşümler ve normalizasyon, veri setini analizde daha anlamlı ve doğrusal bir şekle getirmek için kullanılır.

#16. Duygu analizi neyi amaçlar?

Cevap: B) Pozitif, negatif veya nötr duygusal kategorilere ayırmayı

Açıklama: Duygu analizi, metin verilerini pozitif, negatif veya nötr duygusal kategorilere ayırmayı amaçlar.

#17. Metin analitiği ile ilgili olarak aşağıdakilerden hangisi yanlıştır?

Cevap: D) Nominal veri türleriyle sınırlıdır.

Açıklama: Metin analitiği, yalnızca nominal veri türleriyle sınırlı değildir; yapılandırılmamış metinsel veriyi anlamak ve bilgi çıkarmak için çeşitli veri türlerini kullanır.

#18. Aşağıdaki yöntemlerden hangileri özellik oluşturma (feature creation) için kullanılabilir? - I. Öznitelik oluşturma - II. Veriyi yeni bir uzaya eşleme - III. Öznitelik inşası

Cevap: D) I-II-III

Açıklama: Öznitelik oluşturma, veriyi yeni bir uzaya eşleme ve öznitelik inşası, özellik oluşturma için kullanılan yöntemlerdir.

#19. Kategorik bir özniteliğin ikili hale getirilmesinde aşağıdakilerden hangileri yanlıştır? - I. Veri özelliği sıralı ise, atama yaparken sıralamayı korumak gerekir - II. Kategorik değerleri ikili formata dönüştürürken 0 ve 1'leri istenilen şekilde atanabilir - III. Kategori sayısı kadar sütun oluşturmak gerekir

Cevap: D) Yalnız III

Açıklama: Kategorik bir özniteliğin ikili hale getirilmesinde, kategori sayısı kadar sütun oluşturmak gerekmez. Bu işlem, genellikle bir sıcak kodlama (one-hot encoding) yöntemi ile gerçekleştirilir.

#20. SOM'un (Kendi Kendini Düzenleyen Haritalar) avantajları nelerdir?

Cevap: B) Boyut azaltma özelliği

Açıklama: SOM (Kendi Kendini Düzenleyen Haritalar), boyut azaltma özelliği ile öne çıkar ve yüksek boyutlu verileri düşük boyutlu haritalara indirger.

TESTi BiTiR, PUANINI GÖR

SONUÇ

-

İstanbul Üniversitesi Açık ve Uzaktan Eğitim Fakültesi (Auzef)
Açık Öğretim Fakültesi
Bölüm : Yönetim Bilişim Sistemleri Lisans
4. Sınıf  Veri Madenciliği Bahar Dönemi
Auzef Veri Madenciliği Final Deneme Sınavı -7

İstanbul Üniversitesi Açık ve Uzaktan Eğitim Fakültesi (Auzef)
Açık Öğretim Fakültesi
Bölüm : Yönetim Bilişim Sistemleri Lisans
4. Sınıf  Veri Madenciliği Bahar Dönemi
Auzef Veri Madenciliği Final Deneme Sınavı -7

Share your score!
Tweet your score!
Share to other

HD Quiz powered by harmonic design

Auzef Veri Madenciliği Final Deneme Sınavı -7

İstanbul Üniversitesi Açık ve Uzaktan Eğitim Fakültesi (Auzef)
Açık Öğretim Fakültesi
Bölüm : Yönetim Bilişim Sistemleri Lisans
4. Sınıf  Veri Madenciliği Bahar Dönemi
Auzef Veri Madenciliği Final Deneme Sınavı -7

Auzef Veri Madenciliği Final Deneme Sınavı -7

Sınıflandırma Yöntemleri – Ünite 7

Sınıflandırma yöntemleri, veri madenciliği ve makine öğrenimi alanlarında, verileri belirli kategorilere veya sınıflara ayırmak için kullanılan tekniklerdir. Bu yöntemler, özellikle büyük veri setlerinde, verilerin anlaşılması ve öngörüler yapılması açısından önemli bir rol oynar. Bu makalede, sınıflandırma görevlerinin temel kavramları ve yaygın kullanılan yöntemler ele alınacaktır.

1. Sınıflandırma Görevi

Sınıflandırma, bir nesneyi veya veri noktasını belirli bir kategoriye atama işlemidir. Örneğin, e-postaların “spam” veya “spam değil” olarak sınıflandırılması, müşterilerin satın alma davranışlarının analiz edilmesi veya hastaların hastalık durumlarına göre sınıflandırılması gibi.

2. Sınıflandırma Teknikleri

Sınıflandırma teknikleri, çeşitli algoritmalar ve yöntemler kullanılarak uygulanabilir. En yaygın sınıflandırma tekniklerinden bazıları şunlardır:

Karar Ağaçları: Veri setini bölerek ve karar kuralları oluşturarak sınıflandırma yapan algoritmalardır. Karar ağaçları, kök düğüm, iç düğümler ve yaprak düğümleri içerir.

k-En Yakın Komşu (kNN): Bir veri noktasının sınıfını belirlemek için en yakın komşularının sınıflarına bakarak sınıflandırma yapar. Bu algoritma, komşuların çoğunluk oyunu kullanır.

Destek Vektör Makineleri (SVM): Veri noktalarını farklı sınıflara ayırmak için en uygun sınırı (hiper düzlemi) bulan algoritmalardır. SVM, özellikle yüksek boyutlu veri setlerinde etkilidir.

Lojistik Regresyon: Olasılık tahminleri yaparak veri noktalarını belirli sınıflara atar. Lojistik regresyon, ikili sınıflandırma problemlerinde yaygın olarak kullanılır.

Naive Bayes: Bayes teoremini kullanarak sınıflandırma yapan bir olasılık tabanlı algoritmadır. Naive Bayes, özellikle metin sınıflandırma görevlerinde etkilidir.

3. Performans Değerlendirme

Sınıflandırma modelinin performansını değerlendirmek için çeşitli metrikler kullanılır. Bu metrikler, modelin doğruluğunu ve etkinliğini ölçer:

Karışıklık Matrisi (Confusion Matrix): Modelin doğru ve yanlış sınıflandırmalarını özetler.

Doğruluk (Accuracy): Modelin doğru tahmin ettiği kayıtların toplam kayıtlar içindeki oranını ölçer.

Hassasiyet (Precision) ve Duyarlılık (Recall): Modelin doğruluğunu ve tamlığını ölçer. Hassasiyet, doğru pozitif tahminlerin tüm pozitif tahminlere oranını, duyarlılık ise doğru pozitif tahminlerin tüm gerçek pozitiflere oranını ifade eder.

F1 Skoru: Hassasiyet ve duyarlılığın harmonik ortalamasını alarak dengeyi sağlar ve modelin genel performansını değerlendirir.

4. Sınıflandırma Tekniklerinin Uygulama Alanları

Sınıflandırma teknikleri, birçok alanda geniş bir uygulama yelpazesine sahiptir:

Tıp ve Sağlık: Hastalık teşhisi ve tedavi sonuçlarının tahmini.

Finans: Kredi risk analizi ve müşteri sınıflandırması.

Pazarlama: Müşteri segmentasyonu ve hedefleme.

Güvenlik: Spam filtreleme ve dolandırıcılık tespiti.

Doğal Dil İşleme: Metin sınıflandırma ve duygu analizi.

Sonuç

Sınıflandırma yöntemleri, verileri anlamlandırma ve öngörülerde bulunma açısından kritik öneme sahiptir. Doğru sınıflandırma algoritmalarının seçilmesi ve uygulanması, karar verme süreçlerinde önemli bir rol oynar ve çeşitli alanlarda değerli bilgiler sağlar. Bu yöntemler, veri bilimciler ve analistler için güçlü araçlardır.

Auzef Veri Madenciliği Final Deneme Sınavı -7

Sınıflandırma Yöntemleri – Ünite 7

1- Sınıflandırma görevi nedir?

A) Bir nesneyi belirli bir kategoriye atama işlemi
B) Sayıları sıralama işlemi
C) Rastgele öznitelikleri seçme işlemi
D) Veri setini bölme işlemi
E) Örneklem çıkarma işlemi

Cevap: A) Bir nesneyi belirli bir kategoriye atama işlemi

Açıklama: Sınıflandırma, verileri belirli kategorilere ayırma işlemi olup, genellikle veri madenciliği ve makine öğrenimi alanında kullanılır.

2- Sınıflandırma teknikleri genellikle hangi tür veri kümeleri üzerinde etkilidir?

A) Sayısal veriler
B) Sıralı kategoriler
C) Metin verileri
D) İki kategorili veriler
E) Hiçbiri

Cevap: D) İki kategorili veriler

Açıklama: Sınıflandırma teknikleri, özellikle iki kategorili veriler üzerinde etkilidir, çünkü bu teknikler verileri belirli sınıflara ayırmayı amaçlar.

3- Sınıflandırma modelinin performansı nasıl değerlendirilir?

A) RMSE kullanılarak
B) Karışıklık matrisi ile
C) Doğruluk değeri ile
D) Ağırlıklandırma kullanılarak
E) Duyarlılık metriği ile

Cevap: B) Karışıklık matrisi ile

Açıklama: Karışıklık matrisi, sınıflandırma modelinin performansını değerlendirmek için kullanılır ve modelin doğru ve yanlış sınıflandırmalarını özetler.

4- Sınıflandırma teknikleri hangi durumda daha az etkili olabilir?

A) Dengesiz sınıfların olduğu veri kümelerinde
B) Sayısal veri kümelerinde
C) Küçük boyutlu veri setlerinde
D) Sıralı kategoriler içeren veri setlerinde
E) Hiçbiri

Cevap: D) Sıralı kategoriler içeren veri setlerinde

Açıklama: Sınıflandırma teknikleri, sıralı kategoriler içeren veri setlerinde daha az etkili olabilir, çünkü bu tür veri setlerinde sınıflar arasındaki sıralama bilgisi önemlidir.

5- Karar ağaçları hangi tür düğümleri içerir?

A) Sadece kök düğümler
B) Yaprak düğümleri ve iç düğümler
C) Sadece yaprak düğümleri
D) Sadece iç düğümler
E) Sadece son düğümler

Cevap: B) Yaprak düğümleri ve iç düğümler

Açıklama: Karar ağaçları, yaprak düğümleri ve iç düğümler içerir. Yaprak düğümleri, nihai sınıflandırma kararlarını temsil ederken, iç düğümler veri bölme kararlarını temsil eder.

6- Kosinüs mesafesi genellikle hangi tür veri kümesinde kullanılır?

A) Sayısal veriler
B) Metin verileri
C) Görüntü verileri
D) Sıralı kategoriler
E) Karmaşık yapıdaki veriler

Cevap: B) Metin verileri

Açıklama: Kosinüs mesafesi, metin verileri arasında benzerlik ölçmek için yaygın olarak kullanılır ve vektörlerin arasındaki açıyı ölçerek benzerlik derecesini belirler.

7- Performans metrikleri arasında doğruluk (accuracy) neyi ölçer?

A) Modelin eğitim süresini
B) Modelin karmaşıklığını
C) Modelin doğru tahmin ettiği kayıtların oranını
D) Modelin yanlış tahmin ettiği kayıtların oranını
E) Modelin genel başarı seviyesini

Cevap: C) Modelin doğru tahmin ettiği kayıtların oranını

Açıklama: Doğruluk (accuracy), modelin doğru tahmin ettiği kayıtların toplam kayıtlar içindeki oranını ölçer ve sınıflandırma modelinin performansını değerlendirir.

8- F1 skoru, neden hassasiyet ve duyarlılık metriklerinin harmonik ortalamasını kullanarak denge kurar?

A) Hassasiyet ve duyarlılık arasındaki doğrusal ilişkiyi vurgular.
B) Modelin yanlış pozitiflerine odaklanır, yanlış negatiflere dikkat etmez.
C) Hassasiyet ve duyarlılığın ortalamasını alarak dengeyi sağlar.
D) Yüksek F1 skoru, modelin sadece bir metriğe odaklandığını gösterir.
E) Modelin performansını değerlendirmek için uygun bir metrik değildir.

Cevap: C) Hassasiyet ve duyarlılığın ortalamasını alarak dengeyi sağlar.

Açıklama: F1 skoru, hassasiyet (precision) ve duyarlılık (recall) metriklerinin harmonik ortalamasını alarak denge kurar ve bu sayede modelin genel performansını daha dengeli bir şekilde değerlendirir.

9- kNN algoritmasının temel prensibi nedir?

A) Rastgele seçim yapma
B) Komşuların çoğunluk oyunu kullanma
C) Doğrusal regresyon uygulama
D) Ağırlıklandırma kullanma
E) Karar ağaçları oluşturma

Cevap: B) Komşuların çoğunluk oyunu kullanma

Açıklama: kNN (k-Nearest Neighbors) algoritması, bir veri noktasının sınıfını belirlerken en yakın komşularının çoğunluk oyunu kullanır. Bu komşuların sınıfları, yeni veri noktasının sınıfını belirler.

10- kNN’nin sınırlamalarından biri nedir?

A) Optimal k değerinin bulunması
B) Öklid Mesafesi’nin kullanımı
C) Dengesiz sınıfların etkisi
D) Çapraz doğrulama kullanımı
E) Karar ağaçları ile rekabet etme

Cevap: C) Dengesiz sınıfların etkisi

Açıklama: kNN algoritmasının sınırlamalarından biri, dengesiz sınıfların etkisidir. Bu durumda, azınlık sınıflar yeterince temsil edilmez ve bu da sınıflandırma performansını olumsuz etkiler.

Auzef Veri Madenciliği Final Deneme Sınavı -7

Yönetim Bilişim Sistemleri Lisans
Veri Madenciliği Yönetim Bilişim Sistemleri Lisans

Yönetim Bilişim Sistemleri Lisans

Auzef Yönetim Bilişim Sistemleri Lisans 4. Sınıf Bahar Dönemi Final Sınav Soruları ve Deneme Sınavları, 2024 Sınav Soruları

Editor

Editör

error: Kopyalamaya Karşı Korumalıdır!