Ders Kodu: | COE012 | ||||
Ders İsmi: | Veri Madenciliği | ||||
Ders Yarıyılı: |
Güz |
||||
Ders Kredileri: |
|
||||
Öğretim Dili: | English | ||||
Ders Koşulu: | |||||
Ders İş Deneyimini Gerektiriyor mu?: | Hayır | ||||
Dersin Türü: | Bölüm/Program Seçmeli | ||||
Dersin Seviyesi: |
|
||||
Dersin Veriliş Şekli: | Yüz yüze | ||||
Dersin Koordinatörü: | Doç. Dr. AMIR SEYYEDABBASI | ||||
Dersi Veren(ler): | Dr. Öğr. Üyesi Ali HAMİTOĞLU | ||||
Dersin Yardımcıları: |
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. |
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. |
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 |
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. |
Course Learning Outcomes | 1 |
2 |
3 |
---|---|---|---|
Program Kazanımları |
Etkisi Yok | 1 En Düşük | 2 Orta | 3 En Yüksek |
Dersin Program Kazanımlarına Etkisi | Katkı Payı |
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 |
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 |