| Dersin Türü | Seçmeli |
|---|
| Dersin Düzeyi | Tezsiz Yüksek Lisans |
|---|
| Dersin Yılı | - |
|---|
| Dersin Yarıyılı | - |
|---|
| AKTS | 10 |
|---|
| Öğretim Eleman(lar)ı |
- |
| Öğrenme Kazanımları |
Bu dersin sonunda öğrenciler;
- Veri madenciliği temel kavramlarının teorisini açıklayabilir
- Operasyonel veritabanından/veritabanlarından, veri ambarı hazırlayabilir
- Veri madenciliğinin görevlerini açıklayabilir
- Veri madenciliğin bileşenlerini açıklayabilir
- Karar süreçleri ve İş zekası arasındaki ilişkiyi açıklayabilir
- Veri madenciliği ile diğer analitik yöntemler ve iş zekası çözümleri arasındaki ayrımı yapabilir
- Veri madenciliği projelerini, CRISP-DM ve diğer veri madenciliği metodolojilerine uygun oluşturabilir
- Veriye ve amaca uygun yöntem tespitini belirleyebilir
- Veri madenciliğinin istatistik altyapısını açıklayabilir
|
| Veriliş Biçimi | Uzaktan Eğitim |
|---|
| Önkoşullar | Yok |
|---|
| Önerilen Dersler | Yok |
|---|
| Ders Tanımı | Veri 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 |
|
| Kaynaklar | 1. 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.
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 |
- Anlatım
- Sorun/Problem Çözme
- Sunum
- Deney
- Eğitim-Uygulama
|
|---|
| Değerlendirme |
|
Sayısı |
Toplam Katkısı (%) |
| Ödev |
1 |
20 |
| Toplam(%) |
|
20 |
| Yıl İçinin Başarıya Oranı(%) |
|
20 |
| Finalin Başarıya Oranı(%) |
|
80 |
| Toplam(%) |
|
100 |
|
| AKTS İş Yükü |
| Aktivite |
Sayı |
Süre (Saat) |
İş Yükü |
| Ara Sınav |
|
|
|
| Kısa Sınavlara hazırlık |
|
|
|
| Sınıf Dışı Ders Çalışma Süresi |
14 |
12 |
168 |
| Final Sınavına Hazırlık |
1 |
65 |
65 |
| Ders Saati |
14 |
3 |
42 |
| Ara Sınava Hazırlık |
|
|
|
| Laboratuvar |
|
|
|
| Final Sınavı |
1 |
2 |
2 |
| Ödevler |
1 |
30 |
30 |
| Toplam İş Yükü | 307 |
| Toplam İş Yükü / 30 | 10.23 |
| Dersin AKTS Kredisi | 10 |
|
| Dil | Türkçe |
|---|
| Staj / Uygulama | Yok |
|---|
