Konular

Toplumsal yaşantıda bireylerin olumsuz ve yanlış davranışlarını görünce tepkimiz şu “eğitim şart”. Bu kişilerin “eğitim” almadığını nereden biliyoruz ki? Büyük bir ihtimalle eğitim almıştır ama bu başkalarının doğrularını veren bir eğitim olmayabilir. Kim kime kimin doğrularını öğretecektir?

Eğitim birilerince “doğru” olarak belirlenen şeylerin diğer bireylere aktarılması mıdır? Yoksa her bireyin kendi aklıyla kendi doğrularını geliştireceği bir süreç mi olmalıdır?

Tabii ki, her düzeydeki eğitim kurumları da bu anlayış çerçevesinde şekillenmelidir.

Başkalarının aklıyla yaşayan bir toplum mu istiyoruz? Düşünmek gerek...

Birbiri ile değişik nedenlerle ilişkili örnekler içeren, FaceBook, LinkedIn, Twitter gibi kaynaklar yanında, iletişim, yayın, ulaşım, elektrik ağı gibi kaynaklardan da gelen veri kümelerinin artması ile, ağ bilgisi içeren verilerde yapay öğrenme önem kazanmıştır. Ağ bilgisi içeren verilerde homofili (komşu örneklerin etiketlerinin benzer olması) ve test kümesinin nereden geleceğine (örnekleme) bağlı olarak sınıflandırma yöntemlerinin performansı değişebilmektedir. Kollektif sınıflandırma yöntemleri, homofilisi yüksek veri kümelerinde sınıflandırma performansını arttırabilmektedir. Örneklerin yüksek boyutlu, gürültülü veya birbiri ile ilişkili özniteliklere sahip olduğu veri kümelerinde hızlı ve ağ bilgisini hesaba katan öznitelik seçme yöntemleri kullanılabilir. Ağ bilgisi içeren verilerde, örneklerin etiketleri yanında, birbirleri ile bağlantılarının tahmini de önemli bir problemdir.

Her zamankinden daha bağlı bir dünyada yaşıyoruz. İnsanlar, yazılım sistemleri, ve fiziksel dünya tarafından üretilen veriler eskisine nazaran hem daha ulaşılabilir, hem de hacim, çeşitlilik, ve hız bakımından daha büyük ölçekte. Telekomünikasyon ve sosyal medya gibi bir çok uygulama alanında kişiler, sistemler, ve çevre arasındaki etkileşimler canlı veri olarak elde edilebilir durumda. Bu veri genelde zamansal olarak değişen bir çizge yapısında. Bu çizgeler üzerinde çalıştırılan veri analitikleri iş anlamında yeni bulgular elde edilmesinde ve karar alımı süreçlerinin eniyileştirilmesinde kullanılmakta. Bunlar göz önüne alındığında, çizge verisinin etkin bir biçimde işlenebilmesi git gide daha da fazla önem taşıyan bir yeti haline gelmekte. Bu bağlamda, bu sunumda büyük ölçekli çizge işlemede kullanılan Büyük Veri teknolojilerini ve çizge işleme tekniklerini gözden geçireceğiz.

Yapay öğrenme ve işaret işlemede karşılaşılan bir çok problem, eldeki verinin kesin veya yaklaşık bir ayrıştırılması olarak tanımlanabilir. Nümerik doğrusal cebir yöntemleri içerisinde matris hesaplama yöntemleri iyi bilinmektedir; son zamanlarda ise çok büyük miktarlarda karmaşık veri üretilen uygulama alanlarında bağıntıları bulmak için matris ve daha yüksek mertebeli tensör yöntemleri popülerlik kazanmaktadır. Özellikle büyük veri uygulamalarda çok boyutlu ve kipli veri setleri matrisler ve tensörler olarak betimlenmekte, bu veri yapılarının ayrıştırılması sonucu bulunan çarpanlar anlamlandırılabilmekte, tahminleme yapılmasına yardımcı olmakta ve daha üst seviyedeki analizler için öznitelikler çıkarılabilmesini sağlamaktadır. Bu derste, öncelikle matris ve tensör ayrıştırma modelleri üzerinde duracağız ve tavsiye sistemleri, işaret ve ses işleme, zaman serisi analizi gibi alanlardan örnekler vereceğiz. Daha sonra algoritmik olarak bu ayrışımların nasıl hesaplanabileceği üzerinde duracağız. Amacımız, biraz karmaşık görünen bu yöntemlerin pratik uygulamalarını ve ortak özelliklerini göstererek katılımcıları bilgilendirmek ve ileri vadede ilgilenilen araştırma sorularını ortaya koymak olacaktır.

Konuşma Özeti: Veri madenciliği büyük miktarlarda verilerden faydalı bilgilerin çıkarılmasını hedeflemektedir. Veri madenciliğinin özel bir alanı olan metin madenciliği ise insanlar tarafından yazılan ya da paylaşılan metinlerin üzerinde veri madenciliği yöntemlerinin doğal dil işleme teknikleri yardımı ile uygulanması olarak tanımlanabilir. Metinlerin analiz edilerek önemli terimlerin belirlenmesi, metinlerin özetlenmesi, sınıflandırılması ya da gruplandırılması üzerinde hali hazırda birçok yöntem geliştirilmiştir. Metin madenciliğinin nispeten yeni bir uygulama alanı olan duygu analizi ile insanların belli konularda ne düşündüklerini yazdıkları metinlerden çıkarmak amaçlanmaktadır. Bu konuşmada temel metin madenciliği yöntemleri ve bunların duygu analizi üzerinde uygulamaları üzerinde durulacaktır.

Son yıllarda konum belirleme özellikli mobil cihazların kullanımı hızla arttığından bunlara yönelik konum-tabanlı servislerde de artış olmuştur. Konum-tabanlı servis ve uygulamaların çok çeşitli uygulama alanları vardır. Bunlar arasında konum-tabanlı mobil reklamcılık/pazarlama, gerçek-zamanlı bilgi sorgulama, yakın çevrede hayatı etkileyen uyarılar, navigasyon, konum-tabanlı sosyal medya, konum-tabanlı oyunlar ve 112 acil servis. Bunların ortak özelliği kullanıcı konumunu servis sağlayıcı ile paylaşmalarıdır. Konum paylaşımı nedeniyle ortaya kimlik mahremiyeti, konum mahremiyeti ve konum örüntü mahremiyeti çıkmaktadır. Kimlik mahremiyeti abonelik/üyelik gerektirmeyen servislerde karşımıza çıkmaktadır. Konum mahremiyeti kendi içinde anlık ve tarihsel konum mahremiyeti olarak düşünülebilir. Konum örüntü mahremiyeti ise tarihsel konum verilerinden veri madenciliği gibi yöntemlerle çıkarılabilecek örüntülerin mahremiyetidir. Bu konuşmada ağırlıklı olarak konum ve konum mahremiyeti ile ilgili hususlara değinilecek ve çözüm yaklaşımları üzerinde durulacaktır.

Günümüzde, özellikle de gelişen teknoloji ile birlikte, genetik verinin kullanım alanları gitgide artmaktadır. Genetik veri, sadece kliniklerde araştırma amacı ile kullanılan bir veri olmaktan çıkmış, pek çok Web tabanlı servis, kullanıcılarına genetik verileri üzerinden servisler vermeye başlamıştır. Genetik verinin bu yaygın kullanımı, bu veri ile ilgili güvenlik endişelerini de beraberinde getirmektedir. Genetik veri, bir kişi ile ilgili çok hassas bilgiler taşımaktadır. Bir kişinin genetik verisi incelenecek olursa, o kişinin (i) kimliği, (ii) hangi ırktan geldiği, (iii) hali hazırda olan genetik hastalıkları, (iv) ileride bazı hassas hastalıklara (ör. Alzheimer, Parkinson, vb.) yakalanma ihtimali, (v) belirli fiziksel özellikleri ve (vi) aile bireylerinin genetik verileri gibi hassas bilgilere erişilebilir. Bu tip hassas verilerin yanlış insanların eline geçmesi genetik ırkçılık (genetic discrimination) gibi ciddi sonuçlara neden olabilir. Genetik verinin bu hassasiyetinden dolayı, kullanıldığı her alanda güvenliğinin sağlanması çok önemlidir. Bu konuşmada kişilerin genetik verilerinin çeşitli kaynaklar ve verimli algoritmalar kullanarak nasıl tahmin edilebileceğine ve genetik verinin gizliliğinin korunması için alınabilecek önlemlere değineceğiz. Sunulacak önlemlerin diğer büyük veri içeren sistemlerde nasıl kullanılabileceğini de tartışacağız.

Gerek klasik tekli sunucu sistemleri olsun, gerekse çoklu ve dağıtık bilgisayar kümeleri olsun, büyük veriyi analiz etmek için kullanılan sistemler son yıllarda hem yazılımsal hem de donanımsal olarak büyük bir değişime uğramış̧ ve daha kompleks bir hale gelmişlerdir. Yüksek performans beklenen bu sistemlerde oluşabilecek enerji tüketimi ve soğutma problemlerini aşmak amacıyla, çok çekirdekli soketler içeren işlemciler ve GİÜ (Grafik İşlemci Ünitesi) ya da Intel Xeon Phi gibi yüksek başarımlı hızlandırıcılar kullanılmaya başlanmıştır. Büyük veri yazılımları ise üzerinde çalışılan verinin ve problemin tipine göre farklı performans metriklerini düşünerek evrimleşmişlerdir. Konuşmada büyük veri sistemlerindeki bu gelişmeler ve bunların pratikteki etkileri anlatılacaktır.

Veri, katma değer yaratacak iş zekası geliştirmede ve tamamıyla yeni iş alanları geliştirmede büyük önem taşıyor. Bu amaç doğrultusunda, Veri Mühendisleri her geçen gün daha fazla veriyi yönetmek ve harmanlamak durumundadır. Bu eğitimde, ölçeklenebilir veri analiz sistemleri konusunda tecrübe edineceğiz. Apache Spark kullanılarak verilecek olan eğitimde, büyük veri setlerinin interaktif ve aşamalı bir yapıda nasıl işlenebildiği uygulamalı olarak gösterilecektir. Büyük veri madenciliği, yapısal sorgu modeli ile büyük veri ambarlarına entegrasyon, ve hata toleransı yüksek veri analiz sistemleri eğitimin konuları arasındadır.