Ders Adı Kodu Yarıyıl T+U Saat Kredi AKTS
Veri Madenciliği ENM 424 8 3 + 0 3 5
Ön Koşul Dersleri
Önerilen Seçmeli Dersler

Derste öğrenilen algoritma ve teknikler Python programlama dili ile geliştirilecek kodlar sayesinde uygulanacaktır. Python programlama dilinde özellikle, Numpy, scikit-learn, Scipy, pandas, matplotlib gibi kütüphanelerin bilinmesi önerilir. 

Dersin Dili Türkçe
Dersin Seviyesi Lisans
Dersin Türü Seçmeli
Dersin Koordinatörü Arş.Gör.Dr. CANER ERDEN
Dersi Verenler Arş.Gör.Dr. CANER ERDEN,
Dersin Yardımcıları
Dersin Kategorisi Alanına Uygun Öğretim
Dersin Amacı

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

Dersin İçeriği

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.

# Ders Öğrenme Çıktıları Öğretim Yöntemleri Ölçme Yöntemleri
1 Sınıflandırma algoritmalarını kullanabilmek Deney / Laboratuvar, Bireysel Çalışma, Proje Temelli Öğrenme , Proje / Tasarım, Sınav, Ödev,
2 Gruplama algoritmalarını kullanabilmek Deney / Laboratuvar, Proje Temelli Öğrenme , Bireysel Çalışma, Sınav, Ödev, Proje / Tasarım,
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,
Hafta Ders Konuları Ön Hazırlık
1 Kavramsal Çerçeve
2 Veri Hazırlama ve Önişleme
3 Veri Önişleme ve Numpy Paketine Giriş
4 Pandas Eğitimi
5 Veri Görselleştirme (Matplotlib) Eğitimi
6 Scikit-Learn Eğitimi
7 Karar Ağaçları ile Sınıflandırma
8 Destek_Vektor_Makineleri
9 Regresyon Modelleri
10 Yapay Sinir Ağları (YSA)
11 Veri Madenciliği Araçları 1. RapidMiner 2. Weka 3. Orange 4. Orange Kullanımı 5. R 6. Knime 7. Sas 8. SPSS
12 Kümeleme Algoritmaları
13 Birliktelik Analizleri
14 Veri Madenciliği Uygulaması
Kaynaklar
Ders Notu

Ders notları Google Class üzerinden paylaşılacaktır.

Bahar2020 Google Class kodu: tj62d7c

Yaz2020 Google Class Kodu: ryvjagc

Ders Kaynakları

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.

Sıra Program Çıktıları Katkı Düzeyi
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
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
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
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
10 Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi
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
Değerlendirme Sistemi
Yarıyıl Çalışmaları Katkı Oranı
1. Kısa Sınav 10
1. Ödev 30
1. Ara Sınav 50
2. Kısa Sınav 10
Toplam 100
1. Yıl İçinin Başarıya 50
1. Final 50
Toplam 100
AKTS - İş Yükü Etkinlik Sayı Süre (Saat) Toplam İş Yükü (Saat)
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
Toplam İş Yükü 120
Toplam İş Yükü / 25 (Saat) 4,8
Dersin AKTS Kredisi 5