Bilgi Paketi

İstatistik ve Bilgisayar Bilimleri Programı

İST382

VERİ MADENCİLİĞİ

Ders Kodu
İST382
Yarıyıl
-
Teori+Uygulama
3 + 0
AKTS
5
Dersin TürüSeçmeli
Dersin DüzeyiLisans
Dersin Yılı-
Dersin Yarıyılı-
AKTS5
Öğretim Eleman(lar)ı -
Öğrenme Kazanımları

Bu dersin sonunda öğrenciler;

  1. Karar tablosunu, karar ağacını;
  2. veri sınıflandırma, ayrıştırma ve birleştirme kurallarını
  3. istatistik ve doğrusal modelleme yöntemlerini öğreneceklerdir
Veriliş BiçimiYüz Yüze
ÖnkoşullarYok
Önerilen DerslerBu dersle ilişkili önerilen başka dersler bulunmamaktadır.
Ders TanımıVeri madenciliğinin esasları. Makine öğrenmesi (machine learning) ve veri madenciliği. Veri madenciliğinde etik kurallar. Bilginin temsili. Sınıflandırmalar. Değerlendirmeler. Öngörüler.
Ders İçeriği
HAFTA KONULAR
1. Hafta Veri Madenciliği
2. Hafta Preliminaries
3. Hafta Veri Madenciliği
4. Hafta Etik
5. Hafta Bilgi
6. Hafta Sınıflandırma: Karar Ağaçları
7. Hafta Sınıflandırma
8. Hafta ARA SINAV
9. Hafta Veri Analizi
10. Hafta Kümeleme
11. Hafta Kümeleme
12. Hafta Budanan Karar Ağaçları
13. Hafta Gelişim
14. Hafta Öngörme
Kaynaklar"Introduction to Data Mining", Pang-Ning Tan, Michael Steinbach, and Vipin Kumar.
"Data Mining: Concepts and Techniques", Jiawei Han and Micheline Kamber, Morgan Kaufmann, 2001.
"Data Mining: Practical Machine Learning", Ian H. Witten, Eibe Frank, Morgan Kaufmann, 2000.
"Principles of Data Mining (Adaptive Computation and Machine Learning)", D Hand, MIT Press, 2001.
Öğretim Yöntemleri
  • Anlatım
  • Soru-Cevap
  • Örnek Olay İncelemesi
  • Sorun/Problem Çözme
Değerlendirme
Sayısı Toplam Katkısı (%)
Ara Sınav 1 30
Ödev 5 10
Mini-Sınav 5 10
Toplam(%) 50
Yıl İçinin Başarıya Oranı(%) 50
Finalin Başarıya Oranı(%) 50
Toplam(%) 100
DilTürkçe
Staj / UygulamaYok
Ö1 Ö2 Ö3
P1 X
P2 X X X
P3 X X
P4
P5
P6 X X X
P7 X X X
P8
P9
P10 X X X
P11
P12