Veri Madenciliğinde Kullanılan Kümeleme Algoritmaları ve R ile Uygulamalı Örnekler — Serhat Doğru

Büyük bir hızla gelişen ve değişen dünyamızda her saniye milyonlarca veri üretilmektedir Bu verilerin anlaşılır ve yorumlanabilir bilgiye dönüştürülmesi büyük önem arz etmektedir Bu amaçla kullanılan veri madenciliği tekniklerinde temel amaç eldeki verileri öğrenip geçmişi anlamak veya geleceği öngörmektir Bu kitapta kümeleme algoritmalarının sık kullanılan çeşitlerine ait teorik ve uygulama örneklerine yer verilmiştir Kitabın temel amacı özellikle Türkçe alan yazında eksikliği hissedilen veri madenciliği ve makine öğrenme tekniklerini bir bütün olarak ele alabilmek ve bu alana merak duyanlar için kaynak olabilmektir Kümeleme analizi hiyerarşik veya hiyerarşik olmayan kümeleme yöntemleri olarak iki grupta incelenmektedir Buna göre kümeleme algoritmaları küme içerisinde maksimum benzerlik ve kümeler arası maksimum farklılık mantığı ile çalışmaktadır Hiyerarşik kümeleme analizlerinde karar birimleri küme sayısı belirli olmadığından her biri başlangıçta ayrı ayrı ele alınarak birleştirme yöntemi ile veya tamamı bir küme olarak ele alınarak ayırma yöntemi ile kümelenmektedir Hiyerarşik olmayan kümeleme analizinde ise küme sayısı belirli olup ayırma yoğunluk ızgara veya model tabanlı kümeleme yapılabilmektedir Bu kitapta hiyerarşik ve hiyerarşik olmayan kümeleme tekniklerinden literatürde sıklıkla kullanılan algoritmalara yer verilmiştir

Büyük bir hızla gelişen ve değişen dünyamızda her saniye milyonlarca veri üretilmektedir Bu verilerin anlaşılır ve yorumlanabilir bilgiye dönüştürülmesi büyük önem arz etmektedir Bu amaçla kullanılan veri madenciliği tekniklerinde temel amaç eldeki verileri öğrenip geçmişi anlamak veya geleceği öngörmektir Bu kitapta kümeleme algoritmalarının sık kullanılan çeşitlerine ait teorik ve uygulama örneklerine yer verilmiştir Kitabın temel amacı özellikle Türkçe alan yazında eksikliği hissedilen veri madenciliği ve makine öğrenme tekniklerini bir bütün olarak ele alabilmek ve bu alana merak duyanlar için kaynak olabilmektir Kümeleme analizi hiyerarşik veya hiyerarşik olmayan kümeleme yöntemleri olarak iki grupta incelenmektedir Buna göre kümeleme algoritmaları küme içerisinde maksimum benzerlik ve kümeler arası maksimum farklılık mantığı ile çalışmaktadır Hiyerarşik kümeleme analizlerinde karar birimleri küme sayısı belirli olmadığından her biri başlangıçta ayrı ayrı ele alınarak birleştirme yöntemi ile veya tamamı bir küme olarak ele alınarak ayırma yöntemi ile kümelenmektedir Hiyerarşik olmayan kümeleme analizinde ise küme sayısı belirli olup ayırma yoğunluk ızgara veya model tabanlı kümeleme yapılabilmektedir Bu kitapta hiyerarşik ve hiyerarşik olmayan kümeleme tekniklerinden literatürde sıklıkla kullanılan algoritmalara yer verilmiştir