|
|
| BIL4008 | Veri Madenciligi | 3+0+0 | AKTS:4 | | Yıl / Yarıyıl | Bahar Dönemi | | Ders Duzeyi | Lisans | | Yazılım Şekli | Seçmeli | | Bölümü | BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ | | Ön Koşul | Yok | | Eğitim Sistemi | Yüz yüze | | Dersin Süresi | 14 hafta - haftada 3 saat teorik | | Öğretim Üyesi | Dr. Öğr. Üyesi Çağatay Murat YILMAZ | | Diğer Öğretim Üyesi | | | Öğretim Dili | Türkçe | | Staj | Yok | | | | Dersin Amacı: | | Öğrencilere veri madenciliğinin temel kavramlarını ve popüler yöntemlerini öğretmek; gerçek dünya problemlerinde doğru veri madenciliği aracını seçme becerisi kazandırmak |
| Öğrenim Kazanımları | PÖKK | ÖY | | Bu dersi başarı ile tamamlayan öğrenciler : | | | | ÖK - 1 : | Veri madenciliği temel kavramları üzerinde bilgi sahibi olurlar | 2,3,4,12 | 1 | | ÖK - 2 : | Veri madenciliğinde kullanılan popüler yöntemleri öğrenirler | 2,3,4,12 | 1 | | ÖK - 3 : | Gerçek dünya problemlerinde doğru veri madenciliği aracı seçebilme yetisine sahip olurlar | 2,3,4,12 | 1 | | PÖKK :Program öğrenim kazanımlarına katkı, ÖY : Ölçme ve değerlendirme yöntemi (1: Yazılı Sınav, 2: Sözlü Sınav, 3: Ev Ödevi, 4: Laboratuvar Çalışması/Sınavı, 5: Seminer / Sunum, 6: Dönem Ödevi / Proje),ÖK : Öğrenim Kazanımı | | |
| Temel kavramlar, veri hazırlama, veri indirgeme, dağılım tabanlı kümeleme, karar ağaçları, toplu öğrenme, kümeleme analizi, birliktelik kuralları, web ve metin madenciliği, grafik madenciliği, zamansal ve mekansal veri madenciliği, görselleştirme yöntemleri |
| |
| Haftalık Detaylı Ders Planı | | Hafta | Detaylı İçerik | Önerilen Kaynak | | Hafta 1 | Veri Madenciliği Kavramları: Veri Madenciliği Süreci, Veri Ambarları, Veri Marketleri, Büyük Veri Kümeleri | | | Hafta 2 | Verilerin Hazırlanması: Ham Verinin Gösterimi, Ham verinin Karakteristikleri, Ham Veri Dönüşümleri | | | Hafta 3 | Kayıp Veri, Zamana Bağlı Veriler, Aykırı Değer Analizi | | | Hafta 4 | Veri Azaltımı: Özellik Azaltımı, Relief Algoritması, Özellikleri Sıralama için Entropi Ölçütü, Temel Bileşen Analizi | | | Hafta 5 | Değer Azaltımı, Özellik Ayrıklaştırma: ChiMerge Tekniği, Örnek Azaltma | | | Hafta 6 | Veriden Öğrenme: Destek Vektör Makineleri, k-En Yakın Komşuluk, model seçimi, genelleştirme | | | Hafta 7 | Bayes Sınıflandırma, Lojistik Regresyon, LDA | | | Hafta 8 | Karar Ağaçları | | | Hafta 9 | Ara sınav | | | Hafta 10 | Ensemble Öğrenme: Bagging, Boosting, AdaBoost | | | Hafta 11 | Kümeleme Analizi: DBSCAN, DENCLUE | | | Hafta 12 | Birliktelik Kuralları: Apriori, FP Growth | | | Hafta 13 | Web Madenciliği, Metin Madenciliği | | | Hafta 14 | Graf Madenciliği, Zamansal Veri Madenciliği, Uzaysal Veri Madenciliği | | | Hafta 15 | Görselleştirme Yöntemleri | | | Hafta 16 | Dönem sonu sınavı | | | |
| 1 | Data Mining - Concepts, Models, Methods, and Algorithms - Mehmed Kantardzic, 2nd edition, Wiley, 2011, 534 pages | | | |
| 1 | Data Mining: Concepts and Techniques 3rd edition - Jiawei Han, Micheline Kamber, Jian Pei, Morgan Kaufmann, 2012, 744 pages. | | | |
| Ölçme Yöntemi | | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | | Arasınav | 9 | | | 50 | | Dönem sonu sınavı | 16 | | | 50 | | |
| Öğrenci Çalışma Yükü | | İşlem adı | Haftalık süre (saat) | Hafta sayısı | Dönem toplamı | | Yüz yüze eğitim | 3 | 14 | 42 | | Sınıf dışı çalışma | 3 | 14 | 42 | | Arasınav için hazırlık | 6 | 1 | 6 | | Arasınav | 2 | 1 | 2 | | Dönem sonu sınavı için hazırlık | 6 | 1 | 6 | | Dönem sonu sınavı | 2 | 1 | 2 | | Toplam Çalışma Yükü | | | 100 |
|