DERSİN TÜRÜ	Seçmeli
DERSİN DÜZEYİ	Lisans
DERSİN YILI	-
YARIYIL	-
AKTS	5
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 10) Doğrusal Regresyon Analizi, Lojistik Regresyon Analizi, K-en Yakın Komşuluk, K-ortalamalar Kümeleme Analizi, Aşamalı (Hierarchical) Kümeleme Yöntemleri, Karar Ağaçları ve Birliktelik (İlişki) Kuralları yöntemlerini, veri madenciliği yazılımlarını kullanarak uygulayabilir 11) (Ücretsiz) veri madenciliği yazılımlarını kullanabilir 12) Karmaşık olmayan veri madenciliği projeleri uygulayabilir ve yönetebilir
DERSİN VERİLİŞ BİÇİMİ	Yüz Yüze
DERSİN ÖNKOŞULLARI	Yok
ÖNERİLEN DERSLER	Yok
DERS TANIMI	Bu ders, Veri madenciliği tanımı, Veri madenciliği uygulama alanlarına, tekniklerine ve modellerine genel bakış, veri madenciliği aşamaları: amacı belirleme, amaca uygun veri kümesi oluşturma (veri seçme), veri ayıklama ve önişleme, veri azaltma ve veri dönüşümü, veri madenciliği öğrenme algoritmasını seçme, model değerlendirme ve bilgi sunumu, bulunan bilginin yorumlanması, veri Madenciliği öğrenme algoritmalarını inceleme: karar ağaçları, demetleme, bellek tabanlı yöntemler, yapay sinir ağları konularını kapsamaktadır.
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	Hand, David, Mannila, Heikki and Smyth, Padhraic. Principles of Data Mining. MIT Press, London, 2001. Hastie, Trevor, Tibshirani, Robert and Friedman, Jerome. The Elements of Statistical Learning: Data Mining, Inference, and Prediction (Second Edition). Springer Series in Statistics, 2009. 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. Anlatım,Sorun/Problem Çözme,Eğitim-Uygulama,Sunum,Deney
ÖĞRETİM YÖNTEM VE TEKNİKLERİ	Anlatım,Soru-Cevap,Eğitim-Uygulama,Sunum,Deney
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 1 1 Kısa Sınavlara hazırlık 4 4 16 Sınıf Dışı Ders Çalışma Süresi 14 2 28 Final Sınavına Hazırlık 1 30 30 Ders Saati 13 2 26 Ara Sınava Hazırlık 1 15 15 Laboratuvar Final Sınavı 1 1 1 Ödevler Proje 4 5 20 Toplam İş Yükü 137 Toplam İş Yükü / 30 4,56 Dersin AKTS Kredisi 5
DİL	Türkçe
STAJ / UYGULAMA	Yok