-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathders2.qmd
185 lines (122 loc) · 3.92 KB
/
ders2.qmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
---
title: "Veri tipleri ve işleme"
subtitle: "FEF3001 Yapay zekaya giriş - Ders2"
author: "Alper Yılmaz"
date: 2024-07-05
format:
revealjs:
chalkboard: true
css: custom.css
smaller: true
scrollable: true
controls: true
touch: true
history: false
progress: true
slide-number: c/t
typora-copy-images-to: images
---
## Veri analizi, veri bilimi, makine öğrenmesi
---
## {background-image="attachments/what-is-data-science.png" background-size=contain}
:::{.footer style="text-align: right;"}
[source](https://thedatascientist.com/data-science-considered-own-discipline/)
:::
## Veri tipleri
* record data
* transaction data
* data matrix
* sparse data matrix
* graph-based data
---
## {background-image="attachments/image-20210303092633663.png" background-size=contain}
---
## {background-image="attachments/image-20210303092951114.png" background-size=contain}
---
## Sıralı veri / Ordered data
<br>
* Sequential / Temporal data
* Sequence data
* Time series data
* Spatial data
---
## {background-image="attachments/image-20210303093237590.png" background-size=contain}
:::footer
Figure 2.4
:::
---
## Veri kalitesi
<br>
Hatırlanacağı üzere, veri biliminde veri temizliği aşaması toplam sürenin %80'ini oluşturmaktadır.
* Ölçüm hataları / measurement error : ölçüm sırasında sayısal hata yapılması veya dahil edilmemesi gereken verinin dahil edilmesi
* Gürültü / Noise and artifacts: ölçüm hatalarındaki rastgele olan bileşendir. Sinyal işleme yöntemleri ile gürültü kaldırılabilir ama bu sırada gerçek veri kaybı da gerçekleşebilir.
---
## {background-image="attachments/image-20210303094619905.png" background-size=contain}
---
## Veri kalitesi - 2
* Uç değer / Outlier
* Kayıp veya eksik ölçüm / Missing value
* Çıkarma / Eliminate
* Tahmin etme, doldurma / Estimate
* Göz ardı etme / Ignore
* Uyumsuz ölçümler / Inconsistent values : örn. Ölçüm yapılan tekniğin değişmesi veya farklı tekniklerle toplanan değerlerin uyuşmazlığı
* Tekrar eden veri / Duplicate data : aynı kişi bir veritabanında birden çok kez bulunabilir ama ismi aynı iki kişi tekrar sayılmaz
---
## Veri işleme
<br>
* Aggregation
* Sampling
* Dimensionality reduction
* Feature subset selection
* Feature creation
* Discretization and binarization
* Variable transformation
---
## Aggregation
* Group by - sum, mean
* Histogram
---
## Aggregation / Histogram
---
## Sampling / Örnekleme
* Simple random sampling
* Stratified sampling
---
## Dimensionality reduction
<br>
"**The Curse of Dimensionality**": özellik/attribute sayısı arttıkça algoritmaların veya hesapların daha zor hale gelmesi. "Sparse" veri durumunda artık hesaplamaların (uzaklık, benzerlik) doğruluğunu yitirmesi
<br>
* Linear algebra techniques
* PCA: Principal Components Analysis
* SVD: Singular Value Decomposition
---
## Others
* Feature Subset Selection
* remove *Redundant features* or *Irrelevant features*
* Feature Weighting
* Feature Creation
* Feature Extraction: e.g Photo -> edges, important areas, color scheme
* Mapping the Data to a New Space : e.g Fourier Transformation
* Discretization and Binarization
* Category -> Binary values
* Continous data -> bins, categories, intervals
* Variable Transformation
---
## Fourier Transformation
---
## Category to binary
---
## Variable Transformation
<br>
* Simple functions: $x^k$ , log(x), $e^x$ , sqrt(x), $1/x$, sin(x), or |x|
* Normalization or Standardization
* for each value subtract mean and divide by standard deviation
* e.g. age and income data, find similarity between individuals
* mean = 0, sd = 1
---