| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| Veri Madenciliği ve Endüstriyel Uygulamaları | MYU 519 | 0 | 3 + 0 | 3 | 6 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler | |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | YUKSEK_LISANS |
| Dersin Türü | Seçmeli |
| Dersin Koordinatörü | Dr.Öğr.Üyesi NEVRA AKBİLEK |
| Dersi Verenler | |
| Dersin Yardımcıları | Arş.Gör. Beyazıt Ocaktan |
| Dersin Kategorisi | Diğer |
| Dersin Amacı | 1- Veri madenciliğini tanıtmak ve kullanımını yaygınlaştırmak 2- Geniş ölçekli veri tabanlarında analiz yeteneğinin kazandırılması |
| Dersin İçeriği | Bu ders veri madenciliğinin istatiksel,makine oğrenimi ve veri tabanı yönünden temellerini içermektedir.Ders üç kısımdan oluşmaktadır. Birinci kısım veri madenciliği için istatistik ve makine oğrenimi yaklaşımının temelleri hakkındadır.İkinci 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 biolojik alanlarda madencilik gibi alanlarda araştırmalar üzerine odaklanmaktadır. |
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | Sınıflandırma algoritmalarını kullanabilmek | ||
| 2 | Gruplama algoritmalarını kullanabilmek | ||
| 3 | Sepet analizini kullanabilmek | ||
| 4 | Veri madenciliği yazılımlarını kullanabilmek |
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 1 | Veri madenciliğinin genel tanımı ve veri madenciliğine giriş | |
| 2 | Temel bilgilerin gözden geçirilmesi | |
| 3 | Veri madenciliğinin imalat ve servis sistemlerindeki uygulamaları | |
| 4 | İstatistiksel sınıflandırma ve Bayes Öğrenimi | |
| 5 | Karar ağacı ve Sınıflandırma | |
| 6 | Yapay Sinir Ağları | |
| 7 | Optimizasyon Tekniklerinin Veri Madenciliğinde kullanımı | |
| 8 | Optimizasyon Tekniklerinin Veri Madenciliğinde kullanımı - Devam | |
| 9 | Veri Tabanı sistemlerinde veri madenciliği | |
| 10 | Veri Tabanı sistemlerinde veri madenciliği (Devam) | |
| 11 | Online analitik işleme (OLAP) | |
| 12 | Gruplama | |
| 13 | İlişkilendirme madenciliği | |
| 14 | Biyoinformatik ve veri madenciliği |
| Kaynaklar | |
|---|---|
| Ders Notu | |
| Ders Kaynakları | 1. Principles of Data Mining. David J. Hand, Heikki Mannila, Padhraic Smyth 2. Introduction to Data Mining. Pang-Ning Tan, Michael Steinbach, Vipin Kumar. |
| 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. | ||||||
| 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. | ||||||
| 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. | ||||||
| 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. | ||||||
| 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. | ||||||
| 6 | Sürdürülebilir kalkınma ve mühendislik yönetimi alanında gelişmelerini sürdürülebilirliği sağlamak için yaşam boyu öğrenme, bilim ve teknolojideki gelişmeleri izleme ve uygulama gerekliliğini bilir ve bunun için kendini sürekli yenileme becerisine sahip olur. | ||||||
| # | Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı | PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 |
|---|---|---|---|---|---|---|---|
| 1 | Sınıflandırma algoritmalarını kullanabilmek | ||||||
| 2 | Gruplama algoritmalarını kullanabilmek | ||||||
| 3 | Sepet analizini kullanabilmek | ||||||
| 4 | Veri madenciliği yazılımlarını kullanabilmek |
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| 1. Ara Sınav | 25 |
| 1. Ödev | 37 |
| 2. Ödev | 38 |
| Toplam | 100 |
| 1. Yıl İçinin Başarıya | 20 |
| 1. Final | 80 |
| 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 | 20 | 20 |
| Ödev | 1 | 25 | 25 |
| Final | 1 | 20 | 20 |
| Toplam İş Yükü | 161 | ||
| Toplam İş Yükü / 25 (Saat) | 6,44 | ||
| Dersin AKTS Kredisi | 6 | ||