| Dersin Türü | Seçmeli |
|---|
| Dersin Düzeyi | Tezli Yüksek Lisans |
|---|
| Dersin Yılı | - |
|---|
| Dersin Yarıyılı | - |
|---|
| AKTS | 10 |
|---|
| Öğretim Eleman(lar)ı |
- |
| Öğrenme Kazanımları |
Bu dersin sonunda öğrenciler;
- Veri Madenciliği Temellerini Anlama
- Veri Ön İşleme Becerileri
- İstatistiksel Analiz ve Görselleştirme
- Modelleme ve Değerlendirme
- Zaman Serisi Analizi ve Tahmin
|
| Veriliş Biçimi | Yüz Yüze |
|---|
| Önkoşullar | Yok |
|---|
| Önerilen Dersler | istatistik |
|---|
| Ders Tanımı | Bu ders, veri madenciliğindeki önemli yeni fikirlerin çoğunu tanıtmayı, bunları istatistiksel çerçeveler olarak açıklamayı ve İş, Finans, Pazarlama ve Yönetimdeki uygulamalarından bazılarını tanımlamayı amaçlamaktadır.
Veri madenciliği, yararlı bilgileri çıkarmak için büyük miktarda veri madenciliği sürecidir. Verilerde gizli bilgi kuralları, kalıplar, düzenlilikler ve diğer eğilimler gibi potansiyel olarak yararlı bilgiler için veritabanlarında arama yapmayı içerir. Veri madenciliği uygulamaları, günümüzün rekabetçi pazarında oldukça faydalıdır.
Bu modülde, iyi bilinen veri madenciliği tekniklerinin birkaç vaka çalışması kullanılmıştır; örneğin alışveriş sepeti analizi, borsa getirilerini tahmin etme, bankacılıkta risk analizi, web analitiği ve Facebook ve Twitter dahil olmak üzere sosyal ağ analizi. Ayrıca, SPSS Modeler uygulaması ile veri madenciliği süreçlerini daha etkili bir şekilde yönetmeyi ve analiz etmeyi öğreneceksiniz. SPSS Modeler, kullanıcı dostu arayüzü ve güçlü analitik yetenekleri ile verileri keşfetmenize ve karar verme süreçlerinizi desteklemenize yardımcı olacaktır.
Veri madenciliği kavramlarını ve tekniklerini anlamak, iş ve yerleştirme rekabetinde değerli bir avantaj sağlayabilir. Bu sektör, durgunluk döneminde bile iş fırsatları ve maaşlarda tutarlı büyüme gösteren birkaç alandan biri olmaya devam ediyor. |
|---|
| Ders İçeriği |
| HAFTA |
KONULAR |
|
1. Hafta |
Hafta 1: Veri madenciliği kavramlarına genel bakış, İş dünyasındaki önemi |
|
2. Hafta |
Hafta 2: Veri Ön İşleme, Veri temizleme teknikleri, Veri dönüşümü ve normalizasyonu |
|
3. Hafta |
Hafta 3: Tanımlayıcı istatistikler |
|
4. Hafta |
Hafta 4: Veri görselleştirme teknikleri, Desenleri ve eğilimleri belirleme |
|
5. Hafta |
Hafta 5: Sınıflandırma Teknikleri, Karar ağaçları |
|
6. Hafta |
Hafta 6: k-En Yakın Komşular (k-NN) |
|
7. Hafta |
Hafta 7: Ara sınavi |
|
8. Hafta |
Hafta 8: Regresyon Analizi, Doğrusal regresyon |
|
9. Hafta |
Hafta 9: Lojistik regresyon |
|
10. Hafta |
Hafta 10: Model değerlendirme metrikleri |
|
11. Hafta |
Hafta 11: Kümelemeye giriş ,k-Ortalamalar kümelemesi |
|
12. Hafta |
Hafta 12: Zaman Serisi Analizi, Zaman serisi verilerine giriş, Tahmin modelleri |
|
13. Hafta |
Hafta 13: Mevsimsellik ve trendler |
|
14. Hafta |
Hafta 14: Final sınavı |
|
15. Hafta |
|
|
| Kaynaklar | https://www.ibm.com/docs/en/cloud-paks/cp-data/5.0.x?topic=modeler-tutorials |
|---|
| Öğretim Yöntemleri |
- Anlatım
- Tartışma
- Soru-Cevap
- Örnek Olay İncelemesi
- Sorun/Problem Çözme
- Eğitim-Uygulama
- Proje
- Rapor Hazırlama
- Sunum
|
|---|
| Değerlendirme |
Ara sınavı: %30 proje sunum
Final sınavı: %30 proje sunum
%40 yazılı sınav (yorumlama)
|
| AKTS İş Yükü |
| Aktivite |
Sayı |
Süre (Saat) |
İş Yükü |
| Ara Sınav |
1 |
1 |
1 |
| Kısa Sınavlara hazırlık |
1 |
4 |
4 |
| Sınıf Dışı Ders Çalışma Süresi |
1 |
16 |
16 |
| Final Sınavına Hazırlık |
1 |
4 |
4 |
| Ders Saati |
12 |
2 |
24 |
| Ara Sınava Hazırlık |
1 |
3 |
3 |
| Laboratuvar |
12 |
1 |
12 |
| Final Sınavı |
1 |
1 |
1 |
| Ödevler |
2 |
2 |
4 |
| Evde Hazırla Uygulaması |
2 |
3 |
6 |
| Toplam İş Yükü | 75 |
| Toplam İş Yükü / 30 | 2.5 |
| Dersin AKTS Kredisi | 10 |
|
| Dil | Türkçe |
|---|
| Staj / Uygulama | Yok |
|---|
