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 Temellerini Anlama 2) Veri Ön İşleme Becerileri 3) İstatistiksel Analiz ve Görselleştirme 4) Modelleme ve Değerlendirme 5) Zaman Serisi Analizi ve Tahmin
DERSİN VERİLİŞ BİÇİMİ	Yüz Yüze
DERSİN ÖNKOŞULLARI	Yok
ÖNERİLEN DERSLER	istatistik
DERS TANIMI	Bu ders, veri madenciliğindeki önemli yeni fikirlerin çoğunu tanıtmayı, bunları istatistiksel çerçeveler olarak açıklamayı ve İş, Finans, Pazarlama ve Yönetimdeki uygulamalarından bazılarını tanımlamayı amaçlamaktadır. Veri madenciliği, yararlı bilgileri çıkarmak için büyük miktarda veri madenciliği sürecidir. Verilerde gizli bilgi kuralları, kalıplar, düzenlilikler ve diğer eğilimler gibi potansiyel olarak yararlı bilgiler için veritabanlarında arama yapmayı içerir. Veri madenciliği uygulamaları, günümüzün rekabetçi pazarında oldukça faydalıdır. Bu modülde, iyi bilinen veri madenciliği tekniklerinin birkaç vaka çalışması kullanılmıştır; örneğin alışveriş sepeti analizi, borsa getirilerini tahmin etme, bankacılıkta risk analizi, web analitiği ve Facebook ve Twitter dahil olmak üzere sosyal ağ analizi. Ayrıca, SPSS Modeler uygulaması ile veri madenciliği süreçlerini daha etkili bir şekilde yönetmeyi ve analiz etmeyi öğreneceksiniz. SPSS Modeler, kullanıcı dostu arayüzü ve güçlü analitik yetenekleri ile verileri keşfetmenize ve karar verme süreçlerinizi desteklemenize yardımcı olacaktır. Veri madenciliği kavramlarını ve tekniklerini anlamak, iş ve yerleştirme rekabetinde değerli bir avantaj sağlayabilir. Bu sektör, durgunluk döneminde bile iş fırsatları ve maaşlarda tutarlı büyüme gösteren birkaç alandan biri olmaya devam ediyor.
DERS İÇERİĞİ	HAFTA KONULAR 1. Hafta Hafta 1: Veri madenciliği kavramlarına genel bakış, İş dünyasındaki önemi 2. Hafta Hafta 2: Veri Ön İşleme, Veri temizleme teknikleri, Veri dönüşümü ve normalizasyonu 3. Hafta Hafta 3: Tanımlayıcı istatistikler 4. Hafta Hafta 4: Veri görselleştirme teknikleri, Desenleri ve eğilimleri belirleme 5. Hafta Hafta 5: Sınıflandırma Teknikleri, Karar ağaçları 6. Hafta Hafta 6: k-En Yakın Komşular (k-NN) 7. Hafta Hafta 7: Ara sınavi 8. Hafta Hafta 8: Regresyon Analizi, Doğrusal regresyon 9. Hafta Hafta 9: Lojistik regresyon 10. Hafta Hafta 10: Model değerlendirme metrikleri 11. Hafta Hafta 11: Kümelemeye giriş ,k-Ortalamalar kümelemesi 12. Hafta Hafta 12: Zaman Serisi Analizi, Zaman serisi verilerine giriş, Tahmin modelleri 13. Hafta Hafta 13: Mevsimsellik ve trendler 14. Hafta Hafta 14: Final sınavı 15. Hafta
ZORUNLU YA DA ÖNERİLEN KAYNAKLAR	https://www.ibm.com/docs/en/cloud-paks/cp-data/5.0.x?topic=modeler-tutorials
ÖĞRETİM YÖNTEM VE TEKNİKLERİ	Anlatım,Tartışma,Soru-Cevap,Örnek Olay İncelemesi,Sorun/Problem Çözme,Eğitim-Uygulama,Proje,Rapor Hazırlama,Sunum
DEĞERLENDİRME YÖNTEMİ VE GEÇME KRİTERLERİ	Ara sınavı: %30 proje sunum Final sınavı: %30 proje sunum %40 yazılı sınav (yorumlama)
AKTS İŞ YÜKÜ	Aktivite Sayı Süresi(Saat) İş Yükü Ara Sınav 1 1 1 Kısa Sınavlara hazırlık 1 4 4 Sınıf Dışı Ders Çalışma Süresi 1 16 16 Final Sınavına Hazırlık 1 4 4 Ders Saati 12 2 24 Ara Sınava Hazırlık 1 3 3 Laboratuvar 12 1 12 Final Sınavı 1 1 1 Ödevler 2 2 4 Evde Hazırla Uygulaması 2 3 6 Toplam İş Yükü 75 Toplam İş Yükü / 30 2,5 Dersin AKTS Kredisi 10
DİL	Türkçe
STAJ / UYGULAMA	Yok