GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| BGT-219 | VERİ MADENCİLİĞİ VE MAKİNE ÖĞRENMESİ ALGORİTMALARI | Seçmeli Ders Grubu | 2 | 3 | 2,00 |
Dersin Seviyesi
Önlisans
Dersin Sunulduğu Dil
Dersin Amacı
Bu ders, veri madenciliği ve büyük veri analiz tekniklerini kapsamaktadır. Öğrenciler, veri ön işleme, sınıflandırma, kümeleme ve desen tanıma konularında derinlemesine bilgi edineceklerdir.
Dersi Veren Öğretim GörevlisiGörevlileri
Öğrenme Çıktıları
| 1 | Öğrenciler, veri madenciliği süreçlerini ve algoritmalarını anlayabilecek ve bu algoritmaları gerçek dünya verilerine uygulayabilecektir. |
| 2 | Büyük veri setleri üzerinde çalışma yaparak veri ön işleme ve temizleme tekniklerini uygulama becerisine sahip olacaklardır. |
| 3 | Öğrenciler, sınıflandırma, kümeleme ve birliktelik kuralları gibi veri madenciliği tekniklerini kavrayacak ve bu teknikleri kullanarak bilgi çıkarma yetisine sahip olacaklardır. |
| 4 | Farklı veri madenciliği yazılımlarını kullanarak veri analizi projelerini tasarlayıp yürütebileceklerdir. |
| 5 | Öğrenciler, veri madenciliği sonuçlarını etkili bir şekilde yorumlayıp, bu sonuçları ilgili paydaşlarla iletişim kurarak sunabileceklerdir. |
Öğrenim Türü
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Yok
Ders İçin Önerilen Diğer Hususlar
Veri madenciliğine giriş, büyük veri ekosistemleri, makine öğrenimi temelleri.
Dersin İçeriği
Ders, veri madenciliği süreçleri, büyük veri teknolojileri ve uygulama alanları üzerine odaklanacaktır.
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Teorik | Uygulama | Laboratuvar |
|---|---|---|---|
| 1 | Veri Madenciliğinin Temelleri | ||
| 2 | Veri Ön İşleme Teknikleri | ||
| 3 | Veri Keşfetme ve Görselleştirme | ||
| 4 | Sınıflandırma Algoritmaları: Karar Ağaçları | ||
| 5 | Sınıflandırma Algoritmaları: Naive Bayes ve K-En Yakın Komşu | ||
| 6 | kümeleme Algoritmaları: K-Means ve Hiyerarşik Kümeleme | ||
| 7 | Birliktelik Kuralları ve Apriori Algoritması | ||
| 8 | Ara Sınav | ||
| 9 | Büyük Veri ve Hadoop Eko-sistemi | ||
| 10 | Yapay Sinir Ağları | ||
| 11 | Destek Vektör Makineleri | ||
| 12 | Doğal Dil İşleme ve Metin Madenciliği | ||
| 13 | Zaman Serisi Analizi ve Madenciliği | ||
| 14 | Anomalilerin Tespiti | ||
| 15 | Dönem Projesi Sunumları ve Final Sınavı Hazırlığı |
Ders Kitabı Malzemesi Önerilen Kaynaklar
T. Hastie, R. Tibshirani, and J. Friedman (2009). The Elements of Statistical Learning. 2nd ed. New York: Springer. W. Johnson, and D. Wichern (2002). Applied Multivariate Statistics. Upper Saddle River, NJ: Prentice Hall.
Planlanan Öğrenme Aktiviteleri ve Metodları
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 40 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 60 | |
Staj Durumu
Yok
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 1 | 1 |
| Final Sınavı | 1 | 1 | 1 |
| Derse Katılım | 14 | 2 | 28 |
| Laboratuvar | 14 | 1 | 14 |
| Ara Sınav İçin Bireysel Çalışma | 1 | 8 | 8 |
| Final Sınavı içiin Bireysel Çalışma | 1 | 8 | 8 |
| Toplam İş Yükü (saat) | 60 | ||
Program ve Öğrenme Çıktıları İlişkisi
| PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 | PÇ 10 | PÇ 11 | PÇ 12 | PÇ 13 | PÇ 14 | PÇ 15 | PÇ 16 | PÇ 17 | PÇ 18 | PÇ 19 | |
| ÖÇ 1 | 4 | 4 | |||||||||||||||||
| ÖÇ 2 | 4 | 4 | |||||||||||||||||
| ÖÇ 3 | 4 | 4 | |||||||||||||||||
| ÖÇ 4 | 4 | 4 | |||||||||||||||||
| ÖÇ 5 | 4 | 4 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek