ŞEHİRLEŞME, MEKÂN – İNSAN ETKİLEŞİMİNİN BİREY ALGISINA YANSIMASI: BİR VERİ MADENCİLİĞİ ANALİZİ

Öz

Barınma insanın temel gereksinimidir. Yüz yıllar boyunca insan her ne kadar istediği türde bir barınma modelini seçmeye çalışsa da yaşadığı doğal çevre, sosyal yaşam ve doğa koşulları gibi etkenler insanı barınma modeli seçiminde yönlendirmiştir. Ülkemizde bu köy hayatında hala görülmektedir. Günümüzde şehirlerdeyse, artık ne doğa ne de çevre barınma modeli seçimini doğru düzgün etkilemektedir. İnsan mimarlar tarafından kendilerine sunulan barınma modelini seçme durumundadırlar. Bu çalışmada insana sunulan barınma modelinden bireylerin ne kadar memnun olduğunun ölçümlemesi hedeflenmiştir. Bu amaçla, 1236 kent insanı ile görüşmeler yapılmış ve sorulara verilen yanıtlar veri madenciliği teknik ve algoritmalarıyla analiz edilmiştir. Araştırma ve analiz sonunda kent insanının barınma modeli seçiminde kafasının karışık olduğu ve bir paradoks içinde barınma ihtiyacından yararlandığı ortaya çıkmıştır.

 

Anahtar Kelimeler

• Şehirleşme,Barınma; Mimari yapı; Veri Madenciliği

Kaynakça

1. Agrawal, R., Gehrke, J., Gunopulos, D., & Raghavan, P. (1998). Automatic subspace clustering of high dimensional data for data mining applications (Vol. 27): ACM.
2. Berry, M. J., & Linoff, G. (1997). Data mining techniques: for marketing, sales, and customer support: John Wiley & Sons, Inc.
3. Bezdek, J. C. (2013). Pattern recognition with fuzzy objective function algorithms: Springer Science & Business Media.
4. Bezdek, J. C., Ehrlich, R., & Full, W. (1984). FCM: The fuzzy c-means clustering algorithm. Computers & Geosciences, 10(2), 191-203.
5. Bilgin, N., (1991). Eşya ve İnsan, Gündoğan Yayınları, Ankara, s.147.
6. Ergül, H. (2015). Mimarlığın ihmal edilen Sosyal ve toplumsal yönü. 2015 ISITES International Symposium On Innovative Technologies In Engineering And Science,
7. Göka, Ş. (2001). İnsan ve Mekan, Pınar Yayınları, İstanbul, s.117.
8. Han, J., Pei, J., & Kamber, M. (2011). Data mining: concepts and techniques: Elsevier.

9. Inokuchi, A., Washio, T., & Motoda, H. (2000). An apriori-based algorithm for mining frequent substructures from graph data. Paper presented at the European Conference on Principles of Data Mining and Knowledge Discovery.
10. Jain, A. K. (2010). Data clustering: 50 years beyond K-means. Pattern recognition letters, 31(8), 651-666.
11. Johnston, L. C. (2001). Fear a Civil Policing, Urban Studies, Cilt 38, No 5-6, s.959-976.
12. Kantardzic, M. (2011). Data mining: concepts, models, methods, and algorithms: John Wiley & Sons.
13. Larose, D. T. (2014). Discovering knowledge in data: an introduction to data mining: John Wiley & Sons.
14. MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. Paper presented at the Proceedings of the fifth Berkeley symposium on mathematical statistics and probability.
15. Shafer, J., Agrawal, R., & Mehta, M. (1996). SPRINT: A scalable parallel classi er for data mining. Paper presented at the Proc. 1996 Int. Conf. Very Large Data Bases.
16. Silahtaroglu, G., & Donertasli, H. (2015). Analysis and prediction of??-customers' behavior by mining clickstream data. Paper presented at the Big Data (Big Data), 2015 IEEE International Conference on.
17. Silahtaroğlu, G. (2013). Veri madenciliği: Kavram ve algoritmaları. Istanbul: Papatya.
18. Sparks, R., Girling, E. (2001). Fear, Everyday Urban Lives, Urban Studies, Cilt 38, No 5-6, s.885-898.
19. Uzunoğlu S.S., Özer H. (2014). Mimarlık Eğitiminde Mimari Psikoloji Formasyonunun Geliştirilmesi İçin Bir Model. 9(2), 143-165.
20. Watts, A., Watts, T. (1981). Minorities and Urban Crime Are They The Cause or The Victim?, Urban Affairs Quarterly, Cilt 16, No 4, s.423-436.
21. Witten, I. H., & Frank, E. (2005). Data Mining: Practical machine learning tools and techniques: Morgan Kaufmann.