SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2009 / Cilt: 24 - Sayı: 2

KENDİNDEN DÜZENLENEN HARİTALAR İLE DERS İÇERİKLERİNİN SINIFLANDIRILMASI

Yılmaz ALPDOĞAN
Hasan BİLGE
Pages
0
Publication Date
2013-02-14
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Ayrıca farklı üniversitelerin farklı kodlara ve adlara sahip fakat içerik olarak benzer olan dersleri, SOM haritası üzerinde başarılı bir şekilde birbirine yakın çıkmaktadır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Elektronik dokümanların sayısının büyük bir hızla arttığı günümüzde, otomatik doküman sınıflandırma sistemlerinin, bilgi yönetiminin geleceği açısından çok kritik olduğu değerlendirilmektedir.
📊
Key Findings & Data:Çok tekrar eden kelimeler ise, diğer uygulamalardan farklı olarak burada oldukça anlamlı ve önemli terimler olarak görüldüğü için atılmamaktadır.
💡
Conclusion & Impact:Ayrıca farklı üniversitelerin farklı kodlara ve adlara sahip fakat içerik olarak benzer olan dersleri, SOM haritası üzerinde başarılı bir şekilde birbirine yakın çıkmaktadır.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Doküman sınıflandırma · kendinden düzenlenen haritalar · ders içerikleri.

Özet

Elektronik dokümanların sayısının büyük bir hızla arttığı günümüzde, otomatik doküman sınıflandırma sistemlerinin, bilgi yönetiminin geleceği açısından çok kritik olduğu değerlendirilmektedir. Bu çalışmanın amacı, teknik dokümanları içeriklerine göre otomatik olarak sınıflandırmaktır. Teknik doküman olarak, birçok terimin sıralanmasıyla oluşan bilgisayar mühendisliği lisans programlarında açılan derslerin içerikleri kullanılmaktadır. Bu çalışmada, danışmansız öğrenme özelliğine sahip Kendinden Düzenlenen Haritalar (SOM) kullanılarak ders içeriklerini otomatik olarak sınıflandıran bir sistem önerilmektedir. Sınıflandırma işleminden önce ders içerikleri üzerinde çeşitli önişlemlerin uygulanması gerekmektedir. Dokümanlardaki durak kelimeleri (bağlaç, zamir v.s.) temizlendikten sonra kelimelerin kökleri bulunmaktadır. Sadece bir dokümanda geçen kelimeler ayırt edici olmadığından dolayı atılmaktadır. Çok tekrar eden kelimeler ise, diğer uygulamalardan farklı olarak burada oldukça anlamlı ve önemli terimler olarak görüldüğü için atılmamaktadır. Daha sonra terim frekansı ve ters doküman frekansı verileri kullanılarak ağırlık vektörleri hesaplanıp normalize edilmiştir. Her ders için hesaplanan bu vektörler kullanılarak kendinden düzenlenen haritalar yöntemi ile sınıflandırma yapılmıştır. Sonuçlar, karşılaştırma amacıyla k-ortalama algoritmasının çıktıları ile birlikte gösterilmiştir. Ders içeriklerini kullanarak yapılan bu sınıflandırma çalışması ile, bir bölümün derslerinin arasındaki içeriğe dayalı ilişkiler açık bir şekilde görülmektedir. Ayrıca farklı üniversitelerin farklı kodlara ve adlara sahip fakat içerik olarak benzer olan dersleri, SOM haritası üzerinde başarılı bir şekilde birbirine yakın çıkmaktadır.

🔖

Cite This Article

ALPDOĞAN, Y., BİLGE, H. (2013). KENDİNDEN DÜZENLENEN HARİTALAR İLE DERS İÇERİKLERİNİN SINIFLANDIRILMASI. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 24 - Sayı: 2, 0. https://ajindex.com/articles/20867

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (11)

  1. Calvo, R.A., Lee, J.M., Li, X., “Managing content with automatic document classification”, Journal of Digital Information, Cilt 5, No 2, - Amine, A., Elberrichi, Z., Bellatreche, L., Simonet, M., Malki, M., “Concept-based clustering of textual documents using SOM”, IEEE/ACS International Conference on Computer Systems and Applications, 156-163, - Kohonen, T., “Self-organizing maps”, Springer Series in Information Sciences, Springer-Verlag, New York, 30:1-426, 1997.
  2. Kohonen, T., “Self-organization of very large document collections: State of the art”, Proceedings of the 8th International Conference on Artificial Neural Networks, Skovde, Sweden, Cilt 1, 65-74, 1998.
  3. Segal, R.B., Kephart, J., O., “MailCat: An Intelligent Assistant for Organizing E-mail”, Proceedings of the Third International Conference on Autonomous Agents, Seattle, Washington, United States, 276-282, 1999.
  4. Merkl, D., Rauber, A., “Document classification with unsupervised artificial neural networks”, “Soft Computing in Information Retrieval: Techniques and Applications”, (Editors: Fabio Crestani, Gabriella Pasi), Springer-Verlag, 102-121, 2000.
  5. Dittenbach, M., Rauber, A., Merkl, D., “Uncovering hierarchical structure in data using the growing hierarchical self-organizing map”, Neurocomputing, Cilt 48, No 1, 199-216, 2002.
  6. Sağıroğlu, Ş., Beşdok, E., Erler, M., “Mühendislikte yapay zeka uygulamaları-I: yapay sinir ağları”, Ufuk Kitap Kırtasiye Yayıncılık, Kayseri, 23-116 (2003).
  7. Koikkalainen, P., Oja, E., “Self-organizing hierarchical feature maps”, IJCNN International Joint Conference on Neural Networks, Cilt 2, -284, 1990.
  8. Vesanto, J., “SOM-based data visualization methods”, Intelligent Data Analysis, Cilt 3, No, 111-126, 1999.
  9. Kohonen, T., Kaski, S., Lagus, K., Salojarvi, J., Honkela, J., Paatero, V. Saarela, A., “Self organization of a massive document collection”, IEEE Transactions on Neural Networks, Cilt, No 3, 574-585, 2000.
  10. Rauber, A., Merkl, D., “Automatic labeling of self-organizing maps: Making a treasure-map reveal its secrets”, The Third Pacific-Asia Conference on Methodologies for Knowledge Discovery and Data Mining, Beijing, China, -237, 1999.
  11. Salton, G., McGill, M.J., “Introduction to modern information retrieval”, McGraw-Hill, New York, - Salton, G., Buckley, C., “Term-weighting approaches in automatic text retrieval”, Information Processing and Management, Cilt 24, No 5, 513-523, 1988.