Veri Madenciliğinde Karar Ağacı Algoritma Örnekleri

decision tree algorithm examples data mining

Bu Derinlemesine Eğitim, Veri Madenciliğinde Karar Ağacı Algoritması Hakkında Her Şeyi Açıklar. Karar Ağacı Örnekleri, Algoritma ve Sınıflandırma Hakkında Bilgi Edeceksiniz:

Birkaç şeye baktık Veri Madenciliği Örnekleri önceki eğitimimizde Ücretsiz Veri Madenciliği Eğitim Serisi .

Karar Ağacı Madenciliği, Sınıflandırma Modelleri oluşturmak için kullanılan bir tür veri madenciliği tekniğidir. Tıpkı adı gibi, ağaç benzeri bir yapı şeklinde sınıflandırma modelleri oluşturur. Bu tür madencilik, denetimli sınıf öğrenimine aittir.

Denetimli öğrenmede, hedef sonuç zaten bilinmektedir. Karar ağaçları hem kategorik hem de sayısal veriler için kullanılabilir. Kategorik veriler cinsiyet, medeni durum vb. Temsil ederken sayısal veriler yaş, sıcaklık vb. Temsil eder.

0 ile 10 arasında c ++ rasgele sayı

Veri kümesine sahip bir karar ağacı örneği aşağıda gösterilmiştir.

(resim kaynak )

Ne öğreneceksin:

• Karar Ağacının Kullanımı Nedir?
• Sınıflandırma Analizi
• Regresyon analizi
• Karar Ağacı Nasıl Çalışır?
• Karar Ağacı İndüksiyon Algoritması
• Karar Ağacı Oluşturma
• ARABA
• Makine Öğrenimi için Karar Ağacı Oluşturma: ID3
• Açgözlü Özyinelemeli İkili Bölme Nedir?
• Bir Ağaç Oluşturmak İçin Nitelikler Nasıl Seçilir?
  • # 1) Bilgi Kazanımı
  • # 2) Kazanç Oranı
  • # 3) Gini Endeksi
• Karar Ağaçlarına Aşırı Uyum
• Ağaç Budaması Nedir?
• Tahmine Dayalı Modelleme Nedir?
• Karar Ağacı Sınıflandırmasının Avantajları
• Karar Ağacı Sınıflandırmasının Dezavantajları
• Sonuç
• Önerilen Kaynaklar

Karar Ağacının Kullanımı Nedir?

Karar Ağacı, sınıflandırma ve regresyon modelleri oluşturmak için kullanılır. Karar verme süreci için sınıf etiketlerini veya değerleri tahmin edecek veri modelleri oluşturmak için kullanılır. Modeller, sisteme beslenen eğitim veri setinden oluşturulmuştur (denetimli öğrenme).

Bir karar ağacı kullanarak, anlaşılmasını kolaylaştıran kararları görselleştirebiliriz ve bu nedenle popüler bir veri madenciliği tekniğidir.

Sınıflandırma Analizi

Veri Sınıflandırma, önemli sınıf değişkenlerini tanımlayan bir model oluşturan bir analiz şeklidir.Örneğinbanka kredisi başvurularını güvenli veya riskli olarak sınıflandırmak için oluşturulmuş bir model. Sınıflandırma yöntemleri makine öğrenmesinde ve örüntü tanımada kullanılır.

Sınıflandırma uygulaması, dolandırıcılık tespiti, tıbbi teşhis, hedef pazarlaması vb. İçerir. Sınıflandırma probleminin çıktısı, uç düğümün tüm gözlemlenen değerlerinin 'Modu' olarak alınır.

Bir sınıflandırma modeli oluşturmak için iki aşamalı bir süreç izlenir.

1. İlk adımda, yani öğrenme: Eğitim verilerine dayalı bir sınıflandırma modeli oluşturulur.
2. İkinci adımda, yani Sınıflandırmada, modelin doğruluğu kontrol edilir ve ardından model, yeni verileri sınıflandırmak için kullanılır. Burada sunulan sınıf etiketleri 'evet' veya 'hayır', 'güvenli' veya 'riskli' gibi ayrı değerler biçimindedir.

Sınıflandırma modelleri oluşturmak için genel yaklaşım aşağıda verilmiştir:

(resim kaynak )

Regresyon analizi

Regresyon analizi, sayısal özniteliklerin tahmini için kullanılır.

Sayısal özniteliklere sürekli değerler de denir. Sınıf etiketleri yerine sürekli değerleri tahmin etmek için oluşturulan modele regresyon modeli denir. Regresyon analizinin çıktısı, düğümün gözlemlenen tüm değerlerinin 'Ortalama' dır.

Karar Ağacı Nasıl Çalışır?

Karar ağacı, hem ayrık hem de sürekli değişkenler için çalışan denetimli bir öğrenme algoritmasıdır. Veri kümesini, veri kümesindeki en önemli özniteliğe göre alt kümelere ayırır. Karar ağacının bu özelliği nasıl tanımladığı ve bu bölünmenin nasıl yapılacağına algoritmalar tarafından karar verilir.

En önemli tahminci kök düğüm olarak belirlenir, bölme karar düğümleri adı verilen alt düğümler oluşturmak için yapılır ve daha fazla bölünmeyen düğümler uç veya yaprak düğümlerdir.

Karar ağacında, veri kümesi homojen ve örtüşmeyen bölgelere ayrılmıştır. Yukarıdan aşağıya bir yaklaşım izler, çünkü üst bölge tüm gözlemleri daha da bölünen iki veya daha fazla dala ayrılan tek bir yerde sunar. Bu yaklaşıma aynı zamanda açgözlü yaklaşım gelecekteki düğümlere odaklanmadan yalnızca üzerinde çalışılanlar arasındaki mevcut düğümü dikkate aldığından.

Karar ağacı algoritmaları, minimum gözlem sayısı vb. Gibi bir durdurma kriterine ulaşılana kadar çalışmaya devam edecektir.

Bir karar ağacı oluşturulduktan sonra, birçok düğüm aykırı değerleri veya gürültülü verileri temsil edebilir. İstenmeyen verileri kaldırmak için ağaç budama yöntemi uygulanır. Bu da sınıflandırma modelinin doğruluğunu artırır.

Modelin doğruluğunu bulmak için, test grupları ve sınıf etiketlerinden oluşan bir test seti kullanılır. Test seti demetlerinin yüzdeleri, modelin doğruluğunu belirlemek için model tarafından doğru şekilde sınıflandırılır. Modelin doğru olduğu tespit edilirse, sınıf etiketlerinin bilinmediği veri demetlerini sınıflandırmak için kullanılır.

Karar ağacı algoritmalarından bazıları, Hunt Algoritması, ID3, CD4.5 ve CART içerir.

Karar Ağacı Oluşturma Örneği

(Örnek Veri Madenciliği Kavramlarından alınmıştır: Han ve Kimber)

# 1) Öğrenme Adımı: Eğitim verileri, bir sınıflandırma algoritması ile analiz edilmek üzere sisteme beslenir. Bu örnekte, sınıf etiketi özniteliktir, yani 'ödünç verme kararı'. Bu eğitim verilerinden oluşturulan model, karar kuralları şeklinde temsil edilir.

# 2) Sınıflandırma: Sınıflandırma kuralının doğruluğunu kontrol etmek için test veri kümesi modele beslenir. Model kabul edilebilir sonuçlar verirse, bilinmeyen sınıf değişkenleri ile yeni bir veri kümesine uygulanır.

Karar Ağacı İndüksiyon Algoritması

Karar Ağacı Oluşturma

Karar ağacı indüksiyonu, eğitim setinden karar ağaçlarını öğrenme yöntemidir. Eğitim seti, niteliklerden ve sınıf etiketlerinden oluşur. Karar ağacı indüksiyonunun uygulamaları arasında astronomi, finansal analiz, tıbbi teşhis, üretim ve üretim yer alır.

Karar ağacı, eğitim seti demetlerinden yapılan akış şeması ağacı benzeri bir yapıdır. Veri kümesi daha küçük alt kümelere bölünmüştür ve bir ağacın düğümleri biçiminde mevcuttur. Ağaç yapısının bir kök düğümü, dahili düğümleri veya karar düğümleri, yaprak düğümü ve dalları vardır.

Kök düğüm, en üstteki düğümdür. Sınıflandırma için seçilen en iyi özelliği temsil eder. Karar düğümlerinin dahili düğümleri, sınıflandırma veya karar etiketini temsil eden veri kümesi yaprak düğümünün veya terminal düğümünün bir özniteliğinin bir testini temsil eder. Dallar, yapılan testin sonucunu gösterir.

Bazı karar ağaçları yalnızca ikili düğümler Bu, bir düğümün tam olarak iki dalı anlamına gelirken, bazı karar ağaçları ikili değildir.

Aşağıdaki görüntü, yolcunun hayatta kalıp kalmayacağını tahmin etmek için Titanic veri kümesinin karar ağacını göstermektedir.

(resim kaynak )

ARABA

CART modeli, yani Sınıflandırma ve Regresyon Modelleri, modeller oluşturmak için bir karar ağacı algoritmasıdır. Hedef değerlerin ayrı bir yapıya sahip olduğu Karar Ağacı modeline sınıflandırma modelleri denir.

Ayrık bir değer, sonlu veya sayılabilir şekilde sonsuz bir değerler kümesidir, Örneğin, yaş, boyut, vb. Hedef değerlerin sürekli değerlerle temsil edildiği modeller genellikle Regresyon Modelleri adı verilen sayılardır. Sürekli değişkenler, kayan noktalı değişkenlerdir. Bu iki model birlikte CART olarak adlandırılır.

CART, Sınıflandırma matrisi olarak Gini İndeksini kullanır.

Makine Öğrenimi için Karar Ağacı Oluşturma: ID3

1970'lerin sonlarında ve 1980'lerin başında J. Ross Quinlan, makine öğrenimi için bir karar ağacı algoritması oluşturan bir araştırmacıydı. Bu algoritma olarak bilinir ID3, Yinelemeli Dikotomizör . Bu algoritma, E.B Hunt, J ve Marin tarafından tanımlanan kavram öğrenme sistemlerinin bir uzantısıydı.

ID3 daha sonra C4.5 olarak bilinmeye başlandı. ID3 ve C4.5, karar ağaçları oluşturmak için açgözlü yukarıdan aşağıya bir yaklaşım izler. Algoritma, ağaç oluşturulurken daha küçük alt kümelere bölünen sınıf etiketlerine sahip bir eğitim veri kümesiyle başlar.

# 1) Başlangıçta üç parametre vardır, yani öznitelik listesi, öznitelik seçim yöntemi ve veri bölümü . Öznitelik listesi, eğitim seti listelerinin özniteliklerini açıklar.

#iki) Öznitelik seçim yöntemi, gruplar arasında ayrım yapmak için en iyi özniteliği seçme yöntemini açıklar. Öznitelik seçimi için kullanılan yöntemler, Bilgi Kazanımı veya Gini İndeksi olabilir.

# 3) Ağacın yapısına (ikili veya ikili olmayan) öznitelik seçme yöntemi ile karar verilir.

# 4) Bir karar ağacı oluştururken, demetleri temsil eden tek bir düğüm olarak başlar.

# 5) Kök düğüm demetleri farklı sınıf etiketlerini temsil ediyorsa, demetleri bölmek veya bölümlemek için bir öznitelik seçim yöntemini çağırır. Adım, dalların ve karar düğümlerinin oluşumuna yol açacaktır.

# 6) Bölme yöntemi, veri demetlerini bölümlemek için hangi özniteliğin seçilmesi gerektiğini belirleyecektir. Ayrıca test sonucuna göre düğümden yetiştirilecek dalları da belirler. Bölme kriterinin ana nedeni, karar ağacının her dalındaki bölümün aynı sınıf etiketini temsil etmesidir.

Bölme niteliğinin bir örneği aşağıda gösterilmiştir:

a. Yukarıdaki bölümleme ayrı değerlidir.

b. Yukarıdaki porsiyon, sürekli değer içindir.

# 7) Yukarıdaki bölümleme adımları, eğitim veri kümesi grupları için bir karar ağacı oluşturmak üzere yinelemeli olarak izlenir.

jar dosyaları nasıl açılır windows 10

# 8) Bölümleme, yalnızca tüm bölümler yapıldığında veya kalan tuplelar daha fazla bölümlenemediğinde durur.

# 9) Algoritmanın karmaşıklığı şu şekilde açıklanmaktadır: n * | D | * günlük | D | burada n eğitim veri kümesi D ve | D'deki özniteliklerin sayısıdır | tuple sayısıdır.

Açgözlü Özyinelemeli İkili Bölme Nedir?

İkili bölme yönteminde, başlıklar bölünür ve her bölünmüş maliyet fonksiyonu hesaplanır. En düşük maliyet payı seçilir. Bölme yöntemi ikilidir ve 2 dal olarak oluşturulmuştur. Veri kümesinin diğer demetlerini bölmek için aynı yöntem (maliyetin hesaplanması) kullanıldığı için doğası gereği özyinelemelidir.

Bu algoritma, yalnızca mevcut düğüme odaklandığı için açgözlü olarak adlandırılır. Diğer düğümler göz ardı edilirken, maliyetini düşürmeye odaklanır.

Bir Ağaç Oluşturmak İçin Nitelikler Nasıl Seçilir?

Öznitelik seçim ölçüleri, tuple'ların nasıl bölüneceğine karar vermek için ayırma kuralları olarak da adlandırılır. Bölme kriterleri, veri kümesini en iyi şekilde bölümlemek için kullanılır. Bu önlemler, eğitim tuplelarını bölümlere ayırma özniteliklerine bir sıralama sağlar.

Özniteliği seçmenin en popüler yöntemleri bilgi kazancı, Gini indeksidir.

# 1) Bilgi Kazanımı

Bu yöntem, karar ağaçları oluşturmak için kullanılan ana yöntemdir. Demetleri sınıflandırmak için gerekli olan bilgileri azaltır. Verilen demeti sınıflandırmak için gereken test sayısını azaltır. En yüksek bilgi kazancına sahip özellik seçilir.

Veri kümesi D'deki bir demetin sınıflandırılması için gereken orijinal bilgiler şu şekilde verilir:

Burada p, demetin C sınıfına ait olma olasılığıdır. Bilgi bit olarak kodlanır, bu nedenle, 2 tabanına günlük kullanılır. E (s), veri seti D'nin sınıf etiketini bulmak için gereken ortalama bilgi miktarını temsil eder. Bu bilgi kazancı da denir Entropi .

Bölümlemeden sonra kesin sınıflandırma için gerekli bilgiler aşağıdaki formülle verilmiştir:

P (c) bölümün ağırlığıdır. Bu bilgiler, D veri kümesini X'e göre bölümlemede sınıflandırmak için gereken bilgileri temsil eder.

Bilgi kazancı, veri seti D'nin demetlerini sınıflandırmak için gerekli olan orijinal ve beklenen bilgiler arasındaki farktır.

Kazanç, X'in değerini bilerek gerekli olan bilginin azaltılmasıdır. En yüksek bilgi kazancına sahip özellik “en iyi” olarak seçilir.

# 2) Kazanç Oranı

Bilgi kazanımı bazen sınıflandırma için yararsız porsiyonlara neden olabilir. Bununla birlikte, Kazanç oranı, eğitim veri kümesini bölümlere ayırır ve toplam demetlere göre sonucun tuple sayısını dikkate alır. Maksimum kazanç oranına sahip özellik, bölme özelliği olarak kullanılır.

# 3) Gini Endeksi

Gini Endeksi yalnızca ikili değişkenler için hesaplanır. Veri kümesi D'nin eğitim demetlerindeki kirliliği ölçer.

P, dizinin C sınıfına ait olma olasılığıdır.A özelliği ile ikili bölünmüş veri kümesi D için hesaplanan Gini indeksi şu şekilde verilir:

N, veri kümesinin n'inci bölümüdür D.

Safsızlıktaki azalma, A özelliğine göre bölümlemeden sonra orijinal veri kümesi D'nin Gini endeksinin ve Gini endeksinin farkı ile verilmektedir.

Kirlilikteki maksimum azalma veya maksimum Gini endeksi, bölme için en iyi özellik olarak seçilir.

Karar Ağaçlarına Aşırı Uyum

Aşırı uyum, bir karar ağacının testlerin derinliğini artırarak olabildiğince mükemmel olmaya çalışması ve böylece hatayı azaltması durumunda gerçekleşir. Bu, çok karmaşık ağaçlara neden olur ve aşırı uyuma neden olur.

Aşırı uyum, karar ağacının tahmine dayalı doğasını azaltır. Ağaçların aşırı donatılmasını önlemeye yönelik yaklaşımlar arasında ön budama ve budama sonrası yer alır.

Ağaç Budaması Nedir?

Budama, kullanılmayan dalları karar ağacından çıkarma yöntemidir. Karar ağacının bazı dalları, aykırı değerleri veya gürültülü verileri temsil edebilir.

Ağaç budama, ağacın istenmeyen dallarını azaltma yöntemidir. Bu, ağacın karmaşıklığını azaltacak ve etkili tahmine dayalı analize yardımcı olacaktır. Ağaçlardan önemsiz dalları uzaklaştırdığı için fazla oturmayı azaltır.

Ağacı budamanın iki yolu vardır:

# 1) Ön budama : Bu yaklaşımda karar ağacının oluşturulması erken durdurulur. Dalların daha fazla bölünmemesine karar verildiği anlamına gelir. İnşa edilen son düğüm, yaprak düğümü olur ve bu yaprak düğümü, demetler arasında en sık görülen sınıfı tutabilir.

Öznitelik seçim ölçüleri, bölünmenin ağırlığını bulmak için kullanılır. Eşik değerleri, hangi bölmelerin yararlı olarak kabul edileceğine karar vermek için belirlenir. Düğümün bölünmesi, eşiğin altına düşerek bölünmeye neden olursa, işlem durdurulur.

# 2) Budama Sonrası : Bu yöntem, tamamen büyümüş bir ağaçtan aykırı dalları kaldırır. İstenmeyen dallar kaldırılır ve en sık kullanılan sınıf etiketini belirten bir yaprak düğüm ile değiştirilir. Bu teknik, ön budama işleminden daha fazla hesaplama gerektirir, ancak daha güvenilirdir.

Budanmış ağaçlar, budanmamış ağaçlara göre daha hassas ve kompakttır, ancak çoğaltma ve tekrarlama dezavantajlarını taşır.

Yineleme, aynı öznitelik bir ağacın bir dalı boyunca tekrar tekrar test edildiğinde meydana gelir. Çoğaltma ağaçta yinelenen alt ağaçlar olduğunda oluşur. Bu sorunlar çok değişkenli bölmelerle çözülebilir.

Aşağıdaki resim, budanmamış ve budanmamış bir ağacı göstermektedir.

Karar Ağacı Algoritması Örneği

Misal Kaynak

Karar Ağacı Oluşturmak

Görünüm, sıcaklık, rüzgar ve nem özellikleriyle son 10 günlük hava durumu veri kümesinin bir örneğini ele alalım. Sonuç değişkeni kriket oynayıp oynamayacak. Karar ağacını oluşturmak için ID3 algoritmasını kullanacağız.

Aşama 1: İlk adım, bir kök düğüm oluşturmak olacaktır.

Adım 2: Tüm sonuçlar evet ise, yaprak düğümü 'evet' döndürülür, aksi takdirde yaprak düğümü 'hayır' döndürülür.

Aşama 3: E (S) ve E (S, x) olan 'x' niteliği ile tüm gözlemlerin ve entropinin Entropisini bulun.

Adım4: Bilgi kazancını bulun ve yüksek bilgi kazanımı olan özelliği seçin.

Adım 5: Tüm özellikler kapsanana kadar yukarıdaki adımları tekrarlayın.

Entropinin Hesaplanması:

Evet Hayır

9 5

Entropi sıfır ise, bu tüm üyelerin aynı sınıfa ait olduğu ve entropinin bir olduğu anlamına gelir, o zaman tuplelerin yarısının bir sınıfa, birinin diğer sınıfa ait olduğu anlamına gelir. 0,94, adil dağıtım anlamına gelir.

Maksimum bilgi kazancı sağlayan bilgi kazanma özelliğini bulun.

Örneğin 'Rüzgar', iki değer alır: Güçlü ve Zayıf, bu nedenle, x = {Güçlü, Zayıf}.

X = zayıf ve x = güçlü için H (x), P (x) 'i bulun. H (S) zaten yukarıda hesaplanmıştır.

Zayıf = 8

Güçlü = 8

“Zayıf” rüzgar için 6'sı kriket oynamak için “Evet”, 2'si “Hayır” diyor. Yani entropi şöyle olacaktır:

'Kuvvetli' rüzgar için, 3 kriket oynamak için 'Hayır' ve 3 'Evet' dedi.

Windows 10 için en iyi yazma uygulamaları

Bu, öğelerin yarısı bir sınıfa ve kalan yarısı diğerlerine ait olduğu için mükemmel bir rastgelelik gösterir.

Bilgi kazancını hesaplayın,

Benzer şekilde, diğer özellikler için bilgi kazancı şöyledir:

Öznitelik görünümü, en yüksek bilgi kazancı 0.246, dolayısıyla kök olarak seçilmiştir.

Bulutlu, 3 değere sahiptir: Güneşli, Kapalı ve Yağmurlu. Oyun kriket ile kapalı hava her zaman 'Evet' dir. Böylece bir yaprak düğüm ile sonuçlanır, 'evet'. Diğer değerler için 'Güneşli' ve 'Yağmur'.

Outlook için 'Güneşli' tablosu şöyle olacaktır:

'Outlook' 'Sunny' için Entropi:

Sunny ile ilgili nitelikler için bilgi kazanımı:

Nem için bilgi kazancı en yüksektir, bu nedenle bir sonraki düğüm olarak seçilir. Benzer şekilde Entropi, Rain için hesaplanır. Rüzgar en yüksek bilgi kazancını verir .

Karar ağacı aşağıdaki gibi görünecektir:

Tahmine Dayalı Modelleme Nedir?

Sınıflandırma modelleri, bilinmeyen bir öznitelik kümesinin sonuçlarını tahmin etmek için kullanılabilir.

Bilinmeyen sınıf etiketlerine sahip bir veri kümesi modele beslendiğinde, sınıf etiketini otomatik olarak ona atar. Sonuçları tahmin etmek için olasılık uygulama yöntemine tahmine dayalı modelleme denir.

Karar Ağacı Sınıflandırmasının Avantajları

Karar Ağacı Sınıflandırmasının çeşitli yararları aşağıda listelenmiştir:

1. Karar ağacı sınıflandırması, herhangi bir alan bilgisi gerektirmediğinden, bilgi keşif sürecine uygundur.
2. Verilerin ağaç biçiminde temsili insanlar tarafından kolayca anlaşılır ve sezgiseldir.
3. Çok boyutlu verileri işleyebilir.
4. Büyük doğrulukla hızlı bir işlemdir.

Karar Ağacı Sınıflandırmasının Dezavantajları

Aşağıda, Karar Ağacı Sınıflandırmasının çeşitli dezavantajları verilmiştir:

1. Bazen karar ağaçları çok karmaşık hale gelir ve bunlara aşırı donatılmış ağaçlar denir.
2. Karar ağacı algoritması optimal bir çözüm olmayabilir.
3. Karar ağaçları, bir sınıf etiketi hakimse, önyargılı bir çözüm döndürebilir.

Sonuç

Karar Ağaçları, sınıflandırma ve regresyon analizi için veri madenciliği teknikleridir.

Bu teknik artık tıbbi teşhis, hedef pazarlama vb. Gibi birçok alanı kapsıyor. Bu ağaçlar ID3, CART gibi bir algoritma izlenerek oluşturulmuştur. Bu algoritmalar, verileri bölümlere ayırmanın farklı yollarını bulur.

Makine öğrenimi ve örüntü analizinde kullanılan en yaygın bilinen denetimli öğrenme tekniğidir. Karar ağaçları, sisteme sağlanan eğitim setinden öğrenerek model oluşturarak hedef değişkenin değerlerini tahmin eder.

Bu bilgilendirici öğreticiden Karar Ağacı Madenciliği hakkında her şeyi öğrendiğinizi umuyoruz !!

PREV Eğitimi | SONRAKİ Eğitici

Önerilen Kaynaklar

• Veri Madenciliği Örnekleri: Veri Madenciliğinin En Yaygın Uygulamaları 2021
• Veri Madenciliği Teknikleri: Algoritma, Yöntemler ve En İyi Veri Madenciliği Araçları
• Veri Madenciliği: Veri Analizinde Süreç, Teknikler ve Başlıca Sorunlar
• C ++ 'da B Ağacı ve B + Ağacı Veri Yapısı
• C ++ 'da İkili Ağaç Veri Yapısı
• Veri Madenciliği Süreci: Modeller, Süreç Adımları ve İlgili Zorluklar
• C ++ 'da AVL Ağacı ve Yığın Veri Yapısı
• Veri Madenciliği - Makine Öğrenimi - Yapay Zeka - Derin Öğrenme