Ders Genel Tanıtım Bilgileri

Ders Kodu:

COE012

Ders İsmi:

Veri Madenciliği

Ders Yarıyılı:

Güz

Ders Kredileri:

AKTS

Öğretim Dili:

İngilizce

Ders Koşulu:

Ders İş Deneyimini Gerektiriyor mu?:

Hayır

Dersin Türü:

Bölüm/Program Seçmeli

Dersin Seviyesi:

Lisans

TYYÇ:6. Düzey

QF-EHEA:1. Düzey

EQF-LLL:6. Düzey

Dersin Veriliş Şekli:

Yüz yüze

Dersin Koordinatörü:

Doç. Dr. AMIR SEYYEDABBASI

Dersi Veren(ler):

Dr. Öğr. Üyesi Ali HAMİTOĞLU

Dersin Yardımcıları:

Dersin Amaç ve İçeriği

Dersin Amacı:

Veri Madenciliği, bilgisayarların veritabanlarındaki örüntüleri ve düzenlilikleri bulmasına, tahmin ve öngörü gerçekleştirmesine ve genellikle verilerle etkileşim yoluyla performanslarını iyileştirmesine olanak tanıyan algoritmaları ve hesaplamalı paradigmaları inceler. Şu anda, ham verilerden faydalı bilgilerin çıkarılmasıyla ilgilenen Bilgi Keşfi adlı daha genel bir sürecin temel unsuru olarak kabul edilmektedir. Bilgi keşfi süreci, veri seçimini, temizlemeyi, kodlamayı, farklı istatistiksel ve makine öğrenimi tekniklerini kullanmayı ve oluşturulan yapıların görselleştirilmesini içerir. Kurs tüm bu konuları kapsayacak ve tüm süreci örneklerle açıklayacaktır. Gerçek bilgi keşif araçlarını sağladıkları için Makine Öğrenimi yöntemlerine özel önem verilecektir. Veri ambarı ve çevrimiçi analitik işleme (OLAP) gibi önemli ilgili teknolojiler de tartışılacaktır. Öğrenciler güncel Veri Madenciliği yazılımını kullanacaklardır.

Dersin İçeriği:

Veri madenciliği üzerine olan bu kurs, veri ön işleme, keşifsel veri analizi, tahmine dayalı modelleme, kümeleme, metin madenciliği ve proje çalışması gibi konular aracılığıyla büyük veri kümelerinden değerli bilgiler çıkarmak için kullanılan temel kavramları, teknikleri ve araçları kapsar.

Öğrenme Kazanımları

Bu dersi başarıyla tamamlayabilen öğrenciler;
1) Öğrencilere Veri Madenciliği'nin temel kavram ve tekniklerini tanıtmak.
2) Pratik problemlerin çözümü için güncel veri madenciliği yazılımlarını kullanma becerilerini geliştirmek.
3) Bağımsız çalışma ve araştırma yapma deneyimi kazanmak.

Ders Akış Planı

Hafta	Konu	Ön Hazırlık
1)	Derse Giriş	YOK
2)	Verilerinizi Bilin	YOK
3)	Veri Ön İşleme	YOK
4)	Veri Ambarı ve Çevrimiçi Analitik İşleme	YOK
5)	Veri Küpü Teknolojisi	YOK
6)	Madencilik Sık Örüntüler, Dernekler ve Korelasyonlar: Temel Kavramlar ve Yöntemler	YOK
7)	Gelişmiş Sık Kalıp Madenciliği	YOK
8)	Ara Sınav
9)	Gelişmiş Sık Model Madenciliği
10)	Sınıflandırma: Temel Kavramlar ve Gelişmiş Yöntemler	YOK
11)	Küme Analizi: Temel Kavramlar ve Yöntemler	YOK
12)	Küme Analizi: Gelişmiş Yöntemler	YOK
13)	Aykırı Değer Tespiti	YOK
14)	Veri Madenciliğinde Eğilimler ve Araştırma Sınırları	YOK

Kaynaklar

Ders Notları / Kitaplar:	Textbook: Han, Jiawei, Jian Pei, and Hanghang Tong. Data mining: concepts and techniques. Morgan kaufmann, 2022.
Diğer Kaynaklar:	1. P.-N. Tan, M. Steinbach, and V. Kumar, Introduction to Data Mining, Addison Wesley, 2005. 2. Mohammed J. Zaki, Wagner Meira Jr., Data Mining and Analysis: Fundamental Concepts and Algorithms, Cambridge Press, 2014.

Ders - Program Öğrenme Kazanım İlişkisi

Course Learning Outcomes	1	2	3
Program Kazanımları

Ders - Öğrenme Kazanımı İlişkisi

Etkisi Yok	1 En Düşük	2 Orta	3 En Yüksek

Dersin Program Kazanımlarına Etkisi

Katkı Payı

Ölçme ve Değerlendirme

Yarıyıl İçi Çalışmaları	Aktivite Sayısı	Katkı Payı
Laboratuvar	5	% 30
Ara Sınavlar	1	% 30
Final	1	% 40
Toplam		% 100
YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI		% 60
YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI		% 40
Toplam		% 100

İş Yükü ve AKTS Kredisi Hesaplaması

Aktiviteler	Aktivite Sayısı	İş Yükü
Ders Saati	14	42
Sınıf Dışı Ders Çalışması	14	42
Ödevler	12	12
Ara Sınavlar	1	15
Final	1	15
Toplam İş Yükü		126