VERİ MADENCİLİĞİNDE KARAR AĞACI ALGORİTMALARI İLE BİLGİSAYAR VE İNTERNET GÜVENLİĞİ ÜZERİNE BİR UYGULAMA

Yıl 2014, Cilt: 25 Sayı: 3, 2 - 19, 07.11.2014

Aslı Çalış Sema Kayapınar , Tahsin Çetinyokuş

Öz

Bilgisayar teknolojilerindeki gelişmeler, üretilen bilgi miktarlarında ve veri tabanı sistemlerinin hacminde artış meydana getirmiştir. Veri tabanlarında saklı tutulan, yararlı olma potansiyeline sahip verilerin keşfedilerek anlamlı örüntülerin ortaya çıkarılması, veri madenciliği kavramıyla ifade edilmektedir. Karar ağaçları, sınıflandırma ve tahmin için sıkça kullanılan veri madenciliği yaklaşımlarından biridir. Bu çalışmada, bilgisayar ve internet güvenliği üzerine anket düzenlenmiş olup, karar ağaçları kullanılarak farklı demografik özellikteki kişiler için çıkarım yapılması hedeflenmiştir.

Anahtar Kelimeler

Anket, karar ağaçları

AN APPLICATION ON COMPUTER AND INTERNET SECURITY WITH DECISION TREE ALGORITHMS IN DATA MINING

Öz

Developments in computer technologies caused increase in amount of information generated and volume of database systems. By discovering data kept stored in databases as ones having beneficial use potential and creation of meaningful patterns is expressed with the concept of data mining. Decision trees are one of the data mining approaches widely used for classification and forecasting. In this study, a survey was taken on computer and internet security and it was aimed  to make an inference for people have different demographic characteristics by using  decision trees.

Anahtar Kelimeler

Survey, decision trees

Kaynakça

• 1. Han, J., Kamber, M. 2006. Data Mining: Concepts and Techniques, Morgan Kaufmann, USA.
• 2. Ching, W. K., Michael, K. P. 2002. Advances in Data Mining and Modeling, World Scientific, Hong Kong.
• 3. Chien, C. F., Chen, L. F. 2008. “Data Mining to Improve Personnel Selection and Enhance Human Capital: A Case Study in High-Technology Industry,” Expert Systems with Applications, vol. 34, p. 280-290.
• 4. Larose, D. T. 2005. Discovering Knowledge in Data: An İntroduction in Data Mining, Wiley, USA.
• 5. Linoff, G. S.. Berry, M. J. A. 2011. Data Mining Techniques for Marketing, Sales and Customer Relationship Management, Wiley, Canada.
• 6. Marakas, G. M. 2003. Decision Support Systems in The 21st Century, Prentice Hall, USA.
• 7. Hudairy, H. 2004. “Data Mining and Decision Making Support in The Governmental Sector,” Master Thesis, Faculty of Graduate School of The University of Louisville, Kentucky.
• 8. Savaş, S., Topaloğlu N., Yılmaz, M. 2012. “Veri Madenciliği ve Türkiye’deki Uygulama Örnekleri,” İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, sayı 21, s. 1-23.
• 9. Albayrak, A. S. 2009. “Türkiye’de Yerli ve Yabancı Ticaret Bankalarının Finansal Etkinliğe Göre Sınıflandırılması: Karar Ağacı, Lojistik Regresyon ve Diskriminant Analizi Modellerinin Bir Karşılaştırılması,” Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, sayı 14, s. 113-139.
• 10. Aşan, Z. 2007. “Kredi Kartı Kullanan Müşterilerin Sosyo-Ekonomik Özelliklerinin Kümeleme Analizi ile İncelenmesi,” Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, cilt 17, s. 256-267.
• 11. Bilen, H. 2009. “Bankacılık Sektöründe Personel Seçimi ve Performans Değerlendirilmesine İlişkin Veri Madenciliği Uygulaması,” Yüksek Lisans Tezi, Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Ankara.
• 12. Doğan, B. 2008. “Bankaların Gözetiminde Bir Araç Olarak Kümeleme Analizi: Türk Bankacılık Sektörü İçin Bir Uygulama,” Doktora Tezi, Kadir Has Üniversitesi Sosyal Bilimler Enstitüsü, İstanbul.
• 13. Tosun, T. 2006. “Veri Madenciliği Teknikleriyle Kredi Kartlarında Müşteri Kaybetme Analizi,” Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
• 14. Çil, F. 2010. “Banka Yatırım Fonu Müşteri Hareketlerinin Belirlenmesine Yönelik Bir Veri Madenciliği Uygulaması,” Yüksek Lisans Tezi, Gazi Üniversitesi Fen Bilimleri Enstitüsü, Ankara.
• 15. Çakır, Ö. 2008. “Veri Madenciliğinde Sınıflandırma Yöntemlerinin Karşılaştırılması: Bankacılık Müşteri Veri Tabanı Üzerinde Bir Uygulama,” Doktora Tezi, Marmara Üniversitesi, Sosyal Bilimler Enstitüsü, İstanbul.
• 16. Akpınar, H. 2000. “Veri Tabanlarında Bilgi Keşfi ve Veri Madenciliği,” İstanbul Üniversitesi İşletme Fakültesi Dergisi, cilt 29, s. 1-22.
• 17. Emel, G. G., Taşkın, Ç. 2005. “Veri Madenciliğinde Karar Ağaçları ve Bir Satış Analizi Uygulaması,” Eskişehir Osmangazi Üniversitesi Sosyal Bilimler Dergisi, cilt 6, s. 221-239.
• 18. Albayrak, A. S., Yılmaz, Ş. K. 2009. “Veri Madenciliği: Karar Ağacı Algoritmaları ve İMKB Verileri Üzerine Bir Uygulama,” Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, cilt 14, s. 31-52.
• 19. Özekeş, S., Çamurcu, A. Y. 2002. “Veri Madenciliğinde Sınıflama Ve Kestirim Uygulaması,” Marmara Üniversitesi Fen Bilimleri Dergisi, sayı 18, s. 1-17.
• 20. Fayyad, U., Shapiro, G., Smyth, P. 1996. “From Data Mining to Knowledge Discovery in Databases,” American Associatin for Artificial Intelligence, cilt 17, s. 37-54.
• 21. Sezer, E. A., Bozkır, A. S., Yağız, S., Gökçeoğlu C. 2010. “Karar Ağacı Derinliğinin CART Algoritmasında Kestirim Kapasitesine Etkisi: Bir Tünel Açma Makinesinin İlerleme Hızı Üzerinde Uygulama,” Akıllı Sistemlerde Yenilikler ve Uygulamaları Sempozyumu, Kayseri.
• 22. Oğuzlar, A. 2004. “CART Analizi İle Hane Halkı İşgücü Anketi Sonuçlarının Özetlenmesi,” Atatürk Üniversitesi İİBF Dergisi, sayı 18, s. 79-90.
• 23. Özdamar, K. 2013. Paket Programları ile İstatistiksel Veri Analizi, Nisan Kitapevi, Ankara, s. 554-555.
• 24. Gökçe, B. 1988. Toplumsal Bilimlerde Araştırma, Savaş Yayınları, Ankara.
• 25. Quinlan, J. R. 1993. C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers, USA.