.png){kind=spacer}
GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS | Kredi |
|---|---|---|---|---|---|---|
| BTT513 | Veri Madenciliği I | Seçmeli Ders Grubu | 1 | 1 | 6.00 | 3.00 |
Dersin Seviyesi
Yüksek Lisans
Dersin Sunulduğu Dil
Dersin Amacı
Bu dersin amacı, öğrencilere veri madenciliği kavramlarını, tekniklerini ve araçlarını öğretmek, veri keşfi sürecini anlatmak, öğrencilerin veri analizi ve keşfi becerilerini geliştirmek, veri madenciliği uygulamaları için temel bir altyapı sağlamaktır.
Dersi Veren Öğretim GörevlisiGörevlileri
DR. NESİBE MANAV MUTLU
Öğrenme Çıktıları
| 1 | Veri madenciliği kavramı ve temel terminolojileri öğrenir. |
| 2 | Veri ön işleme ve temizleme tekniklerini ve uygulamalarını öğrenir. |
| 3 | Veri madenciliği algoritmaları ve veri keşfini ve uygulamalarını öğrenir. |
| 4 | Sınıflandırma ve kümeleme yöntemlerini ve uygulamayı öğrenir. |
| 5 | Veri madenciliği uygulamaları ve gelecekteki trendleri öğrenir |
Öğrenim Türü
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Bulunmamaktadır.
Ders İçin Önerilen Diğer Hususlar
Bulunmamaktadır.
Dersin İçeriği
Bu dersin amacı, öğrencilere veri madenciliği kavramlarını, tekniklerini ve araçlarını öğretmek, veri keşfi sürecini anlatmak, öğrencilerin veri analizi ve keşfi becerilerini geliştirmek, veri madenciliği uygulamaları için temel bir altyapı sağlamaktır.
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Teorik | [OgretimYontemVeTeknikleri] | [OnHazirlik] |
|---|---|---|---|
| 1 | Veri Madenciliği Temelleri ve Kavramlar | ||
| 2 | Veri Madenciliği Süreci ve Metodolojisi | ||
| 3 | Veri Ön İşleme ve Temizleme | ||
| 4 | Veri Boyut Azaltma ve Özellik Seçimi | ||
| 5 | Veri Madenciliği Algoritmaları: Karar Ağaçları | ||
| 6 | Veri Madenciliği Algoritmaları: Doğal Dil İşleme | ||
| 7 | Veri Madenciliği Algoritmaları: K-En Yakın Komşular | ||
| 8 | Veri Madenciliği Algoritmaları: Kümeleme | ||
| 9 | Derin Öğrenme ve Sinir Ağları | ||
| 10 | Derin Öğrenme Uygulamaları: Görüntü İşleme | ||
| 11 | Derin Öğrenme Uygulamaları: Doğal Dil İşleme | ||
| 12 | Derin Öğrenme Uygulamaları: Öneri Sistemleri | ||
| 13 | Veri Madenciliği Yazılımları ve Araçları | ||
| 14 | Uygulama Örnekleri ve Proje Çalışması |
Ders Kitabı Malzemesi Önerilen Kaynaklar
1`Data Mining: Concepts and Techniques` - Jiawei Han, Micheline Kamber, Jian Pei 2`Introduction to Data Mining` - Pang-Ning Tan, Michael Steinbach, Vipin Kumar 3`Principles of Data Mining` - Max Bramer
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
Staj durumu bulunmamaktadır.
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 1 | 1 |
| Final Sınavı | 1 | 1 | 1 |
| Ara Sınav İçin Bireysel Çalışma | 1 | 76 | 76 |
| Final Sınavı içiin Bireysel Çalışma | 1 | 72 | 72 |
| 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 | PÇ 12 | PÇ 13 | PÇ 14 | PÇ 15 | |
| ÖÇ 1 | 4 | 5 | 4 | 5 | |||||||||||
| ÖÇ 2 | 4 | 4 | 4 | 4 | 4 | ||||||||||
| ÖÇ 3 | 4 | 4 | 4 | 4 | 3 | ||||||||||
| ÖÇ 4 | 4 | 5 | 4 | 4 | 3 | ||||||||||
| ÖÇ 5 | 4 | 5 | 5 | 5 | 4 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek