GERİ DÖN

Ders Öğretim Planı


Dersin Kodu Dersin Adı Dersin Türü Yıl Yarıyıl AKTS Kredi
BLG523 Veri Madenciliği Seçmeli Ders Grubu 1 1 6.00 3.00

Yüksek Lisans



Bu dersin amacı, öğrencilere büyük veri kümeleri üzerinde anlamlı desenler, eğilimler ve ilişkiler bulmak için kullanılan veri madenciliği yöntem ve tekniklerini öğretmektir. Öğrenciler, veri ön işleme, sınıflandırma, kümeleme, ilişkilendirme kuralları ve regresyon gibi temel konuları öğrenerek gerçek dünya verileri üzerinde analiz yapma becerisi kazanacaktır.



1 Veri madenciliğinin temel kavramlarını ve tekniklerini açıklar.
2 Veri ön işleme adımlarını uygular ve analiz için uygun veri setleri hazırlar.
3 Sınıflandırma, kümeleme ve birliktelik kuralları gibi veri madenciliği yöntemlerini uygular.
4 Elde edilen sonuçları yorumlar ve karar verme süreçlerinde kullanır.
5 Veri madenciliği araçlarını ve yazılımlarını etkin şekilde kullanır.
6 Gerçek dünya problemleri için uygun veri madenciliği çözümleri geliştirir.

Birinci Öğretim


YOK


YOK


Veri madenciliğine giriş Veri ön işleme (temizleme, dönüştürme, öznitelik seçimi) Sınıflandırma algoritmaları (Karar ağaçları, Naive Bayes, k-NN) Kümeleme algoritmaları (K-means, DBSCAN, Hiyerarşik) İlişkilendirme kuralları (Apriori, FP-Growth) Regresyon analizi Web ve metin madenciliği Büyük veri analitiği ve uygulamaları Veri madenciliği projeleri ve sunumlar


Hafta Teorik [OgretimYontemVeTeknikleri] [OnHazirlik]
1 Veri madenciliğine giriş Ders anlatımı, Sunum, Tartışma Makale ve Kitap Okuma
2 Veri ön işleme: temizleme, dönüştürme Ders anlatımı, Sunum, Tartışma Makale ve Kitap Okuma
3 Veri indirgeme ve öznitelik seçimi Ders anlatımı, Sunum, Tartışma Makale ve Kitap Okuma
4 Veri kümelemeye giriş Ders anlatımı, Sunum, Tartışma Makale ve Kitap Okuma
5 Hiyerarşik ve bölütleme tabanlı kümeleme Ders anlatımı, Sunum, Tartışma Makale ve Kitap Okuma
6 Yoğunluk ve kılavuz tabanlı kümeleme Ders anlatımı, Sunum, Tartışma Makale ve Kitap Okuma
7 Sınıflandırmaya giriş Ders anlatımı, Sunum, Tartışma Makale ve Kitap Okuma
8 Karar ağaçları ve kural tabanlı yöntemler Ders anlatımı, Sunum, Tartışma - Lecture, Presentation, Discussion Makale ve Kitap Okuma
9 Naive Bayes ve k-NN algoritmaları Ders anlatımı, Sunum, Tartışma Makale ve Kitap Okuma
10 Birleşik yöntemler: Bagging, Boosting Ders anlatımı, Sunum, Tartışma Makale ve Kitap Okuma
11 Regresyon analizi Ders anlatımı, Sunum, Tartışma Makale ve Kitap Okuma
12 İlişkilendirme kuralları ve Apriori algoritması Ders anlatımı, Sunum, Tartışma Makale ve Kitap Okuma
13 Web ve metin madenciliğine giriş Ders anlatımı, Sunum, Tartışma Makale ve Kitap Okuma
14 FİNAL Ders anlatımı, Sunum, Tartışma Makale ve Kitap Okuma



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

YOK


Etkinlikler Sayısı Süresi (saat) Toplam İş Yükü (saat)
Ara Sınav 1 1 1
Final Sınavı 1 1 1
Ara Sınav İçin Bireysel Çalışma 1 72 72
Final Sınavı içiin Bireysel Çalışma 1 76 76
Toplam İş Yükü (saat) 150

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