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 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.

Dersi Veren Öğretim GörevlisiGörevlileri

Dr. Öğr. Üyesi Nesibe MANAV MUTLU

Öğrenme Çıktıları

1 Öğrenciler Veri Madenciliği temel kavramlarını öğrenir ve uygulayabilme bilgi ve becerisi kazanır
2 Öğrenciler Veri önişleme-(Veri temizleme, birleştirme) yöntemlerini öğrenir ve uygular.
3 Öğrenciler Veri indirgeme yöntemleri öğrenir.
4 Öğrenciler eğiticili ve eğiticisiz yöntemlerle sınıflama ve kümeleme yöntemlerini öğrenir. Öğrenciler birliktelik kuralları hakkında bilgi sahibi olur.
5 Sınıflandırma, kümeleme, regresyon, yapay sinir ağları gibi ders kapsamında işlenen yöntemlerin uygulamalarını öğrenir.
6 Sınıflandırma, kümeleme, regresyon, yapay sinir ağları gibi ders kapsamında işlenen yöntemlerin uygular.

Öğrenim Türü

Birinci Öğretim

Dersin Ön Koşulu Olan Dersler

Ders İçin Önerilen Diğer Hususlar

Yok

Dersin İçeriği

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
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

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

Planlanan Öğrenme Aktiviteleri ve Metodları

Değerlendirme

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

Staj Durumu

İş Yükü Hesaplaması

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

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