SOSYAL MEDYAYA GİRİŞ

Temel olarak veri madenciliği, e-ticaret uygulamalarındaki işlem verileri veya biyoinformatik araştırma alanındaki genetik ifadeler gibi farklı veri türlerinde ifade
edilebilecek büyük miktarda veriden bilginin elde edilmesini ifade eder. Dolayısıyla cevap B şıkkıdır.

Sosyal ağ analizi, gruplar ve kuruluşlardaki bireyler arasındaki etkileşimi modellemek, görselleştirmek ve analiz etmek için kullanılan bir araçtır. Dolayısıyla cevap C şıkkıdır.

Springer ve Steiguer (2011) çalışmalarında sosyal ağ analiz sürecini 3 adımda sunmuşlardır. Bu
adımlar: Ağı tanımlama, sosyal etkileşim verilerini toplama ve veri analizidir. Dolayısıyla cevap D şıkkıdır.

Bilgi keşfi, potansiyel olarak yararlı veya önceden bilinmeyen bilgileri verilerden ayıklayan bir işlemdir. Dolayısıyla cevap E şıkkıdır.

Veri madenciliği teknikleri temel olarak iki ayrı nitelik için tanımlanır. Dolayısıyla cevap A şıkkıdır.

Veri ambarları, veri tabanlarını yormamak için oluşturulmuş, daha hızlı çalışan, özelleştirilmiş ve veri tabanlarına göre daha az veri saklayan yapılardır. Dolayısıyla cevap B şıkkıdır.

Web içerik madenciliği iki yaklaşıma göre sınıflandırılabilir. Dolayısıyla cevap C şıkkıdır.

Genel olarak, kullanıcının gezinme modelini keşfetmek için web madenciliği alanına uygulanan 3 tür veri madenciliği tekniği vardır. Bunlar kümeleme, sınıflandırma ve ilişkilendirme kuralıdır. Dolayısıyla cevap D şıkkıdır.

Sosyal ağ analizinde web madenciliğinin kullanımı çok önemli bir yere sahiptir. Web madenciliğinin 3 önemli yapı taşının (web içerik madenciliği, web yapı madenciliği ve web kullanım madenciliği) da bu alanda önemli fonksiyonları ve kullanım alanları vardır. Dolayısıyla cevap E şıkkıdır.

Veri madenciliği en basit tanımıyla veriler arasında beklenmeyen/önceden bilinmeyen ilişkileri keşfetmedir.

Sınıflandırma, belirli bir nesnenin özelliklerini inceleyerek önceden tanımlanmış kategoriye (sınıfa) atama işlemi olarak tanımlanır.

Tahmin, sonuçları zamanla değişkenlik gösteren durumlarla ilgilidir. Gelir, yaş, boy, kredi kartı bakiyesi gibi bazı bilinmeyen sürekli değişkenler için değer bulmada tahmin teknikleri kullanılır.

Şebeke bazlı: Çok seviyeli, bir taneli yapıya dayanır.

Hiyerarşi algoritmaları: Bazı ölçütleri kullanarak veri kümesinin (veya nesnelerin) hiyerarşik bir ayrıştırmasını oluşturur.

Yakınlık gruplaması, bir veri tabanındaki bir dizi nesne arasındaki belirli ilişkileri ortaya çıkarmaya çalışır.

Yoğunluğa dayalı: Bağlantı ve yoğunluk işlevlerine dayalıdır.

Veri madenciliği uygulamalarında altyapı gereksinimi veri ambarı sayesinde sağlanır. Veri ambarları veri tabanlarını yormamak için oluşturulmuş, daha hızlı çalışan, özelleştirilmiş ve veri tabanlarına göre daha az veri saklayan yapılardır.

Web içerik madenciliği, ana nesnelerin web sayfalarına gömülü veya web sayfalarına bağlı görüntü, video ve ses gibi geleneksel multimedya araçları olduğu bilgi keşfini hedefler.

Web yapı madenciliği, web sitesi ve web sayfası hakkında yapısal özet oluşturmayı amaçlar. Teknik olarak, web içerik madenciliği esas olarak belgenin iç
yapısına odaklanırken, web yapı madenciliği, köprüler arasındaki bağlantı yapısını belgeler arası düzeyde keşfetmeye çalışır.