Veri madenciliği kullanarak akıllı reklam/anket uygulaması

Abstract

Teknolojik gelişmelerle birlikte veri tabanlarında tutulan veri miktarı her geçen gün artmaktadır. Bu verilerden anlamlı bilgi çıkarımı veya gelecek tahmini yapılabilmesi için veri madenciliği yöntemleri kullanılması gerekmektedir. Bu amaçla veri madenciliği günlük hayatımızda sıkça kullanılan bir alan haline gelmiştir.Bu tez çalışmasında, araç eğlence sistemleri için veri madenciliği yöntemleri kullanılarak bir yolcunun ilgi alanındaki en uygun reklam&anketin ne olduğu hakkında bir bilgisayar destekli analiz yapılmıştır. Bu çalışmada, çok iyi bilinen Karar Ağaçları, Naive Bayes ve KNN veri madenciliği yöntemleri gerçek datadan sentetik yolla çoğaltılarak elde edilen veri seti üzerinde uygulanmıştır ve veri seti 3 farklı kategoriye göre sınıflandırılmıştır. Karar Ağaçları, Naive Bayes ve KNN yöntemlerinin seçilen reklam&anket değişkeni için sınıflandırma başarımları elde edilmiştir ve sonuçlar yöntemler bazında karşılaştırılarak araç eğlence sistemleri için en uygun optimizasyon sağlanmıştır.

The amount of data stored in databases is increasing day by day with the technological developments. Use data mining methods are necessary to be made extraction of meaningful information or future prediction from these databases . For this purpose, data mining has become an area commonly used in our daily lives.In this thesis, A computer-aided analysis has been performed about what optimal advertisement&survey in interest of a passenger by using data mining methods for vehicle entertainment systems. In this study, Decision Trees, Naive Bayes and KNN as a well-known data mining techniques have been applied on the data set obtained from actual data by replicated synthetically and data sets are classified in three different categories. Classification performance of Decision Trees, Naive Bayes and KNN data mining methods were obtained for selected advertisement&survey variable and the most appropriate optimization are provided for vehicle entertainment systems by comparing the results in the basis of methods.