|
|
| YZM4008 | Veri Madenciliği | 2+0+0 | AKTS:4 | | Yıl / Yarıyıl | Bahar Dönemi | | Ders Duzeyi | Lisans | | Yazılım Şekli | Seçmeli | | Bölümü | YAZILIM MÜHENDİSLİĞİ BÖLÜMÜ | | Ön Koşul | Yok | | Eğitim Sistemi | Yüz yüze , Uygulama | | Dersin Süresi | 14 hafta - haftada 2 saat teorik | | Öğretim Üyesi | Prof. Dr. Hamdi Tolga KAHRAMAN | | Diğer Öğretim Üyesi | | | Öğretim Dili | Türkçe | | Staj | Yok | | | | Dersin Amacı: | | Bu dersin amacı, öğrencilere veri madenciliği algoritmaları ve teknikleri ile ilgili teorik bilgiler vermek ve öğrencilere farklı uygulamalar için uygun veri madenciliği teknikleri seçme ve uygulama yeteneği kazandırmaktır. Bu ders, öğrencilerin; veri önişleme, birliktelik kuralı analizi, sınıflandırma ve tahminleme ve uygulamaları ile kümeleme analizini öğrenmesini sağlayacaktır. |
| Öğrenim Kazanımları | BPKK | ÖY | | Bu dersi başarı ile tamamlayan öğrenciler : | | | | ÖK - 1 : | Temel veri madenciliği kavramlarını tanımlayabilme | 1,4,5,8 | 1 | | ÖK - 2 : | Veri setlerinden faydalı bilgiyi bulup çıkarma becerisi kazanma | 1,4,5,8 | 1 | | ÖK - 3 : | Belirli bir problemi çözmek için uygun olan veri madenciliği tekniğini belirleyebilme | 1,4,5,8 | 1 | | ÖK - 4 : | Eğiticili ve eğiticisiz yöntemler ile sınıflama ve kümeleme bilgi ve becerisi kazanma | 1,4,5,8 | 1,6 | | ÖK - 5 : | Bir veri madenciliği modeli tasarlayabilme ve uygulama geliştirme | 1,4,5,8 | 1,6 | | 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),ÖK : Öğrenim Kazanımı | | |
| Veri madenciliğine giriş, veri madenciği tanımları, veri hazırlama , veri madenciliği teknikleri,sınıflandırma, karar ağaçları, birliktelik kuralları, kümeleme. |
| |
| Haftalık Detaylı Ders İçeriği | | Hafta | Detaylı İçerik | Önerilen Kaynak | | Hafta 1 | Veri Madenciliğine Giriş, Veri Madenciliği Terminolojisi ve Tanımlar | | | Hafta 2 | Veri ambarları, veri seti havuzları (UCI Machine Learning Data Repository), veri hazırlama, Araştırma ve Uygulama Projesi | | | Hafta 3 | Veri Madenciliği Süreci ve Veri Madenciliği Teknikleri
| | | Hafta 4 | İstatistiksel Sınıflandırma (Yalın bayes) , Araştırma ve Uygulama Projesi Kontrolü
| | | Hafta 5 | Sınıflandırma teknikleri (k-en yakın komşu algoritması) ve uygulaması, Araştırma ve Uygulama Projesi Kontrolü
| | | Hafta 6 | Sınıflandırma teknikleri (karar ağaçları), Araştırma ve Uygulama Projesi Kontrolü
| | | Hafta 7 | Sınıflandırma teknikleri (yapay sinir ağları) ve uygulaması, Araştırma ve Uygulama Projesi Kontrolü
| | | Hafta 8 | Kümeleme Teknikleri, hiyerarşik ve hiyerarşik olmayan teknikler, Araştırma ve Uygulama Projesi Kontrolü
| | | Hafta 9 | Ara Sınav Haftası
| | | Hafta 10 | K-ortalamalar yöntemi ile kümeleme, Araştırma ve Uygulama Projesi Kontrolü
| | | Hafta 11 | En uzak ve en yakın komşu yöntemleriyle kümeleme, Araştırma ve Uygulama Projesi Kontrolü
| | | Hafta 12 | Birliktelik Kuralları ve Apriori Algoritması,Araştırma ve Uygulama Projesi Kontrolü
| | | Hafta 13 | Araştırma ve Uygulama Projesi Sunumu
| | | Hafta 14 | Araştırma ve Uygulama Projesi Sunumu
| | | Hafta 15 | Araştırma ve Uygulama Projesi Sunumu
| | | Hafta 16 | Final Sınav | | | |
| Ölçme Yöntemi | | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | | Arasınav | 9 | | 70 | 25 | | Proje | 13 | | 120 | 25 | | Dönem sonu sınavı | 16 | | 70 | 50 | | |
| Öğrenci Çalışma Yükü | | İşlem adı | Haftalık süre (saat) | Hafta sayısı | Dönem toplamı | | Yüz yüze eğitim | 2 | 14 | 28 | | Sınıf dışı çalışma | 3 | 12 | 36 | | Arasınav için hazırlık | 1 | 8 | 8 | | Arasınav | 2 | 1 | 2 | | Proje | 2 | 8 | 16 | | Dönem sonu sınavı için hazırlık | 2 | 5 | 10 | | Dönem sonu sınavı | 2 | 1 | 2 | | Toplam Çalışma Yükü | | | 102 |
|