| 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. |
| Kalkınma Amaçları |
|---|
|
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | Deney ve Laboratuvar, | ||
| 2 | Anlatım, | ||
| 3 | Gezi / Gözlem, | ||
| 4 | Gözlem, | ||
| 5 | Gezi / Gözlem, |
| 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 | Yaşadığı toplumun bilgi toplumu olmasına katkıda bulunmak, toplumsal, bilimsel, kültürel ve etik sorunlara çözüm sunmak amaçlarıyla alanındaki bilimsel, teknolojik, sosyal veya kültürel ilerlemeleri ulusal ve uluslararası bilimsel ortamlarda (toplantılarda) tanıtır. | X | |||||
| 2 | Alanında bilimsel araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşır, alanında güncel teknik ve yöntemler ile bunların kısıtları hakkında kapsamlı bilgiye sahip olup ve elde ettiği bilgiyi değerlendirir, yorumlar ve uygular. | X | |||||
| 3 | Alanı ile ilgili problemleri tanımlar ve formüle eder, yeni ve/veya özgün fikir ve yöntemler geliştirir; karmaşık sistem veya süreçleri tasarlar ve tasarımlarında yenilikçi/alternatif çözümler ile gelişmekte olan yenilikçi yöntemleri kullanır. | X | |||||
| 4 | Kuramsal, deneysel ve modelleme esaslı araştırmaları tasarlar ve uygular, belirsiz, sınırlı ya da eksik verileri bilimsel yöntemlerle tamamlar; verilerin toplanması, yorumlanması, duyurulması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetir. | X | |||||
| 5 | Alanındaki uygulamaların sosyal, çevresel, sağlık, güvenlik, hukuki boyutlarını ve iş hayatı uygulamalarını bilir ve bunların getirdiği kısıtların farkındadır. Disiplin içi ve çok disiplinli takımlarda etkin bir biçimde birlikte ve ya bağımsız çalışabilir ve sorumluluk alır. | X | |||||
| 6 | sürdürülebilir kalkınma ve endüstri mühendisliğinin gelişen koşullara göre gelişmelerini izleyebilmek ve uygulayabilmek için yaşam boyu öğrenme, bilim ve teknolojideki gelişmeleri izler ve bunun için kendini sürekli yenileme becerisine sahip olur. | X | |||||
| # | Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı | PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 |
|---|---|---|---|---|---|---|---|
| 1 | |||||||
| 2 | |||||||
| 3 | |||||||
| 4 | |||||||
| 5 |
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| 1. Ara Sınav | 60 |
| 1. 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) |
|---|---|---|---|
| Ders Süresi (Sınav haftası dahildir: 16x toplam ders saati) | 16 | 3 | 48 |
| Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme) | 16 | 3 | 48 |
| Ara Sınav | 1 | 1 | 1 |
| Ödev | 1 | 20 | 20 |
| Proje / Tasarım | 1 | 22 | 22 |
| Final | 1 | 1 | 1 |
| Toplam İş Yükü | 140 | ||
| Toplam İş Yükü / 25 (Saat) | 5,6 | ||
| Dersin AKTS Kredisi | 6 | ||