SavedAdd your journal

Journals / Erzincan Üniversitesi Fen Bilimleri Enstitüsü Dergisi / 2019 / Cilt: 12 - Sayı: 1

Akan Veri Karakterizasyonu, Üretimi Ve Analitiği Üzerine Kapsamlı Bir İnceleme

Anıl UTKU
Muhammet Ali AKCAYOL
Pages
379–410
Publication Date
2019-03-24
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)

Akan verilerin türleri, kaynakları ve akan veriden öğrenme yöntemleri ile akan veri uygulamalarında kullanılan yöntemler ve algoritmalar kapsamlı bir şekilde incelenmiştir.Yapılan literatür araştırmaları ve incelemeler sonucunda, veri gizliliği, geleceğe dönük öngörülerin oluşturulması, veri ön işleme, kaynak kullanımı ve çevrimiçi güncelleme konularının geliştirilecek akan veri uygulamalarında değerlendirilmesi gereken konular olduğu ortaya konulmuştur.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Gelişen donanım ve yazılım teknolojileri sayesinde anlık olarak üretilen veri miktarı ve hızı giderek artmaktadır.
📊
Key Findings & Data:Akan veriler, statik verilerden farklı olarak, potansiyel olarak sonsuz, hızlı, zamanla değişen ve gelişen bir yapıya sahiptir.
💡
Conclusion & Impact:Akan verilerin türleri, kaynakları ve akan veriden öğrenme yöntemleri ile akan veri uygulamalarında kullanılan yöntemler ve algoritmalar kapsamlı bir şekilde incelenmiştir.Yapılan literatür araştırmaları ve incelemeler sonucunda, veri gizliliği, geleceğe dönük öngörülerin oluşturulması, veri ön işleme, kaynak kullanımı ve çevrimiçi güncelleme konularının geliştirilecek akan veri uygulamalarında değerlendirilmesi gereken konular olduğu ortaya konulmuştur.
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:Akan Veri · Akan Veri Karakterizasyonu · Akan Veri Üretimi

Özet

Gelişen donanım ve yazılım teknolojileri sayesinde anlık olarak üretilen veri miktarı ve hızı giderek artmaktadır. Akan veriler, statik verilerden farklı olarak, potansiyel olarak sonsuz, hızlı, zamanla değişen ve gelişen bir yapıya sahiptir. Bu sebeple akan verilerin tamamını depolamak zaman ve depolama alanı kısıtları sebebiyle imkânsız olabilmektedir. Akan veri madenciliğinde kullanılan yöntemlerin, statik veri madenciliğinden farklı olarak akan verilerin doğasına uygun bir şekilde optimize edilmesi gerekmektedir. Bu çalışma kapsamında akan veriler, statik veriler ile karşılaştırmalı olarak analiz edilmiştir. Akan veri madenciliği, akan veri karakterizasyonu ve akan veri üretimi üzerine detaylı araştırmalar yapılmıştır. Akan verilerin türleri, kaynakları ve akan veriden öğrenme yöntemleri ile akan veri uygulamalarında kullanılan yöntemler ve algoritmalar kapsamlı bir şekilde incelenmiştir.Yapılan literatür araştırmaları ve incelemeler sonucunda, veri gizliliği, geleceğe dönük öngörülerin oluşturulması, veri ön işleme, kaynak kullanımı ve çevrimiçi güncelleme konularının geliştirilecek akan veri uygulamalarında değerlendirilmesi gereken konular olduğu ortaya konulmuştur.

🔖

Cite This Article

UTKU, A., AKCAYOL, M. A. (2019). Akan Veri Karakterizasyonu, Üretimi Ve Analitiği Üzerine Kapsamlı Bir İnceleme. Erzincan Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Cilt: 12 - Sayı: 1, 379–410. https://ajindex.com/articles/234098

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (11)

  1. Abrol, S., Rajasekar, G., Khan, L., Khadilkar, V., Nagarajan, S., Mcdaniel, N., Thuraisingham, B. 2017. “Real-time, stream data information integration and analytics system”, U.S. Patent Application No. 14/746,576. Aggarwal, C.C. 2014. “Data classification: Algorithms and applications”, CRC Press.
  2. Aggarwal, C.C. 2007. “Data streams: models and algorithms”, Springer Science & Business Media. Aggarwal, C.C., Han, J., Wang, J., Yu, P. S. 2003. “A framework for clustering evolving data streams”, In Proceedings of the 29th international conference on Very large data bases, 81-92.
  3. Augenstein, C., Spangenberg, N., Franczyk, B. 2017. “Applying machine learning to big data streams: An overview of challenges”, In Soft Computing & Machine Intelligence (ISCMI), 2017 IEEE 4th International Conference on, 25-29.
  4. Babcock, B., Babu, S., Datar, M., Motwani, R., Widom, J. 2002. “Models and issues in data stream systems”, In Proceedings of the twenty-first ACM SIGMOD-SIGACT-SIGART symposium on Principles of database systems, 1-16.
  5. Bargiela, A., Pedrycz, W. 2016. “Granular computing”, In Handbook On Computational Intelligence: Volume 1: Fuzzy Logic, Systems, Artificial Neural Networks, and Learning Systems, 43-66.
  6. Bar-Yossef, Z., Jayram, T. S., Kumar, R., Sivakumar, D., Trevisan, L. 2002. “Counting distinct elements in a data stream”, In International Workshop on Randomization and Approximation Techniques in Computer Science, 1-10.
  7. Bengio, Y., Courville, A., Vincent, P. 2013. “Representation learning: A review and new perspectives”, IEEE transactions on pattern analysis and machine intelligence, 35(8), 1798-1828.
  8. Bifet, A. 2016. “Mining Internet of Things (IoT) Big Data Streams”, In SIMBig, 15-16.
  9. Bramer, M. 2007. “Principles of data mining”, Springer. Brief, A. I. 2012. “Qualitative and Quantitative Research Techniques for Humanitarian Needs Assessment”, Acaps. Chandler, N., Hostmann, B., Rayner, N., Herschel, G. 2011. “Gartner’s business analytics framework. Processes and platforms that need to be integrated and aligned to take a more strategic approach to business intelligence”, Gartner. Chen, X. W., Lin, X. 2014. “Big data deep learning: challenges and perspectives”, IEEE access, 2, 514-525.
  10. Crawford, M. M., Tuia, D., Yang, H. L. 2013. “Active learning: Any value for classification of remotely sensed data?”, Proceedings of the IEEE, 101(3), 593-608.
  11. Debnath, P., Chobe, S. 2014. “A Quick Survey on Data Stream Mining”, Int. J. Comput. Sci. Inf. Technol., 5(3). D'Andrea, E.,