Ders Adı | Kodu | Yerel Kredi | AKTS | Ders (saat/hafta) | Uygulama (saat/hafta) | Laboratuar (saat/hafta) |
---|---|---|---|---|---|---|
Veri Madenciliği ve Bilgi Keşfi | BLM5116 | 3 | 7.5 | 3 | 0 | 0 |
Önkoşullar | Yok |
---|
Yarıyıl | Güz |
---|
Dersin Dili | İngilizce, Türkçe |
---|---|
Dersin Seviyesi | Yüksek Lisans |
Dersin Türü | Seçmeli @ Bilgisayar Mühendisliği ABD Bilgisayar Mühendisliği Yüksek Lisans Programı Seçmeli @ Bilgisayar Mühendisliği ABD Bilgisayar Mühendisliği Yüksek Lisans Programı (Tezsiz) Seçmeli @ Akıllı Ulaşım Sistemleri Yüksek Lisans Programı Seçmeli @ Siber Güvenlik ve Kriptografi Yüksek Lisans Programı Seçmeli @ Veri Bilimi ve Büyük Veri Yüksek Lisans Programı Seçmeli @ Bilgisayar Mühendisliği ABD Bilgisayar Mühendisliği Doktora Programı |
Ders Kategorisi | Uzmanlık/Alan Dersleri |
Dersin Veriliş Şekli | Yüz yüze |
Dersi Sunan Akademik Birim | Bilgisayar Mühendisliği Bölümü |
---|---|
Dersin Koordinatörü | Songül Varlı |
Dersi Veren(ler) | Songül Varlı |
Asistan(lar)ı |
Dersin Amacı | Veri madenciliği, büyük ölçekli veriler arasından bilgiye ulaşma, bilgiyi madenleme işidir. Diğer bir anlamda büyük veri yığınları içerisinden gelecekle ilgili tahminde bulunabilmemizi sağlayabilecek bağıntıların bilgisayar programı kullanarak aranmasıdır. Veri madenciliği deyimi ile eş değer başka kullanımlar da literatüre geçmiştir. Veritabanlarında bilgi madenciliği (knowledge mining from databases), bilgi çıkarımı (knowledge extraction), veri ve örüntü analizi (data/pattern analysis), veri arkeolojisi gibi. Bunların arasında en yaygın kullanım Veritabanlarında Bilgi Keşfi (VBK - Knowledge Discovery From Databases - KDD)'dir. Alternatif olarak veri madenciliği aslında bilgi keşfi sürecinin bir parçası şeklinde kabul görmektedir. |
---|---|
Dersin İçeriği | Veri Madenciliği Kavramları, Veri Hazırlama Teknikleri, İstatistiksel Öğrenme Teorisi(Naive Bayes) , Kümeleme Metodları (K-Means, hiyerarşik), Karar Ağaçları ve Karar Kuralları, Birliktelik Kuralları |
Ders Kitabı / Malzemesi / Önerilen Kaynaklar |
|
Opsiyonel Program Bileşenleri | Yok |
Ders Öğrenim Çıktıları
- Öğrenciler Veri Madenciliği temel kavramlarını öğrenme ve uygulayabilme bilgi ve becerisi kazanacaklardır.
- Öğrenciler Veri önişleme-(Veri temizleme, birleştirme) yöntemlerini öğrenecektir.
- Öğrenciler Veri indirgeme yöntemleri öğrenecektir.
- Öğrenciler eğiticili ve eğiticisiz yöntemlerle sınıflama ve kümeleme yöntemlerini öğreneceklerdir.
- Öğrenciler birliktelik kuralları hakkında bilgi sahibi olacaklardır.
Ders Öğrenim Çıktısı & Program Çıktısı Matrisi
DÖÇ-1 | DÖÇ-2 | DÖÇ-3 | DÖÇ-4 | DÖÇ-5 | |
PÇ-1 | - | - | - | - | - |
PÇ-2 | - | - | - | - | - |
PÇ-3 | - | - | - | - | - |
PÇ-4 | - | - | - | - | - |
PÇ-5 | - | - | - | - | - |
PÇ-6 | - | - | - | - | - |
PÇ-7 | - | - | - | - | - |
PÇ-8 | - | - | - | - | - |
PÇ-9 | - | - | - | - | - |
PÇ-10 | - | - | - | - | - |
Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları
Hafta | Konular | Ön Hazırlık |
---|---|---|
1 | Veri Madenciliğine Giriş | 2. Kaynak Kitap - 1.Bölüm |
2 | Veri Madenciliği Kavramları ve Veri Önişleme Teknikleri | 1. Kaynak Kitap - 2.Bölüm ve 3. Bölüm |
3 | Veri İndirgeme ve Veri Ayrıklaştırma-I | 1. Kaynak Kitap - 3.Bölüm |
4 | Veri İndirgeme ve Veri Ayrıklaştırma-II | 1. Kaynak Kitap - 3.Bölüm |
5 | Eğiticili Öğrenme, Karar Ağaçları ve Kuralları | 1. Kaynak Kitap - 7.Bölüm |
6 | Sınıflamada İstatistiksel Metodlar, Naïve Bayes Sınıflayıcı, Sınıflayıcıların Değerlendirilmesi, Sınıf Karışıklık Matrisi | 1. Kaynak Kitap - 4. ve 5.Bölüm |
7 | Eğiticisiz Öğrenme, K-Means Kümeleme, Hierarşik Kümeleme | 1. Kaynak Kitap -6.Bölüm |
8 | Ara Sınav 1 | |
9 | Kümeleme Metodları: K-Means Alg. ve Hiyerarşik Kümeleme | 1. Kaynak Kitap - 6.Bölüm |
10 | Veri Ambarları ve OLAP Teknolojileri, Çok boyutlu veri modelinde OLAP işlemleri | 2. Kaynak Kitap -3.Bölüm |
11 | Web Madenciliği, Sayfa Sıralama(Page Ranking) Algoritmaları | Internet |
12 | Ara Sınav-2 | |
13 | Yapay sinir ağlarını kullanarak sınıflama | 1. Kaynak Kitap - 9.Bölüm |
14 | Proje Sunumları | Proje Sunumları |
15 | Final |
Değerlendirme Sistemi
Etkinlikler | Sayı | Katkı Payı |
---|---|---|
Devam/Katılım | ||
Laboratuar | ||
Uygulama | ||
Arazi Çalışması | ||
Derse Özgü Staj | ||
Küçük Sınavlar/Stüdyo Kritiği | ||
Ödev | ||
Sunum/Jüri | ||
Projeler | 1 | 20 |
Seminer/Workshop | ||
Ara Sınavlar | 2 | 40 |
Final | 1 | 40 |
Dönem İçi Çalışmaların Başarı Notuna Katkısı | ||
Final Sınavının Başarı Notuna Katkısı | ||
TOPLAM | 100 |
AKTS İşyükü Tablosu
Etkinlikler | Sayı | Süresi (Saat) | Toplam İşyükü |
---|---|---|---|
Ders Saati | 13 | 3 | |
Laboratuar | |||
Uygulama | |||
Arazi Çalışması | |||
Sınıf Dışı Ders Çalışması | 13 | 4 | |
Derse Özgü Staj | |||
Ödev | |||
Küçük Sınavlar/Stüdyo Kritiği | |||
Projeler | 1 | 35 | |
Sunum / Seminer | |||
Ara Sınavlar (Sınav Süresi + Sınav Hazırlık Süresi) | 2 | 30 | |
Final (Sınav Süresi + Sınav Hazırlık Süresi) | 1 | 40 | |
Toplam İşyükü : | |||
Toplam İşyükü / 30(s) : | |||
AKTS Kredisi : |
Diğer Notlar | Yok |
---|