Türkçe | English
FEN BİLİMLERİ ENSTİTÜSÜ / BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI
TEZLİ YÜKSEK LİSANS
Ders Bilgi Paketi
http://ceng.ktu.edu.tr
Tel: +90 0462 3773157
FBE
FEN BİLİMLERİ ENSTİTÜSÜ / BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI / TEZLİ YÜKSEK LİSANS
Katalog Ana Sayfa
  Katalog Ana Sayfa  KTÜ Ana Sayfa   Katalog Ana Sayfa
 
 

BILL5210Büyük Veri Kümelerinde Bilgi Keşfi3+0+0AKTS:7.5
Yıl / YarıyılGüz Dönemi
Ders DuzeyiYüksek Lisans(Tezli)
Yazılım Şekli Seçmeli
BölümüBİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI
Ön KoşulYok
Eğitim SistemiYüz yüze
Dersin Süresi14 hafta - haftada 3 saat teorik
Öğretim ÜyesiDr. Öğr. Üyesi Murat AYKUT
Diğer Öğretim Üyesi
Öğretim DiliTürkçe
StajYok
 
Dersin Amacı:
Ders, öğrencilere büyük veri kümelerinde bilgi keşfinin temellerini öğretmeyi ve bu alandaki popüler yöntemleri kullanabilmeyi amaçlamaktadır.
 
Öğrenim KazanımlarıPÖKKÖY
Bu dersi başarı ile tamamlayan öğrenciler :
ÖK - 1 : Bilgi keşfi ve veri madenciliği alanında temel kavramları anlayabilir.1,141,
ÖK - 2 : Önişlem yöntemlerinin nasıl çalıştığı konusunda bilgi sahibi olur.11,141
ÖK - 3 : Danışmanlı ve danışmansız öğrenme, aykırı değer analizi ve ilişki çıkartma yöntemlerini tasarlayabilir ve gerçekleştirebilir.12,141,3
ÖK - 4 : Gelişmiş veri madenciliği yöntemlerini tasarlayabilir ve gerçekleştirebilir.11,151,3
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
 
Ders İçeriği
Kavramlar; Önişlem Yöntemleri; Özellik Çıkartımı; Aykırı Değer Analizi; Danışmanlı Öğrenme; İstatistiksel Öğrenme Teorisi; Örnek Tabanlı Öğrenme; Karar Ağaçları; Kümeleme Analizi; Birleşme Kuralları; Veri Madenciliğindeki Gelişmeler; Gelişmiş Veri Madenciliği Yöntemleri
 
Haftalık Detaylı Ders Planı
 HaftaDetaylı İçerikÖnerilen Kaynak
 Hafta 1Kavramlar - Bilgi keşfi, veri madenciliği, büyük veri kümeleri, veri ambarları
 Hafta 2Önişlem Yöntemleri: Veri temizleme, kayıp özellik değerini işleme, boyut azaltımı, ayrıklaştırma yöntemleri, özellik çıkartımı
 Hafta 3Aykırı değer analizi: Aşırı değer analizi, olasılıksal modeller, aykırı değer belirleme için kümeleme, uzaklık tabanlı aykırı değer belirleme, bilgi-teorik modeller, aykırı değer geçerliliği
 Hafta 4Danışmanlı öğrenme – İstatistiksel öğrenme teorisi, istatistiksel çıkarım, regresyon kestirimi, model kestirimi
 Hafta 5Bayes çıkarımı, varyans analizi, doğrusal ayırtaç analizi, Destek Vektör Makineleri
 Hafta 6Örnek Tabanlı Öğrenme – Örnek sayısını düşürmek, gürültülü örneklerin budanması, özelliklerin ağırlıklandırılması, örnek tabanlı öğrenme yöntemleri
 Hafta 7Karar Ağaçları – C 4.5 algoritması, bilinmeyen özellik değerleri, karar ağaçlarının sınırlamaları, ilişkili sınıflandırma yöntemi
 Hafta 8Kümeleme analizi – Benzerlik ölçütleri, yığınsal hiyerarşik kümeleme, ayırmalı kümeleme, artımlı kümeleme, graf ve olasılık tabanlı kümeleme
 Hafta 9Ara sınav
 Hafta 10Birliktelik Kuralları – algoritma önseli, çok boyutlu birliktelik kuralları, yolun çıkarılması, web madenciliği, metin madenciliği
 Hafta 11Veri Madenciliğindeki Gelişmeler: Graf madenciliği, zamansal veri madenciliği, uzaysal veri madenciliği, dağıtık veri madenciliği
 Hafta 12Gelişmiş Yöntemler: Çok etiketli veri madenciliği, meta öğrenme, dengesiz veri kümelerinde veri madenciliği, topluluk yöntemleri
 Hafta 13Ölçeklenebilir sınıflandırma, sayısal sınıflarla regresyon modelleme, yarı-danışmanlı öğrenme, aktif öğrenme
 Hafta 14Görselleştirme Yöntemleri: Algı ve görselleştirme, bilimsel görselleştirme, açısal görselleştirme, SOM kullanarak görselleştirme
 Hafta 15Proje
 Hafta 16Dönem sonu sınavı
 
Ders Kitabı / Malzemesi
1O. ve Rokach, L., Data Mining and Knowledge Discovery Handbook, Maimon, Springer, 2010, 1285 sayfa.
 
İlave Kaynak
 
Ölçme Yöntemi
YöntemHaftaTarih

Süre (Saat)Katkı (%)
Arasınav 9 2 30
Proje 15 2 20
Dönem sonu sınavı 16 3 50
 
Öğrenci Çalışma Yükü
İşlem adıHaftalık süre (saat)

Hafta sayısı

Dönem toplamı
Yüz yüze eğitim 3 14 42
Sınıf dışı çalışma 4 14 56
Arasınav için hazırlık 4 3 12
Arasınav 2 1 2
Proje 5 14 70
Dönem sonu sınavı için hazırlık 5 3 15
Dönem sonu sınavı 3 1 3
Toplam Çalışma Yükü200