| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| Veri Madenciliği | ENM 424 | 8 | 3 + 0 | 3 | 4 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler | Derste öğrenilen algoritma ve teknikler Python programlama dili ile geliştirilecek kodlar sayesinde uygulanacaktır. Python programlama dilinde özellikle, Numpy, scikit-learn, Scipy, pandas, matplotlib gibi kütüphanelerin bilinmesi önerilir. |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Seçmeli |
| Dersin Koordinatörü | Dr.Öğr.Üyesi NEVRA AKBİLEK |
| Dersi Verenler | |
| Dersin Yardımcıları | |
| Dersin Kategorisi | Diğer |
| Dersin Amacı | 1. Veri madenciliğinin temel kavramlarını, ,amaçlarını ve tekniklerini tanıtmak ve kullanımını yaygınlaştırılması 2. Geniş ölçekli veri tabanlarında analiz yeteneğinin kazandırılması 3. Veri madenciliği uygulamaları ve popüler konuları hakkında bilgi ve yeterlilik kazandırılması 4. Veri madenciliği uygulamaları geliştirmeye yönelik yeterlilik kazandırılması 5. Veriyi anlama, yorumlama, analiz etme ve görselleştirme gibi yeteneklerin kazandırılması |
| Dersin İçeriği | Veri Madenciliği veri tabanlarından bilgi keşfi süreci olarak tanımlanır. Veri madenciliği teknikleri sayesinde büyük veri tabanlarından gizli olan anlamlı bilgiler çıkarılır. Bu ders veri madenciliğinin istatiksel, makine öğrenmesi ve veri tabanı yönünden temellerini içermektedir. Derste veri madenciliğinin temel kavramları gösterildikten sonra veri hazırlama, sınıflandırma, kümeleme, birliktelik analizleri gibi veri madenciliği uygulamaları anlatılacaktır. Ayrıca derste veri madenciliğinde veriden anlamlı bilgi keşfedilme sürecinden bahsedilecek ve veri madenciliğinde kullanılan istatistiksel metotlara yer verilecektir. Günümüzün trend konuları olan makine öğrenmesi ve yapay sinir ağları ile ilgili bilgiler de ders kapsamında anlatılacaktır. |
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | Sınıflandırma algoritmalarını kullanabilmek | Eğitsel Oyun, Deney ve Laboratuvar, Gözlem, | |
| 2 | Gruplama algoritmalarını kullanabilmek | Gözlem, Deney ve Laboratuvar, Eğitsel Oyun, | |
| 3 | Sepet analizini kullanabilmek | Eğitsel Oyun, Deney ve Laboratuvar, Gözlem, | |
| 4 | Veri madenciliği yazılımlarını kullanabilmek | Gözlem, |
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 1 | Kavramsal Çerçeve | |
| 2 | Veri Hazırlama ve Önişleme | |
| 3 | Veri Önişleme ve Numpy Paketine Giriş | |
| 4 | Pandas Eğitimi | |
| 5 | Veri Görselleştirme (Matplotlib) Eğitimi | |
| 6 | Scikit-Learn Eğitimi | |
| 7 | Karar Ağaçları ile Sınıflandırma | |
| 8 | Destek_Vektor_Makineleri | |
| 9 | Regresyon Modelleri | |
| 10 | Yapay Sinir Ağları (YSA) | |
| 11 | Veri Madenciliği Araçları | 1. RapidMiner 2. Weka 3. Orange 4. Orange Kullanımı 5. R 6. Knime 7. Sas 8. SPSS |
| 12 | Kümeleme Algoritmaları | |
| 13 | Birliktelik Analizleri | |
| 14 | Veri Madenciliği Uygulaması |
| Kaynaklar | |
|---|---|
| Ders Notu | Ders notları Google Class üzerinden paylaşılacaktır. Bahar2020 Google Class kodu: tj62d7c Yaz2020 Google Class Kodu: ryvjagc |
| Ders Kaynakları | Ana Kitap 1. Tan, Pang-Ning, Michael Steinbach, Anuj Karpatne, ve Vipin Kumar. *Introduction to Data Mining*. 2 edition. NY NY: Pearson, 2018. Yardımcı Kitaplar 1. Han, Jiawei, Micheline Kamber, ve Jian Pei. *Data Mining: Concepts and Techniques, Third Edition*. 3 edition. Haryana, India; Burlington, MA: Morgan Kaufmann, 2011. Uygulama Kitapları 1. Kane, Frank. *Hands-On Data Science and Python Machine Learning*. Birmingham Mumbai: Packt Publishing - ebooks Account, 2017. 2. Porcu, Valentina. *Python for Data Mining Quick Syntax Reference*. 1st ed. edition. New York, NY: Apress, 2018. 3. “Python Machine Learning - Third Edition”. Erişim 23 Aralık 2019. https://www.packtpub.com/data/python-machine-learning-third-edition. |
| Sıra | Program Çıktıları | Katkı Düzeyi | |||||
|---|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | |||
| 1 a | Matematik, fen bilimleri ve ilgili mühendislik disiplinine özgü konularda yeterli bilgi birikimi; | ||||||
| 1 b | Bu alanlardaki kuramsal ve uygulamalı bilgileri, karmaşık mühendislik problemlerinin çözümünde kullanabilme becerisi. | ||||||
| 2 a | Karmaşık mühendislik problemlerini tanımlama, formüle etme ve çözme becerisi; | ||||||
| 2 b | Bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi. | ||||||
| 3 | Karmaşık bir sistemi, süreci, cihazı veya ürünü gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlama becerisi; bu amaçla modern tasarım yöntemlerini uygulama becerisi. | ||||||
| 4 | Mühendislik uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları seçme ve kullanma becerisi; bilişim teknolojilerini etkin bir şekilde kullanma becerisi. | ||||||
| 5 a | Karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için deney tasarlama becerisi. | ||||||
| 5 b | Deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisi. | ||||||
| 6 a | Disiplin içi takımlarda etkin biçimde çalışabilme becerisi. | ||||||
| 6 b | Çok disiplinli takımlarda etkin biçimde çalışabilme becerisi. | ||||||
| 6 c | Bireysel çalışma becerisi. | ||||||
| 7 a | Sözlü ve yazılı etkin iletişim kurma, etkin rapor yazma ve yazılı raporları anlama, tasarım ve üretim raporları hazırlayabilme becerisi, | ||||||
| 7 b | En az bir yabancı dil bilgisi. | ||||||
| 7 c | Etkin sunum yapabilme becerisi. | ||||||
| 7 d | Açık ve anlaşılır talimat verme ve alma becerisi. | ||||||
| 8 | Yaşam boyu öğrenmenin gerekliliği konusunda farkındalık; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi. | ||||||
| 9 a | Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk hakkında bilgi, | ||||||
| 9 b | Mühendislik uygulamalarında kullanılan standartlar hakkında bilgi. | ||||||
| 10 a | Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; | ||||||
| 10 b | Girişimcilik, yenilikçilik hakkında farkındalık | ||||||
| 10 c | Sürdürülebilir kalkınma hakkında bilgi. | ||||||
| 11 a | Mühendislik uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın mühendislik alanına yansıyan sorunları hakkında bilgi; | ||||||
| 11 b | Mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık. | ||||||
| # | Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı | PÇ 1 | PÇ 1 a | PÇ 1 b | PÇ 2 | PÇ 2 a | PÇ 2 b | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 5 a | PÇ 5 b | PÇ 6 | PÇ 6 a | PÇ 6 b | PÇ 6 c | PÇ 7 | PÇ 7 a | PÇ 7 b | PÇ 7 c | PÇ 7 d | PÇ 8 | PÇ 9 | PÇ 9 a | PÇ 9 b | PÇ 10 | PÇ 10 a | PÇ 10 b | PÇ 10 c | PÇ 11 | PÇ 11 a | PÇ 11 b |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | Sınıflandırma algoritmalarını kullanabilmek | |||||||||||||||||||||||||||||||
| 2 | Gruplama algoritmalarını kullanabilmek | |||||||||||||||||||||||||||||||
| 3 | Sepet analizini kullanabilmek | |||||||||||||||||||||||||||||||
| 4 | Veri madenciliği yazılımlarını kullanabilmek |
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| 1. Kısa Sınav | 15 |
| 1. Ödev | 7 |
| 2. Ödev | 70 |
| Toplam | 92 |
| 1. Yıl İçinin Başarıya | 50 |
| 1. Final | 50 |
| Toplam | 100 |
| AKTS - İş Yükü Etkinlik | Sayı | Süre (Saat) | Toplam İş Yükü (Saat) |
|---|---|---|---|
| Ders Süresi (Sınav haftası dahildir: 16x toplam ders saati) | 16 | 3 | 48 |
| Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme) | 16 | 2 | 32 |
| Ara Sınav | 1 | 4 | 4 |
| Ödev | 2 | 10 | 20 |
| Performans Görevi (Laboratuvar) | 1 | 16 | 16 |
| Toplam İş Yükü | 120 | ||
| Toplam İş Yükü / 25 (Saat) | 4,8 | ||
| Dersin AKTS Kredisi | 4 | ||