Bu dersin sonunda öğrenciler; 1) Karar tablosunu, karar ağacını; 2) veri sınıflandırma, ayrıştırma ve birleştirme kurallarını 3) istatistik ve doğrusal modelleme yöntemlerini öğreneceklerdir
DERSİN VERİLİŞ BİÇİMİ
Yüz Yüze
DERSİN ÖNKOŞULLARI
Yok
ÖNERİLEN DERSLER
Bu dersle ilişkili önerilen başka dersler bulunmamaktadır.
DERS TANIMI
Veri madenciliğinin esasları. Makine öğrenmesi (machine learning) ve veri madenciliği. Veri madenciliğinde etik kurallar. Bilginin temsili. Sınıflandırmalar. Değerlendirmeler. Öngörüler.
DERS İÇERİĞİ
HAFTA
KONULAR
1. Hafta
Veri Madenciliği
2. Hafta
Preliminaries
3. Hafta
Veri Madenciliği
4. Hafta
Etik
5. Hafta
Bilgi
6. Hafta
Sınıflandırma: Karar Ağaçları
7. Hafta
Sınıflandırma
8. Hafta
ARA SINAV
9. Hafta
Veri Analizi
10. Hafta
Kümeleme
11. Hafta
Kümeleme
12. Hafta
Budanan Karar Ağaçları
13. Hafta
Gelişim
14. Hafta
Öngörme
ZORUNLU YA DA ÖNERİLEN KAYNAKLAR
"Introduction to Data Mining", Pang-Ning Tan, Michael Steinbach, and Vipin Kumar. "Data Mining: Concepts and Techniques", Jiawei Han and Micheline Kamber, Morgan Kaufmann, 2001. "Data Mining: Practical Machine Learning", Ian H. Witten, Eibe Frank, Morgan Kaufmann, 2000. "Principles of Data Mining (Adaptive Computation and Machine Learning)", D Hand, MIT Press, 2001.
ÖĞRETİM YÖNTEM VE TEKNİKLERİ
Anlatım,Soru-Cevap,Örnek Olay İncelemesi,Sorun/Problem Çözme
DEĞERLENDİRME YÖNTEMİ VE GEÇME KRİTERLERİ
Sayısı
Toplam Katkısı(%)
Ara Sınav
1
30
Ödev
5
10
Mini-Sınav
5
10
Toplam(%)
50
Yıl İçinin Başarıya Oranı(%)
50
Finalin Başarıya Oranı(%)
50
Toplam(%)
100
DİL
Türkçe
STAJ / UYGULAMA
Yok
PROGRAM YETERLİLİKLERİ (P) / DERSİN ÖĞRENME KAZANIMLARI (Ö) MATRİSİ