| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| Büyük Veri Analitiği ve Veri Madenciliği | ENM 522 | 0 | 3 + 0 | 3 | 6 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler | |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | YUKSEK_LISANS |
| Dersin Türü | Seçmeli |
| Dersin Koordinatörü | Doç.Dr. SAFİYE SENCER |
| Dersi Verenler | Doç.Dr. SAFİYE SENCER, |
| Dersin Yardımcıları | |
| Dersin Kategorisi | Diğer |
| Dersin Amacı | Teknolojinin ilerlemesiyle birlikte saklanan veri, büyük miktarlara ulaşmıştır. Veri madenciliği sayesinde bu büyük verilerden bilgi çıkarılması ve ilgili tekniklerin uygulamalı olarak öğrenilmesi hedeflenmektedir. Derste büyük veri yapıları ve ilgili teknikler ile istatistik ve makine öğrenmesi teknikleri kullanılarak finansal, tıbbi, sanayi, imalat v.b. birçok veri kümesi üzerinde analiz yapılarak veri üzerinden bilgi çıkarma teknikleri öğretilecektir. |
| Dersin İçeriği | Bu ders büyük veri yapıları ve özellikleri ile veri madenciliğinin istatistiksel, makine öğrenimi ve kural çıkarımı temellerini içermektedir. Ders dört kısımdan oluşmaktadır. Birinci kısım büyük veri yapıları ve özellikleri, ikinci kısım veri madenciliği için istatistik ve makine öğrenimi yaklaşımının temelleri hakkındadır. Üçüncü kısımda Online Analitik İşleme, ilişki kuralları ve gruplama gibi işlemler için temel veri madenciliği ve algoritmalar işleyeceğiz. Dersin son kısmı metin madenciliği, birliktelik filtresi, bağlantı analizi ve biyolojik alanlarda madencilik gibi alanlarda araştırmalar ve ilgili alanda uygulama geliştirebilmeyi içermektedir. |
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | Bireysel Çalışma, | Ödev, | |
| 2 | Anlatım, | Ödev, | |
| 3 | Problem Çözme, | Sınav, | |
| 4 | Proje Temelli Öğrenme , | Proje / Tasarım, | |
| 5 | Problem Çözme, | Ödev, |
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 1 | Büyük Veri ve Özellikleri | |
| 2 | -Veri madenciliği ve Web madenciliği | |
| 3 | Map Reduce | |
| 4 | Veri Madenciliğinde İstatistiki Yöntemler Uzaklık ölçütleri | |
| 5 | Benzer elemanların bulunması | |
| 6 | Veri akış madenciliği Link analizi | |
| 7 | Sıralı örüntüler Birliktelik kuralları | |
| 8 | Denetimli öğrenme ile sınıflandırma | |
| 9 | Denetimsiz öğrenme ile öbekleme | |
| 10 | İstatistiksel Öğrenme Teorisi | |
| 11 | Bilgi erişimi | |
| 12 | Web arama SQL Kullanılarak İstatiksel Analiz | |
| 13 | Bağlantı analizi | |
| 14 | Web madenciliği Veri Madenciliği Uygulamaları |
| Kaynaklar | |
|---|---|
| Ders Notu | (1) Mining of Massive Datasets, Jure Leskovec, Anand Rajaraman, Jeffrey David Ullman, Stanford University, 2011. (2) Jiawei Han and Micheline Kamber,Data Mining: Concepts and Techniques, The Morgan Kaufmann Series in Data Management Systems, Jim Gray, Series Editor. Morgan Kaufmann Publishers, August 2000. (3) Ian H. Witten and Eibe Frank,Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations, Morgan Kaufmann Publishers, October 1999. |
| Ders Kaynakları | (1) Real-Time Big Data Analytics: Emerging Architecture, Mike Barlow, O’Reilly Media, 2013. (2) Big Data, Data Mining, and Machine Learning: Value Creation for Business Leaders and Practitioners, Jared Dean, Wiley, 2014. (3) Data Science and Big Data Analytics: Discovering, Analyzing, Visualizing and Presenting Data, EMC Education Services, 2015. |
| Sıra | Program Çıktıları | Katkı Düzeyi | |||||
|---|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Mühendislik alanında bilimsel araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşabilme, bilgiyi değerlendirme, yorumlama ve uygulamaktır. | X | |||||
| 2 | Sınırlı ya da eksik verileri kullanarak bilimsel yöntemlerle bilgiyi tamamlayabilme ve uygulama becerisi; değişik disiplinlere ait bilgileri bütünleştirebilmektir. | X | |||||
| 3 | Mühendislik problemlerini kurgulayabilme, çözmek için yöntem geliştirme ve çözümlerde yenilikçi yöntemler uygulamaktır. | X | |||||
| 4 | Yeni ve orijinal fikir ve yöntemler geliştirme becerisi; sistem, parça veya süreç tasarımlarında yenilikçi çözümler geliştirebilmektir. | X | |||||
| 5 | Analitik, modelleme ve deneysel esaslı araştırmaları tasarlama ve uygulama becerisi; bu süreçte karşılaşılan karmaşık durumları analiz etme ve yorumlamaktır. | X | |||||
| 6 | Gereksinim duyulan bilgi ve verileri tanımlama, bunlara ulaşma ve ileri düzeyde değerlendirmektir. | X | |||||
| 7 | Çok disiplinli takımlarda liderlik yapma, karmaşık durumlarda çözüm yaklaşımları geliştirebilme ve sorumluluk almaktır. | X | |||||
| 8 | Çalışmalarının süreç ve sonuçlarını, o alandaki veya dışındaki ulusal ve uluslar arası ortamlarda sistematik ve açık bir şekilde yazılı ya da sözlü olarak aktarabilmektir. | X | |||||
| 9 | Mühendislikte uygulanan modern teknik ve yöntemler ile bunların sınırları hakkında kapsamlı bilgileri yorumlamaktır. | X | |||||
| 10 | Mesleğinin yeni ve gelişmekte olan uygulamaları hakkında farkındalık; gerektiğinde bunları inceleme ve öğrenebilmektir. | X | |||||
| 11 | Mühendislik uygulamalarının sosyal ve çevresel boyutlarını anlama ve sosyal çevreye uyum sağlamaktır. | X | |||||
| 12 | Verilerin toplanması, yorumlanması, duyurulması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetmektir. | X | |||||
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| 1. Ödev | 30 |
| 2. Ödev | 30 |
| 3. Ödev | 40 |
| Toplam | 100 |
| 1. Yıl İçinin Başarıya | 60 |
| 1. Final | 40 |
| Toplam | 100 |
| AKTS - İş Yükü Etkinlik | Sayı | Süre (Saat) | Toplam İş Yükü (Saat) |
|---|