APRİORİ ALGORİTMASININ KULLANILMASINA YÖNELİK BİR YAZILIM TASARIMI VE UYGULAMASI: İŞKUR VERİLERİNİN DEĞERLENDİRİLMESİ ÜZERİNE BİR ÖRNEK ÇALIŞMA

Öz

Veri madenciliği, büyük veri tabanlarında depolanan değişkenler arasındaki ilişkileri ortaya çıkarmak ve verilerden anlamlı bilgilere ulaşmak için kullanılır. Devlet kurumlarında bulunan büyük boyutlu veriye sahip veri tabanları uygun yazılımlarla değerlendirilerek gelecek ile ilgili tahminlerin yapılabilmesine, politikalar geliştirilmesine yardımcı olabilir. Bu çalışmada apriori algoritmasını kullanarak verileri analiz eden bir yazılımın tasarımı yapılmıştır. Apriori algoritmasının uygulama aşamasında güven ve destek kriterlerine ek olarak ilginçlik ölçüsünü de hesaba katacak şekilde çalışma genişletilmiştir. Yazılım içerisine aktarılan İŞKUR' a ait verilerin analizi yapılarak iş başvurularına özgü kurallar kümesi oluşturularak yorumlanmıştır.

Anahtar Kelimeler

• Apriori Algoritması,Yazılım Tasarımı,İşkur

Kaynakça

1. Zaki, M., & Hsiao, C.-J. (2002). CHARM: An Efficient Algorithm for Closed Itemset Mining. SIAM International Conference on Data Mining, (s. 457-473).
2. A Srikant, R., & Agrawal, R. (1996). Mining Quantitative Assocation Rules in Large Relational Tables. ACM SIGMOD International Conference on Management of Data, (s. 1-12). Montreal.
3. Agrawal, R., Imielinski, T., & Swami, A. (1993). Mining Association Rules between Sets of Items in Large Databases. PROCEEDINGS OF THE 1993 ACM SIGMOD INTERNATIONAL CONFERENCE ON MANAGEMENT OF DATA, (s. 207-216). WASHINGTON DC.
4. Agrawal, R., & Shafer, J. (1996). Parallel Mining of Association Rules:Design, Implementation and Experience. IEEE Transactions on Knowledge and Data Engineering, 962-969.
5. Agrawal, R., & Srikant, R. (1994). Fast algorithms for mining association rules. Proc. of 20th Intl. Conf. on VLDB, (s. 487-499).
6. Akpınar, H. (2000, Nisan 1). Veri Tabanlarında Bilgi Keşfi ve Veri Madenciliği. İ.Ü işletme Fakültesi Dergisi(29), 1-22.
7. Alpaydın, E. (2000). Zeki Veri Madenciliği: Ham Veriden Altın Bilgiye Ulaşma Yöntemleri. Bilişim 2000 Eğitim Semineri (s. 1-3). Boğaziçi Üniversitesi, Bilgisayar Müh. Böl.
8. Ateş, Y., & Karabatak, M. (2017). Nicel Birliktelik Kuralları İçin Çoklu Minimum Destek Değeri. Fırat Üniv. Müh. Bil. Dergisi, 57-65.

9. Brin, S., Motwani, R., D. Ullman, J., & Tsur, S. (1997). Dynamic Itemset Counting and Implication Rules for Market Basket Data.
10. SIGMOD '97 Proceedings of the 1997 ACM SIGMOD international conference on Management of data, (s. 255-264).
11. Das, A., Ng, W., & Woon, Y. (2001). Rapid Association Rule Mining. International Conference on Information, (s. 474-481). Atlanta.
12. Fayyad, U., Shapiro, G. P., & Smyth, P. (1996). Knowledge Discovery and Data Mining:towards a unifying framework. KDD'96
13. Proceedings of the Second International Conference on Knowledge Discovery and Data Mining, (s. 82-88). Portland, Oregon.
14. Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques 3rd. San Francisco: Morgan Kaufmann Publishers Inc.
15. Houtsma, M., & Swami, A. (1995). Set-oriented data mining in relational databases . Data & Knowledge Engineering, 245-262.
16. Kumbhare , T., & Chobe , S. (2014). An Overview of Association Rule Mining Algorithms. (IJCSIT) International Journal of Computer Science and Information Technologies, 927-930.
17. Salvatore, O., Perego, R., & Silvestri, C. (2004). A new algorithm for gap constrained sequence mining. SAC '04 Proceedings of the 2004 ACM symposium on Applied computing, (s. 540-547).