Course Name Code Semester T+U Hours Credit ECTS
Veri Madenciliği ENM 424 8 3 + 0 3 5
Precondition Courses
Recommended Optional Courses
Course Language Türkçe
Course Level Lisans
Course Type Seçmeli
Course Coordinator Arş.Gör.Dr. CANER ERDEN
Course Lecturers Arş.Gör.Dr. CANER ERDEN,
Course Assistants
Course Category Alanına Uygun Öğretim
Course Objective

1. Veri madenciliğinin temel kavramlarını, ,amaçlarını ve tekniklerini tanıtmak ve kullanımını yaygınlaştırılması

2. Geniş ölçekli veri tabanlarında analiz yeteneğinin kazandırılması

3. Veri madenciliği uygulamaları ve popüler konuları hakkında bilgi ve yeterlilik kazandırılması

4. Veri madenciliği uygulamaları geliştirmeye yönelik yeterlilik kazandırılması

5. Veriyi anlama, yorumlama, analiz etme ve görselleştirme gibi yeteneklerin kazandırılması

Course Content

Veri Madenciliği veri tabanlarından bilgi keşfi süreci olarak tanımlanır. Veri madenciliği teknikleri sayesinde büyük veri tabanlarından gizli olan anlamlı bilgiler çıkarılır. Bu ders veri madenciliğinin istatiksel, makine öğrenmesi ve veri tabanı yönünden temellerini içermektedir. Derste veri madenciliğinin temel kavramları gösterildikten sonra veri hazırlama, sınıflandırma, kümeleme, birliktelik analizleri gibi veri madenciliği uygulamaları anlatılacaktır. Ayrıca derste veri madenciliğinde veriden anlamlı bilgi keşfedilme sürecinden bahsedilecek ve veri madenciliğinde kullanılan istatistiksel metotlara yer verilecektir. Günümüzün trend konuları olan makine öğrenmesi ve yapay sinir ağları ile ilgili bilgiler de ders kapsamında anlatılacaktır.

# Course Learning Outcomes Teaching Methods Assessment Methods
1 Sınıflandırma algoritmalarını kullanabilmek Deney / Laboratuvar, Bireysel Çalışma, Proje Temelli Öğrenme , Proje / Tasarım, Sınav , Ödev,
2 Gruplama algoritmalarını kullanabilmek Proje Temelli Öğrenme , Bireysel Çalışma, Deney / Laboratuvar, Ödev, Proje / Tasarım, Sınav ,
3 Sepet analizini kullanabilmek Deney / Laboratuvar, Bireysel Çalışma, Proje Temelli Öğrenme , Sınav , Ödev, Proje / Tasarım,
4 Veri madenciliği yazılımlarını kullanabilmek Proje Temelli Öğrenme , Proje / Tasarım, Performans Görevi,
Week Course Topics Preliminary Preparation
1 Kavramsal Çerçeve - Büyük, karmaşık bir veri setinin anlaşılma ihtiyacı - Veri madenciliği süreçlerini ve kavramlarını bilme - Veri madenciliğinin etkisini kavrama
2 Veri Hazırlama ve Önişleme - Veri ve bilgi arasındaki gösterim farklarını anlama - Normalizasyon ve ölçeklendirme modellerini veri setine uygulama
3 Sınıflandırma Karar Ağaçları, Sınıflandırma Kalitesini Ölçme Metotları
4 Kural Tabanlı Sınıflandırıcılar Kaba Kümeler Teorisi
5 Destek Vektör Makineleri Lineer Destek Vektör Makineleri
6 Regresyon Lineer RegresyonÇoklu Regresyon 3. Lojistik Regresyon
7 Yapay Sinir Ağları Nöron Yapısı -Öğrenme 3. İleri Besleme 4. Geri Besleme
8 Birliktelik Analizi -Destek ve Güven Ölçüleri -Market Sepet Analizi 3. Apriori Algoritması 4. Uygulama
9 Kümeleme -Kümeleme Kavramları -Benzerlik Ölçümleri
10 Kümeleme Algoritmaları 1. DBSCAN Algoritması 2. BIRCH Algoritması 3. Kümeleme Doğrulama
11 Veri Madenciliği Araçları 1. RapidMiner 2. Weka 3. Orange 4. Orange Kullanımı 5. R 6. Knime 7. Sas 8. SPSS
12 Veri Madenciliği Uygulamaları Zaman Serisi Analizi
13 İleri Veri Madenciliği Konuları Text Madenciliği
14 İleri Veri Madenciliği Konuları Web Madenciliği
Resources
Course Notes <p>Ders notları Google Class &uuml;zerinden paylaşılacaktır.</p> <p>Bahar2020 Google Class kodu:&nbsp;tj62d7c</p>
Course Resources

Ana Kitap

1. Tan, Pang-Ning, Michael Steinbach, Anuj Karpatne, ve Vipin Kumar. *Introduction to Data Mining*. 2 edition. NY NY: Pearson, 2018.

Yardımcı Kitaplar

1. Han, Jiawei, Micheline Kamber, ve Jian Pei. *Data Mining: Concepts and Techniques, Third Edition*. 3 edition. Haryana, India; Burlington, MA: Morgan Kaufmann, 2011.
2. Kantardzic, Mehmed. *Data Mining: Concepts, Models, Methods, and Algorithms*. 3 edition. Wiley-IEEE Press, 2019.
3. Leskovec, Jure, Anand Rajaraman, ve Jeffrey David Ullman. *Mining of Massive Datasets*. 2 edition. Cambridge: Cambridge University Press, 2014.
4. Sumathi, S., ve S. N. Sivanandam. *Introduction to Data Mining and Its Applications*. 2006 edition. Berlin ; New York: Springer, 2006.
5. Tan, Pang-Ning, Michael Steinbach, ve Vipin Kumar. *Introduction to Data Mining*. 1 edition. Boston: Pearson, 2005.
6. Akkucuk, Ulas. *Veri Madenciliği: Kümeleme ve Sınıflama Algoritmaları*. İstanbul: Yalın Yayıncılık, 2011.

Uygulama Kitapları

1. Kane, Frank. *Hands-On Data Science and Python Machine Learning*. Birmingham Mumbai: Packt Publishing - ebooks Account, 2017.

2. Porcu, Valentina. *Python for Data Mining Quick Syntax Reference*. 1st ed. edition. New York, NY: Apress, 2018.

3. “Python Machine Learning - Third Edition”. Erişim 23 Aralık 2019. https://www.packtpub.com/data/python-machine-learning-third-edition.

Order Program Outcomes Level of Contribution
1 2 3 4 5
1 Matematik, fen bilimleri ve kendi dalları ile ilgili mühendislik konularında yeterli bilgi birikimi; bu alanlardaki kuramsal ve uygulamalı bilgilerini kullanarak karmaşık Endüstri Mühendisliği problemlerini modelleyebilme ve çözebilme becerisi X
2 Karmaşık Endüstri Mühendisliği problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analitik yöntemler ile modelleme tekniklerini seçme ve uygulama becerisi X
3 Endüstri Mühendisliği alanında karmaşık bir sistemi, süreci, cihazı veya ürünü gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlama becerisi; bu amaçla modern tasarım yöntemlerini uygulama becerisi X
4 Endüstri Mühendisliği uygulamalarında karşılaşılan karmaşık problemlerin çözümü için gerekli olan modern teknik ve araçları geliştirme, seçme ve kullanma becerisi; bilişim teknolojilerini etkin bir şekilde kullanma becerisi X
5 Endüstri Mühendisliği alanındaki karmaşık problemlerinin, araştırma konularının incelenmesi amacıyla deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisi X
6 Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi; bireysel çalışma becerisi X
7 Türkçe sözlü ve yazılı etkin iletişim kurma becerisi; en az bir yabancı dil bilgisi; etkin rapor yazma ve yazılı raporları anlama, tasarım ve üretim raporları hazırlayabilme, etkin sunum yapabilme, açık ve anlaşılır talimat verme ve alma becerisi
8 Yaşam boyu öğrenmenin gerekliliği bilinci; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi X
9 Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk bilinci; mühendislik uygulamalarında kullanılan standartlar hakkında bilgi X
10 Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi X
11 Endüstri Mühendisliği alanındaki uygulamaların evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın mühendislik alanına yansıyan sorunları hakkında bilgi; mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık X
Evaluation System
Semester Studies Contribution Rate
1. Kısa Sınav 10
1. Ödev 20
2. Ödev 70
Total 100
1. Yıl İçinin Başarıya 50
1. Final 50
Total 100
ECTS - Workload Activity Quantity Time (Hours) Total Workload (Hours)
Ders Süresi (Sınav haftası dahildir: 16x toplam ders saati) 16 3 48
Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme) 16 2 32
Ara Sınav 1 4 4
Ödev 2 10 20
Performans Görevi (Laboratuvar) 1 16 16
Total Workload 120
Total Workload / 25 (Hours) 4.8
dersAKTSKredisi 5