|
|
| TBIL2026 | Veri Madenciliği | 2+1+0 | AKTS:3 | | Yıl / Yarıyıl | Bahar Dönemi | | Ders Duzeyi | Ön Lisans | | Yazılım Şekli | Seçmeli | | Bölümü | BİLGİSAYAR TEKNOLOJİLERİ BÖLÜMÜ | | Ön Koşul | Yok | | Eğitim Sistemi | Yüz yüze , Uygulama | | Dersin Süresi | 14 hafta - haftada 2 saat teorik ve 1 saat uygulama | | Öğretim Üyesi | Öğr. Gör. Dr Zafer YAVUZ | | Diğer Öğretim Üyesi | | | Öğretim Dili | Türkçe | | Staj | Yok | | | | Dersin Amacı: | | Dersin amacı, öğrencilere verinin ham halden değerli bilgiye dönüşüm sürecini kavratmak ve iş dünyasında karşılaşılan problemlere (müşteri tahmini, sepet analizi vb.) analitik bakış açısıyla yaklaşma yetkinliği kazandırmaktır. Öğrencilerin, karmaşık matematiksel teoriler yerine algoritmaların işleyiş mantığını ve kullanım alanlarını öğrenerek; veri temizleme, analiz etme ve elde edilen sonuçları iş süreçlerinde doğru yorumlama becerisi edinmeleri hedeflenmektedir. |
| Öğrenim Kazanımları | PÖKK | ÖY | | Bu dersi başarı ile tamamlayan öğrenciler : | | | | ÖK - 1 : | Veriden bilgi keşfi (KDD) sürecini, veri ambarı mantığını ve veri madenciliğinin yaşam döngüsünü tanımlar. | 1 - 6 | 1, | | ÖK - 2 : | Ham veriyi analize uygun hale getirmek için gerekli olan veri temizleme ve ön işleme tekniklerini uygular. | 2 - 3 | 1,6, | | ÖK - 3 : | Müşteri segmentasyonu (Kümeleme) ve pazar sepeti analizi (Birliktelik Kuralları) gibi iş problemlerinde doğru yöntemi ayırt eder. | 3 | 1, | | ÖK - 4 : | Veri madenciliği analizlerinden elde edilen sonuçları yorumlar ve görselleştirme araçlarını kullanarak raporlar. | 2 - 13 | 1,6, | | 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 | | |
| Veri Madenciliğine Giriş ve KDD Süreci: Veriden bilgiye dönüşüm piramidi, Bilgi Keşfi Süreci (KDD) ve CRISP-DM metodolojisi (Veri madenciliğinin yaşam döngüsü).
Veri Ambarı ve OLAP Kavramları: Veritabanı ile Veri Ambarı farkı, operasyonel veri vs. tarihsel veri, Çok Boyutlu Veri Analizi (OLAP) mantığı.
Veri Ön İşleme ve Temizleme: Kirli verinin tespiti, eksik verilerin yönetimi ve verinin analize uygun hale getirilmesi (Normalizasyon).
Birliktelik Kuralları (Market Sepeti Analizi): "Bunu alan şunu da aldı" mantığı, Apriori algoritmasının çalışma prensibi ve çapraz satış uygulamaları.
Kümeleme ile Segmentasyon: Benzer kayıtların gruplanması, müşteri profilleme ve segmentasyon çalışmaları (K-Means mantığı).
Sınıflandırma ve Tahminleme: Karar ağaçları (Decision Trees) ile veriye dayalı kural çıkarma ve basit sınıflandırma senaryoları.
Veri Görselleştirme ve İş Zekası: Madencilik sonuçlarının grafiklere dökülmesi, Dashboard (Gösterge Paneli) kavramı ve yorumlama. |
| |
| Haftalık Detaylı Ders Planı | | Hafta | Detaylı İçerik | Önerilen Kaynak | | Hafta 1 | Giriş: Veri Madenciliği Dünyasına Hoş Geldiniz
Günlük hayattan örnekler (Netflix, Spotify, Google Maps). Büyük Veri nedir? Veri madenciliği ne işe yarar? | | | Hafta 2 | Süreci Anlamak: KDD ve Veri Ambarı
Ham veriden bilgiye giden yol (KDD Süreci). Veri tabanı ile veri ambarı arasındaki fark. Operasyonel veri nedir? | | | Hafta 3 | Veri Türleri ve Excel ile Tanışma
Nitelik ve kayıt kavramları. Yapısal olan ve olmayan veriler. Excel arayüzünde veriyi tanıma, basit sıralama ve filtreleme.
| | | Hafta 4 | Uygulama Bloğu 1: Kirli Veri ile Mücadele
Senaryo: "Patron bozuk bir müşteri listesi gönderdi."
Eksik verileri bulma, hatalı girişleri düzeltme, tekrarlayan kayıtları silme (Excel). | | | Hafta 5 | Sınıflandırma 1: İstatistiksel Öğrenme (Naive Bayes)
Olasılık temelli düşünme. Spam filtresi nasıl çalışır? "Geçmişe bak, geleceği tahmin et" mantığı. | | | Hafta 6 | Sınıflandırma 2: Karar Ağaçları (Decision Trees)
İnsan gibi karar veren algoritmalar. Kök, düğüm, yaprak nedir? Bir ağaç nasıl okunur ve yorumlanır? | | | Hafta 7 | Uygulama Bloğu 2: Karar Ağacı Oluşturma
Verilen bir senaryoya göre (Örn: Kredi verilsin mi?) kağıt üzerinde karar ağacı çizimi ve Excel'de "EĞER" (IF) formülleriyle kural yazma. | | | Hafta 8 | Uygulama Bloğu 3: "Tahminimiz Ne Kadar Doğru?" (Model Testi)
Geçen hafta oluşturduğumuz kuralları "Test Verisi" üzerinde deneme. Excel'de bir sütuna "Tahmin", yanına "Gerçek" yazıp karşılaştırma. Basit başarı oranı (Doğruluk/Accuracy) hesabı. | | | Hafta 9 | Ara sınav | | | Hafta 10 | Kümeleme (Clustering) ve Segmentasyon
Sınıflandırmadan farkı ne? Müşterileri gruplara ayırma. K-Means algoritmasının mantığı (Merkeze yakınlık). | | | Hafta 11 | Uygulama Bloğu 3: Müşteri Segmentasyonu
Excel'de basit filtreler veya Pivot Tablo kullanarak müşterileri harcamalarına göre "VIP", "Standart" ve "Riskli" olarak gruplama. | | | Hafta 12 | Birliktelik Kuralları (Market Sepeti Analizi)
"Bebek bezi ve Bira" örneği. Apriori mantığı. Çapraz satış (Cross-selling) nedir? | | | Hafta 13 | Uygulama Bloğu 4: Sepet Analizi
Bir market fişi veri seti üzerinde; hangi ürünlerin beraber satıldığını gözle ve basit sayma yöntemleriyle bulma analizi. | | | Hafta 14 | Veri Görselleştirme ve Hikayeleştirme
Sonuçları yöneticiye nasıl sunarız? Pasta grafik mi, sütun grafik mi? Dashboard (Gösterge Paneli) nedir? | | | Hafta 15 | Final Projesi Sunumları
Öğrencilerin dönem boyunca öğrendikleri bir tekniği (Temizleme, Kümeleme vb.) seçip küçük bir veri setinde uygulayıp sunması. | | | Hafta 16 | Dönem sonu sınavı | | | |
| 1 | Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking;
Authors: Foster Provost & Tom Fawcett
ISBN-10: 1449361323
ISBN-13: 978-1449361327
Edition: 1st
Publisher: O'Reilly Media
Publication date: September 17, 2013 | | | |
| 1 | Veri Madenciliği Kavram ve Algoritmaları
Doç. Dr. Gökhan Silahtaroğlu PAPATYA BİLİM | | | |
| Ölçme Yöntemi | | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | | Arasınav | 9 | | 1 | 20 | | Proje | Dönem Boyunca | | 20 | 30 | | Dönem sonu sınavı | 16 | | 1 | 50 | | |
| Öğrenci Çalışma Yükü | | İşlem adı | Haftalık süre (saat) | Hafta sayısı | Dönem toplamı | | Yüz yüze eğitim | 2 | 14 | 28 | | Sınıf dışı çalışma | 1 | 10 | 10 | | Arasınav için hazırlık | 4 | 1 | 4 | | Arasınav | 1 | 1 | 1 | | Uygulama | 1 | 14 | 14 | | Proje | 3 | 5 | 15 | | Dönem sonu sınavı için hazırlık | 4 | 2 | 8 | | Dönem sonu sınavı | 1 | 1 | 1 | | Toplam Çalışma Yükü | | | 81 |
|