Kendini Düzenleyen Haritalar, Avrupa Birliği’ne Üye ve Aday Ülkelerin Karşılaştırılması

Öz

Karmaşık ve dinamik bir ekonomi ortamında karar verme etkinliği, çok değişkenli büyük miktarlardaki veri kümelerinde gömülü bulunan enformasyonun elde edilmesi ve işlenmesine bağlıdır. Yapay sinir ağları (Artificial Neural Networks), bulanık mantık sistemleri (Fuzzy Logic Systems), genetik algoritmalar (Genetic Algorithms), çok değişkenli istatistik yöntemler gibi bilgisayarların hesaplama gücündeki artış sonucunda gelişme olanağı bulan teknikler, klasik istatistik ve finansal analiz yöntemleri ile birlikte finanstan ekonomiye çeşitli alanlarda uygulanmaktadır. Bu çalışmada ilk olarak veri tabanlarında bilgi keşfi (Knowledge Discovery in Databases), veri madenciliği (Data Mining) kavramları ve bu kapsamda kendini düzenleyen haritaların (Self-Organizing Maps), projeksiyon yöntemleri ve kümeleme analizi dünyasındaki yeri tanımlanmaktadır. Çalışmanın ikinci bölümünde ise, kendini düzenleyen haritalar kullanılarak Avrupa Birliği’ne üye ve aday ülkelerin ekonomik ve sosyal göstergeler açısından karşılaştırılmasını amaç edinen bir araştırma ve sonuçları sunulmaktadır.

Anahtar Kelimeler

• Veri Madenciliği
• Veri Tabanlarında Bilgi Keşfi
• Kendini Düzenleyen Haritalar
• Kümeleme Analizi

Self-Organizing Maps, an Analysis of the Member and Candidate Countries of European Union

Öz

Decision making efficiency in a complex, dynamic economic environment is needed to extract and manipulate information embedded in huge amount of multivariate data. As a result of the progress in computational power of computers, various techniques have been developed like Artificial Neural Networks, Fuzzy Logic Systems, Genetic Algorithms, Multivariate Statistical Methods and these techniques have been applied together with other financial and statistical techniques from finance to economy. At the first part of this study. Knowledge Discovery in Databases, Data Mining, Self-Organizing Maps concepts are examined in point of clustering analysis and projection methods. At the second part the focus is on the analysis of macroeconomic and social indicators of European Union Member and Candidate countries, with the use of Self-Organizing Maps.

Anahtar Kelimeler

• Data Mining
• Knowledge Discovery in Databases
• Self- Organizing Maps
• Clustering Analysis

Kaynakça

1. AKPINAR, Haldun (1994), “Yapay Sinir Ağları ve İşletmecilik Uygulamaları”, İ.Ü. İşletme Fakültesi Dergisi, S. 41-78.
2. AKPINAR, Haldun (2000), “Veri Tabanlarında Bilgi Keşfi ve Veri Madenciliği”, İ.Ü. İşletme Fakültesi Dergisi, S. 1-22, Cilt:29, Sayı:1.
3. Avrupa Birliği Resmi İnternet Sitesi, An Unprecedented Enlargement, Accession Criteria, Erişim: [europa.eu.int/comm/enlargement/index.htm ], Erişim Tarih:1/8/2001.
4. DILLY, Ruth. (1995). Data Mining: An Introduction, Erişim: [www-pcc.qub.ac.uk/tec/courses/datamining/stu_notes/dm_book1.html ], Erişim Tarihi: 10/06/1999
5. DEBOECK, Guido; KOHONEN, Teuvo (1998), Visual Explorations in Finance with Self-Organizing Maps, Springer-Verlag.
6. HAN, Jiawei; KAMPER, Micheline (2001), Data Mining: Concepts and Techniques, Academic Press.
7. KOHONEN, Teuvo (1995), Self-Organizing Maps, Springer Verlag
8. Spss Inc (1)., Data Mining: An Introduction, Erişim [ www.spss.com/.../clem_healthcare1.htm ], Erişim Tarihi: 13/08/1999

9. Spss Inc. (2), More On What Data Mining is-and isn’t. Erişim: [ www.spss.com/datamine/what2.htm), Erişim Tarihi: 10/08/1999
10. Vesento Juha (2000), Som-Demo1 Basic Properties and Behaviour of the Self-Organizing Maps, Som Toolbox.