What is Bootstrapping ?

Bootstrapping is sampling with replacement from observed data to estimate the variability in a statistic of interest.

 A common application of the bootstrap is to assess the accuracy of an estimate based on a sample of data from a larger population. Consider the sample mean. The best way to find out how lots of different sample means turn out is to actually
 draw them.  Lacking the real universe to draw samples from, we need a proxy universe that embodies everything we
know about the real universe, and which we can use to draw samples from.

One resampling technique is to replicate the sample data a huge number of times to create a proxy universe based entirely on our sample. After all, the sample itself usually embodies everything we know about the population that spawned it, so it´s often the best starting point for creating an artificial proxy universe, from which we can draw resamples, and observe the distribution of the statistic of interest.

A shortcut is to simply sample with replacement from the original sample. By sampling with replacement, each sample observation has 1/n probability of being selected each time - just as if you were drawing without replacement from an infinitely large replicated universe. This technique is called the bootstrap.

Drawing resamples with replacement from the observed data, we record the means found in a large number of resamples. Looking over this set of means, we can read the values that bound 90% or 95% of the entries. (a bootstrap confidence interval)

For comparison: The Classical Statistics World

In classical statistics, we still invoke the concept of the larger universe. However, rather than creating a proxy universe and actually drawing from it, classical statistics works from a mathematical description of this larger universe, based on information provided by the sample (typically mean and standard deviation), and assumptions of normality.

It is important to note that both the resampling and classical approaches make inferences about the larger population starting from the same point - the observed sample. If the observed sample is way off base, both approaches are in trouble.

Reasons for using a bootstrap approach include the fact that it makes no assumption concerning the distribution of the data, and the fact that it can assess the variability of virtually any statistic.

The bootstrap procedure was suggested by Julian Simon, an economist, in a 1969 research methods text. Bradley Efron coined the term "bootstrap" in 1979, and developed and elaborated the method in the statistical literature starting in 1979.

SOURCE:http://www.statistics.com/news/47/192/Week-17---Bootstrapping/?showtemplate=true

Avrupa Girişimciliği Teşvik Ödülleri 2013

Türk Kuyumcuların Tepkisi Financial Times Gazetesinde

Financial Times, Türkiye'de bankaların ve PTT'nin altın alım-satımına başlaması sonrası kuyumcuların tepkisine dikkat çekti. Türkiye'nin yastık altında en az 115 milyar dolarlık altın var.

İngiliz Financial Times gazetesi, Türkiye’deki kuyumcuların altın alım-satımıyla ilgili yapılan son düzenlemelere tepkisini sayfalarına taşıdı.

Haberde şu ifadeler yer alıyor: "Kuyumcular bugünlerde hükümetin halkın elindeki altını ekonomik büyüme için kullanma girişimini boşa çıkarmaya çalışıyorlar. Merkez Bankası’na göre halkın elinde, en az 115 milyar dolar değerinde altın var. Yastık altında belki daha da fazlası olabilir. Türkiye’nin büyük yatırımlara, kısa vadeli yurtdışı sermaye girişlerine ve düşük tasarruf oranına ihtiyacı var. Bu yüzden de devlet yastık altında bulunan altını ekonominin bankalar gibi daha resmi bir alanına doğru kaydırmak istiyor.”

Gazete, bu plan çerçevesinde bankaların ve PTT’nin altın alım ve satımlarına başladığını belirtti.

İstanbul Kuyumcular Odası Başkanı Alaattin Kamberoğlu gazeteye yaptığı açıklamada, "Ağzımızdaki lokmayı almak istiyorlar" diye konuştu.

Kaynak:http://www.cnbce.com

2013 KPSS'de Konular ve Dağılımı Yine Değişti

ÖSYM Başkanı Ali Demir, lisans düzeyinde yapılacak Kamu Personel Seçme Sınavı (KPSS) testlerindeki konu ve dağılımlarının güncellendiğini bildirdi.

Demir,lisans düzeyinde yapılacak KPSS testlerindeki konu ve dağılımlarıyla ilgili akademisyenlerin önerileri ve Devlet Personel Başkanlığının görüşleriyle güncelleme yapıldığını belirtti.
Tüm alanlarda yeni eğitim programları doğrultusunda, üniversitelerde okutulan derslerin düzenlemeyle kapsam içine alındığını vurgulayan Demir, "Programlara yeni eklenen ya da kapsamı değişen dersler nedeniyle testte yer alacak soruların konu dağılımları yani yüzdeleri de bu düzenlemeyle güncellendi. Mevcut konu dağılımları, yükseköğretimdeki derslerin çeşit ve ağırlıklarının değişmesiyle güncelliğini yitirmişti. Bunun için de düzenlemeye gittik" diye konuştu.
Demir, ortaklık içeren konu gruplarının ağırlığının da azaltıldığını ifade ederek, konu dağılımlarının güncel yüksek öğrenim mevzuatına uyarlandığını kaydetti.
Öğretmenlik Alan Bilgisi Testi'ne ilişkin daha önce örnek sorular hazırladıklarını anımsatan Demir, bu kapsamda da güncelleme yaptıklarını ve testi en kısa zamanda ÖSYM'nin internet sitesinde yayınlayacaklarını söyledi.

Test konularının ağırlıkları

ÖSYM'nin düzenlemesine göre, KPSS'de uygulanacak Genel Yetenek Testi sözel bölümünün ağırlığı yüzde 50 olacak. Bu bölümde sözel akıl yürütme (muhakeme)becerileri, dil bilgisi ve yazım kurallarını ölçmeye yönelik sorular yöneltilecek.
Sayısal bölümde ise sayısal ve mantıksal akıl yürütme (muhakeme) becerilerini ölçmeye yönelik sorular yer alacak. Bu bölümün ağırlığı da yüzde 50 olacak.
Genel Kültür bölümünde de Tarih bölümünün ağırlığı yüzde 45, Türkiye coğrafyasının ağırlığı yüzde 30, temel yurttaşlık bilgisinin ağırlığı yüzde 15, Türkiye ve dünyayla ilgili genel kültürel ve güncel sosyoekonomik konuların ağırlığı yüzde 10 olacak.
Tarihte, Anadolu Selçuklu Devleti ve öncesindeki Türk devletlerinden yüzde 5, Osmanlı Devleti'nden yüzde 15, Atatürk İlke ve İnkılapları'ndan yüzde 20, Çağdaş Türk ve Dünya Tarihi'nden yüzde 5 ağırlığında sorular yönetilecek.
Türkiye coğrafyasında ise sorularda Türkiye'nin fiziki özellikleri yüzde 12, Türkiye'nin beşeri özellikleri yüzde 5, Türkiye'nin ekonomik özellikleri yüzde 13 ağırlığında yer alacak.
Temel yurttaşlık bölümünde ise hukuk başlangıcı ve genel kamu hukuku, anayasa ile idare konularında yüzde 5'er ağırlığında soru yöneltilecek.

Eğitim Bilimleri soruları

Eğitim Bilimlerinde ise öğrenme psikolojisi ile öğretim ilke ve yöntemlerinde yüzde 20'şer, gelişim psikolojisi, ölçme ve değerlendirme ile rehberlik ve özel eğitim alanlarında yüzde 15'er, program geliştirme, sınıf yönetimi ile öğretim teknolojileri ve materyal tasarımında ise yüzde 5'er ağırlığında soru bulunacak.
Hukuk alanında ise ağırlıklar, Anayasa hukukunun yüzde 10, idare hukuku ve idari yargı, ceza hukuku, medeni hukuk, borçlar hukuku, ticaret hukuku, icra ve iflas hukukunun yüzde 15'er olacak.
İktisatta da iktisadi doktrinler tarihi yüzde 5, mikro iktisat yüzde 30, makro iktisat yüzde 25, para-banka-kredi, uluslararası iktisat, kalkınma ve büyüme ile Türkiye ekonomisi yüzde 10'ar ağırlığında yer alacak.
İşletmede temel kavramlardan yüzde 10, işletme yönetimi ve üretim yönetiminden yüzde 25'er, pazarlama yönetimi ve finansal yönetim yüzde 20'şer ağırlığında soru yöneltilecek.
Maliye testinde, maliye teorisi yüzde 10, kamu gelirleri, kamu giderleri, kamu borçları, bütçe, vergi hukuku ve maliye politikasından yüzde 15'er ağırlığında sorular gelecek.
Muhasebede, soru ağırlığı genel muhasebeden yüzde 65, mali tablolar analizinden yüzde 15, ticari aritmetik ve ihtisas muhasebesinden yüzde 10'ar olacak.
Çalışma ekonomisi ve endüstri ilişkileri testinde, iş ve sosyal güvenlik hukukunda yüzde 55 ağırlığında soru bulunacak. Bu test içinde yer alan iş hukuku ve teorisinden yüzde 20, sosyal güvenlik hukuku ve teorisinden yüzde 25, sosyal politikadan yüzde 10 ağırlığında soru yer alacak. Çalışma ekonomisinden soru ağırlığı ise yüzde 30 olacak. Çalışma psikolojisi ve çalışma sosyolojisi soru ağırlığı da yüzde 15.
Ekonometride de ekonometrik tahmin ve tahmin ediciler, tahmin sonuçlarının ekonomik ve istatiksel olarak değerlendirilmesi hipotez testleri, güven aralığı, ikili (kukla) değişkenler, ikili açıklayıcı ve ikili bağımlı değişkenler, otokorelasyon (içsel bağıntı), farklı yayılım (değişen varyans), model tanımlama ve tanımlama hataları, eşanlı denklem sistemleri, zaman serisi modellemesi yüzde 10'ar ağırlıkta yer alacak. Öngörü, kısmi regresyon ve korelasyon, çoklu doğrusal bağlantı ve dinamik ekonometri, dağıtılmış gecikme ve otoregresif modeller yüzde 5'er ağırlığında bulunacak.
İstatistik testinde ise olasılık ve stokastik süreçler, matemetiksel istatistik ve uygulamalı istatistik yüzde 15'er, yöneylem araştırması, zaman serileri, parametrik olmayan testler yüzde 5'er, deney tasarımı ve varyans analizi, örnekleme, regresyon analizi, çok değişkenli analizler yüzde 10 yer alacak.
Kamu yönetiminde siyaset bilimi, anayasa, kentleşme ve çevre sorunları yüzde 15'er, yönetim bilimleri ve kamu politikası yüzde 20'şer, Türk siyasi hayatı (Osmanlı'dan günümüze siyasi olaylar) yüzde 10 ve sosyoloji yüzde 5 olacak.
Uluslararası ilişkiler de uluslararası ilişkiler teorisi yüzde 20, uluslararası hukuk yüzde 25, siyasi tarih, uluslararası güncel sorunlar, Türk dış politikası yüzde 15, uluslararası örgütler yüzde 10 yer alacak.

Öğretmenlik alan bilgisi testi

Öğretmenlik Alan Bilgisi Testi'nde ise alan bilgisinin ağırlığı yüzde 80, alan eğitimin ağırlığı yüzde 20 olacak.
Türkçe öğretmenliği alan bilgisi testinde, anlama ve anlatma teknikleri yüzde 24, dil bilgisi ve dil bilimi yüzde 16, çocuk edebiyatı, Türk halk edebiyatı, yeni Türk edebiyatı, eski Türk edebiyatı ile edebiyat bilgi ve kuramları yüzde 8'er ağırlığında bulunacak.
Fen bilimleri testinde, fizik yüzde 24, kimya yüzde 22, biyoloji yüzde 22, yer bilimi, astronomi ve çevre bilimi yüzde 4'er; Türk dili ve edebiyatı öğretmenliğinde eski Türk dili ve yeni Türk dili yüzde 26, yeni Türk edebiyatı, eski Türk edebiyatı ve Türk halk edebiyatı yüzde 18'er, ilköğretim matematik öğretmenliğinde analiz yüzde 28, cebir ve geometri yüzde 18'er, uygulamalı matematik yüzde 16 ağırlığında yer alacak.
Sosyal bilgiler öğretmenliğinde, tarih yüzde 28, coğrafya yüzde 20, siyaset bilimi yüzde 8, diğer sosyal bilim alanları (Sosyal Bilgilerin Temelleri, Sosyal Psikoloji, Arkeoloji, Antropoloji, Sosyoloji, Felsefe, Ekonomi, Bilim Teknoloji ve Sosyal Değişme, Sanat ve Estetik, İnsan İlişkileri ve İletişim, Günümüz Dünya Sorunları, Sosyal Proje Geliştirme) yüzde 24 ağırlığında olacak.
Tarih öğretmenliğinde, tarih metodu ile XX. yüzyıl Türk ve dünya tarihi yüzde 8, eski çağ tarihi yüzde 4, İslamiyet öncesi Türk tarihi yüzde 10, orta çağ İslam tarihi, Türkiye cumhuriyeti tarihi, genel dünya tarihi yüzde 12, Osmanlı tarihi yüzde 14 ağırlığında bulunacak.
Coğrafya öğretmenliğinde, fiziki coğrafya ile beşeri ve ekonomik coğrafya yüzde 30, bölgeler ve ülkeler yüzde 20; fizik öğretmenliği, mekanik, elektrik ve manyetizma ile modern fizik yüzde 20'şer, madde ve özellikleri ile dalgalar ve optik yüzde 10'ar; kimya öğretmenliğinde analitik kimya, anorganik kimya, organik kimya, fizikokimya yüzde 20'şer; biyoloji öğretmenliğinde ise hücre ve metabolizma ile genetik ve evrim yüzde 16'şar, bitki biyolojisi, ekoloji yüzde 10'ar, insan ve hayvan biyolojisi yüzde 20, canlıların sınıflandırılması yüzde 8 olacak.
Matematik öğretmenliğinde (lise), analiz yüzde 24, cebir ve geometri yüzde 16'şar, uygulamalı matematik yüzde 24, İngilizce, Fransızca ve Almanca öğretmenliğinde dil yeterliliği yüzde 50, dil bilim yüzde 16, edebiyat yüzde 14, din kültürü ve ahlak bilgisi öğretmenliğinde Hz. Muhammed'in hayatı ve sünneti, İslam ahlakı, estetiği ve felsefesi, Kur'an-ı Kerim'in muhtevasını anlama yüzde 12, temel dini bilgiler (İslâm, iman esasları ve ibadetleri) yüzde 16, Günümüz Türkiye'sindeki İslam mezhep ve yorumları yüzde 4, din bilimleri (din sosyolojisi, din psikolojisi, dinler tarihi, din eğitimi, din felsefesi) yüzde 24 ağırlığında olacak.

Hurriyet

Ant Colony Algorithm Lecture and Videos

                                                Ant Colony Lecture and Examples Video

Ant Colony Algorithms are inspired by the behaviour of natural ant colonies, in the sense that they solve their problems by multi agent cooperation using indirect communication through modifications in the environment.

Natural, or real, ants release a certain amount of pheromone while walking, and each ant prefers(probabilistically) to follow a direction which is rich of pheromone. This simple behaviour explains why ants are able to adjust to changes in the environment, such as new obstacles interrupting the currently shortest path. Let me illustrate:

What happens when an ant colony following a shortest path between a food source and the nest (see below) gets interrupted by an obstacle appearing somewhere in the path? When the ants reach the obstacle they will randomly choose some way around it(right, left, over or under).

If we assume that the only way around the obstacle is either right or left, we can safely assume that approximately half of the ants will go right and the other half left, as illustrated below.

The ants that happen to pick the shorter path will obviously create a strong trail of pheromone a lot faster than the ones choosing a longer path(see below). This will cause more and more ants to choose the shorter path until eventually all ants have found the shortest path.

Ant Colony Algorithms attempt somehow to apply similar techniques in order to solve real life problems. The main idea is to use repeated and often recurrent simulations of artificial ants (mobile agents inspired by real ant behaviour) to generate new solutions to the problem at hand. 

The ants use information collected during past simulations to direct their search and this information is available and modified through the environment. Many different artificial ant algorithms have been implemented and no universal definition of an artificial ant fits them all.

 In the next section we will take a look at an example where an artificial ant colony solves the travelling salesman problem. 

Click for the next lectures and source

HEA Profil Ölçüleri

HEA Profil Ölçüleri Tablosu

NPI PROFİL ÖLÇÜ TABLOSU İÇİN TIKLAYIN!

NPU PROFİL ÖLÇÜ TABLOSU İÇİN TIKLAYIN!

NPI Profil Ölçüleri

NPI profilleri; başlıca çelik yapı sektörü ve makina imalat sektöründe kullanılan, dayanıklı ve destekleyici yapıya sahip demirlerdir.

NPU PROFİL ÖLÇÜ TABLOSU İÇİN TIKLAYIN!

HEA PROFİL ÖLÇÜ TABLOSU İÇİN TIKLAYIN!

DISADVANTAGES AND LIMITATIONS OF GENETIC ALGORITHM

DISADVANTAGES AND LIMITATIONS OF GENETIC ALGORITHM

1. The problems occurs identifying fitness function
2. Definition of representation for the problem
3. The problem of choosing the various parameters like the size of the population, mutation rate, cross over rate, the selection method and its strength.
4. Premature convergence occurs. [4]
5. Cannot easily incorporate problem specific information
6. Not good at identifying local optima
7. No effective terminator.
8. Not effective for smooth unimodal functions
9. Needs to be coupled with a local search technique.
10. Require large number of response (fitness) function evaluations
11. Configuration is not straightforward
12. Cannot use gradients.[5]
13. Not all problems can be framed in the mathematical manner that genetic algorithms demand
14. Development of a genetic algorithm and interpretation of the results requires an expert who has both the programming and statistical/mathematical skills demanded.
15. Most genetic algorithms rely on random number generators that produce different results each time the model runs. Although there is likely to be a high degree of consistency among the runs, they may vary. [6]

ADVANTAGES OF GENETIC ALGORITHM

The advantages of genetic algorithm includes,

1    Parallelism and liability

2.   Many ways to speed up and improve a GA application as knowledge about problem domain is gained

3.   Solution space is wider

4.   The fitness landscape is complex

5.    Easy to discover global optimum

6.    The problem has multi objective function

7.    Only uses function evaluations.

8     Easily modified for different problems.

9.    Handles noisy functions well.

10.  Handles large, poorly understood search spaces easily

11.  Good for multi-modal problems returns a suite of solutions.

12.  Very robust to difficulties in the evaluation of the objective function. [1]

13.  They require no knowledge or gradient information about the response surface

14.  Discontinuities present on the response surface have little effect on overall optimization performance

15.  They perform very well for large-scale optimization problems

16.  Can be employed for a wide variety of optimization problems [2]

17.  Genetic algorithm is a method which is very easy to understand and it practically does not demand the knowledge of mathematics.[3]

PREMATURE CONVERGENCE IN GENETIC ALGORITHM

GA is a kind of hill-climbing search; more specifically it is very similar to a randomized beam search. As with all hill-climbing algorithms, there is a problem of local maxima. There is no absolute assurance that a genetic algorithm will find a global optimum. It happens very often when the populations have a lot of subjects. Local maxima in a genetic problem are those individuals that get stuck with a pretty good, but not optimal, fitness measure. [7]

When applying genetic algorithm for solving large-scale and complex real-world problems, premature convergence is the one of the most frequently encountered difficulties. In that situation  , the  solving  procedure  is  trapped  in  the suboptimal state and  most  of the operators can’t  produce offspring surpassing their parents any more . It has been proven that the genetic algorithm can't converge to the global optimal solution [8]

Any small mutation gives worse fitness. Fortunately, crossover can help them get out of a local maximum. Also, mutation is a random process, so it is possible that we may have a sudden large mutation to get these individuals out of this situation. (In fact, these individuals never get out. It's their offspring that get out of local maxima.) Overall, GAs have less problems with local maxima than back-propagation neural networks. [9]

Sources:

[7] [9]  C. R. Dyer, CS 540 Lecture Notes, University of Wisconsin – Madison

[8] Rudolph G., 1994, “Convergence Analysis of Canonical Genetic Algorithms”, IEEE Trans.  On Neural Networks, Vo1.5(1), p96-101.