Web Kullanım Verileri – Ödev Hazırlatma – Proje Yaptırma – Tez Yaptırma Fiyatları – Sunum Örnekleri – Ücretli Ödev Yaptırma – Ödev Yaptırma Ücretleri
Web Kullanım Verilerinde Geçiş Modeli Madenciliği
Web kullanım madenciliği, Web kullanım verilerinde, yani Web günlüklerinde yararlı kalıpları keşfetmek için tasarlanmıştır. Web günlükleri, kullanıcının bir Web sitesinde gezinmesini kaydeder ve kalıplar, kullanıcının gezinme davranışı hakkında yararlı bilgiler sağlar. Bu tür modeller Web tasarımı, Web sunucusu performansının iyileştirilmesi, kişiselleştirme vb. için kullanılabilir.
Örüntü keşfi, hazırlanan verilere istatistik, veri madenciliği, makine öğrenimi vb. farklı alanlardan yöntem ve algoritmalar uygular. İstatistiksel tekniklerin Web kullanım verilerine uygulanmasıyla, kullanıcıların gezinme davranışları hakkında, örneğin bir sayfanın ortalama görüntülenme süresi ve en sık erişilen sayfalar gibi bazı faydalı istatistikler elde edilebilir.
Kullanım verilerine kümeleme (a.k.a., denetimsiz öğrenme) uygulayarak, benzer göz atma davranışı sergileyen kullanıcı grupları bulunabilir. Bu tür bilgiler pazar bölümleme ve kişiselleştirme için yararlıdır. Buradaki odak noktası, Web kullanım verilerinden geçiş modellerini keşfetmektir.
Geçiş modeli, bir kullanıcı tarafından bir oturumda ziyaret edilen sayfaların listesidir. Literatürde birkaç farklı geçiş modeli ve bunları keşfetmeye karşılık gelen yöntemler önerilmiştir: Birliktelik Kuralları, Sıralı Modeller, Sık Bölümler, Maksimal Sık İleriye Yönelik Diziler ve Maksimal Sık Diziler. Her bir geçiş deseni türüyle ilgili ayrıntılar aşağıdaki bölümde açıklanmaktadır.
HAREKET DESENLERİ VE KEŞİF YÖNTEMLERİ
Birliktelik Kuralları
Birliktelik kuralları başlangıçta pazar sepeti verileri için önerildi. Birliktelik kuralları, müşteriler tarafından aynı işlemde satın alınan ürünler arasındaki ilişkileri tanımlar; örneğin, çocuk bezi satın alan müşterilerin %80’i aynı zamanda bir mağazadan bira da satın almıştır.
İşlemlerden ilişkilendirme kuralları çıkarmak için iki adım vardır: ilk olarak sık kullanılan öğe kümelerini bulmak ve ardından sık kullanılan öğe kümelerinden ilişkilendirme kuralları oluşturmak.
İkinci adım, birinci adıma göre basit olduğu için, araştırma odağı ilk adım üzerindedir. Öğe kümesi desteği önceden tanımlanmış bir eşikten az değilse, bir öğe kümesi (veya kısaca öğe kümesi) sık görülür. Bir işlem veritabanındaki bir öğe kümesi desteği, öğe kümesini içeren işlemlerin yüzdesi olarak tanımlanır.
Sıralı Modeller
Sıralı kalıplar da başlangıçta pazar sepeti verileri için önerildi. Örneğin, müşteriler bir dijital kamera, ardından bir fotoğraf yazıcısı ve ardından fotoğraf kağıtları satın alır. Bu tür sıralı modeller, müşterilerin zaman içindeki satın alma davranışlarını yakalar.
Web günlüklerine sıralı modeller de uygulanmıştır. Oturumlar, kullanıcı kimliği ve erişim süresine göre sıralanır. İlişkilendirme kurallarına gelince, yinelenen sayfalar atılır. Daha sonra her kullanıcı için, kullanıcının tüm oturumlarından oluşan bir kullanıcı dizisi vardır.
Ardışık model, desteği önceden tanımlanmış bir eşikten daha az olmayan maksimum bir öğe dizisi dizisidir. Bir dizi, başka bir dizide yer almıyorsa maksimaldir. Bir dizinin desteği, diziyi içeren kullanıcı dizilerinin yüzdesidir.
Algoritma AprioriAll, belirli bir destek eşiği verilen tüm sıralı kalıpları bulmak için önerildi. AprioriAll daha sonra Generalized Sequential Patterns (GSP) ile geliştirildi. Geçiş kalıpları, zaman kısıtlamalarına, kayan zaman penceresine ve kullanıcı tanımlı taksonomiye izin verecek şekilde genelleştirildi.
Sık Bölümler
Sık bölümler başlangıçta telekomünikasyon alarm analizi için önerildi. Epizodlar, belirli bir zaman aralığında birlikte meydana gelen olayların koleksiyonlarıdır. Genel olarak, kısmen sıralanmış olay kümeleridir. İki özel bölüm türü vardır: paralel bölümler ve seri bölümler.
Bölümlerdeki olayların sıralı olup olmadığı konusunda farklılık gösterirler. Paralel bölümlerde olaylar sıralanmazken, seri bölümlerde olaylar sıralı olarak sıralanır. Bir epizod, önceden tanımlanmış bir eşikten daha az olmayan bir olay dizisinde meydana geliyorsa sıktır.
Sık bölümler ayrıca Web günlüklerine de uygulandı. Tıklamalar (sayfalar) olaylara karşılık gelir. Erişim zamanına göre sıralanırlar ve genellikle kullanıcıların tanımlanması gerekmez, yani oturum yoktur.
TÜİK sosyal medya kullanımı İstatistikleri
TÜİK akıllı telefon kullanım oranı
TÜİK cep telefonu kullanımı
TÜİK Teknoloji kullanımı
Dünya internet kullanım oranları
türkiye’de internet kullanımı ne zaman başladı
Hanehalkı bilişim teknolojileri kullanım araştırması 2016
Yaş gruplarına göre internet kullanımı
Maksimal Sık İleriye Dönük Diziler
Maksimal Sık İleriye Yönelik Diziler (kısaca MFFS) önerildi MFFS’ye büyük referans dizisi olarak atıfta bulunulduğuna dikkat edin. Bir MFFS, World Wide Web gibi dağıtılmış bir bilgi sağlama ortamında kullanıcının yol geçiş davranışını tanımlar.
Oturumlardan MFFS’leri çıkarmanın iki adımı vardır. İlk olarak, her oturum maksimum ileri dizilere dönüştürülür (yani, geriye doğru geçişler kaldırılır). MFFS’ler daha sonra maksimal ileri dizilerden seviye bazlı algoritmalar kullanılarak çıkarılır.
Ham oturumlarda, genellikle kullanıcı tarafından yapılan geriye doğru geçişler vardır. Geriye doğru gezinme, aynı kullanıcı oturumunda daha önce ziyaret edilen bir sayfanın yeniden ziyaret edilmesi anlamına gelir. Bu tür geriye doğru geçişlerin, kullanıcının bunu yapmak istemesinden değil, yalnızca Web sayfalarının yapısından kaynaklandığı varsayılmaktadır.
Geriye doğru bir geçiş meydana geldiğinde, ileriye doğru bir geçiş yolu sona erer. Ortaya çıkan bu ileriye doğru geçiş yolu, maksimum ileri sıra olarak adlandırılır. Daha sonra bir sonraki ileri hareketin başlangıç noktasına geri döner ve başka bir ileri hareket yoluna devam eder.
Bir MFFS, maksimal ileri diziler kümesinde önceden tanımlanmış bazı eşik değerlerinden daha az olmayan görünen bir geçiş dizisidir (maksimum iletme dizisinin ardışık alt dizisi). Bir MFFS’deki sayfaların maksimal ileri dizilerde ardışık olması gerekir ve bir MFFS de maksimaldir, yani başka herhangi bir sık geçiş dizisinin bir alt dizisi değildir.
Maksimal Sık Diziler
Maksimal Sık Diziler (MFS) önerildi. Maksimum sıklıkta ileriye doğru dizilerin aksine, MFS’ler oturumlardan geriye doğru geçişleri kaldırmaz. Bu tür geriye doğru geçişlerin, Web sayfalarının yapılarını keşfetmek için yararlı olduğu tartışıldı.
Örneğin, bir kalıp <A, B, A, C> sık bulunursa, sonuçta ortaya çıkan maksimal ileri diziler <A, B> ve <A, C> bu tür bilgileri kaybedersiniz.
Bir MFS, önceden tanımlanmış bir eşikten daha az görünmeyen bir geçiş dizisidir (bir oturumun ardışık alt dizisi). Geriye doğru geçişler oturumlarda tutulduğundan, bir oturumda birden fazla geçiş dizisi oluşabilir.
Bir geçiş dizisinin gerçek oluşum sayısını ölçmek için, bir MFS’nin desteği, gerçek oluşum sayısının tüm oturumların toplam uzunluğuna oranı olarak tanımlanır. Bir oturumun uzunluğu, oturumdaki tıklamaların sayısıdır. Bir MFS’deki sayfaların oturumlarda ardışık olması gerekir ve bir MFS de maksimumdur.
Dünya internet kullanım oranları Hanehalkı bilişim teknolojileri kullanım araştırması 2016 TÜİK akıllı telefon kullanım oranı TÜİK cep telefonu kullanımı TÜİK sosyal medya kullanımı İstatistikleri TÜİK Teknoloji kullanımı türkiye'de internet kullanımı ne zaman başladı Yaş gruplarına göre internet kullanımı