İçindekiler -- Giriş ve Kitabın Kullanılışı 11 -- 1.1 Kitabın konulara göre bölüm ve -- alt bölümlere ayrılışı 13 -- 1.2 Kitabın dili ve terminoloji 14 -- 1.3 Kitaptaki örnek ve kodların kullanılması 16 -- 1.4 Konu sonu alıştırmaları 16 -- Veri Madenciliğine Giriş 19 -- 2.1 Veri Nedir? 21 -- 2.2 Veri Tabanı Nedir? 23 -- 2.3 Veri Madenciliği (Data Mining) Nedir? 25 -- 2.4 iş Zekası (Business Intelligence) Nedir? 26 -- 2.5 Örnek Çalışma 29 -- 2.6 Sorular 32 -- WEKA 33 -- 3.1 Weka'nin Ekranları 36 -- 3.2 Weka Bilgi Akış Ekranı (Knowledge Flow) 43 -- 3.2.1 1. Adım: Wekanin Çalıştırılması ve -- Knowledge Flow Ekranına Erişim 44 -- 3.2.2 2. Adım: ArffLoader bileşeni ile bir -- arff dosyasının yüklenmesi 46 -- 3.2.3 3. Adım:Yüklenen veri kümesi üzerinden -- hedef sınıfın belirlenmesi 50 -- 3.2.4. 4. Adım: Veri kümesinin test ve eğitim -- (test and training) kümelerine ayrıştırılması 53 -- 3.2.5. 5. Adım: Sınıflandırırının eklenmesi 56 -- 3.2.6. 6. Adım: Sınırlandırıcının sonuçlarının ve -- hata miktarının değerlendirilmesi 60 -- 3.2.7. 7. Adım: Sonuçların gösterilmesi 60 -- 3.3. Sorular 64 -- Veri Ön İşleme (Data Pre-Processing) 65 -- 4.1 Veri Ön işlemesinin Amacı 67 -- 4.2 Veri Neden Kirlenir? 68 -- 4.3 Veri Ön işlemesinin Önemi 69 -- 4.4 Veri Ön İşleme Yöntemleri 69 -- 4.5 Zan (Imputation) Yöntemi 69 -- 4.5.1 Liste boyunca silme (listwise deletion) 71 -- 4.5.2 Eşlerin silinmesi (Pairwise deletion) 72 -- 4.5.3 Ortalama Zan (Mean imputation) 73 -- 4.5.4 İlkelleme Zannı (Regression Imputation): 75 -- 4.5.5 Son Gözlemin Taşınması -- (Last Observation Carried Forward): 75 -- 4.6 Hatalı Verilerin Düzenlenmesi 77 -- 4.6.1 Kutulama (Binning) 77 -- 4.6.2 Kümeleme (Clustering) 81 -- 4.6.3 ilkelleme (Regression) 82 -- 4.7 Weka ile Veri Ön işlemesi 87 -- 4.8 Weka ile Ayrık Veri Dönüşümü (Discretize) 100 -- 4.9 Weka ile Eksik Verilerin Ön işlenmesi 104 -- Veri Dönüştürme (Data Transformation) 107 -- 5.1 Düzleştirme (Smoothing) 110 -- 5.1.1 Rassal Yürüme (Random Walk) 111 -- 5.1.2 Hareketli Ortalama (Moving Average) 111 -- 5.1.3 Göreceli Güç İndeksi (Relative Strength Index) 114 -- 5.1.4 Momentum ve Değişim Oranı (Rate of Change) 115 -- 5.1.5 Bollinger Bantı (Bollinger Bant) 117 -- 5.1.6 İvme (Acceleration) ve Fark (Difference) 118 -- 5.2 Veri Birleştirme (Data Aggregation) 122 -- 5.2.1 HİS (Hareket İşlem Sistemleri, TPS, -- Transaction Processing Systems) 122 -- 5.2.2 OLTP(ÇİHİ) 125 -- 5.2.3 OLAP(ÇİAİ) 126 -- 5.3 Normalleştirme (Normalization) 127 -- 5.3.1 Asgari - Azami Normalleştirmesi -- (Min-Max Normalisation) 128 -- 5.3.2 Standart Skor (Standard Score): 130 -- 6 Veri Madenciliği (Data Mining) 133 -- 6.1 Sınıflandırma 138 -- 6.2 Destekçi Vektör Makineleri -- (Support Vector Machine, SVM) 138 -- 6.3 Doğrusal Olmayan Destekçi Vektör Makineleri 142 -- 6.4 Naif Bayes (Naive Bayes) Sınıflandırmışı 150 -- 6.5 Karar Ağacı Öğrenmesi (Decision Tree Learning) 155 -- 6.5.1 Karar ağacı öğrenme algoritmaları 157 -- 6.5.2 Karar ağacı öğrenme algoritmalarının avantajları 158 -- 6.5.3 Yöntemin Kısıtları 160 -- 6.6 K- En Yakın Komşu (K-Nearest Neighborhood, KNN) 161 -- 6.7 Kümeleme (Clustering) 165 -- 6.7.1 K-Ortalama Kümelemesi (K-means Clustering) 165 -- 6.8 Hata Oranları (Error Rates) 169 -- 6.8.1 Kare Ortalamalarının Karekökü -- (Root Mean Square Error) 169 -- 6.8.2 Tip 1 ve Tip 2 Hata Oranları 170 -- 6.8.3 F Ölçümü (F-Measure) 173 -- 7 WEKA ile Veri Madenciliği 175 -- 7.1 WEKA ile SVM 177 -- 7.2 Weka ile Yapay Sinir Ağları (Artificial Neural Networks) 187 -- EK 1 WEKA'nin Kurulması 197 -- EK 2 WEKA üzerinde yazılım geliştirilmesi 203 -- Basit bir WEKA kodu 203 --