Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS | Kredi |
---|---|---|---|---|---|---|
EBLG350 | Veri Madenciliği | Seçmeli Ders Grubu | 3 | 6 | 6.00 | 3.00 |
Lisans
Türkçe
Veri madenciliği, büyük ölçekli veriler arasından bilgiye ulaşma, bilgiyi madenleme işidir. Diğer bir anlamda büyük veri yığınları içerisinden gelecekle ilgili tahminde bulunabilmemizi sağlayabilecek bağıntıların bilgisayar programı kullanarak aranmasıdır. Veri madenciliği deyimi ile eş değer başka kullanımlar da literatüre geçmiştir. Veritabanlarında bilgi madenciliği (knowledge mining from databases), bilgi çıkarımı (knowledge extraction), veri ve örüntü analizi (data/pattern analysis), veri arkeolojisi gibi. Bunların arasında en yaygın kullanım Veritabanlarında Bilgi Keşfi (VBK - Knowledge Discovery From Databases - KDD)'dir. Alternatif olarak veri madenciliği aslında bilgi keşfi sürecinin bir parçası şeklinde kabul görmektedir.
Prof. Dr. Taner Çevik
1 | Öğrenciler Veri Madenciliği temel kavramlarını öğrenme ve uygulayabilme bilgi ve becerisi kazanacaklardır. |
2 | Öğrenciler Veri önişleme-(Veri temizleme, birleştirme) yöntemlerini öğrenecektir. |
3 | Öğrenciler Veri indirgeme yöntemleri öğrenecektir. |
4 | 4. Öğrenciler eğiticili ve eğiticisiz yöntemlerle sınıflama ve kümeleme yöntemlerini öğreneceklerdir. Öğrenciler birliktelik kuralları hakkında bilgi sahibi olacaklardır. |
Birinci Öğretim
Yok
Yok
Veri Madenciliği Kavramları, Veri Hazırlama Teknikleri, İstatistiksel Öğrenme Teorisi(Naive Bayes) , Kümeleme Metodları (K-Means, hiyerarşik), Karar Ağaçları ve Karar Kuralları, Birliktelik Kuralları
Hafta | Teorik | [OgretimYontemVeTeknikleri] | [OnHazirlik] |
---|---|---|---|
1 | Veri Madenciliğine Giriş | ||
2 | Veri Madenciliği Kavramları | ||
3 | Regresyon | ||
4 | Regresyon | ||
5 | Kümeleme | ||
6 | Kümeleme | ||
7 | Sınıflandırma | ||
8 | Ara Sınav | ||
9 | Sınıflandrıma | ||
10 | Sınıflandrıma | ||
11 | Boyut indirgeme | ||
12 | Destek Vektör Makineleri | ||
13 | Yapay Sinir Ağları | ||
14 | Proje Sunumları |
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
Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
---|---|---|
Ara Sınav | 1 | 40 |
Proje Hazırlama | 1 | 20 |
Proje Sunma | 1 | 20 |
Proje Tasarımı /Yönetimi | 1 | 20 |
Toplam | 100 | |
Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
Final Sınavı | 1 | 100 |
Toplam | 100 | |
Yarıyıl (Yıl) İçi Etkinlikleri | 40 | |
Yarıyıl (Yıl) Sonu Etkinlikleri | 60 |
Yok
Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
---|---|---|---|
Ara Sınav | 1 | 2 | 2 |
Final Sınavı | 1 | 2 | 2 |
Proje Hazırlama | 1 | 75 | 75 |
Proje Sunma | 1 | 1 | 1 |
Proje Tasarımı /Yönetimi | 1 | 15 | 15 |
Bireysel Çalışma | 1 | 25 | 25 |
Ara Sınav İçin Bireysel Çalışma | 1 | 15 | 15 |
Final Sınavı içiin Bireysel Çalışma | 1 | 15 | 15 |
Toplam İş Yükü (saat) | 150 |
PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 | PÇ 10 | PÇ 11 | |
ÖÇ 1 | 5 | 5 | 5 | 5 | |||||||
ÖÇ 2 | |||||||||||
ÖÇ 3 | 5 | ||||||||||
ÖÇ 4 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 |