.png){kind=spacer}
GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS | Kredi |
|---|---|---|---|---|---|---|
| YZM503 | Veri Madenciliği | Seçmeli Ders Grubu | 1 | 1 | 6.00 | 3.00 |
Dersin Seviyesi
Yüksek Lisans
Dersin Sunulduğu Dil
Türkçe
Dersin Amacı
Bu dersin amacı, öğrencilere veri madenciliği kavramlarını, yöntemlerini ve tekniklerini öğretmek, veri önişleme, görselleştirme, sınıflandırma, kümeleme, derin öğrenme ve tahminleme gibi temel konulara odaklanmak, büyük veri, web madenciliği, metin madenciliği gibi özel alanları incelemek ve geleceğe yönelik trendleri ve uygulamaları keşfetmektir.
Dersi Veren Öğretim GörevlisiGörevlileri
-
Öğrenme Çıktıları
| 1 | Veri madenciliği kavramlarını ve temel prensiplerini anlama becerisi geliştirmek. |
| 2 | Veri madenciliği sürecinde veri önişleme, veri keşfi ve veri modelleme tekniklerini öğrenmek ve uygulama yetkinliği kazanmak. |
| 3 | Veri madenciliği algoritmalarını anlama, analiz etme ve uygulama becerisi geliştirmek. |
| 4 | Büyük veri setlerinde veri madenciliği yapabilme yetkinliği geliştirmek. |
| 5 | Veri madenciliği sonuçlarını yorumlama, analiz etme ve raporlama becerisi geliştirmek. |
Öğrenim Türü
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
YOK
Ders İçin Önerilen Diğer Hususlar
YOK
Dersin İçeriği
Bu dersin amacı, öğrencilere veri madenciliği kavramlarını, yöntemlerini ve tekniklerini öğretmek, veri önişleme, görselleştirme, sınıflandırma, kümeleme, derin öğrenme ve tahminleme gibi temel konulara odaklanmak, büyük veri, web madenciliği, metin madenciliği gibi özel alanları incelemek ve geleceğe yönelik trendleri ve uygulamaları keşfetmektir.
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Teorik | [OgretimYontemVeTeknikleri] | [OnHazirlik] |
|---|---|---|---|
| 1 | Veri Madenciliğine Giriş | ||
| 2 | Veri Ön İşleme ve Temizleme | ||
| 3 | Veri Keşfi ve Görselleştirme | ||
| 4 | Örüntü Madenciliği ve Derin Öğrenme | ||
| 5 | Sınıflandırma Algoritmaları | ||
| 6 | Kümeleme ve Segmentasyon | ||
| 7 | Derin Öğrenme Uygulamaları | ||
| 8 | Ara Sınav | ||
| 9 | Öznitelik Seçimi ve Boyut Azaltma | ||
| 10 | Birliktelik Kuralları ve İlişki Madenciliği | ||
| 11 | Büyük Veri ve Paralel Veri Madenciliği | ||
| 12 | Web Madenciliği ve Sosyal Ağ Analizi | ||
| 13 | Metin Madenciliği ve Duygu Analizi | ||
| 14 | Veri Madenciliğinde Gelecek Trendler ve Uygulamalar | ||
| 15 | Final Sınavı |
Ders Kitabı Malzemesi Önerilen Kaynaklar
`Data Mining: Concepts and Techniques` - Jiawei Han, Micheline Kamber, Jian Pei `Principles of Data Mining` - Max Bramer `Introduction to Data Mining` - Pang-Ning Tan, Michael Steinbach, Vipin Kumar `Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking` - Foster Provost, Tom Fawcett `Data Mining: Practical Machine Learning Tools and Techniques` - Ian H. Witten, Eibe Frank, Mark A. Hall
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
-
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 | 3 | 4 | 4 | 4 | 5 | 5 | 3 | 4 | 4 | 4 | 4 | 4 | 3 |
| ÖÇ 2 | 4 | 4 | 5 | 5 | 4 | 4 | 5 | 3 | 5 | 5 | 5 | 3 | 4 | 4 | 4 |
| ÖÇ 3 | 5 | 5 | 5 | 5 | 4 | 5 | 4 | 5 | 5 | 5 | 5 | 4 | 5 | 3 | 4 |
| ÖÇ 4 | 5 | 3 | 5 | 5 | 3 | 3 | 4 | 4 | 4 | 5 | 3 | 5 | 3 | 3 | 5 |
| ÖÇ 5 | 4 | 4 | 5 | 4 | 4 | 4 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 4 | 4 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek