GERİ DÖN

Ders Öğretim Planı

Dersin Kodu Dersin Adı Dersin Türü Yıl Yarıyıl AKTS Kredi
OTVT108 Veri Madenciliği Ders 1 2 4.00 2.00

Dersin Seviyesi

Önlisans

Dersin Sunulduğu Dil

Türkçe

Dersin Amacı

Veri madenciliğinin temel kavramlarını, yöntemlerini ve algoritmalarını öğretmek; öğrencilerin ham veriden anlamlı bilgi çıkarma süreçlerini (CRISP-DM) kavramalarını sağlamak ve veri setleri üzerinde analiz yapma becerisi kazandırmaktır.

Dersi Veren Öğretim GörevlisiGörevlileri

Dr. Öğr. Üyesi Gülşah KEKLİK

Öğrenme Çıktıları

1 Veri madenciliği kavramlarını açıklar ve CRISP-DM gibi standart veri madenciliği süreç modellerini iş problemlerine uyarlar.
2 Ham veriyi analize hazırlamak için veri temizleme, birleştirme ve dönüştürme gibi önişleme tekniklerini uygular; veriyi görselleştirerek keşifsel analiz yapar.
3 Sınıflandırma, kümeleme ve birliktelik kuralı algoritmalarını (Karar Ağaçları, K-Means, Apriori vb.) analiz eder ve verilen bir veri seti için uygun algoritmayı seçerek uygular.
4 Veri madenciliği süreçlerini yürütmek için güncel yazılım araçlarını (Orange, WEKA, Python/Pandas vb.) etkin bir şekilde kullanır.
5 Elde edilen modellerin başarısını uygun metriklerle (Accuracy, Precision, Recall vb.) değerlendirir, sonuçları analiz eder ve teknik/yönetsel raporlar hazırlar.

Öğrenim Türü

Birinci Öğretim

Dersin Ön Koşulu Olan Dersler

Yok

Ders İçin Önerilen Diğer Hususlar

Öğrencilerin Python (Pandas, Scikit-learn) veya görsel veri madenciliği araçları (Orange, WEKA) konusunda temel aşinalık kazanması önerilir. Gerçek dünya veri setleri (Kaggle vb.) üzerinden proje yapılması teşvik edilir.

Dersin İçeriği

Veri madenciliğine giriş, veri önişleme teknikleri (temizleme, birleştirme), sınıflandırma algoritmaları (Karar Ağaçları, Naive Bayes), kümeleme analizi (K-Means), birliktelik kuralları (Apriori), model değerlendirme metrikleri ve veri madenciliği araçlarının kullanımı.

Haftalık Ayrıntılı Ders İçeriği

Hafta Teorik Uygulama [OgretimYontemVeTeknikleri] [OnHazirlik]
1 Veri Madenciliğine Giriş: Temel kavramlar, KDD süreci, CRISP-DM metodolojisi. Veri madenciliği yazılımlarının (Orange/Weka/Python) tanıtımı ve kurulumu. Anlatım, Tartışma, Araç Tanıtımı.
2 Veri Ön İşleme ve Temizleme: Eksik veri yönetimi, gürültülü veri temizleme, veri birleştirme. Basit veri setleri üzerinde aykırı değer analizi ve eksik veri tamamlama uygulamaları. Örnek Olay, Laboratuvar Uygulaması.
3 Veri Dönüştürme ve Keşif: Normalizasyon, standardizasyon, özet istatistikler (Mean, Median, Std Dev). Veri görselleştirme araçları ile histogram, box-plot ve scatter plot çizimi. Görsel Sunum, Uygulamalı Gösterim.
4 Birliktelik Kuralları (Association Rules): Pazar sepeti analizi, Apriori algoritması, Destek ve Güven değerleri. Market verileri üzerinde Apriori algoritması ile ürün birliktelik analizi. Problem Çözme, Algoritma Analizi.
5 Sınıflandırma I (Temeller): Karar Ağaçları (Decision Trees), Bilgi kazancı (Entropy/Gini). ID3 veya C4.5 algoritmaları ile sınıflandırma modelleri oluşturma. Örnek Senaryo Üzerinden Modelleme.
6 Sınıflandırma II (Algoritmalar): Naive Bayes, K-En Yakın Komşu (K-NN) algoritmaları. Farklı veri setleri üzerinde Naive Bayes ve K-NN doğruluk oranlarının karşılaştırılması. Karşılaştırmalı Analiz, Laboratuvar.
7 Kümeleme Analizi (Clustering): Denetimsiz öğrenme, K-Means algoritması, Mesafe ölçütleri (Euclidean). Müşteri segmentasyonu senaryosu üzerinde K-Means uygulaması. Grup Çalışması, Uygulamalı Analiz.
8 Vize Sinav
9 Boyut Azaltma ve Öznitelik Seçimi: Korelasyon analizi, Temel Bileşen Analizi (PCA) mantığı. Yüksek boyutlu verilerde anlamlı değişkenlerin seçilmesi ve boyut indirgeme. Teknik Sunum, Laboratuvar.
10 Model Değerlendirme Metrikleri: Karmaşıklık matrisi (Confusion Matrix), Hassasiyet, Özgünlük, F1-Skoru. Oluşturulan modellerin test verileri ile performans ölçümü ve ROC eğrisi çizimi. Ölçme ve Değerlendirme Uygulaması.
11 Sınıflandırma III (Modern Yaklaşımlar): Topluluk Öğrenme (Ensemble Learning), Rastgele Orman (Random Forest). Random Forest algoritması ile model başarısını artırma denemeleri. İleri Teknikler Gösterimi.
12 Metin ve Web Madenciliği Giriş: Yapılandırılmamış veri, Kelime bulutu, Duygu analizi temelleri. Sosyal medya verileri üzerinden basit bir anahtar kelime analizi uygulaması. Güncel Uygulama Örnekleri.
13 Veri Madenciliği Uygulama Alanları: Finans, Sağlık, E-ticaret vakaları ve Etik konular. Sektörel veri madenciliği başarı hikayelerinin incelenmesi ve etik tartışma. Örnek Olay İncelemesi, Tartışma.
14 Genel Tekrar ve Dönem Sonu Değerlendirmesi: Tüm sürecin özeti ve Final sınavı hazırlığı. Dönem boyu yapılan uygulamaların gözden geçirilmesi, öğrenci soruları. Soru-Cevap, Genel Özet.

Ders Kitabı Malzemesi Önerilen Kaynaklar

TBA

Planlanan Öğrenme Aktiviteleri ve Metodları

Anlatım (Teorik), Laboratuvar Uygulamaları, Ödev/Proje Sunumu, Örnek Olay İncelemesi.

Değerlendirme

Yarıyıl (Yıl) İçi Etkinlikleri Adet Değer
Ara Sınav 1 50
Derse Katılım 1 50
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

Yok.

İş Yükü Hesaplaması

Etkinlikler Sayısı Süresi (saat) Toplam İş Yükü (saat)
Ara Sınav 1 1 1
Final Sınavı 1 1 1
Derse Katılım 9 12 108
Toplam İş Yükü (saat) 110

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
ÖÇ 1 4 4 4 4 4 4 4 4 4 4
ÖÇ 2 4 4 4 4 4 4 4 4 4 4
ÖÇ 3 4 4 4 4 4 4 4 4 4 4
ÖÇ 4 4 4 4 4 4 4 4 4 4 4
ÖÇ 5 4 4 4 4 4 4 4 4 4 4
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek