.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 madenciliği uygulama alanlarına öğrenir |
| 2 | Veri madenciliği tekniklerine ve modellerini uygulamalarında kullanabilir. |
| 3 | 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 | ||
| 2 | Veri Madenciliği Uygulama Alanları ve örnekler | ||
| 3 | Veri Ambarları | ||
| 4 | Veri Madenciliği Süreci | ||
| 5 | Yöntemler Sınıflandırma, Kümeleme, Birliktelik Kuraları | ||
| 6 | Karar Ağaçları ve Sınıflandırma | ||
| 7 | Sınıflandırma ve Regresyon Ağaçları | ||
| 8 | Vize Sınavı | ||
| 9 | Uygulama Örnekleri | ||
| 10 | Kümeleme Analizi | ||
| 11 | Kümeleme Yöntemleri | ||
| 12 | Uygulama Örnekleri | ||
| 13 | Metin Madenciliği ve Web Madenciliği | ||
| 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 | 5 | 4 | 5 | 4 | 4 | 5 | 4 | 5 | 4 | 4 | 5 | 4 | 4 | 5 | 4 |
| ÖÇ 2 | 4 | 5 | 3 | 5 | 4 | 5 | 4 | 5 | 4 | 3 | 4 | 4 | 4 | 4 | 5 |
| ÖÇ 3 | 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