Dağıtık Sistemlerde Birliktelik Kuralları ile Sepet Analizi

Öz

Öz

Büyük miktardaki veri yığınları içerisinden anlamlı ve kullanılabilir olan bilgileri ortaya çıkarabilmek için veri

madenciliği teknikleri ve algoritmaları kullanılmaktadır. Birliktelik kuralları veri tabanı sistemlerinde önceden

bilinmeyen, kullanışlı örüntülere ulaşabilmek için kullanılan tekniklerden biridir. Birliktelik kurallarının yaygın olarak

kullanıldığı bir alan olan sepet analizi müşterilerin satın aldıkları ürünler arasındaki ilişkileri analiz etmektedir.

Bir iş yükünü parçalara bölerek eş zamanlı olarak gerçekleştiren bilgisayar ağları dağıtık hesaplama sistemleri

olarak adlandırılmaktadır. Bu çalışmada birliktelik kurallarını dağıtık sistemlere taşıyarak daha kısa süreli sonuçlar

elde etmek amaçlanmıştır. FP- Growth algoritması kullanılarak kurallar oluşturulmuş, dağıtık sistem mimarisinde

büyük boyutlu veriler işlenerek üzerinde anlık sepet analizi yapılmış ve daha hızlı sonuçlara ulaşılmıştır.

Anahtar Kelimeler

• Dağıtık Sistemler,Sepet Analizi,FP-Growth Algoritması,Birliktelik Kuralı,Veri

Basket Analysis With Association Rules in Distributed Systems

Öz

Abstract

Data mining techniques and algorithms are used to reveal information that is meaningful and usable in large

amounts of data. Association rules are one of the techniques used to access previously unknown, useful

patterns in database systems. Basket analysis, a field where association rules are widely used, analyzes the

relationships between the products purchased by customers.

Computer networks that perform a workload simultaneously by dividing them into parts are called distributed

computing systems. In this study, it is aimed to obtain the shorter results by moving the association rules to

distributed systems. Rules were created by using FP- Growth algorithm, large-scale data were processed in

distributed system architecture and instant basket analysis was performed and faster results were obtained.

Anahtar Kelimeler

• Distributed Systems,Basket Analysis,FP-Growth Algorithm,Association Rule,Data

Kaynakça

1. Apriori ve FP-Growth Algoritmalarının Karşılaştırılması. Anadolu Üniversitesi Sosyal Bilimler Dergisi, 12(1), sayfa. 151-166.
2. Ateş, Y. ve Karabatak, M. 2017. Nicel Birliktelik Kuralları ile Çoklu Minimum Destek Değeri. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 29(2), sayfa. 57-65.
3. Baykasoğlu, A. 2005. Veri Madenciliği ve Çimento Sektöründe Bir Uygulama. Akademik Bilişim ’05- VII. Akademik Bilişim Konferansı. Gaziantep Üniversitesi Endüstri Mühendisliği Bölümü, Gaziantep.
4. Döşlü, A. 2008.Veri Madenciliğinde Market Sepet Analizi ve Birliktelik Kurallarının Belirlenmesi, Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.
5. Durdu, M. 2012. Application of Data Mining in Customer Relationship Management Market Basket Analysis in a Retailer Store, Yüksek Lisans Tezi, Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, İzmir.
6. Ekim, U. 2011. Veri Madenciliği Algoritmalarını Kullanarak Öğrenci Verilerinden Birliktelik Kurallarının Çıkarılması, Yüksek Lisans Tezi, Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Konya.
7. Erdoğan, G.Ö. 2010. Öbek Bilgisayarlarda Paralel FP-Growth Gerçekleştirimi, Yüksek Lisans Tezi, TOBB Ekonomi ve Teknoloji Üniversitesi, Fen Bilimleri Enstitüsü, Ankara.
8. Erdoğan, N.K., Gülcan, B. ve Karamaşa, Ç. 2015. Birliktelik Kuralları ve Uygulamaları: Literatür Taraması (2000-2014). 13.Uluslararası Türk Dünyası Sosyal Bilimler Kongresi, Azerbaycan Devlet İktisat Üniversite, Bakü, Azerbaycan.

9. Erduran, G.Y. 2017. Online Müşteri Şikayetlerinin Veri Madenciliği ile İncelenmesi, Doktora Tezi, Trakya Üniversitesi, Sosyal Bilimleri Enstitüsü, Edirne.
10. Erpolat, S. 2012. Otomobil Yetkili Servislerinde Birliktelik Kurallarının Belirlenmesinde
11. Gemici, B. 2012. Veri Madenciliği ve Bir Uygulaması, Yüksek Lisans Tezi, Dokuz Eylül Üniversitesi, Sosyal Bilimler Enstitüsü, İzmir.
12. Han, J., Pei, J. ve Yin, Y. 2000. Minig Frequent Patterns Without Candidate Generation, Proc. of the 2000 ACM SIGMOD International Conference on Management of Data, Dallas, Texas, United States, Sf. 1-12.
13. Hand, D.J. 1998. Data Mining: Statistics and More?, The American Statistician, Cilt 52,
14. Jabbour, S., Mazouri, F. ve Sais, L. 2018. Mining Negatives Association Rules Using Constraints. The First International Conference On Intelligent Computing in Data Sciences, 127. Sf. 481-488.
15. Koyuncugil, A.S. 2006. Bulanık Veri Madenciliği ve Sermaye Piyasalarına Uygulanması, Doktora Tezi, Ankara Üniversitesi, Fen Bilimleri Enstitüsü, Ankara.
16. Koyuncugil, A.S. ve Özgülbaş, N. 2009. Veri Madenciliği: Tıp ve Sağlık Hizmetlerinde Kullanımı ve Uygulamaları. Bilişim Teknolojileri Dergisi, 2(2). Sayfa. 21-30.
17. Kuzu, E. 2014. Hesaplama Ağırlıklı Algoritmaların Programlanmasında Grafik İşlemci (GPU) Kullanımının İncelenmesi, Yüksek Lisans Tezi, Bahçeşehir Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.
18. Larose, D. T. 2005. Discovering Knowledge in Data. An Introduction to Data Mining. Hoboken, New Jersey: John Wiley & Sons, Inc.
19. Özekes, S. 2003. Veri Madenciliği Modelleri ve Uygulama Alanları. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 2 (3), sayfa. 65-82.
20. Savaş, S., Topaloğlu, N. ve Yılmaz, M. 2012. Veri Madenciliği ve Türkiye’deki Uygulama Örnekleri. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, sayfa. 21, 1-23. Sf.112-118.
21. Sivri, E.Ş. 2015. Veri Madenciliği/E-Ticaret İçin Ürün Tavsiye Sistemi Geliştirilmesi, Yüksek Lisans Tezi, İstanbul Ticaret Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.
22. Sönmez F., Zontul, M. ve Kaynar, O., Tutar, H. 2018. Anomaly Detection Using Data Mining Methods in IT Systems: A Decision Support Application. Sakarya University Journal of Science, 22(4), ISSN: 2147- 835X. S. 1109-1123.
23. Şeker S. E. 2011. Bağlantı Adresi: http://bilgisayarkavramlari.sadievrenseker.com/2011/09/09/birliktelikkurallarini n- pay- olcumleri-interest-measures-for-association-rules/ Erişim Tarihi: Eylül 2018
24. Şimşek, U.T. 2006. Veri Madenciliği ve Müşteri İlişkileri Yönetiminde (CRM) Bir Uygulama. Doktora Tezi, İstanbul Üniversitesi, Sosyal Bilimler Enstitüsü, İstanbul.
25. Takçı, H. ve Hayta, Ş. 2014. Suç Veri Madenciliği Yardımıyla Hırsızlık Suçları Hakkında Kural Çıkarımı, Eleco 2014 Elektrik-Elektronik-Bilgisayar ve Biyomedikal Mühendisliği Sempozyumu, Bursa.
26. Türkoğlu, İ. ve Arslan, A. 2002. Çok Katmanlı Yapay Sinir Ağlarında En İyi Etkinleştirme Fonksiyonu Seçimi İçin Çok Ölçekli Bir Yaklaşım. Anadolu Üniversitesi Bilim ve Teknoloji Dergisi, 3(1), sayfa. 137-142.
27. Tüzüntürk, S. 2010. Veri Madenciliği ve İstatistik. Uludağ Üniversitesi, İktisadi ve İdari Bilimler Fakültesi Dergisi, 29(1), sayfa. 65-90.
28. Yıldırım, G., Aydın, G., Alli, H. ve Tatar, Y. 2014. Hadoop ile Kaos Temelli FCW Optimizasyon Algoritmasının Analizi. Eleco 2014 Elektrik-Elektronik- Bilgisayar ve Biyomedikal Mühendisliği Sempozyumu, Bursa.