Bilgi Paketi
baskent.edu.tr

Sigortacılık ve Risk Yönetimi Tezsiz Yüksek Lisans Programı

SRY527

İLERİ VERİ MADENCİLİĞİ

Ders Kodu
SRY527
Yarıyıl
-
Teori+Uygulama
3 + 0
AKTS
10
Dersin TürüSeçmeli
Dersin DüzeyiTezsiz Yüksek Lisans
Dersin Yılı-
Dersin Yarıyılı-
AKTS10
Öğretim Eleman(lar)ı -
Öğrenme Kazanımları

Bu dersin sonunda öğrenciler;

  1. Veri madenciliği temel kavramlarının teorisini açıklayabilir.
  2. Operasyonel veritabanından/veritabanlarından, veri ambarı hazırlayabilir
  3. Veri madenciliğinin görevlerini açıklayabilir
  4. Veri madenciliğin bileşenlerini açıklayabilir
  5. Karar süreçleri ve İş zekası arasındaki ilişkiyi açıklayabilir
  6. Veri madenciliği ile diğer analitik yöntemler ve iş zekası çözümleri arasındaki ayrımı yapabilir
  7. Veri madenciliği projelerini, CRISP-DM ve diğer veri madenciliği metodolojilerine uygun oluşturabilir
  8. Veriye ve amaca uygun yöntem tespitini belirleyebilir
  9. Veri madenciliğinin istatistik altyapısını açıklayabilir
Veriliş BiçimiYüz Yüze
ÖnkoşullarYok
Önerilen DerslerYok
Ders TanımıVeri madenciliği teknikleri hakkında öğrenciye bilgi vermek, veri setlerini analiz ederek sonuçlarını yorumlamak temelli bir derstir.
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 İle Diğer Analitik Yöntemlerin Karşılaştırılması
7. Hafta Veri Madenciliği İle Diğer Analitik Yöntemlerin Karşılaştırılması
8. Hafta Arasınav
9. Hafta Karar Süreçleri, İş Zekası Ve Veri Madenciliği
10. Hafta Veri Madenciliği Metodolojisi
11. Hafta Veri Madenciliği Yöntemlerinin Sınıflandırılması
12. Hafta Veri Madenciliğinin İstatistiksel Altyapısı
13. Hafta Veri Madenciliği Yöntemleri Ve Uygulamaları
14. Hafta Veri Madenciliği Yöntemleri Ve Uygulamaları
Kaynaklar1. Hand, David, Mannila, Heikki and Smyth, Padhraic. Principles of Data Mining. MIT Press, London, 2001.
2. Hastie, Trevor, Tibshirani, Robert and Friedman, Jerome. The Elements of Statistical Learning: Data Mining, Inference, and Prediction (Second Edition). Springer Series in Statistics, 2009.
Applications for Risk Detection. IGI Global, USA, 2010.
3. Witten, Ian H. and Frank, Eibe. Data Mining: Practical Machine Learning Tools and Techniques (Second Edition), The Morgan Kaufmann Series in Data Management Systems), 2005.
Öğretim Yöntemleri
  • Sunum
  • Deney
  • Anlatım
  • Sorun/Problem Çözme
  • Eğitim-Uygulama
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 3 3
Kısa Sınavlara hazırlık
Sınıf Dışı Ders Çalışma Süresi 14 10 140
Final Sınavına Hazırlık 1 45 45
Ders Saati 14 3 42
Ara Sınava Hazırlık 1 30 30
Laboratuvar
Final Sınavı 1 3 3
Ödevler 1 40 40
Toplam İş Yükü303
Toplam İş Yükü / 3010.1
Dersin AKTS Kredisi10
DilTürkçe
Staj / UygulamaYok

Program Yeterlilikleri / Öğrenme Kazanımları

Ö1 Ö2 Ö3 Ö4 Ö5 Ö6 Ö7 Ö8 Ö9
P1 X X X X X X X X X
P2 X X X X X X X X X
P3 X X X X
P4 X X X X X X X
P5 X X X X X X X X X
P6 X X X
P7 X X X X X X X X X
P8 X X X X X X X X X
P9 X X X X X X X X X
P10 X X X X X X X X X