|
ISTL5053 | İstatistik Uygyulamalı Veri Madenciliği | 3+0+0 | AKTS:7.5 | Yıl / Yarıyıl | Güz Dönemi | Ders Duzeyi | Yüksek Lisans(Tezli) | Yazılım Şekli | Seçmeli | Bölümü | İSTATİSTİK ve BİLGİSAYAR BİLİMLERİ ANABİLİM DALI | Ön Koşul | Yok | Eğitim Sistemi | Yüz yüze | Dersin Süresi | 14 hafta - haftada 3 saat teorik | Öğretim Üyesi | Dr. Öğr. Üyesi Tolga BERBER | Diğer Öğretim Üyesi | Yok | Öğretim Dili | Türkçe | Staj | Yok | | Dersin Amacı: | Bu ders, öğrencilerin; veri önişleme, birliktelik kuralı analizi, sınıflandırma ve tahminleme ve uygulamaları ile kümeleme analizini öğrenmesini sağlayacaktır. |
Program Kazanımları | BPKK | ÖY | Bu dersi başarı ile tamamlayan öğrenciler : | | | PK - 1 : | Temel veri madenciliği kavramlarını tanımlayabilme | 1,3,5,6 | 1,5 | PK - 2 : | Veri ön işleme işlemlerini uygulayabilme | 1,3,5,6 | 1,5 | PK - 3 : | Belirli bir problemi çözmek için uygun olan veri madenciliği tekniğini belirleyebilme | 1,3,5,6 | 5,6 | PK - 4 : | Bir veri madenciliği modeli tasarlayabilme | 1,3,5,6 | 5,6 | PK - 5 : | Bir veri madenciliği algoritması uygulayabilme | 1,3,5,6 | 5,6 | BPKK :Bölüm program kazanımlarına katkı, ÖY : Ölçme ve değerlendirme yöntemi (1: Yazılı Sınav, 2: Sözlü Sınav, 3: Ev Ödevi, 4: Laboratuvar Çalışması/Sınavı, 5: Seminer / Sunum, 6: Dönem Ödevi / Proje),PK : Öğrenim Kazanımı | |
Bu ders kapsamında, Veri Madenciliği Giriş, Veri Madenciliğine Detaylı Bakış, Veri Hazırlama (Veri Entegrasyonu, İndirgeme, Ön işleme ve Temizleme, Dönüşüm), Sınıflandırma ve Tahminleme, Kümeleme, Anomali Tespiti, Temel Veri Madenciliği Araçları konuları incelenecektir. |
|
Haftalık Detaylı Ders İçeriği | Hafta | Detaylı İçerik | Önerilen Kaynak | Hafta 1 | Veri Madenciliği Giriş | | Hafta 2 | Veri Madenciliğine Detaylı Bakış | | Hafta 3 | Veri Hazırlama (Veri Entegrasyonu, İndirgeme, Ön işleme ve Temizleme, Dönüşüm) | | Hafta 4 | Karar Ağaçları ile Sınıflandırma | | Hafta 5 | Sınıflandırma ve Regresyon Ağaçları (CART) | | Hafta 6 | Bellek Tabanlı Sınıflandırma: En Yakın k-Komşu Algoritması | | Hafta 7 | Kümeleme Algoritmaları 1 | | Hafta 8 | Kümeleme Algoritmaları 2 | | Hafta 9 | Ara Sınav | | Hafta 10 | Birliktelik Kuralları | | Hafta 11 | İstatistiksel Sınıflandırma Modelleri: Bayes Sınıflandırıcılar ve Bayes Ağları | | Hafta 12 | Optimizasyona Dayalı Sınıflandırma Modelleri: Destek Vektör Makinesi | | Hafta 13 | Rapidminer'a Giriş | | Hafta 14 | Rapidminer Uygulamaları | | Hafta 15 | R ile Veri Madenciliği Uygulamaları | | Hafta 16 | Final Sınavı | | |
1 | Silahtaroğlu, G. 2013; Veri Madenciliği Kavram ve Algoritmalar, Papatya Yayınları, İstanbul | | 2 | Özkan Y. 2013; Veri Madenciliği Yöntemleri, Papatya Yayınları, İstanbul | | |
1 | Çelik U., Akçetin, E., Gök, M. 2017, Rapidminer ile Uygulamalı Veri Madenciliği, Pusula Yaınları, İstanbul | | 2 | Altunkaynak, B. 2017 Veri Madenciliği Yöntemleri ve R Uygulamaları, Seçkin Yayınları, Ankara | | |
Ölçme Yöntemi | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | Arasınav | 9 | 22/11/2021 | 1,5 | 30 | Kısa sınav | 12 | 12/12/2021 | 1,5 | 20 | Dönem sonu sınavı | 16 | 10/01/2022 | 1,5 | 50 | |
Öğrenci Çalışma Yükü | İşlem adı | Haftalık süre (saat) | Hafta sayısı | Dönem toplamı | Yüz yüze eğitim | 3 | 14 | 42 | Sınıf dışı çalışma | 2 | 14 | 28 | Arasınav için hazırlık | 2 | 2 | 4 | Arasınav | 1.5 | 1 | 1.5 | Kısa sınav | 1.5 | 1 | 1.5 | Dönem sonu sınavı için hazırlık | 3 | 3 | 9 | Dönem sonu sınavı | 1.5 | 1 | 1.5 | Toplam Çalışma Yükü | | | 87.5 |
|