| Ders Sorumluları
|
|
| Dersin Sunulduğu Dil |
Türkçe (Turkish) |
| Dersin Türü |
Zorunlu |
| Ön Koşul |
|
| Ders İçin Önerilen Diğer Hususlar |
|
| Dersin Amacı |
Bu dersin amacı, öğrencilere veri madenciliği algoritmaları ve teknikleri ile ilgili teorik bilgiler vermek ve öğrencilere farklı uygulamalar için uygun veri madenciliği teknikleri seçme ve uygulama yeteneği kazandırmaktır. Bu ders, öğrencilerin; veri önişleme, birliktelik kuralı analizi, sınıflandırma ve tahminleme ve uygulamaları ile kümeleme analizini öğrenmesini sağlayacaktır. |
| Dersin İçeriği |
Otomatik veri analizi ve organizasyonel karar verme proseslerine destek verme amacıyla iç ve dış kaynaklardan bilgi çıkarma. Farklı uygulamaları araştırma, metodolojiler, teknikler ve modeller. Sınıflandırma, Karar Ağaçları, Birliktelik Kuralları, Kümeleme. Bu ders gerçek hayattan alınan geniş veri setleriyle , Weka Veri Madenciliği yazılımı kullanılarak vaka analizi yapma ile sonlanır. |
| Dersin Öğrenme Çıktıları (ÖÇ) |
1 Temel veri madenciliği kavramlarını tanımlayabilme
2 Veri ön işleme işlemlerini uygulayabilme
3 Belirli bir problemi çözmek için uygun olan veri madenciliği tekniğini belirleyebilme
4 Bir veri madenciliği modeli tasarlayabilme
5 Bir veri madenciliği algoritması uygulayabilme
|
| Dersin Veriliş Biçimi |
Örgün Öğretim |
| Dersin Gidişatı |
| Hafta |
Konular |
| 1. Hafta |
Veri Madenciliği Giriş |
| 2. Hafta |
Veri Madenciliğine Detaylı Bakış |
| 3. Hafta |
Veri Hazırlama (Veri Entegrasyonu, İndirgeme, Ön işleme ve Temizleme, Dönüşüm) |
| 4. Hafta |
Sık Desenlerin Keşfi, İlişkilendirme Kuralları ve Korelasyonlar |
| 5. Hafta |
Sıralı Örüntü Analizi |
| 6. Hafta |
Sınıflandırma ve Tahminleme |
| 7. Hafta |
Kümeleme |
| 8. Hafta |
Arasınav |
| 9. Hafta |
Anomali Tespiti |
| 10. Hafta |
Temel Veri Madenciliği Araçları |
| 11. Hafta |
Web Madenciliği |
| 12. Hafta |
Metin Madenciliği |
| 13. Hafta |
Multimedya ve Konumsal Veri Madenciliği |
| 14. Hafta |
Veri Madenciliğinde Gizliliğin Korunması |
|
| Değerlendirme Ölçütleri |
| |
Toplam Katkısı (%) |
| Ara Sınav (%) |
40 |
| Kısa Sınavlar (%) |
|
| Ödevler (%) |
|
| Uygulamalar (%) |
|
| Laboratuar (%) |
|
| Projeler/Alan Çalışması (%) |
|
| Seminerler/Çalışma Grupları (%) |
|
| Final (%) |
60 |
| Diğer (%) |
|
| Toplam(%) |
100 |
|
| Dersin Kitabı ve/veya Kaynaklar |
Introduction to Data Mining, Global Edition,2018, Pang-Ning Tan (Eser Sahibi), Michael Steinbach (Eser Sahibi), Vipin Kumar (Eser Sahibi),
Özkan, Y., Veri madenciliği yöntemleri, Papatya, 2008. Silahtaroğlu, G., Kavram ve algoritmalarıyla temel veri madenciliği, Papatya, 2008.
|
| Staj / Uygulama |
|
| Program Yeterlilikleri (PY) ve Dersin Öğrenme Çıktıları (ÖÇ) İlişkisi |
| | PY1 | PY2 | PY3 | PY4 | PY5 | PY6 | PY7 | PY8 | PY9 | PY10 | PY11 | PY12 | PY13 | PY14 | ÖÇ1 | 5 | 4 | | | | | | | | | | | | | ÖÇ2 | 5 | 4 | | | 3 | | | | 3 | | | | | | ÖÇ3 | 5 | 4 | | | 3 | | | | 3 | | | | | | ÖÇ4 | 5 | 4 | | | | | | | | | | | | | ÖÇ5 | 5 | 4 | | | | | | | | | | | | |
* Katkı Düzeyi: 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek |