Parçacık sürü optimizasyonu ve veri madenciliği yöntemleriyle kümeleme analizi: İzmir'de kurulu bir firmanın müşterilerinin kümelenmesi uygulaması
Clustering analysis with particle swarm optimization and data mining methods: Application of a cluster of customers of a company established in Izmir
- Tez No: 524565
- Danışmanlar: DOÇ. DR. MEHMET AKSARAYLI
- Tez Türü: Yüksek Lisans
- Konular: Ekonometri, Econometrics
- Anahtar Kelimeler: Veri Madenciliği, Kümeleme Yöntemleri, Parçacık Sürü Optimizayonu ile Kümeleme, Müşteri Kümeleme, Kümeleme, Kümeleme analizi, Kümeleme yöntemi, Müşteriler, Parçacık sürü optimizasyonu, Data Mining, Clustering Methods, Clustering with Particle Swarm Optimization, Customer Clustering, Clustering, Cluster analysis, Cluster method, Customers, Particle swarm optimization
- Yıl: 2018
- Dil: Türkçe
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Ekonometri Ana Bilim Dalı
- Bilim Dalı: Ekonometri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde firmaların kurumsallaşması için birtakım yöntemlerle müşterilerini iyi tanıması, müşteri özelliklerine göre hareket etmesi ve çalışanlarına bu doğrultuda görevler vererek, alanlarında uzmanlaşmalarını sağlaması gerekmektedir. Ancak bunu sağlamak müşteri sayısı çok olan şirketlerde geleneksel yöntemlerle kolay olmamaktadır. Yapılan tezde, müşteriler hem Veri Madenciliği Yöntemlerinden K-ortalamalar ve İki Aşamalı Algoritma Yöntemleri ile hem de modern sezgisel teknik olan Parçacık Sürü Optimizasyonu Yöntemi ile kümelenmiştir. Bu yöntemlerle ilgili kavramlar açıklanmış ve kapsamlı bir literatür araştırması yapılmıştır. K-ortalamalar ve İki Aşamalı Algoritma Yöntemleri için SPSS Clementine 10. 1 programı tercih edilmiştir. Parçacık Sürü Optimizasyonu algoritması ise kümelenmeye uyarlanarak MATLAB programında bu amaçla kullanılmıştır. Algoritmada amaç fonksiyonu olarak Dunn İndeksi kullanılmış ve küme sonuçları elde edilmiştir.
Özet (Çeviri)
Nowadays, for the institutionalization of companies, it is necessary to provide specialization in their fields by giving them a good understanding of the customers in a number of methods, acting according to customer characteristics and giving their employees the tasks in this direction. However, this is not easy with traditional methods in companies with a large number of customers. In this thesis, the customers were clustered with both K-means and Two-step Algorithm Methods from Data Mining Methods as well as the modern heuristic technique, Particle Swarm Optimization Method. The concepts related to these methods have been explained and a comprehensive literature search has been done. SPSS Clementine 10. 1 has been preferred for K-means and Two-Stage Algorithm Methods. The Particle Swarm Optimization Algorithm has been used for this purpose in the MATLAB program, adapted to the cluster. Dunn Index is used as the objective function in the algorithm and cluster results are obtained.
Benzer Tezler
- Kısa metinlerden sosyal duygu sınıflandırma için makine öğrenmesi tabanlı yöntemlerin geliştirilmesi
Development of machine learning based methods for social sentiment classification from brief texts
FATMA BAŞKAYA
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLHAN AYDIN
- Ayrıklaştırma ve optimizasyon yaklaşımları ile sınıflandırma algoritmalarının performansının iyileştirilmesi
Improving the performance of classification algorithms with discretization and optimization approaches
MOHAMMED HUSSEIN IBRAHIM IBRAHIM
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET HACIBEYOĞLU
- Parçacık dedektörleri
Başlık çevirisi yok
EMEL BAŞARAN
Yüksek Lisans
Türkçe
1987
Fizik ve Fizik MühendisliğiÇukurova ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. GÜLSEN ÖNENGÜT