|
|
| ENDL5220 | Veri Madenciliği | 3+0+0 | AKTS:7.5 | | Yıl / Yarıyıl | Bahar Dönemi | | Ders Duzeyi | Yüksek Lisans(Tezli) | | Yazılım Şekli | Seçmeli | | Bölümü | ENDÜSTRİ MÜHENDİSLİĞİ ANABİLİM DALI | | Ön Koşul | Yok | | Eğitim Sistemi | Yüz yüze , Uygulama | | Dersin Süresi | 14 hafta - haftada 3 saat teorik | | Öğretim Üyesi | Doç. Dr. Hüseyin Avni ES | | Diğer Öğretim Üyesi | | | Öğretim Dili | Türkçe | | Staj | Yok | | | | Dersin Amacı: | | Makine öğrenmesi ve istatistiksel teknikler aracılığı ile büyük veri yığınları içerisinde saklı faydalı bilgilerin ortaya çıkarılmasını sağlayacak bilgi ve donanımın kazandırılması |
| Öğrenim Kazanımları | PÖKK | ÖY | | Bu dersi başarı ile tamamlayan öğrenciler : | | | | ÖK - 1 : | Sınıflandırma problemlerini çözebilir | 3 - 7 | 1,5, | | ÖK - 2 : | Kümeleme problemlerini çözebilir | 3 - 7 | 1,5, | | ÖK - 3 : | Müşteri ilişkilerini yönetebilir | 3 - 7 | 1,5, | | ÖK - 4 : | Veri madenciliği yazılımlarını kullanabilir | 3 - 7 | 1,5, | | 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 veri tabanı kavramları, sınıflandırma problemi ve algoritmaları, kümeleme problemi ve algoritmaları, birliktelik analizi, veri madenciliği yazılımları |
| |
| Haftalık Detaylı Ders Planı | | Hafta | Detaylı İçerik | Önerilen Kaynak | | Hafta 1 | Veri madenciliğine giriş, temel kavramlar
| | | Hafta 2 | Sınıflandırma: Entropiye Dayalı Algoritmalar (ID3, C4.5) | | | Hafta 3 | Sınıflandırma: Regresyon Ağaçları (Gini Algoritması) | | | Hafta 4 | Sınıflandırma: Bellek Tabanlı algoritmalar (En Yakın K- Komşu Algoritması) | | | Hafta 5 | Sınıflandırma: Bayesyen Sınıflandırıcılar | | | Hafta 6 | Kümeleme | | | Hafta 7 | Hiyerarşik Kümeleme Yöntemleri | | | Hafta 8 | Hİyerarşik Olmayan Kümeleme Yöntemleri | | | Hafta 9 | Ara Sınav | | | Hafta 10 | Birliktelik kuralları, sepet analizi
| | | Hafta 11 | Veri Madenciliği Yazılımları: WEKA
| | | Hafta 12 | Veri Madenciliği Yazılımları: Python | | | Hafta 13 | Öğrenci projeleri ve sunumları | | | Hafta 14 | Öğrenci projeleri ve sunumları | | | Hafta 15 | Öğrenci projeleri ve sunumları | | | Hafta 16 | Final Sınavı | | | |
| 1 | Han, J., Kamber, M., (2001), Data Mining: Concepts and Techniques, Morgan Kaufmann Publishers, 1st Ed. | | | 2 | Vercellis, C., (2009), Business Intelligence: Data Mining and Optimization for Decision Making, Wiley | | | |
| 1 | Witten, I.H., Frank, E., (2005), Data Mining: Practical Machine Learning Tools and Techniques, Morgan Kaufmann Publishers, 2nd Ed. | | | 2 | Myatt, G.J., (2007), Making Sense of Data: A Practical Guide to Exploratory Data Analysis and Data Mining, Wiley | | | 3 | Rokach, L., Maimon O., (2008), Data Mining with Decision Trees: Theory and Applications, World Scientific Publishing | | | 4 | Wu, X., Kumar, V., (2009), The Top Ten Algorithms in Data Mining, Taylor and Francis | | | 5 | Özkan, Y., (2008),Veri Madenciliği Yöntemleri, Papatya Yayıncılık | | | |
| Ölçme Yöntemi | | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | | Arasınav | 9 | | 2 | 25 | | Sunum | 12
13
14 | | 9 | 25 | | Dönem sonu sınavı | 16 | | 2 | 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 | 3 | 10 | 30 | | Arasınav | 2 | 3 | 6 | | Proje | 3 | 14 | 42 | | Dönem sonu sınavı için hazırlık | 4 | 14 | 56 | | Dönem sonu sınavı | 1 | 7 | 7 | | Toplam Çalışma Yükü | | | 225 |
|