GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| ISL691 | VERİ MADENCİLİĞİ | Seçmeli Ders Grubu | 1 | 1 | 7,50 |
Dersin Seviyesi
Doktora
Dersin Sunulduğu Dil
Türkçe
Dersin Amacı
Öğrencilere veri madenciliğinin temel kavramlarını ve popüler yöntemlerini öğretmek; gerçek dünya problemlerinde doğru veri madenciliği aracını seçme becerisi kazandırmak
Dersi Veren Öğretim GörevlisiGörevlileri
Dr.Öğr.Üyesi Mehmet Akif Kara
Öğrenme Çıktıları
| 1 | Veri Madenciliği temel kavramları üzerinde bilgi sahibi olur |
| 2 | Veri madenciliğinde kullanılan yöntemleri öğrenirler |
| 3 | İşletmelere ilişkin gerçek problemlerin çözümünde doğru veri madenciliği yöntemi seçimini yaparlar. |
Öğrenim Türü
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Yok
Ders İçin Önerilen Diğer Hususlar
yok
Dersin İçeriği
Temel kavramlar, veri hazırlama, veri indirgeme, dağılım tabanlı kümeleme, karar ağaçları, toplu öğrenme, kümeleme analizi, birliktelik kuralları, web ve metin madenciliği, grafik madenciliği, zamansal ve mekansal veri madenciliği, görselleştirme yöntemleri
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Teorik | Uygulama | Laboratuvar |
|---|---|---|---|
| 1 | Veri Madenciliği Kavramları: Veri Madenciliği Süreci, Veri Ambarları, Veri Marketleri, Büyük Veri Kümeleri | ||
| 2 | Verilerin Hazırlanması: Ham Verinin Gösterimi, Ham verinin Karakteristikleri, Ham Veri Dönüşümleri | ||
| 3 | Kayıp Veri, Zamana Bağlı Veriler, Aykırı Değer Analizi | ||
| 4 | Veri Azaltımı: Özellik Azaltımı, Relief Algoritması, Özellikleri Sıralama için Entropi Ölçütü, Temel Bileşen Analiz | ||
| 5 | Veri Madenciliği Model ve Algoritmaları | ||
| 6 | Sınıflandırma Teknikleri | ||
| 7 | Sınıflandırma Teknikleri ve Algoritmaları (Karar ağaçları) | ||
| 8 | Ara sınav | ||
| 9 | Sınıflandırma Teknikleri ve Algoritmaları (İstatistiğe Dayalı Algoritmalar-Mesafeye Dayalı sınıflandırma Algoritmaları) | ||
| 10 | Brliktelik Kuralları ve İlişki Analizi (AIS, SETM, Apriori Algoritmaları) | ||
| 11 | Birliktelik Kuralları ve İlişki Analizi (Diğer algoritmalar) | ||
| 12 | Kümeleme Analizi ve Sınıflandırılması( Benzerlik ve Uzaklık, Kümeleme Analizinin Sınıflandırılması, Hiyerarşik Yöntemler) | ||
| 13 | Kümeleme Analizi ve Sınıflandırılması(Bölümlemeli Yöntemler, Yoğunluğa Dayalı Algoritmalar) | ||
| 14 | Kümeleme Analizi ve Sınıflandırılması(Grid Temelli, Genetik Algoritmalar, Optimum Küme Sayısının Hesaplanmasında İndeks ve Algoritma) | ||
| 15 | Web Madenciliği, Metin Madenciliği | ||
| 16 | Final Sınavı |
Ders Kitabı Malzemesi Önerilen Kaynaklar
Bayyurt, D. ve Kara, M.A. (2025). Uygulamalı Veri Madenciliği Algoritmaları, Kriter Yayın. Özkan Y.(2016), Veri Madenciliği Yöntemleri, PapatyaBilim. Silahtaroğlu G.(2016), Veri Madenciliği Kavram ve Algoritmaları, PapatyaBilim. Florin Gorunescu. Data Mining- Concepts, Models and Techniques. Springer Publishing, 2011 Graham J. WilliamsSimeon J. Simoff, Data Mining Theory, Methodology, Techniques, and Applications, Springer, 2006 Joel Grus , Data Science from Scratch: First Principles with Python, O'Reilly Media, 2019
Planlanan Öğrenme Aktiviteleri ve Metodları
Uygulama
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 | 2 | 2 |
| Final Sınavı | 1 | 1 | 1 |
| Derse Katılım | 14 | 3 | 42 |
| Tartışma | 2 | 2 | 4 |
| Makale Yazma | 2 | 25 | 50 |
| Makale Kritik Etme | 3 | 2 | 6 |
| Bireysel Çalışma | 14 | 3 | 42 |
| Ara Sınav İçin Bireysel Çalışma | 1 | 18 | 18 |
| Final Sınavı içiin Bireysel Çalışma | 3 | 18 | 54 |
| Ev Ödevi | 1 | 10 | 10 |
| Toplam İş Yükü (saat) | 229 | ||
Program ve Öğrenme Çıktıları İlişkisi
| ÖÇ 1 |
| ÖÇ 2 |
| ÖÇ 3 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek