KARAR DESTEK SİSTEMLERİ - Deneme Sınavı - 5

Olasılık parametresi, verilen dağılımla ilgili 0 ve 1 arasında bir sayıdır. Doğru cevap D'dir.

Senaryo Yöneticisi, 32 girdi hücresine kadar, çeşitli değer veya senaryo ve birçok çıktı hücresinin sonucundaki değişiklikleri gözlemlemeye imkân vermektedir. Doğru cevap B'dir.

1 ve n arasında sayılar, =TAMSAYI(S_SAYI_ÜRET()*(n-1)+1 ile elde edilir.  (8-1)+1= 8 elde edilecek en büyük sayıdır. Doğru cevap E'dir.

Endüstri 4.0 olarak adlandırılan, mekanik ve elektronik teknolojilerin kusursuz entegrasyonunu içeren sanayi devriminin bu dördüncü aşaması Nesnelerin İnterneti’nin (Things of Internet), yaşamlarımıza sunduğu katkıları arttırdıkça, yalnızca verilere değil, doğrudan karmaşık durum ve yöntembilgilerine erişmek de olanaklı hale gelecektir. bu aşamasında, dijital dünyanın olanakları arttıkça, üretim ve servis insan rolü yeniden tanımlanmakta, mavi yakalı işlerden beyaz yakalı işlere, yani insan-gücünden beyin-gücüne bir yönelim ortaya çıkmaktadır

Analitik sistemler, sundukları işlevlere göre betimsel (descriptive), tanısal (diagnostic), buluşsal (discovery), kestirimci (predictive) analitik ve karar ) analitiği (bazen çözümsel analitik de denir) olarak beş ana başlıkta ele alınabilir.

Bankacılık sektöründen müşterilerin kredi başvurusunu derecelendiren bir finansal
analitik örneği şu servisleri sunmaktadır:
• Müşterinin kredi notunu hesaplamak,
• Kredi isteğini otomatik olarak kabul veya reddetmek,
• Müşteriye güvenle verilebilecek kredi üst limitini hesaplamak,
• Verilecek kredi için uygun faiz oranı ve ödeme koşullarını belirlemek

Raporların en yaygın kullanım amaçları arasında şunlar sayılabilir:
• Tüm departmanların beklenen performansta çalıştığından emin olmak,
• Durumbilgisi gereksinimini gidermek,
• Analiz ve araştırmaların sonuçlarını sunmak,
• Yetkilileri bir konuda harekete geçmeye ikna etmek,
• Kurumsal bir bellek oluşturmak.

Görsel analitik araçlarının sunduğu olanaklardan bazıları şunlardır:
(i) Her düzeydeki karar vericileri veri keşfetme yöntemlerinden ve analitik olanaklardan yararlandırmak üzere, kullanımı kolay ve web üzerinden karşılıklı etkileşimli olarak gerçek verilerle buluşturmak,
(ii) Karmaşık soruların yanıtları ile analitik çalışanların yeteneklerini buluşturmak,
(iii) Her türlü elektronik cihazdan (tabletler, akıllı telefonlar ve amaca yönelik tüm sayısal ortamlar) erişilebilir ve gerçek verileri kullanan analitik araçlar üzerinden işletme içi bilgi paylaşımı ve işbirliğini genişletmek,
(iv) Bilgi-işlem departmanlarından beklenen analizlerin çok daha kısa sürede gerçekleştirilmesini sağlayarak bilgi-işlem personelinin iş yükünü azaltmak.

Hedef yönetimleri ve ait oldukları sektörler farklı olsa da performans gösterge panellerinin ortak özelliklerinden bazıları şunlardır:
• Görselleştirme araçlarından yararlanmaları,
• Kullanımının çok kolay olması ve olabildiğince bak-ve-hisset (look-and-feel) özelliği taşımaları,
• Farklı veri kaynaklarından gelen bilgilerden yararlanabilmeleri,
• Paneldeki bilgilerin ayrıntılarına inebilmeyi (drill-down) desteklemeleri.

Sınıflandırma yöntemleri birbirleri ile karşılaştırılırken şu faktörlere dikkat edilir:
• Sınıflama doğruluğu: Kabaca örnek test veri setlerindeki doğru sınıflanmış veri yüzdesidir. Yapılan yanlış sınıflamaların sapma yüzdeleri de bu ölçüye yansıtılabilir.
• Hız: Sınıflandırma modeli veya algoritmasının çalışma süresidir.
• Gürbüzlük: Verilerin kirli ve eksik veriye sahip olması halinde doğru sınıflandırmanın yapılabilmesidir.
• Ölçeklenebilirlik: Farklı boyutlardaki veri setleri için benzer etkinlikle kullanılabilir olmasıdır.
• Yorumlanabilirlik: Yöntemin önerdiği sınıflamanın veya sınıflama modelinin anlaşılır olmasıdır.

Karar ağaçları oluşturmada yararlanılan diğer bir kavram entropidir. Entropi, bir veri setindeki rassallığı ve belirsizliği ölçer. Eğer bir alt kümedeki tüm veriler yalnızca bir sınıfa aitse entropisi sıfır demektir. Çünkü bu durumda belirsizlik sıfırdır. Bu yaklaşımın amacı, tüm alt kümelerin entropilerinin sıfır olduğu alt ağaçlar yaratmaktır. Karar ağaçları eksiksiz bilgilerle çalıştığından karar otomasyonlarında en çok başvurulan sınıflama yöntemlerinden biridir. Karar kurallarına dönüştürülerek uzman sistemlerde de kullanılmaktadır. Uzman sistemler için kullanılan karar kuralları setinin eksiksiz olması gerekmez.

Kümeleme, sınıfların önceden bilinmediği veya tanımlanmadığı sınıflama problemi olarak tanımlanabilir.

Kümelemede kullanılabilecek yöntemler aşağıdaki temel yöntemlerden bir veya birkaçının üzerine inşa edilmiş olabilir.
• Sezgisel ve meta-sezgisel yöntemler,
• İstatistiksel yöntemler (k-ortalamalar, k-medoids, k-mod vb)
• Optimal yöntemler,
• Yapay sinir ağları,
• Bulanık mantık,
• Genetik algoritmalar

Azaltılmış hiyerarşik derinlik, problemle yöneticiler arasındaki mesafeyi kısaltarak daha etkin ve çevik çözümlerin önünü açmıştır.

Veri tabloları, girdilerdeki değişiklikler karşısında çıktıların nasıl değiştiğini gözlemek için kullanılmaktadır. Veri tabloları, bir problemin bazı girdi ve çıktıları için fonksiyon veya formül içeren hücrelere atıa bulunmak için işlem tablolarını kullanmaktadır. Örneğin, girdiniz satış fiyatı ve çıktınız kâr olsun. Girdi hücresi, sayısal değerler içermekte, fakat çıktı hücresi ürün başına kâr değeri ve satılan miktara dayalı kârı hesaplayan bir formülü içermektedir.

Veri tablolarının kullanılabilmesi için ilk olarak işlem tablosunun hazırlanması gerekir. Bu amaçla, girdilerin ve çıktı değerlerin yer alacağı hücreler belirlenir. Bu hücreler, değerleri veya formülleri içerebilir. Bu hücreleri, kolay kullanılabilecek referans bir ad ile tanımlayabilirsiniz. Daha sonra analiz etmek istediğiniz farklı girdi değerlerinin listesini hazırlayarak, denemeler yapabilirsiniz.

Excel menüsünden Veri → Veri Araçları → Durum Çözümleyici açılır penceresinden Veri Tablosu’nu seçiniz. Bu sefer, hem Satır giriş hücresi hem de Sütun giriş hücresi seçilecektir. Satır giriş hücresi, girdilerin ve çıktıların başlangıç listesinde B4 hücresinde yer alan çiçek satan mağaza sayısı olacaktır. Sütun giriş hücresi, daha önce olduğu gibi çiçek satış fiyatını gösteren B6 hücresidir.

İşlem tablolarının hazırlığı için kullanılan Senaryo Yöneticisi, Veri Tabloları’ndan daha basittir. Bütün gerekli olan, girdilerin veya çıktıların yer alacağı başlangıç listesinin hazırlanmasıdır. İlgili hücrelere, uygun veri değeri ve formül bilgisi girilmelidir. Senaryo Yöneticisi diyalog penceresini görmek için işlemtabloları menüsünden Veri → Veri Araçları → Durum Çözümleyici açılır penceresinden Senaryo Yöneticisi seçilir. Bir senaryo oluşturmak için sadece Ekle tuşunu tıklayın. Refere edilen bu hücre, işlemtablosu hazırlanırken oluşturulan girdilerin listesi olmalıdır. Bu aşamada ayrıca, Senaryo adlandırılması yapılmalıdır.

S_SAYI_ÜRET ve RASTGELEARALIK fonksiyonları, rassal sayıları üretmek için kullanılmaktadır. S_SAYI_ÜRET fonksiyonu, herhangi bir parametreye sahip değildir. S_SAYI_ÜRET fonksiyonu, 0 ve 1 arasında rassal olarak seçilen kesirli sayıları geri döndürür. S_SAYI_ÜRET formülü vardır.

S_SAYI_ÜRET ya da RASTGELEARADA fonksiyonu kullanıldığında, çalışma sayfasında her işlem gerçekleştirildiğinde üretilen sayılar değişecektir. Tablo oluşturulduktan sonra, aynı çalışma sayfasında daha sonra yeni metin veya veri diğer hücrelere yazılırsa, gösterilen başlangıç rassal sayılar ilgili aralıkta yeni rassal sayıları otomatik olarak hesaplayacaktır. Otomatik yeniden hesaplamayı önlemek amacıyla, Dosya → Seçenekler → Formüller → Çalışma Kitabı Hesaplaması adımında El ile seçeneğini tercih ediniz. Eğer gerekliyse rassal sayıları hesaplamak için F9 tuşunu kullanınız.