DERSİN TÜRÜ	Seçmeli
DERSİN DÜZEYİ	Lisans
DERSİN YILI	-
YARIYIL	-
AKTS	5
ÖĞRETİM ELEMAN(LAR)I	-
DERSİN ÖĞRENME KAZANIMLARI	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