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 uygulamaları açısından bir standart olan CRISP-DM standardını ve genel olarak veri madenciliğinin çeşitli aşamalarını ve yöntemlerini uygulamayı öğrenmiş olacaklardır 2) Bu bağlamda örnek bir yazılım aracı olarak da WEKA yazılım paketini kullanmayı öğreneceklerdir.
DERSİN VERİLİŞ BİÇİMİ	Yüz Yüze
DERSİN ÖNKOŞULLARI	Yok
ÖNERİLEN DERSLER	Bu dersle ilişkili önerilen başka dersler bulunmamaktadır.
DERS TANIMI	Ölçme ve veri, veri analizi ve belirsizlik, model ve örüntü, arama ve optimizasyon, sınıflama ve regresyon, örüntü ve kural bulma, uygulamalar ve projeler
DERS İÇERİĞİ	HAFTA KONULAR 1. Hafta Giriş: Veri madenciliği nedir? 2. Hafta Bazı temel kavramlar 3. Hafta Basit örnekler 4. Hafta CRISP-DM standardı 5. Hafta Verilerin hazırlanması ve önemi 6. Hafta Veri analizine giriş 7. Hafta WEKA yazılımı 8. Hafta ARA SINAV 9. Hafta Karar kuralları ve karar ağaçları 10. Hafta Karar kuralları ve karar ağaçları 11. Hafta Doğrusal regresyon modelleri 12. Hafta Doğrusal sınıflama modelleri 13. Hafta Kümele yöntemleri 14. Hafta Uygulama/Proje Sunumları
ZORUNLU YA DA ÖNERİLEN KAYNAKLAR	Data Mining, I.H. Witten, E. Frank, Morgan Kaufmann, 2005. Discovering Knowledge in Data: An Introduction to Data Mining, D.T. Larose, John Wİley & Sons, 2005. Principles of Data Mining, D.J. Hand, H. Manila, P. Smith, MIT Press, 2001.
ÖĞRETİM YÖNTEM VE TEKNİKLERİ	Anlatım,Soru-Cevap,Sorun/Problem Çözme,Diğer
DEĞERLENDİRME YÖNTEMİ VE GEÇME KRİTERLERİ	Sayısı Toplam Katkısı(%) Ara Sınav 1 30 Ödev 5 10 Proje 1 10 Toplam(%) 50 Yıl İçinin Başarıya Oranı(%) 50 Finalin Başarıya Oranı(%) 50 Toplam(%) 100
DİL	Türkçe
STAJ / UYGULAMA	Yok