|
BILL5210 | Büyük Veri Kümelerinde Bilgi Keşfi | 3+0+0 | AKTS:7.5 | Yıl / Yarıyıl | Güz Dönemi | Ders Duzeyi | Yüksek Lisans(Tezli) | Yazılım Şekli | Seçmeli | Bölümü | BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI | Ön Koşul | Yok | Eğitim Sistemi | Yüz yüze | Dersin Süresi | 14 hafta - haftada 3 saat teorik | Öğretim Üyesi | Dr. Öğr. Üyesi Murat AYKUT | Diğer Öğretim Üyesi | | Öğretim Dili | Türkçe | Staj | Yok | | Dersin Amacı: | Ders, öğrencilere büyük veri kümelerinde bilgi keşfinin temellerini öğretmeyi ve bu alandaki popüler yöntemleri kullanabilmeyi amaçlamaktadır. |
Öğrenim Kazanımları | PÖKK | ÖY | Bu dersi başarı ile tamamlayan öğrenciler : | | | ÖK - 1 : | Bilgi keşfi ve veri madenciliği alanında temel kavramları anlayabilir. | 1,14 | 1, | ÖK - 2 : | Önişlem yöntemlerinin nasıl çalıştığı konusunda bilgi sahibi olur. | 11,14 | 1 | ÖK - 3 : | Danışmanlı ve danışmansız öğrenme, aykırı değer analizi ve ilişki çıkartma yöntemlerini tasarlayabilir ve gerçekleştirebilir. | 12,14 | 1,3 | ÖK - 4 : | Gelişmiş veri madenciliği yöntemlerini tasarlayabilir ve gerçekleştirebilir. | 11,15 | 1,3 | 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 | |
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 | Hafta | Detaylı İçerik | Önerilen Kaynak | Hafta 1 | Kavramlar - Bilgi keşfi, veri madenciliği, büyük veri kümeleri, veri ambarları | | Hafta 2 | Önişlem Yöntemleri: Veri temizleme, kayıp özellik değerini işleme, boyut azaltımı, ayrıklaştırma yöntemleri, özellik çıkartımı | | Hafta 3 | Aykırı değer analizi: Aşırı değer analizi, olasılıksal modeller, aykırı değer belirleme için kümeleme, uzaklık tabanlı aykırı değer belirleme, bilgi-teorik modeller, aykırı değer geçerliliği | | Hafta 4 | Danışmanlı öğrenme İstatistiksel öğrenme teorisi, istatistiksel çıkarım, regresyon kestirimi, model kestirimi | | Hafta 5 | Bayes çıkarımı, varyans analizi, doğrusal ayırtaç analizi, Destek Vektör Makineleri | | Hafta 6 | Örnek Tabanlı Öğrenme Örnek sayısını düşürmek, gürültülü örneklerin budanması, özelliklerin ağırlıklandırılması, örnek tabanlı öğrenme yöntemleri | | Hafta 7 | Karar Ağaçları C 4.5 algoritması, bilinmeyen özellik değerleri, karar ağaçlarının sınırlamaları, ilişkili sınıflandırma yöntemi | | Hafta 8 | Kümeleme analizi Benzerlik ölçütleri, yığınsal hiyerarşik kümeleme, ayırmalı kümeleme, artımlı kümeleme, graf ve olasılık tabanlı kümeleme | | Hafta 9 | Ara sınav | | Hafta 10 | Birliktelik Kuralları algoritma önseli, çok boyutlu birliktelik kuralları, yolun çıkarılması, web madenciliği, metin madenciliği | | Hafta 11 | Veri Madenciliğindeki Gelişmeler: Graf madenciliği, zamansal veri madenciliği, uzaysal veri madenciliği, dağıtık veri madenciliği | | Hafta 12 | Gelişmiş Yöntemler: Çok etiketli veri madenciliği, meta öğrenme, dengesiz veri kümelerinde veri madenciliği, topluluk yöntemleri | | Hafta 13 | Ölçeklenebilir sınıflandırma, sayısal sınıflarla regresyon modelleme, yarı-danışmanlı öğrenme, aktif öğrenme | | Hafta 14 | Görselleştirme Yöntemleri: Algı ve görselleştirme, bilimsel görselleştirme, açısal görselleştirme, SOM kullanarak görselleştirme | | Hafta 15 | Proje | | Hafta 16 | Dönem sonu sınavı | | |
1 | O. ve Rokach, L., Data Mining and Knowledge Discovery Handbook, Maimon, Springer, 2010, 1285 sayfa. | | |
Ölçme Yöntemi | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | Arasınav | 9 | | 2 | 30 | Proje | 15 | | 2 | 20 | Dönem sonu sınavı | 16 | | 3 | 50 | |
Öğrenci Çalışma Yükü | İşlem adı | Haftalık 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 Yükü | | | 200 |
|