|
ENDL5220 | Veri Madenciliği | 3+0+0 | AKTS:7.5 | Yıl / Yarıyıl | Bahar Dönemi | Ders Duzeyi | Yüksek Lisans(Tezli) | Yazılım Şekli | Seçmeli | Bölümü | ENDÜSTRİ MÜHENDİSLİĞİ ANABİLİM DALI | Ön Koşul | Yok | Eğitim Sistemi | Yüz yüze , Uygulama | Dersin Süresi | 14 hafta - haftada 3 saat teorik | Öğretim Üyesi | -- | Diğer Öğretim Üyesi | | Öğretim Dili | Türkçe | Staj | Yok | | Dersin Amacı: | Makine öğrenmesi ve istatistiksel teknikler aracılığı ile büyük veri yığınları içerisinde saklı faydalı bilgilerin ortaya çıkarılmasını sağlayacak bilgi ve donanımın kazandırılması |
Öğrenim Kazanımları | PÖKK | ÖY | Bu dersi başarı ile tamamlayan öğrenciler : | | | ÖK - 1 : | Sınıflandırma problemlerini çözebilir | 3,7 | | ÖK - 2 : | Kümeleme problemlerini çözebilir | 3,7 | | ÖK - 3 : | Müşteri ilişkilerini yönetebilir | 3,7 | | ÖK - 4 : | Veri madenciliği yazılımlarını kullanabilir | 3,7 | | PÖKK :Program öğrenim 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),ÖK : Öğrenim Kazanımı | |
Temel veri tabanı kavramları, sınıflandırma problemi ve algoritmaları, kümeleme problemi ve algoritmaları, birliktelik analizi, veri madenciliği yazılımları |
|
Haftalık Detaylı Ders Planı | Hafta | Detaylı İçerik | Önerilen Kaynak | Hafta 1 | Veri madenciliğine giriş, temel kavramlar
| | Hafta 2 | Sınıflandırma: Entropiye Dayalı Algoritmalar (ID3, C4.5) | | Hafta 3 | Sınıflandırma: Regresyon Ağaçları (Gini Algoritması) | | Hafta 4 | Sınıflandırma: Bellek Tabanlı algoritmalar (En Yakın K- Komşu Algoritması) | | Hafta 5 | Sınıflandırma: Bayesyen Sınıflandırıcılar | | Hafta 6 | Kümeleme | | Hafta 7 | Öğrenci projeleri ve sunumları | | Hafta 8 | Öğrenci projeleri ve sunumları | | Hafta 9 | Öğrenci projeleri ve sunumları | | Hafta 10 | Birliktelik kuralları, sepet analizi
| | Hafta 11 | Veri Madenciliği Yazılımları: WEKA
| | Hafta 12 | Veri Madenciliği Yazılımları: Orange | | Hafta 13 | Öğrenci projeleri ve sunumları | | Hafta 14 | Öğrenci projeleri ve sunumları | | Hafta 15 | Öğrenci projeleri ve sunumları | | Hafta 16 | Öğrenci projeleri ve sunumları | | |
1 | Han, J., Kamber, M., (2001), Data Mining: Concepts and Techniques, Morgan Kaufmann Publishers, 1st Ed. | | 2 | Vercellis, C., (2009), Business Intelligence: Data Mining and Optimization for Decision Making, Wiley | | |
1 | Witten, I.H., Frank, E., (2005), Data Mining: Practical Machine Learning Tools and Techniques, Morgan Kaufmann Publishers, 2nd Ed. | | 2 | Myatt, G.J., (2007), Making Sense of Data: A Practical Guide to Exploratory Data Analysis and Data Mining, Wiley | | 3 | Rokach, L., Maimon O., (2008), Data Mining with Decision Trees: Theory and Applications, World Scientific Publishing | | 4 | Wu, X., Kumar, V., (2009), The Top Ten Algorithms in Data Mining, Taylor and Francis | | 5 | Özkan, Y., (2008),Veri Madenciliği Yöntemleri, Papatya Yayıncılık | | |
Ölçme Yöntemi | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | Arasınav | 9 | 27/04/2021 | 2 | 25 | Sunum | 12 13 | 01/06/2021 | 2 | 25 | Dönem sonu sınavı | 16 | 22/06/2021 | 2 | 50 | |
Öğrenci Çalışma Yükü | İşlem adı | Haftalık süre (saat) | Hafta sayısı | Dönem toplamı | Yüz yüze eğitim | 3 | 7 | 21 | Sınıf dışı çalışma | 1 | 16 | 16 | Uygulama | 3 | 2 | 6 | Proje | 3 | 7 | 21 | Toplam Çalışma Yükü | | | 64 |
|