Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS | YÖN301B | Veri Madenciliği | Zorunlu | 3 | 5 | 5 |
|
Dersin Seviyesi |
Lisans |
Dersin Amacı |
Yapay zeka tabanlı modeller geliştirebilmek için veri biliminde veri madenciliği tekniklerinin uygulanabilmesi |
Dersi Veren Öğretim Görevlisi/Görevlileri |
Doç.Dr. Didem Güleryüz |
Öğrenme Çıktıları |
1 | Veri madenciliğinin amacı ve tanımını betimler | 2 | Uygulama alanları, teknikleri ve modellerine genel bakışı saptar | 3 | Veri ambarı kavramı için veri ön hazırlık aşamalarını belirler | 4 | Veri madenciliği öğrenme algoritmaları tanımlamak ve probleme uygun yöntemi planlar. | 5 | Birliktelik kurallarını uygular | 6 | Karar ağaçları ve sınıflandırma yöntemlerini analiz eder. | 7 | Kümeleme yöntemlerini ayırt eder. | 8 | |
|
Öğrenim Türü |
Birinci Öğretim |
Dersin Ön Koşulu Olan Dersler |
Yok |
Ders İçin Önerilen Diğer Hususlar |
Yok |
Dersin İçeriği |
Veri madenciliğine konusuna bir giriş olan bu ders temel Veri Önişleme,
İlişkilendirme Kuralları, Sınıflandırma ve Demetleme algoritmaları ve
bunların uygulamalarını içerir. Dersin son bölümleri ise veri madenciliği ile
Saldırı Tespiti ve Metin/Web Madenciliği gibi ileri konulara ayrılmıştır. |
Haftalık Ayrıntılı Ders İçeriği |
|
1 | Veri madenciliğine giriş | | | 2 | Veri madenciliği uygulama alanları, veri ambarları ve OLAP | | | 3 | Veri madenciliği için veri hazırlama süreç ve teknikleri | | | 4 | Veri madenciliği için veri hazırlama süreç ve teknikleri | | | 5 | Veri madenciliği yöntemleri-birliktelik kuralları(Appriori algoritması) | | | 6 | Veri madenciliği yöntemleri-birliktelik kuralları(FP Growth algoritması) | | | 7 | Veri madenciliği yöntemleri-birliktelik kuralları(Çeşitli türdeki birliktelik kurallarını çıkarma) | | | 8 | Ara sınav | | | 9 | Veri madenciliği yöntemleri-Sınıflandırma ve tahmin(Karar ağaçları) | | | 10 | Veri madenciliği yöntemleri-Sınıflandırma ve tahmin(Bayesian sınıflandırma) | | | 11 | Uygulama örnekleri | | | 12 | Veri madenciliği kümeleme analizi veri türleri | | | 13 | Veri madenciliği kümeleme yöntemleri(k-komşu algoritması) | | | 14 | Veri madenciliği kümeleme yöntemleri(hiyerarşik yöntemler,yoğunluk tabanlı yöntemler) | | | 15 | Veri madenciliği kümeleme yöntemleri(hiyerarşik yöntemler,yoğunluk tabanlı yöntemler) II | | |
|
Ders Kitabı / Malzemesi / Önerilen Kaynaklar |
G. Silahtaroğlu, Veri Madenciliği, Papatya Yayınevi, İstanbul, 2008.
Yalçın Özkan, Veri Madenciliği Yöntemleri, Papatya Yayınevi, İstanbul, 2008
J. Han, M. Kamber, Data MiningConceptsandTechniques, 2. Ed.,USA, 2006.
Yaşar Gözüdeli, Yazılımcılar İçin SQL Server 2008 ve Veritabanı Programlama, Seçkin Yayıncılık, 2009, Ankara
Turgut Özseven, Veritabanı yönetim Sistemleri I, Murathan Yayınları, 2010, Trabzon
GehrkeRamakrishnan, Database Management Systems, McGraw-Hill, 2003. |
Planlanan Öğrenme Aktiviteleri ve Metodları |
|
Değerlendirme | |
Ara Sınav | 1 | 40 | Ara Sınav İçin Bireysel Çalışma | 6 | 60 | TOPLAM | 100 | |
Final Sınavı | 1 | 60 | Final Sınavı için Bireysel Çalışma | 15 | 40 | TOPLAM | 100 | Yarıyıl (Yıl) İçi Etkinlikleri | 40 | Yarıyıl (Yıl) Sonu Etkinlikleri | 60 | TOPLAM | 100 |
| Dersin Sunulduğu Dil | Türkçe | Staj Durumu | Yok |
|
İş Yükü Hesaplaması |
|
Ara Sınav | 1 | 1 | 1 |
Final Sınavı | 1 | 2 | 2 |
Quiz | 3 | 1 | 3 |
Derse Katılım | 1 | 1 | 1 |
Proje Hazırlama | 1 | 20 | 20 |
Proje Sunma | 1 | 1 | 1 |
Bireysel Çalışma | 1 | 1 | 1 |
Ara Sınav İçin Bireysel Çalışma | 6 | 4 | 24 |
Final Sınavı içiin Bireysel Çalışma | 14 | 4 | 56 |
Okuma | 12 | 2 | 24 |
Quiz için Bireysel Çalışma | 3 | 2 | 6 |
|
Program ve Öğrenme Çıktıları İlişkisi |
ÖÇ1 | 3 | 1 | 4 | | | | ÖÇ2 | 3 | | | 2 | | | ÖÇ3 | 2 | | | | 5 | | ÖÇ4 | 4 | | | | 4 | | ÖÇ5 | 4 | | | | 5 | | ÖÇ6 | 3 | | | 2 | | | ÖÇ7 | 4 | | 4 | | | | ÖÇ8 | 3 | | | 4 | | |
|
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek |
|
|