Büyük ölçekteki verileri anlama, analiz etme, yorumlayabilme adına veri madenciliği yöntemlerinin kullanılması
Ön Koşullar
Yok
Eş Koşullar
Yok
Özel Koşullar
Yok
Öğretim Üyeleri
Prof. Dr. Ozan KOCADAĞLI
Asistanlar
Yok
Ders Gün,Saat ve Yeri
Cuma 13.00-16.45
Görüşme Saatleri ve Yeri
Ders grubu üzerinden iletişime geçiniz
Öğretim Yöntem ve Teknikleri
-Çeşitli örnek problemler için bilgisayar ortamında uygulama yapmak.
Temel Kaynaklar
1. Garcia, S., Luengo, J., & Herrera, F. (2015). Data Preprocessing in Data Mining. New York: Springer.
2. Makhabel, B. (2015). Learning Data Mining with R. Birmimgham: Packt Publishing.
3. Torgo, L. (2017). Data Mining with R: Learning with Case Studies (2 b.). New York: Chapman and Hall/CRC.
4. Zhao, Y. (2014). Data Mining Applications with R. Amsterdam: Elsevier.
5. Dersin Github sayfası, kod ve ek kaynaklar
Diğer Kaynaklar
-
Haftalık Ders Programı
Hafta
Dersin İçeriği
Öğretim Yöntem ve Teknikleri
1. Hafta
Ders Hakkında
Konu anlatımı ve uygulamalar
2. Hafta
Temel Kavramlar: Veri, Bilgi, Ekoller
Konu anlatımı ve uygulamalar
3. Hafta
Programlar, Araçlar ve Kütüphaneler
Konu anlatımı ve uygulamalar
4. Hafta
Veri Ön İşleme : Entegrasyon, Normalizasyon, Transformasyon
Konu anlatımı ve uygulamalar
5. Hafta
Veri Ön İşleme : Boş Gözlem Mekanizmaları,Veri İndirgeme ve Ayrıklaştırma, Gürültülü Veri, Dengesiz Veri, Örnekleme, Değişken Seçimi
Konu anlatımı ve uygulamalar
6. Hafta
Sınıflama Teknikleri : Temel kavramlar, Doğrusal ve Doğrusal Olmayan Sınıflama Teknikleri, Tahmin Modelleri
Konu anlatımı ve uygulamalar
7. Hafta
Sınıflama Teknikleri : Regresyon, Karar Ağaçları
Konu anlatımı ve uygulamalar
8. Hafta
Ara Sınav
Sınav
9. Hafta
Kümeleme Teknikleri: Uzaklık Ölçütleri, Küme Sayısı Belirleme İndeksleri, Performans Ölçüt ve Grafikleri, Bölümleme ve Hiyerarşik Kümeleme Algoritmaları
Konu anlatımı ve uygulamalar
10. Hafta
Kümeleme Teknikleri: Yoğunluk, Izgara ve Model Tabanlı Kümeleme Algoritmaları
Konu anlatımı ve uygulamalar
11. Hafta
Boyut indirgeme, Model seçimi
Konu anlatımı ve uygulamalar
12. Hafta
Veri Yapılarına Göre Algoritma Farklılıkları
Konu anlatımı ve uygulamalar
13. Hafta
Vaka Incelemesi
Konu anlatımı ve uygulamalar
14. Hafta
Vaka Incelemesi
Konu anlatımı ve uygulamalar
15. Hafta
Final Haftası
Final Sınavı
16. Hafta
Final Haftası
Final Sınavı
17. Hafta
Final Haftası
Final Sınavı
Değerlendirme Ölçütleri
Ölçüt Tipleri
Adet
Yüzdesi(%)
Final
1
100
ÖÇ-1
Öğrenciler Veri Madenciliği temel kavramlarını öğrenme ve uygulayabilme bilgi ve becerisi kazanacaklardır.
ÖÇ-2
Öğrenciler Veriler üzerinde yapılacak işlemlerin yöntemlerini öğrenecektir.
ÖÇ-3
Öğrenciler Veri indirgeme yöntemleri öğrenecektir.
ÖÇ-4
Öğrenciler eğiticili ve eğiticisiz yöntemlerle sınıflama ve kümeleme yöntemlerini öğreneceklerdir.
ÖÇ-5
Öğrenciler birliktelik kuralları hakkında bilgi sahibi olacaklardır.
Program Çıktıları
PÇ-1
Matematik veya bilgisayar bilimleri alanlarında ileri düzeyde kuramsal ve uygulamalı bilgilere sahiptir.
PÇ-2
Matematik veya bilgisayar bilimleri alanlarında edindiği bilgi ve becerileri kullanarak verileri yorumlar ve değerlendirir.
PÇ-3
Matematik veya bilgisayar bilimleri alanlarındaki problemleri saptar, tanımlar, analiz eder; araştırmalara ve kanıtlara dayalı çözüm önerileri geliştirir.
PÇ-4
Matematik disiplinine sahip olarak, bilgisayarın işleyiş mantığını anlar ve hesaba dayalı düşünme yeteneği kazanır.
PÇ-5
Matematik veya bilgisayar bilimleri alanlarında karşılaşılan problemleri çözmek için bireysel ve ekip üyesi olarak etkin bir biçimde çalışır.
PÇ-6
En az bir yabancı dil bilgisine ve Türkçe, sözlü ve yazılı etkin iletişim kurma becerisine sahiptir.
PÇ-7
Analitik düşünme yeteneği ile sonuç çıkarma sürecinde zamanı etkin kullanır.
PÇ-8
Mesleki etik ve sorumluluk bilincindedir.
PÇ-9
Bağımsız davranma, inisiyatif kullanma ve yaratıcılık becerisine sahiptir.
PÇ-10
Yaşam boyu öğrenmenin gerekliliğinin bilincine sahiptir ve mesleki bilgi ve becerilerini sürekli olarak geliştirir.
PÇ-11
Alanı ile ilgili sahip olduğu bilgi birikimini toplum yararına kullanır.
