|
|
| 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 |
|