| Dersin Türü | Seçmeli |
|---|
| Dersin Düzeyi | Lisans |
|---|
| Dersin Yılı | - |
|---|
| Dersin Yarıyılı | - |
|---|
| AKTS | 5 |
|---|
| Öğretim Eleman(lar)ı |
- |
| Öğrenme Kazanımları |
Bu dersin sonunda öğrenciler;
- Veri madenciliğinin temel kavramlarının teorisini açıklar.
- Operasyonel veritabanlarından/veritabanından veri ambarı hazırlar.
- Veri madenciliği görevlerini açıklar.
- Veri madenciliğinin bileşenlerini açıklar.
- Karar süreçleri ile iş zekası arasındaki ilişkiyi açıklar.
- Veri madenciliği ile diğer analitik yöntemler ve iş zekası çözümleri arasındaki farkı ayırt eder.
- Veri madenciliği projelerini, CRISP-DM ve diğer veri madenciliği metodolojilerine uygun şekilde oluşturur.
- Veriye ve amaca uygun yöntem tespitini belirler.
- Veri madenciliğinin istatistiksel altyapısını açıklar.
- Doğrusal regresyon analizi, lojistik regresyon analizi, K-en yakın komşuluk, K-ortalamalar kümeleme analizi, aşamalı (hiyerarşik) kümeleme yöntemleri, karar ağaçları ve birliktelik (ilişki) kuralları yöntemlerini veri madenciliği yazılımlarını kullanarak uygular.
- Ücretsiz veri madenciliği yazılımlarını kullanır.
- Karmaşık olmayan veri madenciliği projelerini uygular ve yönetir.
|
| Veriliş Biçimi | Yüz Yüze |
|---|
| Önkoşullar | Yok |
|---|
| Önerilen Dersler | Yok |
|---|
| Ders Tanımı | Bu ders, veri madenciliğinin tanımı, uygulama alanları, teknikleri ve modelleri hakkında genel bir bakış sunmaktadır. Ayrıca, veri madenciliği aşamalarını da kapsamaktadır. Bu aşamalar arasında hedefin tanımlanması, hedefe uygun bir veri seti oluşturulması, verilerin temizlenmesi ve ön işlenmesi, verilerin azaltılması ve dönüştürülmesi, veri madenciliği öğrenme algoritmasının seçilmesi, modelin değerlendirilmesi, keşfedilen bilginin yorumlanması ve veri madenciliği öğrenme algoritmalarının incelenmesi yer almaktadır. |
|---|
| Ders İçeriği |
| HAFTA |
KONULAR |
|
1. Hafta |
Veri madenciliğine giriş |
|
2. Hafta |
Veri madenciliğinin görevleri |
|
3. Hafta |
Veri madenciliğinin görevleri |
|
4. Hafta |
Veri madenciliğinin bileşenleri |
|
5. Hafta |
Veri madenciliğinin bileşenleri |
|
6. Hafta |
Veri madenciliği ile diğer analitik yöntemlerin karşılaştırılması |
|
7. Hafta |
Veri madenciliği ile diğer analitik yöntemlerin karşılaştırılması |
|
8. Hafta |
Ara sınav |
|
9. Hafta |
Karar süreçleri, iş zekası ve veri madenciliği |
|
10. Hafta |
Veri madenciliği metodolojisi |
|
11. Hafta |
Veri madenciliği yöntemlerinin sınıflandırılması |
|
12. Hafta |
Veri madenciliğinin istatistiksel altyapısı |
|
13. Hafta |
Veri madenciliği yöntemleri ve uygulamaları |
|
14. Hafta |
Veri madenciliği yöntemleri ve uygulamaları |
|
| Kaynaklar | Hand, D., Mannila, H., & Smyth, P. (2001). Principles of data mining. MIT Press.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2. baskı). Springer Series in Statistics.
Witten, I. H., & Frank, E. (2005). Data mining: Practical machine learning tools and techniques (2. baskı). The Morgan Kaufmann Series in Data Management Systems. |
|---|
| Öğretim Yöntemleri |
- Anlatım
- Soru-Cevap
- Eğitim-Uygulama
- Sunum
- Deney
|
|---|
| Değerlendirme |
|
Sayısı |
Toplam Katkısı (%) |
| Ara Sınav |
1 |
25 |
| Uygulama/Pratik |
1 |
20 |
| Proje |
1 |
10 |
| Toplam(%) |
|
55 |
| Yıl İçinin Başarıya Oranı(%) |
|
55 |
| Finalin Başarıya Oranı(%) |
|
45 |
| Toplam(%) |
|
100 |
|
| AKTS İş Yükü |
| Aktivite |
Sayı |
Süre (Saat) |
İş Yükü |
| Ara Sınav |
1 |
1 |
1 |
| Kısa Sınavlara hazırlık |
|
|
|
| Sınıf Dışı Ders Çalışma Süresi |
14 |
2 |
28 |
| Final Sınavına Hazırlık |
1 |
30 |
30 |
| Ders Saati |
14 |
3 |
42 |
| Ara Sınava Hazırlık |
1 |
20 |
20 |
| Laboratuvar |
|
|
|
| Final Sınavı |
1 |
1 |
1 |
| Ödevler |
|
|
|
| Proje |
1 |
20 |
20 |
| Uygulama |
1 |
10 |
10 |
| Toplam İş Yükü | 152 |
| Toplam İş Yükü / 30 | 5.06 |
| Dersin AKTS Kredisi | 5 |
|
| Dil | Türkçe |
|---|
| Staj / Uygulama | Yok |
|---|
