DERSİN TÜRÜ	Seçmeli
DERSİN DÜZEYİ	Tezli Yüksek Lisans
DERSİN YILI	-
YARIYIL	-
AKTS	10
ÖĞRETİM ELEMAN(LAR)I	-
DERSİN ÖĞRENME KAZANIMLARI	Bu dersin sonunda öğrenciler; 1) Veri madenciliği temel kavramlarının teorisini açıklayabilir 2) Operasyonel veritabanından/veritabanlarından, veri ambarı hazırlayabilir 3) Veri madenciliğinin görevlerini açıklayabilir 4) Veri madenciliğin bileşenlerini açıklayabilir 5) Karar süreçleri ve İş zekası arasındaki ilişkiyi açıklayabilir 6) Veri madenciliği ile diğer analitik yöntemler ve iş zekası çözümleri arasındaki ayrımı yapabilir 7) Veri madenciliği projelerini, CRISP-DM ve diğer veri madenciliği metodolojilerine uygun oluşturabilir 8) Veriye ve amaca uygun yöntem tespitini belirleyebilir 9) Veri madenciliğinin istatistik altyapısını açıklayabilir
DERSİN VERİLİŞ BİÇİMİ	Yüz Yüze
DERSİN ÖNKOŞULLARI	Yok
ÖNERİLEN DERSLER	Yok
DERS TANIMI	Veri madenciliği teknikleri hakkında öğrenciye bilgi vermek, veri setlerini analiz ederek sonuçlarını yorumlamak temelli bir derstir.
DERS İÇERİĞİ	HAFTA KONULAR 1. Hafta Veri Madenciliğine Giriş 2. Hafta Veri Madenciliğinin Görevleri 3. Hafta Veri Madenciliğinin Görevleri 4. Hafta Veri Madenciliğinin Bileşenleri 5. Hafta Veri Madenciliğinin Bileşenleri 6. Hafta Veri Madenciliği İle Diğer Analitik Yöntemlerin Karşılaştırılması 7. Hafta Veri Madenciliği İle Diğer Analitik Yöntemlerin Karşılaştırılması 8. Hafta Arasınav 9. Hafta Karar Süreçleri, İş Zekası Ve Veri Madenciliği 10. Hafta Veri Madenciliği Metodolojisi 11. Hafta Veri Madenciliği Yöntemlerinin Sınıflandırılması 12. Hafta Veri Madenciliğinin İstatistiksel Altyapısı 13. Hafta Veri Madenciliği Yöntemleri Ve Uygulamaları 14. Hafta Veri Madenciliği Yöntemleri Ve Uygulamaları
ZORUNLU YA DA ÖNERİLEN KAYNAKLAR	1. Hand, David, Mannila, Heikki and Smyth, Padhraic. Principles of Data Mining. MIT Press, London, 2001. 2. Hastie, Trevor, Tibshirani, Robert and Friedman, Jerome. The Elements of Statistical Learning: Data Mining, Inference, and Prediction (Second Edition). Springer Series in Statistics, 2009. 3. Witten, Ian H. and Frank, Eibe. Data Mining: Practical Machine Learning Tools and Techniques (Second Edition), The Morgan Kaufmann Series in Data Management Systems), 2005.
ÖĞRETİM YÖNTEM VE TEKNİKLERİ	Anlatım,Sunum,Deney,Eğitim-Uygulama,Sorun/Problem Çözme
DEĞERLENDİRME YÖNTEMİ VE GEÇME KRİTERLERİ	Sayısı Toplam Katkısı(%) Ara Sınav 1 25 Uygulama/Pratik 1 20 Proje 1 10 Toplam(%) 55 Yıl İçinin Başarıya Oranı(%) 55 Finalin Başarıya Oranı(%) 45 Toplam(%) 100
AKTS İŞ YÜKÜ	Aktivite Sayı Süresi(Saat) İş Yükü Ara Sınav 1 3 3 Kısa Sınavlara hazırlık Sınıf Dışı Ders Çalışma Süresi 14 10 140 Final Sınavına Hazırlık 1 45 45 Ders Saati 14 3 42 Ara Sınava Hazırlık 1 30 30 Laboratuvar Final Sınavı 1 3 3 Ödevler 1 40 40 Toplam İş Yükü 303 Toplam İş Yükü / 30 10,1 Dersin AKTS Kredisi 10
DİL	Türkçe
STAJ / UYGULAMA	Yok