GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| İST333 | VERİ MADENCİLİĞİ | Seçmeli Ders Grubu | 3 | 5 | 4,00 |
Dersin Seviyesi
Lisans
Dersin Sunulduğu Dil
Türkçe
Dersin Amacı
Bu dersin amacı, temel veri madenciliği kavramlarını anlamak, ilgili sistemin analizini gerçekleştirmek ve veri madenciliğinde kullanılan yöntemleri çeşitli amaçlarla gerçek dünya problemlerine uygulamaktır. Ders kapsamında R programlama dili ve Weka yazılımı kullanılacaktır.
Dersi Veren Öğretim Görevlisi/Görevlileri
Prof.Dr.Gözde ULUTAGAY
Öğrenme Çıktıları
| 1 | Veri madenciliği kavramlarını öğrenme. |
| 2 | Varolan bir sistemi ve kullanılan verileri tanıma becerisi kazanma. |
| 3 | Belirli yöntemler için verileri hazırlayabilme |
| 4 | Veri madenciliğinde kullanılan yöntemleri uygulayabilme ve yorumlayabilme. |
| 5 | Veri madenciliği modellerini değerlendirme, geliştirme ve gerçek dünyada uygulayabilme becerisi kazanma. |
| 6 | Bir temel veri madenciliği yazılımını kullanabilme. |
Öğretim Sistemi
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Yok
Ders İçin Önerilen Diğer Hususlar
[Yok]
Dersin İçeriği
Veri madenciliğinde temel kavramlar; veri görselleştirme ve önişleme; benzerlik ve uzaklık ölçüleri; Birliktelik kuralları ve Apriori algoritması; Kümeleme yöntemleri; Sınıflandırma yöntemleri, K-en yakın komşu algoritması; Karar ağaçları (Ayırma kriteri, entropi, kazanç ölçütü, Gini indeksi, C4.5 ve CART algoritmaları); Yapay Sinir Ağları; Web Madenciliği
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Konular (Teorik) | Öğretim Yöntem ve Teknikleri | Ön Hazırlık |
|---|---|---|---|
| 1 | Veri madenciliğine giriş, temel kavramlar | ||
| 2 | Veriyi anlama, veri görselleştirme ve veri önişlemesi | ||
| 3 | Benzerlik ve uzaklık ölçüleri | ||
| 4 | Birliktelik kuralları ve Apriori algoritması | ||
| 5 | Kümeleme yöntemleri-1: Hiyerarşik kümeleme | ||
| 6 | Kümeleme yöntemleri-2: Bölünmeye dayalı kümeleme | ||
| 7 | Kümeleme yöntemleri-3: Yoğunluk tabanlı kümeleme | ||
| 8 | Sınıflandırma yöntemleri-1: K-en yakın komşu algoritması | ||
| 9 | Sınıflandırma yöntemleri-2: Karar ağaçları (Ayırma kriteri, entropi, kazanç ölçütü, Gini indeksi) | ||
| 10 | Sınıflandırma yöntemleri-3: Karar ağaçları (C4.5 ve CART algoritmaları) | ||
| 11 | Yapay Sinir Ağları | ||
| 12 | Web Madenciliği | ||
| 13 | Proje sunumları | ||
| 14 | Proje sunumları |
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
1. İlker Köse, Veri madenciliği: Teori, Uygulama ve Felsefesi. Papatya Yay. Eğitim, 2018. 2. Han, J. , Kamber, M., Pei, J., Data Mining: Concepts and Techniques. 3rd Ed., Morgan Kaufmann Publishers, 2011 3. Larose, Daniel T., Discovering Knowledge In Data: An Introduction to Data Mining. New Jersey: John Wiley and Sons Ltd, 2005 Yardımcı kaynaklar: 4. Tan, P., Steinbach, M., Kumar, V., Introduction to Data Mining, Addison Wesley, 2006 5. Balaban, M.E., Kartal, E. (2015). Veri Madenciliği ve Makine Öğrenmesi. Çağlayan Kitabevi.
Planlanan Öğrenme Aktiviteleri ve Metodları
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 40 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 60 | |
Staj Durumu
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 2 | 2 |
| Final Sınavı | 1 | 2 | 2 |
| Derse Katılım | 14 | 3 | 42 |
| Bireysel Çalışma | 12 | 2 | 24 |
| Ara Sınav İçin Bireysel Çalışma | 4 | 5 | 20 |
| Final Sınavı içiin Bireysel Çalışma | 5 | 6 | 30 |
| Toplam İş Yükü (saat) | 120 | ||
Program ve Öğrenme Çıktıları İlişkisi
| PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 | PÇ 10 | PÇ 11 | PÇ 12 | PÇ 13 | PÇ 14 | PÇ 15 | PÇ 16 | PÇ 17 | PÇ 18 | PÇ 19 | PÇ 20 | PÇ 21 | PÇ 22 | PÇ 23 | PÇ 24 | |
| ÖÇ 1 | 5 | 5 | 5 | 4 | 5 | 5 | 5 | 5 | ||||||||||||||||
| ÖÇ 2 | 5 | 3 | 5 | 4 | ||||||||||||||||||||
| ÖÇ 3 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | ||||||||||||||
| ÖÇ 4 | 5 | 5 | 5 | 4 | 5 | 5 | 4 | |||||||||||||||||
| ÖÇ 5 | 5 | 5 | 5 | |||||||||||||||||||||
| ÖÇ 6 | 5 | 5 | 5 | 4 | 3 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek