Ders Sorumluları
|
|
Dersin Sunulduğu Dil |
Türkçe (Turkish) |
Dersin Türü |
Seçmeli |
Ön Koşul |
|
Ders İçin Önerilen Diğer Hususlar |
|
Dersin Amacı |
Dersin amacı, sağlık alanındaki veriler üzerinde veri madenciliği yöntemlerinin uygulanmasını, sağlık alanındaki büyük veriler üzerinde büyük veri analitiği algoritmalarının uygulanmasını öğretmektir. |
Dersin İçeriği |
Veri madenciliği, MapReduce, benzer elemanların bulunması, uzaklık ölçütleri, data stream madenciliği, frequent itemsets, öbekleme, sağlık alanındaki büyük verilerde veri madenciliği, sağlık alanıda büyük veri analitiği |
Dersin Öğrenme Çıktıları (ÖÇ) |
Bu ders sonunda öğrenci aşağıdaki özellikleri kazanacaktır;
1. Veri madenciliği yöntemlerinin uygulama alanlarını bilir.
2. Veri madenciliği yöntemlerinin karşılaştırmasını ve sonuçlarının değerlendirmesini bilir.
3. Veriler üzerinde uzaklık ölçütlerine dayalı sınıflandırma yapmayı bilir.
4. Veriler üzerinde uzaklık ölçütlerine dayalı kümeleme yapmayı bilir.
5. Büyük verilerin karakteristik özelliklerini bilir.
6. Büyük veriler üzerinde büyük veri analitiği algoritmalarını uygulamayı bilir. |
Dersin Veriliş Biçimi |
Örgün Öğretim |
Dersin Gidişatı |
Hafta |
Konular |
1. Hafta |
Veri madenciliği |
2. Hafta |
MapReduce |
3. Hafta |
Benzer elemanların bulunması |
4. Hafta |
Uzaklık ölçütleri |
5. Hafta |
Sınıflandırma algoritmaları |
6. Hafta |
Sınıflandırma algoritmalarının sağlık alanında uygulanması |
7. Hafta |
Ara sınav |
8. Hafta |
Data stream madenciliği |
9. Hafta |
Öbekleme algoritmaları |
10. Hafta |
Öbekleme algoritmalarının sağlık alanında uygulanması |
11. Hafta |
Frequent itemsets ve sağlık verilerinde uygulanması |
12. Hafta |
Sağlık alanındaki büyük verilerde veri madenciliği |
13. Hafta |
Sağlık alanında büyük veri analitiği |
14. Hafta |
Dönem sonu sınavı |
|
Değerlendirme Ölçütleri |
|
Toplam Katkısı (%) |
Ara Sınav (%) |
20 |
Kısa Sınavlar (%) |
|
Ödevler (%) |
20 |
Uygulamalar (%) |
10 |
Laboratuar (%) |
|
Projeler/Alan Çalışması (%) |
10 |
Seminerler/Çalışma Grupları (%) |
|
Final (%) |
40 |
Diğer (%) |
|
Toplam(%) |
100 |
|
Dersin Kitabı ve/veya Kaynaklar |
Mining of Massive Datasets, Jure Leskovec, Anand Rajaraman, Jeffrey David Ullman, Stanford University, 2011.
1) Real-Time Big Data Analytics: Emerging Architecture, Mike Barlow, O’Reilly Media, 2013.
(2) Big Data, Data Mining, and Machine Learning: Value Creation for Business Leaders and Practitioners, Jared Dean, Wiley, 2014.
(3) Data Science and Big Data Analytics: Discovering, Analyzing, Visualizing and Presenting Data, EMC Education Services, 2015. |
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 | | | | | | | | | | | | |
* Katkı Düzeyi: 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek |