Biyoenformatik DNA Mikrodizi Veri Madenciliği

Dr. Yalçın ÖZKAN ve Dr. Çiğdem Selçukcan EROL

 

 

 

 

 

 

 Bu kitabımızın bir eşi yoktur...

ISBN: 978-605-4220-89-2, 2. basım, Ocak 2017

432 sayfa, (16,5x24 cm2), 80 gr 1. hamur kağıt

  Farkımız, kitaplarımızda... Papatya Bilim                                                                 


Biyoenformatik DNA Mikrodizi Veri Madenciliği indir PDF                 şimdi satın al


Bu kitap mikrodizi verisi üzerinde temel veri madenciliği analiz yöntemlerini uygulayarak, sınıflandırma ve kümeleme işlemlerinin nasıl yapılacağı ve birliktelik kurallarının nasıl elde edilebileceği konusunu ortaya koymak amacıyla hazırlanmıştır. 
Mikrodizi analiz yöntemlerinin uygulanmasında R programlama dili yaygın biçimde kullanılmaktadır. Bu konuda araştırmacıların hazırladığı çok sayıda mikrodizi R paketi bulunmaktadır. Kitabımızda ele alınan veri madenciliği yöntemleri uygulamalarında R paketlerinden yararlanılmıştır. R diline alışkın olmayan okuyucular için kitabın birinci bölümü hazırlanmıştır. Bu bölümdeki bilgiler ele alınan uygulamaların anlaşılması açısından yeterli düzeydedir.
Kitabın ikinci bölümünde biyoloji konusunda eğitim almayan okuyucular için bazı temel bilgilere yer verilmiştir. Hücre bilgisi, DNA, RNA, protein ve kromozomlara ilişkin bilgilerin yanısıra bu kitapta yoğun biçimde kullanılan gen ifadesi kavramına açıklık kazandırılmaktadır. Bu bölümde mikrodizi teknolojilerinin neler olduğu hususuna değinilmektedir.
Üçüncü bölümde, mikrodizi veri yapıları üzerinde durularak yaygın biçimde kullanılan Affymetrix, Agilent ve Illumina platformlarında üretilen mikrodizi dosyaların, R ortamına nasıl yüklenebileceği ve kullanılabileceği konusu işlenmektedir.


Mikrodizi verilerinin analize tabi tutulabilmesi için bazı ön işlemlerden geçirilmesi gerekmektedir. Veri üzerindeki bozulmaların düzeltilmesi için arka plan düzeltme işlemleri yapılır. Bu işlemin ardından verinin normalize edilmesi söz konusudur. Affymetrix veri kümelerinde PM düzeltme aşaması gerçekleştirilir. Son olarak veri özetlenerek veri analizlerinde kullanılabilecek gen ifadeleri elde edilmektedir. Sözü edilen bu aşamalar dördüncü bölümde ayrıntılı biçimde incelenmektedir.
Beşinci bölümden itibaren veri madenciliği yöntemleri ele alınmaktadır. Veri madenciliği sürecinde verinin analizi için uygun hale getirilmesi gerekmektedir. Bu amaçla ön işleme yöntemleri uygulanır. Beşinci bölümde veri madenciliği ön işleme yöntemleri arasında yer alan ayrıklaştırma konusu ayrıntılı biçimde incelenmektedir. Bunun dışında nitelik seçme konusu gen seçimi kavramı içinde ele alınarak analiz edilmektedir.
Kitap içinde yer alan yöntemleri ortaya koymak amacıyla iki tür uygulama yapılmaktadır. Birinci tür uygulamalarda ele alınan bir algoritmayı açıklamaya yönelik az sayıda veriden oluşan bir veri kümesi ele alınmıştır. Sözü edilen veri kümeleri tarafımızdan oluşturulmuş, gerçek olmayan bir tür sanal veri kümeleridir. İkinci tür veri kümeleri ise R ortamında yaygın biçimde kullanılan gerçek veri kümeleridir. Bu veri kümeleri beşinci bölümde tanıtılmaktadır. Veri kümelerini Bioconductor ortamından seçmeye özen gösterdik.
Altıncı bölümde veri madenciliğinin sınıflandırma ile ilgili konusu ele alınarak çeşitli sınıflandırma algoritmalarına yer verilmiştir. Sınıflandırma ağaçlarının oluşturulması, veri madenciliğinde önemli bir konu olarak karşımıza çıkmaktadır. Entropi tabanlı sınıflandırma ağaçları arasında yer alan C4.5 algoritması bu bölümde yer almaktadır. Bu yöntemin dışında sınıflandırma ağaçları kapsamında Gini algoritması, Regresyon ağaçları ve Rastgele Orman algoritmasına da yer verilmiştir. Sözü edilen yöntemler dışında En yakın k-komşu algoritması, Bayes sınıflandırıcılar ve Destek Vektör Makineleri ile sınıflandırma ayrıntılı biçimde incelenmiştir.
Mikrodizi verisini gen anlatım düzeylerine göre gruplandırma veya bir başka deyişle kümeleme yaygın biçimde uygulanmaktadır. Kitabın yedinci bölümü mikrodizi verisine, veri madenciliğinin kümeleme algoritmalarının nasıl uygulanabileceği konusuna ayrılmıştır. Bu kapsamda hiyerarşik olan ve hiyerarşik olmayan kümeleme yöntemleri işlenmiştir. Hiyerarşik kümeleme yöntemleri arasında AGNES, DIANA, Ortalama Link, Ward ve Küme Merkezi; hiyerarşik olmayan yöntemler arasında K-ortalamalar, PAM ve CLARA algoritması ayrıntılı biçimde incelenmiştir.
Kitabın son bölümünü Birliktelik Kuralları konusu oluşturmaktadır. Olayların birlikte gerçekleşme durumlarını çözümleyen veri madenciliği yöntemlerine birliktelik kuralları XE "birliktelik kuralları"  adını veriyoruz. Genlerin ifade düzeyleri göz önüne alındığında, birlikte hareket eden ve etmeyen genlerin belirlenmesi birliktelik kuralları algoritmaları ile sağlanabilir. Bu bölümde birliktelik kuralları konusu Apriori ve Eclat algoritmaları yardımıyla açıklanmaktadır.



İÇİNDEKİLER

Önsöz 

 

Bölüm 1.   R Diline Giriş

1.1         Bu bölümün Amacı

1.2         R nin Kurulumu

1.3         R Arayüzü

1.4         Komut Satırı

1.5         Nesneler

1.6         R Veri Nesneleri

1.6.1            Skaler

1.6.2            Vektör

1.6.3            Faktör

1.6.4            Dizilim

1.6.5            Matris ve Dizi

1.6.6            Liste

1.6.7            Veri Çerçevesi

1.7         İşleçler/Operatörler

1.7.1            Aritmetik İşleçler

1.7.2            Mantıksal ve İlişkisel İşleçler

1.8         Döngüler

1.9         Fonksiyonlar

1.9.1            Hazır Fonksiyonlar

1.9.2            Kullanıcı Fonksiyonları

1.10       R de istatistiksel veri işleme

1.11       Grafikler

1.12       R de Çizim İşlemleri

1.13       Dizin ve Dosya İşlemleri

1.13.1          Dizin İşlemleri

1.13.2          Dosyanın okutulması

1.14       R Paketleri

1.15       Bioconductor

1.15.1          Bioconductor Yazılımlarının Yüklenmesi

1.15.2          Bioconductor Paketlerini Güncelleme ve Derleme

1.16       Değerlendirme ve Araştırma Soruları

1.17       Bölüm Özeti

1.18       Kaynakça

 

Bölüm 2. Temel Biyoloji ve Mikrodizi

2.1         Bu Bölümün Amacı

2.1         Bu bölümün amacı

2.2         Temel Biyoloji Bilgileri

2.2.1     Genetik Materyal

2.2.2     Nükleik Asitler

2.3         DNA

2.4         RNA

2.5         Protein

2.6         Kromozom

2.7         Gen İfadesi

2.8         Mutasyon

2.9         Önemli Terimler

2.10       Dizileme Teknolojileri

2.11       Mikrodizi

2.12       Mikrodizi Veri Kümeleri

2.13       Değerlendirme ve Araştırma Soruları

2.14       Bölüm Özeti

2.15       Kaynakça

 

Bölüm 3. Mikrodizi Veri Yapıları

3.1         Bu Bölümün Amacı

3.2         Mikrodizi Veri Dosyaları

3.2.1     Mikrodizi veri kümelerinin yüklenmesi

3.2.2     Bioconductor veri kümelerinin yüklenmesi

3.3         Affymetrix Veri

3.3.1     PM ve MM Problar

3.3.2     Affymetrix CEL veri dosyasının görünümü

3.3.3     Bioconductor Affymetrix  paketleri

3.3.4     Bioconductor Affymetrix dosyalarının okunması

3.3.5     Bioconductor dışındaki Affymetrix  veri kümeleri

3.3.6     Dilution veri kümesi bilgilerini görüntüleme

3.3.7     Gen ifadeleri

3.3.8     Veri kümesindeki örnekler

3.3.9     PM ve MM yoğunlukları

3.3.10        Gen isimleri

3.3.11        Yoğunluk grafiği

3.3.12        Prob kümesi dağılma grafiği

3.3.13        RNA degradasyon grafiği

3.3.14        Görüntü

3.3.15        Kutu grafiği

3.3.16        Histogram

3.3.17        MA grafikleri

3.4         Agilent Veri

3.4.1     Paketin tanıtılması

3.4.2     Swirl veri kümesi

3.4.3     Veri kümesinin okutulması

3.4.4     Gen isimleri

3.4.5     Görüntünün elde edilmesi

3.4.6     Kutu grafiği

3.4.7     Dağılma grafiği

3.4.8     Tek renk Agilent veriler

3.5         Illumina Veri

3.5.1     Illumina veri kümesinin yüklenmesi

3.5.2     Örnek Illumina veri kümesi

3.5.3     PhenoData

3.5.4     Yoğunluk grafiği

3.5.5     Örnek Korelasyonları

3.5.6     Kutu  grafiği

3.5.7     Birikimli dağılım fonksiyonu (CDF)

3.5.8     MA grafiği

3.5.9     Varyans katsayısı grafiği

3.6         Değerlendirme ve Araştırma Soruları

3.7         Bölüm Özeti

3.8         Kaynakça

Bölüm 4. Mikrodizilerde Ön İşleme

4.1         Bu Bölümün Amacı

4.2         Ön İşleme Süreci

4.3         Arka Plan Düzeltme

4.3.1     MAS5 Yöntemi ile Arka Plan Düzeltme

4.3.2     Bioconductor Uygulaması

4.3.3     RMA yöntemi ile arka plan düzeltme

4.3.4     Bioconductor ile RMA Yöntemi Uygulaması

4.4         İki renk dizilerde arka plan düzeltme

4.4.1     Bioconductor ile İki Renk Dizilerde Arka Plan Düzeltmeler

4.5         Normalizasyon

4.5.1     Tek Renk Mikrodizi Verilerinde Normalizasyon

4.5.2     Kantil Normalizasyon

4.5.2.1       Örnek: Kantil normalizasyon uygulaması

4.5.3     Kantil Normalizasyon için Bioconductor Uygulaması

4.5.4     LOWESS Normalizasyon

4.5.4.1       Lowess Normalizasyon Yönteminin esasları

4.5.4.2       Güçlü Lowess Normalizasyon yöntemi

4.5.4.3       Örnek: Lowess Yöntemiyle Normalizasyon İşlemi

4.5.4.4       Lowess Normalizasyon Yöntemi için Bioconductor Uygulaması

4.6         İki renk mikrodizi veri için normalizasyon

4.6.1     Dizi içi normalizasyon

4.6.1.1       Dizi içi Normalizasyon için Bioconductor Uygulaması

4.6.2     Diziler arası Normalizasyon

4.6.2.1       Ölçek normalizasyonu

4.6.2.2       Örnek: Ölçek Normalizasyonu Uygulaması

4.6.2.3       Bioconductor  ile Ölçek Normalizasyonu Uygulaması

4.7         PM Düzeltme

4.7.1     Farkların Hesaplanması Yöntemi

4.7.2     İdeal Uyumsuz Değerleri Hesaplama Yöntemi

4.7.2.1       Tukey Bi-Weight ortalaması

4.7.2.2       Örnek: Tukey Bi-Weight Uygulaması

4.7.2.3       MAS5 Algoritması

4.7.2.4       MAS5 Algoritması ile ilgili Bioconductor uygulaması

4.8         Özetleme

4.8.1     Tukey Bi-Weight Yöntemi ile Özetleme

4.8.2     Bioconductor ile Tukey Bi-Weight yöntemi uygulaması

4.8.3     Medyan Parlatma Yöntemi ile Özetleme

4.8.3.1       Örnek: Medyan parlatma yöntemi ile özetleme uygulaması

4.8.3.2       Bioconductor ile Medyan Parlatma Yönteminin Uygulanması

4.9         Bioconductor ile Affymetrix Mikrodizi Ön İşlemleri İçin Pratik Bir Yol

4.10       Değerlendirme ve araştırma soruları

4.11       Özet

4.12       Kaynakça

  

Bölüm 5. Veri Madenciliğinde Önişleme ve Gen Seçim Yöntemleri

5.1         Bu bölümün amacı

5.2         Mikro dizi veri kümeleri

5.2.1     Bioconductor Leukemia veri kümesi

5.2.1.1       Veri kümesi nitelikleri:

5.2.1.2       R ile Leukemia veri kümesinin kullanımı

5.2.1.1       Bioconductor leukemia veri kümesinin CMA sürümü

5.2.2     Bioconductor Acute Lymphoblastic Leukemia (ALL) veri kümesi

5.2.2.1       Veri kümesi nitelikleri:

5.2.2.2       R ile Acute Lymphoblastic Leukemia veri kümesinin kullanımı

5.2.3     Küçük Yuvarlak Mavi Hücreli Tümör veri kümesi

5.2.3.1       R ile Küçük Yuvarlak Mavi Hücreli tümör veri kümesinin kullanımı

5.3         Veri madenciliğinde kullanılan uzaklık ölçüleri

5.3.1     Öklid uzaklığı

5.3.2     Manhattan uzaklığı

5.3.3     Minkowski uzaklığı

5.3.4     Hamming uzaklığı

5.4         Entropi kavramı

5.5         Mikrodizi verilerde Ayrıklaştırma

5.5.1     ChiMerge Ayrıklaştırma Yöntemi

5.5.1.1       Örnek: ChiMerge yöntemiyle ayrıklaştırma

5.5.1.2       Örnek: R ile Chimerge uygulaması

5.5.1.3       R ile Leukemia veri kümesi üzerinde Chimerge uygulaması

5.5.2     Sınıf-nitelik bağımlılık maksimizasyonu-CAIM Algoritması

5.5.2.1       Örnek: CAIM yöntemiyle ayrıklaştırma

5.5.2.2       R ile CAIM algoritmasının uygulanması

5.5.2.3       R ile Leukemia veri kümesi CAIM algoritmasının uygulaması

5.5.3     Sınıf-Nitelik kontenjans katsayısı -CACC algoritması

5.5.3.1       Örnek: CACC yöntemiyle ayrıklaştırma

5.5.3.2       R ile CACC algoritmasının uygulanması

5.5.3.3       R ile Leukemia veri kümesi için CACC algoritmasının uygulaması

5.6         Mikrodizilerde Gen Seçim Yöntemleri

5.6.1     Entropiye Dayalı Filtreler

5.6.1.1       Bilgi kazancı

5.6.1.2       Kazanç oranı

5.6.1.3       Simetrik belirsizlik

5.6.1.4       Örnek: Bilgi Kazancı filtresinin uygulanması

5.6.1.5       R ile Leukemia veri kümesi için entropi tabanlı nitelik seçimi

5.6.2     Korelasyon tabanlı nitelik seçimi

5.6.2.1       Örnek: Korelasyon tabanlı nitelik seçimi

5.6.2.2       R  ile korelasyon tabanlı nitelik seçimi

5.6.2.3       R ile Leukemia veri kümesi için korelasyon tabanlı nitelik seçimi

5.6.3     Ki-kare filtresi

5.6.3.1       Örnek: Ki-kare filtresiyle nitelik seçimi

5.6.3.2       R ile Leukemia veri kümesi için Ki-kare filtresi ile nitelik seçimi

5.6.4     Pearson Korelasyon filtresi

5.6.4.1       Örnek: Pearson Korelasyon Katsayısı filtresi ile nitelik seçimi

5.6.4.2       R ile Pearson Korelasyon filtresi

5.6.4.3       R ile Leukemia veri kümesi için Pearson Korelasyon filtresi ile nitelik seçimi

5.6.5     Spearman Sıra Korelasyon filtresi

5.6.5.1       Örnek: Spearman Sıra Korelasyon filtresi ile nitelik seçimi

5.6.5.2       R ile Spearman sıra korelasyon filtresi uygulaması

5.6.5.3       R ile Leukemia veri kümesi için Spearman sıra korelasyon filtresi ile nitelik seçimi

5.7         Değerlendirme ve araştırma soruları

5.8         Özet

5.9         Kaynakça

 

Bölüm 6. Sınıflandırma

6.1         Bu Bölümün Amacı

6.1.1            Mikrodizi verilerinde sınıflandırma

6.1.2            Sınıflandırma Süreci

6.1.3            Öğrenme ve test veri kümelerinin  elde edilmesi

6.1.4            Örnek: R ile Leukemia veri kümesi için öğrenme kümesinin oluşturulması

6.1.5            Örnek: R ile Leukemia veri kümesine bootstrap yönteminin uygulanması:

6.2         Sınıflandırma ağaçları

6.2.1            Mikrodizi sınıflandırma ağaçlarında öğrenme süreci

6.2.2            Sınıflandırma  kurallarının elde edilmesi

6.2.3            Kuralların uygulanması ve tahmin

6.2.4            C4.5 Algoritması

6.2.4.1    Sınıflandırma ağacında entropi

6.2.4.2    Sürekli değerlere sahip nitelik değerlerinin kategorik değerlere dönüştürülmesi

6.2.4.3    Dallanma için niteliklerin seçilmesi ve bilgi kazancı

6.2.4.4    Örnek: C4.5 algoritmasının uygulanması

6.2.4.1    Örnek: R ile C4.5 algoritmasının uygulanması

6.2.4.2    Örnek: Küçük yuvarlak hücreli tümör veri kümesi üzerinde C4.5 ile sınıflandırma

6.3         Sınıflandırma ve regresyon ağaçları

6.3.1            Sürekli değerler için Gini Algoritması

6.3.1.1    Örnek: Gini algoritması ile sınıflandırma

6.3.1.2    Örnek: R ile Gini algoritmasının uygulanması

6.3.1.3    Örnek: R ile Leukemia veri kümesi üzerinde Gini algoritması ile sınıflandırma

6.3.2            Regresyon Ağaçları

6.3.2.1    Örnek: Regresyon ağaçlarının elde edilmesi

6.3.2.2    Örnek: R ile Regresyon Ağacı  algoritmasının uygulanması

6.3.2.3    Örnek: R ile Leukemia veri kümesi üzerinde Regresyon Ağaçları  algoritması ile sınıflandırma

6.3.2.4    Örnek: Küçük yuvarlak hücreli tümör veri kümesi üzerinde Regresyon Ağaçları  algoritması ile sınıflandırma

6.3.3            Rastgele Orman algoritması

6.3.3.1    Örnek: R ile Leukemia veri kümesi üzerinde Rastgele Orman algoritması ile sınıflandırma

6.3.3.2    Örnek: Küçük yuvarlak hücreli tümör veri kümesi üzerinde Rastgele Orman  algoritması ile sınıflandırma

6.3.3.3    Örnek: Rastgele Orman Algoritması ile gen seçimi

6.4         En Yakın k-Komşu Algoritması ile sınıflandırma

6.4.1            Öklid uzaklıklarının kullanımı

6.4.2            Ağırlıklı Oylama

6.4.3            En yakın k-komşu Algoritması

6.4.3.1    Örnek: En yakın k-komşu algoritması ile sınıflandırma

6.4.3.2    Örnek: R ile En yakın k-komşu algoritmasının uygulanması

6.4.3.1    Örnek: R ile Leukemia veri kümesi üzerinde en yakın k-komşu  Algoritması ile sınıflandırma ve kestirim

6.5         Bayes Sınıflandırıcılar

6.5.1            Koşullu Olasılık

6.5.2            Bayes bağıntısı

6.5.3            Sade Bayes Sınıflandırıcısı ve MAP

6.5.4            Sürekli Nitelik Değerleri

6.5.5            Sıfır Değer Sorunu

6.5.6            Örnek: Bayes sınıflandırma

6.5.7            Örnek: e1071 paketi ile Sade Bayes sınıflandırması

6.5.8            Örnek: CMA paketi ile Bayes sınıflandırma

6.5.9            Örnek: Küçük yuvarlak hücreli tümör veri kümesi üzerinde Bayes Alg. ile sınıflandırma ve kestirim

6.6         Destek Vektör Makinesi ile sınıflandırma

6.6.1            Doğrusal Olarak Ayrılabilme Durumu

6.6.2            Primal Çözüm

6.6.3            Lagrange Çarpanları

6.6.4            Karush-Kuhn-Tucker Koşulları

6.6.5            Dual Çözüm

6.6.6            Örnek: Destek Vektör Makinesi ile sınıflandırma

6.6.7            Örnek: R ile Destek Vektör Makinesi uygulaması

6.6.8            Örnek: Küçük yuvarlak hücreli tümör veri kümesi üzerinde Destek Vektör Makinesi ile sınıflandırma ve kestirim

6.7         Değerlendirme ve araştırma soruları

6.8         Özet

6.9         Kaynakça

 

Bölüm 7. Kümeleme

7.1         Bu bölümün amacı

7.2         Kümeleme çözümlemesi

7.3         Mikrodizi deneylerinde kümeleme

7.4         Hiyerarşik Kümeleme Yöntemleri

7.4.1            Birleştirici Kümeleme: AGNES

7.4.1.1    En Yakın Komşu Algoritması

7.4.1.2    En Uzak Komşu Algoritması

7.4.1.3    Örnek: En Yakın Komşu Algoritması ile kümeleme

7.4.1.4    Örnek: R ile en yakın komşu ve en uzak komşu algoritmasının uygulaması

7.4.1.5    Örnek: R ile bioconductor leukemia veri kümesi için en yakın komşu algoritması ile kümeleme

7.4.2            Ortalama Link Yöntemi

7.4.2.1    Örnek: Ortalama link yöntemiyle kümeleme

7.4.2.2    Örnek: R ile ortalama link yönteminin uygulanması

7.4.2.3    Örnek: R ile Bioconductor leukemia veri kümesi için ortalama link yöntemiyle kümeleme

7.4.3            Ward Yöntemi

7.4.3.1    Örnek: Ward yöntemini kullanarak kümeleme işlemi.

7.4.3.2    Örnek: R ile Ward yönteminin uygulanması

7.4.3.3    Örnek: R ile Bioconductor leukemia veri kümesi için Ward yöntemiyle kümeleme

7.4.3.4    Örnek: R ile Bioconductor leukemia veri kümesi için cluster paketini kullanarak kümeleme

7.4.4            Küme Merkezi Yöntemi

7.4.4.1    Örnek: Küme merkezi yöntemi ile kümeleme

7.4.4.2    Örnek: R ile Küme Merkezi yönteminin uygulanması

7.4.4.3    Örnek: Bioconductor leukemia veri kümesi için Küme Merkezi yöntemiyle kümeleme

7.4.5            Ayırıcı Kümeleme: DIANA

7.4.5.1    Örnek: DIANA yöntemiyle kümeleme

7.4.5.2    Örnek: R  ile DIANA kümeleme yönteminin uygulaması:

7.4.5.3    Örnek: Bioconductor leukemia veri kümesi için DIANA yöntemiyle kümeleme

7.5         Hiyerarşik Olmayan Kümeleme

7.5.1            K-Ortalamalar Yöntemi

7.5.1.1    Örnek: K-Ortalamalar Yöntemi ile kümeleme

7.5.1.2    Örnek: K-ortalamalar yönteminin R uygulaması

7.5.1.3    Örnek: Bioconductor leukemia veri kümesi için K-ortalamalar yöntemiyle kümeleme

7.5.2            PAM kümeleme algoritması

7.5.2.1    Örnek: PAM algoritmasının uygulanması

7.5.2.2    Örnek: R ile PAM algoritmasının uygulanması

7.5.2.3    Örnek:  Bioconductor leukemia veri kümesi için PAM yöntemiyle kümeleme

7.5.3            Büyük veri kümeleri ve CLARA

7.5.3.1    Örnek:  Bioconductor leukemia veri kümesi için CLARA yöntemiyle kümeleme

7.6         Değerlendirme ve araştırma soruları

7.7         Özet

7.8         Kaynaklar

 

Bölüm 8. Birliktelik kuralları

8.1         Bu Bölümün Amacı

8.2         Mikrodizi Verilerde Birliktelik Kuralları

8.3         Destek ve Güven Ölçütleri

8.4         Apriori Algoritması

8.4.1            Örnek: Apriori algoritması ile birliktelik kuralları

8.4.2            Örnek: R ile Apriori algoritması uygulaması

8.4.3            Örnek: R ortamında Apriori algoritması ile Leukemia veri kümesi için birliktelik kurallarının elde edilmesi

8.5         Eclat Algoritması

8.5.1            Örnek: Eclat algoritması ile birliktelik kuralları

8.5.2            Örnek: R ortamında Eclat algoritması ile birlikteliklerin elde edilmesi

8.5.3            Örnek: R ortamında Eclat algoritması ile leukemia veri kümesi için birlikteliklerin elde edilmesi

8.6         Değerlendirme ve araştırma soruları

8.7         Özet

8.8         Kaynakça

Dizin


http://www.tdk.com.tr/images_buyuk/f67/Algoritma-Gelistirme-ve-Veri-Yap_5767_1.jpg


Akademik bilimsel ve üniversite ders kitapları; Papatya Bilim Yayınevi