.png){kind=spacer}
GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS | Kredi |
|---|---|---|---|---|---|---|
| ESOF310 | Data Mining | Seçmeli Ders Grubu | 3 | 6 | 6.00 | 3.00 |
Dersin Seviyesi
Lisans
Dersin Sunulduğu Dil
İngilizce
Dersin Amacı
Veri madenciligini tanitmak ve kullanimini yayginlastirmak. Genis ölçekli veri tabanlarinda analiz yeteneginin kazandirilmasi. Veri madenciliginde kullanilacak programlarin tanitilmasi ve kullandirilmasi.
Dersi Veren Öğretim GörevlisiGörevlileri
DR. NESİBE MANAV MUTLU
Öğrenme Çıktıları
| 1 | Veri ve veriyi işlemek için veri madenciliği, metin madenciliği ile ilgili kavram ve yöntemler hakkında bilgi sahibi olur |
| 2 | Veri madenciliği süreci hakkında bilgi sahibi olur ve gerekli program araçlarını kullanır. |
| 3 | Veri madenciliği uygulama alanları hakkında bilgi sahibi olur. |
| 4 | Sınıflandırma ve kümelemede kullanılan yöntemler hakkında bilgi sahibi olur. |
| 5 | Metin ve kategorik verilerinin sayıllaştırılması süreci hakkında bilgi sahibi olur ve program araçlarını kullanır. |
| 6 | Veri madenciliği tekniklerine ve modellerini uygulamalarında kullanabilir. |
| 7 | Veri madenciliği yöntemleri geliştirebilir. |
Öğrenim Türü
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Bulunmamaktadır.
Ders İçin Önerilen Diğer Hususlar
Bulunmamaktadır
Dersin İçeriği
Veri madenciliği uygulama alanlarına öğrenir. Veri madenciliği tekniklerine ve modellerini uygulamalarında kullanabilir Veri madenciliği yöntemleri geliştirebilir.Veri madenciliği, büyük ölçekli veriler arasından bilgiye ulaşma, bilgiyi madenleme işidir. Veri Madenciliği Kavramları, Veri Hazırlama Teknikleri, İstatistiksel Öğrenme Teorisi(Naive Bayes) , Kümeleme Metodları (K-Means, hiyerarşik), Karar Ağaçları ve Karar Kuralları, Birliktelik Kuralları
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Teorik | [OgretimYontemVeTeknikleri] | [OnHazirlik] |
|---|---|---|---|
| 1 | Veri Madenciliğine Giriş | Anlatım, Soru Yanıt, Tartışma, Görüş Geliştirme, Düşünce Atölyesi, Senaryo Temelli Öğrenme | Veri nedir? Yapılandırılmış ve yapılandırılmamış veri konularının araştırılması |
| 2 | Veri Madenciliği Uygulama Alanları ve örnekler | Anlatım, Soru Yanıt, Tartışma, Görüş Geliştirme, Düşünce Atölyesi, Senaryo Temelli Öğrenme | Büyük Veri, Büyük Verinin Özellikleri, Nesnelerin İnterneti, Veri Bilimi konularının araştırılması. |
| 3 | Veri Ambarları | Anlatım, Soru Yanıt, Tartışma, Görüş Geliştirme, Düşünce Atölyesi, Senaryo Temelli Öğrenme | Veri tabanı, veri ambarı kavramlarının araştırılması. |
| 4 | Veri Madenciliği Süreci | Anlatım, Soru Yanıt, Tartışma, Görüş Geliştirme, Düşünce Atölyesi, Senaryo Temelli Öğrenme | Veri Madenciliği Sürecinin literatürde araştırılması. |
| 5 | Yöntemler Sınıflandırma, Kümeleme, Birliktelik Kuraları | Anlatım, Soru Yanıt, Tartışma, Görüş Geliştirme, Düşünce Atölyesi, Senaryo Temelli Öğrenme | Veri Madenciliğinde kullanılan yöntemlerin literatürde araştırılması. |
| 6 | Karar Ağaçları ve Sınıflandırma | Anlatım, Soru Yanıt, Tartışma, Görüş Geliştirme, Düşünce Atölyesi, Senaryo Temelli Öğrenme | Veri Madenciliğinde kullanılan yöntemlerin literatürde araştırılması. |
| 7 | Sınıflandırma ve Regresyon Ağaçları | Anlatım, Soru Yanıt, Tartışma, Görüş Geliştirme, Düşünce Atölyesi, Senaryo Temelli Öğrenme | Veri Madenciliğinde kullanılan yöntemlerin literatürde araştırılması. |
| 8 | Vize Sınavı | ||
| 9 | Uygulama Örnekleri | Anlatım, Soru Yanıt, Tartışma, Görüş Geliştirme, Düşünce Atölyesi, Senaryo Temelli Öğrenme | Veri Madenciliği uygulamalarının literatürde araştırılması. |
| 10 | Kümeleme Analizi | Anlatım, Soru Yanıt, Tartışma, Görüş Geliştirme, Düşünce Atölyesi, Senaryo Temelli Öğrenme | Veri Madenciliği uygulamalarının literatürde araştırılması. |
| 11 | Kümeleme Yöntemleri | Anlatım, Soru Yanıt, Tartışma, Görüş Geliştirme, Düşünce Atölyesi, Senaryo Temelli Öğrenme | Veri Madenciliği uygulamalarının literatürde araştırılması. |
| 12 | Uygulama Örnekleri | Anlatım, Soru Yanıt, Tartışma, Görüş Geliştirme, Düşünce Atölyesi, Senaryo Temelli Öğrenme | Veri Madenciliği uygulamalarının literatürde araştırılması. |
| 13 | Metin Madenciliği ve Web Madenciliği | Anlatım, Soru Yanıt, Tartışma, Görüş Geliştirme, Düşünce Atölyesi, Senaryo Temelli Öğrenme | Metin Madenciliği ve Web Madenciliği uygulamalarının literatürde araştırılması. |
| 14 | Final Sınavı |
Ders Kitabı Malzemesi Önerilen Kaynaklar
Textbook1: Data Mining – Concepts, Models, Methods and Algorithms, Mehmed Kantardzic, ISBN:0-471-22852-4 Textbook2: Data Mining , J. Han – M. Kamber, Morgan-Kaufman, Academic Press, 2001, ISBN: 1-55860-901-6
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
Bulunmamaktadır
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 2 | 2 |
| Derse Katılım | 14 | 3 | 42 |
| Takım/Grup Çalışması | 1 | 2 | 2 |
| Rapor Hazırlama | 1 | 5 | 5 |
| Rapor Sunma | 1 | 1 | 1 |
| Proje Hazırlama | 1 | 20 | 20 |
| Proje Sunma | 1 | 5 | 5 |
| Proje Tasarımı /Yönetimi | 1 | 20 | 20 |
| Ara Sınav İçin Bireysel Çalışma | 7 | 3 | 21 |
| Rapor | 1 | 10 | 10 |
| Performans | 14 | 2 | 28 |
| Toplam İş Yükü (saat) | 156 | ||
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 | |
| ÖÇ 1 | 2 | 2 | 1 | ||||||||||||
| ÖÇ 2 | 3 | 5 | 2 | ||||||||||||
| ÖÇ 3 | 5 | 4 | 5 | 4 | 4 | 5 | 4 | 5 | 4 | 4 | 5 | 4 | 4 | 5 | 4 |
| ÖÇ 4 | 2 | 1 | 5 | 2 | |||||||||||
| ÖÇ 5 | 3 | 4 | 5 | 3 | |||||||||||
| ÖÇ 6 | 4 | 5 | 3 | 5 | 4 | 5 | 4 | 5 | 4 | 3 | 4 | 4 | 4 | 4 | 5 |
| ÖÇ 7 | 4 | 3 | 4 | 4 | 3 | 4 | 3 | 4 | 4 | 4 | 4 | 4 | 4 | 3 | 4 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek