GERİ DÖN

Ders Öğretim Planı

Dersin Kodu Dersin Adı Dersin Türü Yıl Yarıyıl AKTS Kredi
EBLG350 Veri Madenciliği Ders 3 6 5.00 3.00

Dersin Seviyesi

Lisans

Dersin Sunulduğu Dil

Türkçe

Dersin Amacı

Bu dersin amacı, öğrencilerin veri madenciliği sürecini uçtan uca kavramalarını ve yaygın veri madenciliği yöntemlerini uygulamalı olarak kullanabilmelerini sağlamaktır. Öğrenciler, gerçek veri kümeleri üzerinde: • Veri ön işleme, • Sınıflandırma ve regresyon, • Kümeleme ve birliktelik kuralı çıkarımı, • Model değerlendirme ve sonuçların yorumlanması gibi temel adımları R programlama ile gerçekleştirmeyi öğreneceklerdir.

Dersi Veren Öğretim GörevlisiGörevlileri

Dr. Öğr. Üyesi Seca TOKER ASLAN

Öğrenme Çıktıları

1 Veri madenciliği, KDD ve CRISP-DM ile ilgili temel kavramları açıklar.
2 Farklı veri türlerini ve veri kalitesi problemlerini tanımlar, veri ön işleme adımlarını açıklar.
3 Temel sınıflandırma ve regresyon algoritmalarını açıklar ve uygular.
4 Temel kümeleme ve birliktelik kuralı madenciliği yöntemlerini açıklar ve uygular.
5 Uygun performans ölçütlerini ve geçerleme tekniklerini kullanarak modelleri değerlendirir.
6 Python ortamında veri madenciliği kütüphanelerini kullanarak analiz ve modelleme yapar.
7 Gerçek bir problem için uçtan uca basit bir veri madenciliği projesi tasarlar, yürütür ve raporlar.
8 Veri madenciliği uygulamalarında etik, gizlilik ve sorumlu kullanım ilkelerini tartışır.

Öğrenim Türü

Birinci Öğretim

Dersin Ön Koşulu Olan Dersler

Bu ders, öğrencilerin temel programlama ve temel istatistik/olasılık bilgisine sahip olduğunu varsayar. Ön koşul olarak aşağıdaki derslerden en az biri (veya eşdeğeri) önerilir: • Programlamaya Giriş / Yapısal Programlama • Temel İstatistik / Olasılık ve İstatistik

Ders İçin Önerilen Diğer Hususlar

• Öğrencilerin derse düzenli devam etmeleri ve her hafta işlenen konuları R programlama ile R Studio ortamında mutlaka denemeleri beklenir. • Laboratuvarlarda kullanılan veri kümeleri üzerinde öğrencilerin kendi ek sorgularını, grafiklerini ve alternatif modellerini denemeleri teşvik edilir. • Derse başlamadan önce temel istatistik (ortalama, varyans, korelasyon, olasılık) kavramlarının gözden geçirilmesi önerilir. • Öğrencilerin, açık veri kaynakları (Kaggle, UCI vb.) üzerinden küçük veri kümeleri indirip derste gördükleri yöntemleri uygulamaları tavsiye edilir. • Grup projesi yapılması durumunda, her öğrencinin bireysel katkısını raporda net biçimde belirtmesi ve akademik dürüstlük ilkelerine kesinlikle uyulması beklenir. • Veri madenciliği uygulamalarında kişisel verilerin gizliliği, KVKK/GDPR gibi yasal çerçeveler ve etik ilkeler konusunda duyarlı olunmalıdır; gerçek veriler kullanılıyorsa anonimleştirme yapılması önemlidir. • Kullanılan kütüphanelerin resmî dokümantasyonuna düzenli olarak başvurulması, sınavlardan ziyade proje ve portföy odaklı bir öğrenme yaklaşımının benimsenmesi tavsiye edilir.

Dersin İçeriği

• Veri madenciliğine giriş, KDD ve CRISP-DM süreci • Veri türleri, veri kaynakları, veri kalitesi • Veri ön işleme: veri temizleme, dönüştürme, özellik seçimi, boyut indirgeme • Keşifsel veri analizi (EDA) ve görselleştirme • Sınıflandırma: karar ağaçları, k-en yakın komşu, Naive Bayes, lojistik regresyon • Regresyon: doğrusal regresyon ve temel düzenlileştirme yaklaşımı • Kümeleme: k-means, hiyerarşik kümeleme • Birliktelik kuralı madenciliği: destek, güven, Apriori mantığı • Model değerlendirme: doğruluk, duyarlılık, özgüllük, ROC–AUC, hata ölçütleri • Dengesiz veri kümeleri, overfitting, çapraz doğrulama • Veri madenciliği uygulamaları ve etik / gizlilik konuları • R ile veri madenciliği: örnekler • Dönem projesi: problem tanımı, veri toplama/temini, modelleme, değerlendirme, raporlama

Haftalık Ayrıntılı Ders İçeriği

Hafta Teorik [OgretimYontemVeTeknikleri] [OnHazirlik]
1 Veri madenciliğine giriş, KDD ve CRISP-DM Anlatım, Soru–Cevap, Tartışma Ders kitabı / notlardan “Veri madenciliğine giriş” bölümünü okumak; temel istatistik kavramlarını kısaca gözden geçirmek.
2 Veri türleri, veri kaynakları, veri kalitesi Anlatım, Örnek Olay İncelemesi, Soru–Cevap Farklı veri türleri (sayısal, kategorik vb.) ile ilgili kısa bir kaynak okumak; derse getirmek üzere basit bir veri seti örneği bulmak (tablo, Excel vb.).
3 Veri ön işleme I: veri temizleme, eksik veriler Anlatım, Uygulamalı Gösterim, Laboratuvar Çalışması, Problem Çözme Sağlanan örnek veri setini önceden indirip incelemek; eksik veri, aykırı değer kavramlarını notlardan okumak.
4 Veri ön işleme II: dönüştürme, normalizasyon, indirgeme Anlatım, Laboratuvar Çalışması, Uygulamalı Gösterim, Soru–Cevap Bir önceki hafta yazılan kodları tekrar çalıştırmak; normalizasyon/standartlaştırma ile ilgili kısa teorik kısmı okumak.
5 Keşifsel veri analizi ve görselleştirme Anlatım, Uygulamalı Gösterim, Laboratuvar Çalışması, Tartışma Matplotlib/seaborn benzeri kütüphanelerin temel kullanımını incelemek; ders notlarındaki EDA örnek grafiklere göz atmak.
6 Sınıflandırmaya giriş, karar ağaçları Anlatım, Uygulamalı Gösterim, Problem Çözme, Laboratuvar Çalışması Karar ağaçları ile ilgili ders notu bölümünü okumak; örnek karar ağacı şemalarına (şekil) göz atmak.
7 Diğer sınıflandırma yöntemleri: k-NN, Naive Bayes, lojistik regresyon Anlatım, Uygulamalı Gösterim, Laboratuvar Çalışması, Küçük Grup Çalışması Önceki haftanın sınıflandırma kodlarını çalıştırmak; k-NN ve lojistik regresyon kavramlarını kısaca teorik olarak okumak.
8 Ara Sınav Yazılı Sınav, Bireysel Çalışma 1–7. haftalardaki tüm konuları tekrar etmek; örnek soruları çözmek; ödevlerde yazılan kodları gözden geçirmek.
9 Regresyon yöntemleri: doğrusal regresyon, temel düzenlileştirme Anlatım, Uygulamalı Gösterim, Laboratuvar Çalışması, Problem Çözme Basit doğrusal regresyon kavramını (doğru denklemi, hata kavramı) hatırlamak; sağlanan veri setini indirip incelemek.
10 Kümeleme: k-means, hiyerarşik kümeleme Anlatım, Uygulamalı Gösterim, Laboratuvar Çalışması, Soru–Cevap k-means ve kümeleme ile ilgili kısa bir kaynak okumak; görsel örnek (clustering plot) videolarına/şekillere göz atmak.
11 Birliktelik kuralı madenciliği Anlatım, Örnek Olay İncelemesi, Uygulamalı Gösterim, Tartışma Market sepeti analizi örneklerini okumak; destek ve güven kavramlarına ilişkin kısa notları gözden geçirmek.
12 Model değerlendirme, çapraz doğrulama, dengesiz veri Anlatım, Uygulamalı Gösterim, Problem Çözme, Laboratuvar Çalışması Doğruluk, duyarlılık, özgüllük, F1, ROC–AUC gibi ölçütlerin tanımlarını okumak; önceki haftalarda kurulan modellerin çıktısını incelemek.
13 Veri madenciliği uygulama alanları, mini vaka çalışmaları Tartışma, Örnek Olay Analizi, Sunum, Beyin Fırtınası Seçilen bir uygulama alanına (sağlık, pazarlama, finans vb.) dair kısa bir veri madenciliği makalesi bulup okumak; ders için 3–4 maddelik not çıkarmak.
14 Dönem projelerinin sunumu, etik ve gizlilik tartışması Proje Tabanlı Öğrenme, Sunum, Akran Değerlendirmesi, Tartışma Proje raporunu ve sunum slaytlarını tamamlamak; kullanılan veriyle ilgili etik/gizlilik risklerini düşünmek ve 2–3 maddelik not hazırlamak.
15 Final Sınavı Yazılı Sınav, Bireysel Çalışma Tüm dönem konularını sistematik şekilde tekrar etmek; özellikle model değerlendirme ve temel algoritmaların avantaj/dezavantajlarını özetlemek.

Ders Kitabı Malzemesi Önerilen Kaynaklar

- Data Mining – Concepts, Models, Methods and Algorithms, Mehmed Kantardzic, ISBN:0-471-22852-4 - Data Mining , J. Han – M. Kamber, Morgan-Kaufman, Academic Press, 2001, ISBN: 1-55860-901-6 - Han, J. , Kamber, M., Pei, J., Data Mining: Concepts and Techniques. 3rd Ed., Morgan Kaufmann Publishers, 2011 - Larose, Daniel T., Discovering Knowledge In Data An Introduction to Data Mining. New Jersey: John Wiley and Sons Ltd, 2005 - Tan, P., Steinbach, M., Kumar, V., Introduction to Data Mining, Addison Wesley, 2006

Planlanan Öğrenme Aktiviteleri ve Metodları

Bu derste aşağıdaki etkinlik ve yöntemler planlanmaktadır: • Kuramsal ders anlatımı (Teorik ders): Veri madenciliği kavramları, algoritmalar ve CRISP-DM süreci sunumlar ve tahtadaki örneklerle açıklanır. • Yöntem: Anlatım, soru–cevap, kısa sınıf içi tartışmalar. • Laboratuvar / Uygulamalı dersler (R ile): Bilgisayar laboratuvarında veya öğrencinin kendi bilgisayarında, R kullanılarak veri ön işleme, sınıflandırma, regresyon, kümeleme ve model değerlendirme uygulamaları yapılır. • Yöntem: Adım adım uygulama, canlı kodlama (live coding), küçük egzersizler. • Ödevler ve mini projeler: Haftalık veya iki haftada bir, gerçek veya yarı-gerçek veri kümeleri üzerinde veri temizleme, model kurma ve değerlendirme içeren ödevler verilir. • Yöntem: Bireysel çalışma, gerektiğinde kısa rapor/Notebook teslimi. • Dönem projesi (Veri madenciliği projesi): Öğrenciler bireysel veya küçük gruplar hâlinde; • bir problem seçer, • veri toplar veya uygun veri seti belirler, • veri ön işleme, modelleme, değerlendirme adımlarını uygular, • sonuçları rapor ve/veya sunum hâline getirir. • Yöntem: Proje tabanlı öğrenme, danışmanlık görüşmeleri, ara geri bildirim. • Sınıf içi tartışmalar ve vaka analizleri: Veri madenciliği uygulamalarında etik, gizlilik, önyargı ve yanlış yorumlama riskleri üzerine kısa vaka tartışmaları yapılır. • Yöntem: Tartışma, beyin fırtınası, kısa sunumlar. • Öz değerlendirme ve geri bildirim: Öğrencilerin kendi kodlarını ve modellerini eleştirel gözle değerlendirmeleri, arkadaşlarının çalışmalarına yapıcı geri bildirim vermeleri teşvik edilir. • Yöntem: Akran değerlendirmesi, eğitmen geri bildirimi.

Değerlendirme

Yarıyıl (Yıl) İçi Etkinlikleri Adet Değer
Ara Sınav 1 100
Toplam 100
Yarıyıl (Yıl) Sonu Etkinlikleri Adet Değer
Final Sınavı 1 30
Rapor Sunma 1 20
Proje Sunma 1 10
Proje Tasarımı/Yönetimi 1 40
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 2 1 2
Final Sınavı 2 1 2
Uygulama/Pratik 15 2 30
Takım/Grup Çalışması 7 2 14
Rapor Sunma 2 1 2
Proje Hazırlama 5 6 30
Proje Sunma 2 1 2
Ara Sınav İçin Bireysel Çalışma 5 2 10
Final Sınavı içiin Bireysel Çalışma 15 3 45
Toplam İş Yükü (saat) 137

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 5 3 2 2 2 2 2 3 2 2 2 2 2 2 3
ÖÇ 2 2 5 5 5 4 2 2 3 2 2 2 2 2 2 3
ÖÇ 3 1 1 1 1 2 5 5 3 5 1 1 3 3 2 3
ÖÇ 4 1 1 1 1 1 1 1 2 1 5 5 2 3 2 3
ÖÇ 5 1 2 3 3 3 3 3 2 3 3 3 5 3 3 3
ÖÇ 6 1 2 3 3 3 3 3 2 3 3 2 3 3 3 2
ÖÇ 7 1 1 2 2 2 2 2 1 2 2 2 2 3 5 2
ÖÇ 8 2 1 1 1 1 1 1 1 1 1 1 1 2 5 2
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek