Ders Adı Kodu Yarıyıl T+U Saat Kredi AKTS
Veri Madenciliği BSM 429 7 3 + 0 3 5
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin Dili Türkçe
Dersin Seviyesi Lisans
Dersin Türü Seçmeli
Dersin Koordinatörü Dr.Öğr.Üyesi SÜMEYYE KAYNAK
Dersi Verenler Dr.Öğr.Üyesi SÜMEYYE KAYNAK,
Dersin Yardımcıları
Dersin Kategorisi Diğer
Dersin Amacı

Öğrencilere veri madenciliğini KDD ve CRISP-DM süreç çerçevesi içinde uçtan uca yürütme becerisi kazandırmak: ham bir veri kümesini bir iş sorusuna bağlamak, uygun veri madenciliği görevini (sınıflandırma, kümeleme, birliktelik, anomali tespiti) seçmek, gerekli ön işlemeyi gerekçelendirerek yapmak, temel algoritmaları önce küçük örneklerde elle çalıştırıp sonra Python ile doğrulamak, modeli doğru ölçütle değerlendirmek ve bulunan örüntünün gerçekten anlamlı mı yoksa tesadüf mü olduğunu etik ve mahremiyet boyutlarıyla birlikte tartışabilmek.

Dersin İçeriği

Veri madenciliğine giriş, KDD ve CRISP-DM süreçleri; veri, öznitelik ölçek türleri, keşifçi veri analizi, görselleştirme, benzerlik ve uzaklık ölçüleri; veri ön işleme (eksik ve aykırı değerler, normalizasyon, ayrıklaştırma, öznitelik seçimi, veri sızıntısı); veri ambarları, boyutsal modelleme ve OLAP; birliktelik kuralı madenciliği (Apriori, FP-Growth, destek, güven, lift); sınıflandırma: karar ağaçları (ID3, C4.5, CART), regresyon ağaçları ve topluluk yöntemleri, Naive Bayes, kNN ve kural tabanlı sınıflandırma; model değerlendirme ve doğrulama (karışıklık matrisi, ROC-AUC, çapraz doğrulama, dengesiz veri); kümeleme (k-ortalamalar, hiyerarşik kümeleme, DBSCAN, küme geçerliliği) ve anomali tespiti; metin madenciliği (metin ön işleme, TF-IDF, kosinüs benzerliği); web madenciliği ve öneri sistemleri (PageRank, işbirlikçi filtreleme); veri madenciliğinde etik, mahremiyet ve KVKK; uçtan uca dönem projesi.

Özel Koşullar
Sektör Desteği
Destekleyen Firma
Destekleyen Eğitmen
Kalkınma Amaçları
# Ders Öğrenme Çıktıları Öğretim Yöntemleri Ölçme Yöntemleri
1 Veri madenciliğini istatistik, makine öğrenmesi ve büyük veriden ayırt eder; KDD ve CRISP-DM aşamalarını sırasıyla sayar ve bir probleme uygular. Anlatım, Soru-Cevap, Çoktan Seçmeli Testler,
2 Bir iş sorusunu uygun veri madenciliği görevine (sınıflandırma, kümeleme, birliktelik, regresyon, anomali tespiti) dönüştürür. Problem Çözme, Proje, Çoktan Seçmeli Testler,
3 Öznitelik ölçek türlerini (nominal, sıralı, aralık, oran) ayırt eder ve her birine uygun benzerlik/uzaklık ölçüsünü seçip hesaplar. Problem Çözme, Gösterip Yaptırma, Çoktan Seçmeli Testler,
4 Eksik değer, aykırı değer ve gürültüyü mekanizmasına göre ele alır; normalizasyon ve ayrıklaştırma işlemlerini elle yapar ve gerekçelendirir. Problem Çözme, Gösterip Yaptırma, Çoktan Seçmeli Testler,
5 Veri sızıntısını (data leakage) tanır, nedenini açıklar ve ön işleme sırasını doğru kurarak önler. Problem Çözme, Çoktan Seçmeli Testler, Ödev / Evde-Çöz Sınavlar,
6 OLTP ile OLAP'ı ayırt eder; bir iş senaryosu için yıldız şeması tasarlar ve veri küpü üzerinde roll-up, drill-down, slice ve dice işlemlerini yürütür. Gösterip Yaptırma, Proje, Çoktan Seçmeli Testler,
7 Bir işlem veritabanında Apriori algoritmasını elle çalıştırır; destek, güven ve lift değerlerini hesaplayarak kuralın işe yarar olup olmadığına karar verir. Problem Çözme, Gösterip Yaptırma, Çoktan Seçmeli Testler,
8 Entropi, bilgi kazancı, kazanç oranı ve Gini indeksini hesaplayarak karar ağacını elle kurar; regresyon ağacında bölmeyi kareli hata toplamıyla seçer, budamanın neden gerektiğini açıklar ve ağacı kural kümesine çevirir. Problem Çözme, Gösterip Yaptırma, Çoktan Seçmeli Testler,
9 Naive Bayes, kNN ve kural tabanlı sınıflandırıcıları küçük bir veri kümesinde elle uygular; her birinin varsayımını ve kırıldığı durumu söyler. Problem Çözme, Gösterip Yaptırma, Yazılı Sınavlar (Kısa ve Uzun Yanıtlı),
10 Karışıklık matrisinden doğruluk, kesinlik, duyarlılık, F1 ve özgüllüğü hesaplar; ROC eğrisini elle çizip AUC'yi yorumlar; dengesiz veride doğruluğun neden yanıltıcı olduğunu gösterir. Problem Çözme, Gösterip Yaptırma, Yazılı Sınavlar (Kısa ve Uzun Yanıtlı),
11 k-ortalamalar algoritmasını elle iterasyonlarla yürütür; dirsek ve siluet yöntemiyle küme sayısını gerekçelendirir; hiyerarşik kümelemenin dendrogramını okur, DBSCAN'in hangi durumda üstün olduğunu söyler ve kümelenmeyen noktaları anomali olarak yorumlar. Problem Çözme, Gösterip Yaptırma, Yazılı Sınavlar (Kısa ve Uzun Yanıtlı),
12 Bir metin derlemi üzerinde TF-IDF ağırlıklandırması yapar ve kosinüs benzerliğini hesaplar; web madenciliğinin üç türünü ayırt eder, PageRank ve işbirlikçi filtreleme hesabını yapar ve veri madenciliğinin mahremiyet ve etik risklerini tartışır. Problem Çözme, Gösterip Yaptırma, Yazılı Sınavlar (Kısa ve Uzun Yanıtlı),
13 Ekip hâlinde gerçek bir veri kümesi üzerinde CRISP-DM adımlarını izleyerek uçtan uca bir veri madenciliği projesi yürütür; sonuçlarını Python defteri, Power BI raporu, yazılı rapor ve sözlü sunumla gerekçelendirerek paylaşır. Grupla Çalışma, Proje, Performans Değerlendirme,
Hafta Ders Konuları Ön Hazırlık
1 Veri madenciliğine giriş ve bilgi keşfi süreci: veriden bilgiye, veri madenciliğinin istatistik, makine öğrenmesi ve büyük veriden farkı, veri madenciliği görevleri, KDD, CRISP-DM ve SEMMA Haftanın ders notu, etkileşimli sunumu ve uygulama defteri
2 Veri, öznitelikler ve benzerlik: öznitelik ölçek türleri, veri kalitesi, keşifçi veri analizi ve görselleştirme (Power BI), benzerlik ve uzaklık ölçüleri (Öklid, Manhattan, kosinüs, Jaccard, SMC) Haftanın ders notu, etkileşimli sunumu ve uygulama defteri
3 Veri ön işleme: eksik veri mekanizmaları ve doldurma yöntemleri, gürültü ve aykırı değerler, veri entegrasyonu, normalizasyon, ayrıklaştırma, öznitelik seçimi ve boyut indirgeme, veri sızıntısı Haftanın ders notu, etkileşimli sunumu ve uygulama defteri
4 Veri ambarları ve OLAP: OLTP ile OLAP farkı, ETL, boyutsal modelleme (olgu ve boyut tabloları, yıldız ve kar tanesi şeması), veri küpü ve roll-up, drill-down, slice, dice işlemleri Haftanın ders notu, etkileşimli sunumu ve uygulama defteri
5 Birliktelik kuralı madenciliği: pazar sepeti analizi, destek, güven ve lift, Apriori algoritması, FP-Growth, kuralların değerlendirilmesi Haftanın ders notu, etkileşimli sunumu ve uygulama defteri
6 Sınıflandırma I – karar ağaçları: denetimli öğrenme, eğitim ve test ayrımı, Gini indeksi, entropi, bilgi kazancı ve kazanç oranı, ID3 ve C4.5, aşırı öğrenme ve budama, ağaçtan kural çıkarma Haftanın ders notu, etkileşimli sunumu ve uygulama defteri
7 Sınıflandırma II – CART, regresyon ağaçları ve ormanlar: ikili bölme, kareli hata toplamıyla bölme, maliyet-karmaşıklık budaması, öznitelik önemi, bagging, rastgele orman ve boosting Haftanın ders notu, etkileşimli sunumu ve uygulama defteri
8 Sınıflandırma III – Naive Bayes, kNN ve kural tabanlı sınıflandırma: Bayes kuralı, Laplace düzeltmesi, uzaklık tabanlı sınıflandırma ve k seçimi, kuralın kapsaması ve doğruluğu, ardışık kapsama Haftanın ders notu, etkileşimli sunumu ve uygulama defteri
9 Model değerlendirme ve doğrulama: karışıklık matrisi, doğruluk, kesinlik, duyarlılık, F1 ve özgüllük, ROC eğrisi ve AUC, k-katlı çapraz doğrulama, aşırı ve eksik öğrenme, dengesiz veri Haftanın ders notu, etkileşimli sunumu ve uygulama defteri
10 Kümeleme I – bölümlemeli yöntemler: iyi küme ölçütleri, k-ortalamalar ve k-means++, k-medoids, küme sayısının seçimi (dirsek ve siluet yöntemleri), kümelerin profillenmesi Haftanın ders notu, etkileşimli sunumu ve uygulama defteri
11 Kümeleme II – hiyerarşik kümeleme, bağlantı ölçütleri ve dendrogram, DBSCAN, küme geçerliliği ve anomali tespiti Haftanın ders notu, etkileşimli sunumu ve uygulama defteri
12 Metin madenciliği: metin ön işleme (simgeleme, durak kelimeler, gövdeleme) ve Türkçenin sorunları, kelime torbası ve vektör uzayı modeli, TF-IDF, kosinüs benzerliği, belge sınıflandırma ve kümeleme, duygu analizi Haftanın ders notu, etkileşimli sunumu ve uygulama defteri
13 Web madenciliği ve öneri sistemleri: web içerik, yapı ve kullanım madenciliği, PageRank, içerik tabanlı ve işbirlikçi filtreleme, soğuk başlangıç ve filtre balonu Haftanın ders notu, etkileşimli sunumu ve uygulama defteri
14 Veri madenciliğinde etik ve mahremiyet (yeniden kimliklendirme, k-anonimlik, KVKK ve GDPR, algoritmik yanlılık), model izleme; dönem projesi sunumları ve genel değerlendirme Dönem projesinin son hâli ve sunumu
Kaynaklar
Ders Notu

Haftalık ders notları, etkileşimli ders sunumları ve Python (Google Colab) uygulama defterleri (dersin asıl kaynağıdır; öğretim üyesi tarafından paylaşılır).

Ders Kaynakları

Haftalık ders notları, etkileşimli sunumlar ve uygulama defterleri (asıl kaynak)

Silahtaroğlu, G., Veri Madenciliği, Papatya Yayınevi, 2008.

Han, J., Kamber, M., Pei, J., Data Mining: Concepts and Techniques, 3rd ed., Morgan Kaufmann, 2011.

Tan, P.-N., Steinbach, M., Karpatne, A., Kumar, V., Introduction to Data Mining, 2nd ed., Pearson, 2019.

Witten, I. H., Frank, E., Hall, M. A., Data Mining: Practical Machine Learning Tools and Techniques, Morgan Kaufmann.

Kimball, R., Ross, M., The Data Warehouse Toolkit, 3rd ed., Wiley, 2013.

Leskovec, J., Rajaraman, A., Ullman, J. D., Mining of Massive Datasets (açık erişim) – http://www.mmds.org/

scikit-learn Kullanıcı Kılavuzu – https://scikit-learn.org/stable/user_guide.html

Sıra Program Çıktıları Katkı Düzeyi
1 2 3 4 5
1 a Matematik, fen bilimleri ve ilgili mühendislik disiplinine özgü konularda yeterli bilgi birikimi; X
1 b Bu alanlardaki kuramsal ve uygulamalı bilgileri, karmaşık mühendislik problemlerinin çözümünde kullanabilme becerisi. X
2 a Karmaşık mühendislik problemlerini tanımlama, formüle etme ve çözme becerisi; X
2 b Bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi. X
3 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 Mühendislik uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları seçme ve kullanma becerisi; bilişim teknolojilerini etkin bir şekilde kullanma becerisi. X
5 a Karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için deney tasarlama becerisi. X
5 b Deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisi. X
6 a Disiplin içi takımlarda etkin biçimde çalışabilme becerisi. X
6 b Çok disiplinli takımlarda etkin biçimde çalışabilme becerisi.
6 c Bireysel çalışma becerisi.
7 a Sözlü ve yazılı etkin iletişim kurma, etkin rapor yazma ve yazılı raporları anlama, tasarım ve üretim raporları hazırlayabilme becerisi, X
7 b En az bir yabancı dil bilgisi.
7 c Etkin sunum yapabilme becerisi. X
7 d Açık ve anlaşılır talimat verme ve alma becerisi.
8 Yaşam boyu öğrenmenin gerekliliği konusunda farkındalık; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi. X
9 a Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk hakkında bilgi, X
9 b Mühendislik uygulamalarında kullanılan standartlar hakkında bilgi. X
10 a Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; X
10 b Girişimcilik, yenilikçilik hakkında farkındalık
10 c Sürdürülebilir kalkınma hakkında bilgi.
11 a Mühendislik uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın mühendislik alanına yansıyan sorunları hakkında bilgi; X
11 b Mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık. X
12 Bilişim Teknolojilerinin yönetim, denetim, gelişim ve güvenliği/güvenilirliği hakkında bilgi sahibi olma ve farkındalık, X
# Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı PÇ 1 a PÇ 1 b PÇ 2 a PÇ 2 b PÇ 3 PÇ 4 PÇ 5 a PÇ 5 b PÇ 6 a PÇ 6 b PÇ 6 c PÇ 7 a PÇ 7 b PÇ 7 c PÇ 7 d PÇ 8 PÇ 9 a PÇ 9 b PÇ 10 a PÇ 10 b PÇ 10 c PÇ 11 a PÇ 11 b PÇ 12
1 Veri madenciliğini istatistik, makine öğrenmesi ve büyük veriden ayırt eder; KDD ve CRISP-DM aşamalarını sırasıyla sayar ve bir probleme uygular. 0 2 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0
2 Bir iş sorusunu uygun veri madenciliği görevine (sınıflandırma, kümeleme, birliktelik, regresyon, anomali tespiti) dönüştürür. 0 0 5 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 Öznitelik ölçek türlerini (nominal, sıralı, aralık, oran) ayırt eder ve her birine uygun benzerlik/uzaklık ölçüsünü seçip hesaplar. 4 3 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 Eksik değer, aykırı değer ve gürültüyü mekanizmasına göre ele alır; normalizasyon ve ayrıklaştırma işlemlerini elle yapar ve gerekçelendirir. 3 0 0 4 0 3 0 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 Veri sızıntısını (data leakage) tanır, nedenini açıklar ve ön işleme sırasını doğru kurarak önler. 0 0 0 4 0 0 4 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 OLTP ile OLAP'ı ayırt eder; bir iş senaryosu için yıldız şeması tasarlar ve veri küpü üzerinde roll-up, drill-down, slice ve dice işlemlerini yürütür. 0 0 0 3 4 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2
7 Bir işlem veritabanında Apriori algoritmasını elle çalıştırır; destek, güven ve lift değerlerini hesaplayarak kuralın işe yarar olup olmadığına karar verir. 3 0 0 4 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
8 Entropi, bilgi kazancı, kazanç oranı ve Gini indeksini hesaplayarak karar ağacını elle kurar; regresyon ağacında bölmeyi kareli hata toplamıyla seçer, budamanın neden gerektiğini açıklar ve ağacı kural kümesine çevirir. 4 4 0 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
9 Naive Bayes, kNN ve kural tabanlı sınıflandırıcıları küçük bir veri kümesinde elle uygular; her birinin varsayımını ve kırıldığı durumu söyler. 4 4 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
10 Karışıklık matrisinden doğruluk, kesinlik, duyarlılık, F1 ve özgüllüğü hesaplar; ROC eğrisini elle çizip AUC'yi yorumlar; dengesiz veride doğruluğun neden yanıltıcı olduğunu gösterir. 3 0 0 0 0 0 5 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
11 k-ortalamalar algoritmasını elle iterasyonlarla yürütür; dirsek ve siluet yöntemiyle küme sayısını gerekçelendirir; hiyerarşik kümelemenin dendrogramını okur, DBSCAN'in hangi durumda üstün olduğunu söyler ve kümelenmeyen noktaları anomali olarak yorumlar. 3 0 0 4 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
12 Bir metin derlemi üzerinde TF-IDF ağırlıklandırması yapar ve kosinüs benzerliğini hesaplar; web madenciliğinin üç türünü ayırt eder, PageRank ve işbirlikçi filtreleme hesabını yapar ve veri madenciliğinin mahremiyet ve etik risklerini tartışır. 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 0 0 3 3 0
13 Ekip hâlinde gerçek bir veri kümesi üzerinde CRISP-DM adımlarını izleyerek uçtan uca bir veri madenciliği projesi yürütür; sonuçlarını Python defteri, Power BI raporu, yazılı rapor ve sözlü sunumla gerekçelendirerek paylaşır. 0 0 0 0 4 5 0 5 4 0 0 4 0 4 0 3 3 0 2 0 0 0 0 0
Değerlendirme Sistemi
Yarıyıl Çalışmaları Katkı Oranı
1. Proje / Tasarım 50
1. Ara Sınav 50
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 3 48
Ara Sınav 1 5 5
Final 1 6 6
Proje / Tasarım 1 20 20
Toplam İş Yükü 127
Toplam İş Yükü / 25 (Saat) 5,08
dersAKTSKredisi 5