Archive for the ‘PROGRAMLAMA’ Category

Bolu Beyi tarafından yazıldı Aralık - 6 - 2013 0 Yorum

OpenMP’de 1-100 arasındaki asal sayıları bulan program: #include <stdio.h> #include <omp.h> #include <math.h>#define chunksize 5 #define iterasyon 100int main() { int chunk, i, sayac=0; chunk = chunksize; float bolum; #pragma omp parallel shared(chunk, sayac) private(i) { #pragma omp for schedule(dynamic, chunk) nowait for(i=2;i<iterasyon;i++) { bolum=(int)sqrt((float)i); bool bayrak=false;

Bolu Beyi tarafından yazıldı Ekim - 22 - 2013 0 Yorum

DC Motor hız kontrolünün sağlanması için Arduino’ya ait “Servo” kütüphanesi kullanılabilmektedir ve motorlar Servo değişkeni ile tanımlanır. Motorlara bağlı olan ESC’lerin 3 adet pini bulunmaktadır. Pinler: Artı Toprak Sinyal Toprak pini Arduino Mega üzerindeki GND pinlerine, sinyal ise bu örnekte 4, 5, 6 ve 7. Pinlere bağlanmıştır. Çok sayıda motor kullanıyorsanız, Arduino Mega üzerinde yeterli sayıda GND pini bulunmadığından breadboard kullanabilirsiniz. Bağlantıların doğru bir şekilde yapılmasından sonra yazılım kısmında hangi motorların hangi pine bağlı olduğu belirtilir.  [ Read More ]

Bolu Beyi tarafından yazıldı Temmuz - 2 - 2013 6 Yorum

          Proje başlangıcında formumuza aşağıdaki nesneleri ekliyoruz:  1 adet Webbrowser  7 adet Picturebox  8 adet Buton  2 adet Panel  2 adet Listbox  1 adet Timer  2 adet Metin dosyası Formun Load Bölümü Formun load kısmında, tarayıcının açılışında efekt vermek amacıyla timer nesnesi başlatılmıştır. Açılış sayfası da bu kısımda belirtilmiştir. Başlangıçta, geçmiş bilgileri ve sık kullanılanlar bilgileri “bin” klasöründe bulunan text dosyasından “using System.IO” kütüphanesi kullanılarak listbox’a aktarılmıştır.

Bolu Beyi tarafından yazıldı Mayıs - 31 - 2013 2 Yorum

Aşağıdaki resimde görüldüğü üzere karar ağacı için cross validation(çapraz geçerleme) uygulaması gerçekleştirilmiştir ve 2 farklı değer görülmüştür. İlk örnekte, kayıp oranı 0.0330, doğruluk oranı ise 0.9670 çıkmıştır. İkinci örnekte ise kayıp oranı 0.0360 çıkarken, doğruluk oranının 0.9640 olduğu gözlenmiştir. Cross validation (çapraz geçerleme) – karar ağacı uygulama kodları: tree = ClassificationTree.fit(carEgitim, classEgitim)t = classregtree(carEgitim, classEgitim);cvv = crossval(tree); loss = kfoldLoss(cvv) dogruluk = 1 – loss

Bolu Beyi tarafından yazıldı Mayıs - 29 - 2013 0 Yorum

Aşağıdaki resimde görüldüğü üzere knn sınıflandırıcı için cross validation uygulaması gerçekleştirilmiştir. Sonuçları daha sağlıklı gözlemlemek amacıyla 3 adet deneme yapılmıştır. Bunlardan birincisinde sonuç, 0.8970, ikincisinde 0.8990, sonuncu denemede ise 0.9000 değerleri gözlemlenmiştir. indices = crossvalind(‘Kfold’, classEgitim, 10);cp = classsperf (classEgitim);for i = 1:10 classTest = (indices ==i); cartest = classTest; class = knnclassify(carEgitim(classTest,:), carEgitim(carTest,:), classEgitim(cartest)); classperf(cp, class, classTest); end cp.CorrectRate

Bolu Beyi tarafından yazıldı Mayıs - 28 - 2013 1 Yorum

Knn ve Naive Bayes örneklerinde olduğu gibi, karar ağacı uygulamasında da veri setinin homojen olarak dağılmaması sonucu, “Good” ve “VGood” etiketlerine sahip veriler, sağlıklı sonuç vermemiştir. “Unacc” etiketine sahip verilerde yaklaşık %97 oranında başarı sağlanmıştır. “Acc” etiketine sahip verilerde, yaklaşık %77 oranında başarı sağlanmıştır. “VGood” ve “Good” etiketlerinde, diğer uygulamalarda olduğu gibi, veri setinin homojen olmamasından dolayı başarı oranı düşük çıkmıştır. “Good” etiketine sahip verilerde yaklaşık %5, “VGood” etiketine sahip verilerde ise %0’lık başarısızlık gözlenmiştir.  [ Read More ]

Bolu Beyi tarafından yazıldı Mayıs - 27 - 2013 0 Yorum

Daha önceden yayınlamış olduğum matlab ile naive bayes uygulamasında elde edilen sonuçlar yaklaşık olarak bu uygulamada da aynı şekilde olmuştur. Veri seti sınıf etiketleri homojen olarak dağılmadığından, matrisin son iki sütunu, yani “Good” ve “Vgood” etiketleri “0” gelmiştir. Knn sınıflandırıcıda nokta sayısı sırasıyla 1,2 ve 3 seçilerek örnek yapılmıştır. Nokta sayısı kaç seçilirse seçilsin, “Unacc” sınıfında başarı oranı % 100 olarak görülmüştür. “Acc” etiketinde nokta sayısı 1 ve 2 seçildiğinde başarı oranı yaklaşık % 80,  [ Read More ]

Bolu Beyi tarafından yazıldı Mayıs - 24 - 2013 7 Yorum

Matlab ile gerçekleştirilecek bu uygulamada 6 özellik, ve 4 sınıf etiketinden oluşan “Car Evaluation” veri seti kullanılmıştır. 1383 verinin 1000 adedi eğitim, 383 adedi test kümesi olarak kullanılmıştır. Uygulamada veri setinin çok az bir kısmında “Good” ve “Vgood” etiketi olduğundan ve daha çok veri setinin son kısımlarına bulunduğundan, oluşan confusion matriste başarı oranı “% 0” olmuştur. “Unacc” etiketi için başarı oranı % 98, “Acc” etiketi için ise başarı oranı yaklaşık % 76 olmuştur. Workspace oluşturulurken, veriler öncelikle  [ Read More ]

Bolu Beyi tarafından yazıldı Mayıs - 3 - 2013 1 Yorum

Naive Bayes Sınıflandırıcı adını İngiliz matematikçi Thomas Bayes’ten alır. Naive Bayes Sınıflandırıcı Örüntü tanıma problemine ilk bakışta oldukça sınırlayıcı görülen bir önerme ile kullanılabilen olasılıkçı bir yaklaşımdır. Bu önerme, örüntü tanıma da kullanılacak her bir tanımlayıcı nitelik ya da parametrenin istatistiksel açıdan bağımsız olması gerekliliğidir. Bu önerme her ne kadar Naive Bayes Sınıflandırıcısının kullanım alanını sınırlasa da, genelde istatistik bağımsızlık koşulu esnetilerek kullanıldığında da daha karmaşık Yapay sinir ağları(YSA) gibi metotlarla karşılaştırabilir sonuçlar vermektedir. Naive Bayes,  [ Read More ]

Bolu Beyi tarafından yazıldı Nisan - 22 - 2013 0 Yorum

Assembly’de küçük harfi büyük harfe çeviren program, ekran temizleme, display komutu ve cursor ayarlama:         .model small.stack 64.data myString db ‘Bolubeyinden selam olsun’,’$’ yourString db 24 dup(?),’$’