Posts

CONTINUE READING

1. Hafta Lab: Doğrusal Regresyon BGM 565: Siber Güvenlik için Makine Öğrenme Yöntemleri İstanbul Şehir Üni. - Bilgi Güvenliği Müh. Dr. Ferhat Özgür Çatak Bu lab çalışmasında doğrusal regresyon yöntemini sentetik bir kümesine uygulayacağız. # kutuphaleri yukle import pandas as pd import matplotlib.pyplot as plt Pandas kütüphanesi kullanarak ds1.txt dosyası verikumesi degişkenine (dataframe) atanmaktadır. verikumesi değişkenin boyutları (21,2) olduğu bulunur. 21 satır ve 2 sütundan oluşmaktadır. $verikumesi \in \mathbb{R}^{21 \times 2}$

CONTINUE READING

2. Hafta Lab-1: Analitik Çözüm - Normal Denklem BGM 565: Siber Güvenlik için Makine Öğrenme Yöntemleri İstanbul Şehir Üni. - Bilgi Güvenliği Müh. Dr. Ferhat Özgür Çatak Bu lab çalışmasında doğrusal regresyon probleminin analitik çözümünde kullanılan normal denklemi sentetik bir kümesine uygulayacağız. import pandas as pd import numpy as np Pandas kütüphanesi kullanarak ds2.txt dosyası verikumesi degişkenine (dataframe) atanmaktadır. # veri kumesini oku verikumesi = pd.read_csv("ds2.txt",delimiter="\t") verikumesi .

CONTINUE READING

2. Hafta Lab-2: Regularization BGM 565: Siber Güvenlik için Makine Öğrenme Yöntemleri İstanbul Şehir Üni. - Bilgi Güvenliği Müh. Dr. Ferhat Özgür Çatak Bu lab çalışmasında doğrusal regresyon probleminin gradient descent çözümünde kullanılan regularization yöntemini sentetik bir kümesine uygulayacağız. import numpy as np import pandas as pd from sklearn.linear_model import SGDRegressor Pandas kütüphanesi kullanarak ds2.txt dosyası verikumesi degişkenine (dataframe) atanmaktadır. # veri kumesini oku verikumesi = pd.read_csv("ds2.txt",delimiter="\t") X = verikumesi.

CONTINUE READING

2. Hafta Lab-3: Lojistik Regresyon BGM 565: Siber Güvenlik için Makine Öğrenme Yöntemleri İstanbul Şehir Üni. - Bilgi Güvenliği Müh. Dr. Ferhat Özgür Çatak Bu lab çalışmasında lojistik regresyon sınıflandırma yöntemini sentetik bir kümesine uygulayacağız. import numpy as np import pandas as pd from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split # veri kumesini oku verikumesi = pd.read_csv("ds_logreg.txt",delimiter="\t") # ilk 10 satiri goster verikumesi.head(10) .dataframe tbody tr th:only-of-type { vertical-align: middle; } .

CONTINUE READING

2. Hafta Lab-4: KDDCUP’99 Veri kümesi - Lojistik Regresyon BGM 565: Siber Güvenlik için Makine Öğrenme Yöntemleri İstanbul Şehir Üni. - Bilgi Güvenliği Müh. Dr. Ferhat Özgür Çatak Bu lab çalışmasında KDDCUP’99 veri kümesinin lojistik regresyon algoritmasıyla sınıflandırma modelini oluşturacağız. import numpy as np import pandas as pd from sklearn.linear_model import LogisticRegression from sklearn.metrics import confusion_matrix from sklearn.model_selection import train_test_split Pandas kütüphanesi sıkıştırılmış formatlardan veri okuyabilemktedir. # veri kumesini oku kolon_adlari = ['duration','protocol_type','service','flag','src_bytes','dst_bytes','land','wrong_fragment','urgent', 'hot','num_failed_logins','logged_in','num_compromised','root_shell','su_attempted','num_root','num_file_creations', 'num_shells','num_access_files','num_outbound_cmds','is_host_login','is_guest_login','count','srv_count', 'serror_rate','srv_serror_rate','rerror_rate','srv_rerror_rate','same_srv_rate','diff_srv_rate','srv_diff_host_rate', 'dst_host_count','dst_host_srv_count','dst_host_same_srv_rate','dst_host_diff_srv_rate','dst_host_same_src_port_rate', 'dst_host_srv_diff_host_rate','dst_host_serror_rate','dst_host_srv_serror_rate','dst_host_rerror_rate', 'dst_host_srv_rerror_rate','label'] verikumesi = pd.

CONTINUE READING

3. Hafta Lab-1: $L2$ Regularization vs $\lambda$ BGM 565: Siber Güvenlik için Makine Öğrenme Yöntemleri İstanbul Şehir Üni. - Bilgi Güvenliği Müh. Dr. Ferhat Özgür Çatak Bu lab çalışmasında lojistik regresyon algoritmasında $L2$ regularization yönteminde $\lambda$ değeriyle ağırlık vektörünün $\mathbf{w}$ değişimi KDDCUP’99 veri kümesinde uygulayacağız. import numpy as np import pandas as pd from sklearn.linear_model import LogisticRegression import matplotlib.pyplot as plt KDDCUP’99 veri kumesini oku # veri kumesini oku kolon_adlari = ['duration','protocol_type','service','flag','src_bytes','dst_bytes','land','wrong_fragment','urgent', 'hot','num_failed_logins','logged_in','num_compromised','root_shell','su_attempted','num_root','num_file_creations', 'num_shells','num_access_files','num_outbound_cmds','is_host_login','is_guest_login','count','srv_count', 'serror_rate','srv_serror_rate','rerror_rate','srv_rerror_rate','same_srv_rate','diff_srv_rate','srv_diff_host_rate', 'dst_host_count','dst_host_srv_count','dst_host_same_srv_rate','dst_host_diff_srv_rate','dst_host_same_src_port_rate', 'dst_host_srv_diff_host_rate','dst_host_serror_rate','dst_host_srv_serror_rate','dst_host_rerror_rate', 'dst_host_srv_rerror_rate','label'] verikumesi = pd.

CONTINUE READING

3. Hafta Lab-2: $L1$ ve $L2$ Regularization Sonuçlarının İncelenmesi BGM 565: Siber Güvenlik için Makine Öğrenme Yöntemleri İstanbul Şehir Üni. - Bilgi Güvenliği Müh. Dr. Ferhat Özgür Çatak Bu lab çalışmasında lojistik regresyon algoritmasında $L2$ regularization yönteminde $\lambda$ değeriyle ağırlık vektörünün $\mathbf{w}$ değişimi KDDCUP’99 veri kümesinde uygulayacağız. import numpy as np import os import pandas as pd from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split import matplotlib.pyplot as plt from sklearn.

CONTINUE READING

3. Hafta Lab-3: Uzaklıkların Bulunması BGM 565: Siber Güvenlik için Makine Öğrenme Yöntemleri İstanbul Şehir Üni. - Bilgi Güvenliği Müh. Dr. Ferhat Özgür Çatak Bu lab çalışmasında Chebysev, Jaccard, Euclidean, Cosine, Cityblock uzaklık/benzerliklerinin KDDCUP’99 veri kümesine uygulamalarını inceleyeceğiz. import numpy as np import pandas as pd from scipy.spatial.distance import squareform from scipy.spatial.distance import pdist KDDCUP’99 Verikümesini oku # veri kumesini oku kolon_adlari = ['duration','protocol_type','service','flag','src_bytes','dst_bytes','land','wrong_fragment','urgent', 'hot','num_failed_logins','logged_in','num_compromised','root_shell','su_attempted','num_root','num_file_creations', 'num_shells','num_access_files','num_outbound_cmds','is_host_login','is_guest_login','count','srv_count', 'serror_rate','srv_serror_rate','rerror_rate','srv_rerror_rate','same_srv_rate','diff_srv_rate','srv_diff_host_rate', 'dst_host_count','dst_host_srv_count','dst_host_same_srv_rate','dst_host_diff_srv_rate','dst_host_same_src_port_rate', 'dst_host_srv_diff_host_rate','dst_host_serror_rate','dst_host_srv_serror_rate','dst_host_rerror_rate', 'dst_host_srv_rerror_rate','label'] verikumesi = pd.

CONTINUE READING

3. Hafta Lab-5: Karar Ağacı Algoritması BGM 565: Siber Güvenlik için Makine Öğrenme Yöntemleri İstanbul Şehir Üni. - Bilgi Güvenliği Müh. Dr. Ferhat Özgür Çatak Bu lab çalışmasında karar ağacı yöntemini tenis veri kümesinde uygulayacağız. import numpy as np import pandas as pd from sklearn.tree import DecisionTreeClassifier from sklearn.preprocessing import LabelEncoder from sklearn.metrics import accuracy_score from sklearn.cross_validation import train_test_split c:\users\user\appdata\local\programs\python\python35\lib\site-packages\sklearn\cross_validation.py:41: DeprecationWarning: This module was deprecated in version 0.

CONTINUE READING