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
PROGRAM YETERLİLİKLERİ (P) / DERSİN ÖĞRENME KAZANIMLARI (Ö) MATRİSİ