| Hafta | Konular | Ön Hazırlık |
|---|
| 1 | Konu Anlatımı: Veri Madenciliğine giriş, veri bilimi ve istatistik ilişkisi Sınıf-içi Uygulama (40 dk): Python/R tanıtımı ve basit veri örnekleri Sınıf-içi Tartışma (10 dk): Veri bilimi-istatistik ilişkisi üzerine tartışma | 1. Giriş bölmünün okunması Kaynak: Ders Kitabı[1],1–20 2. Python temel veri yapıları tekrar edilmesi , Ders Kitabı[2],1–25 |
| 2 | Konu Anlatımı (30 dk): Veri türleri, veri kalitesi ve veri ön işleme Sınıf-içi Uygulama (40 dk): Pandas ile veri yükleme, eksik değerlerin temizlenmesi Sınıf-içi Tartışma (10 dk): Veri kalitesi sorunlarının sonuçları üzerine tartışma Kısa Sınav 1 (15 dk): Ders sonunda, derste işlenen konuları içeren bir kısa sınavın yapılması | 1. Pandas ile veri seti yükleme, eksik değerleri incelemesi, Kaynak: Ders Kitabı [2], 1-25 2. Bölüm 2 kısmının okunması, Kaynak Ders Kitabı, 35-60 |
| 3 | Konu Anlatımı: Veri temizleme, dönüştürme ve öznitelik seçimi Sınıf-içi Uygulama (40 dk.): Python ile normalizasyon ve standardizasyon uygulamaları) Sınıf-içi Tartışma: Öznitelik seçiminin model başarısına etkisi (10 dk) | 1. Veri standardizasyonu ve normalizasyon yöntemlerini araştırması bölümlerinin okunması, Kaynak: Ders Kitabı [1],101-140, Ders Kitabı [2], 61-85 |
| 4 | Konu Anlatımı: Sınıflandırmaya giriş, Karar ağaçları Sınıf-içi Uygulama (40 dk.): ID3/CART ile sınıflandırma örnekleri Sınıf-içi Tartışma (10 dk.): Karar ağaçlarının avantaj /dezavantajları Kısa Sınav 2: (15 dk) Ders sonunda, derste işlenen konuları içeren bir kısa sınavın yapılması | 1. Entropi ve bilgi kazancı kavramlarının incelenmesi, Kaynak: Ders Kitabı [1], 323,350; Kaynak Ders Kitabı [2], 145-170 |
| 5 | Konu Anlatımı: Naive Bayes, k-En Yakın Komşu Sınıf-içi Uygulama (40 dk.):Naive Bayes ve k-NN ile uygulama Sınıf-içi Tartışma (10 dk.): Küçük veri setlerinde yöntem karşılaştırması | 1. Koşullu olasılık ve Bayes teoremini tekrar edimesi, Kaynak: Ders Kitabı [1],351-370,;Kaynak: Ders Kitabı [2], 180 -205 |
| 6 | Konu Anlatımı: Destek Vektör Makineleri Sınıf-içi Uygulama (40 dk.): Python sklearn ile SVM uygulaması Sınıf-içi Tartışma (10 dk.): Doğrusal/Doğrusal olmayan sınıflandırıcı tartışması | 1. Doğrusal ayrılabilirlik ve hiper-düzlem kavramlarının gözden geçirilmesi. Kaynak: Han [1], Bölüm 8, ss 380–400 2. Support Vector Machines konusunun incelenmesi., Kaynak: Ders Kitabı, 337-364 |
| 7 | Konu Anlatımı: Yapay sinir ağlarına giriş Sınıf-içi Uygulama (40 dk.): Basit yapay sinir ağı eğitimi Sınıf-içi Tartışma (10 dk.): Küme sayısı seçimi tartışması | 1. Doğrusal ayrılabilirlik ve hiper-düzlem kavramlarının gözden geçirilmesi. Kaynak: Han [1], Bölüm 8, ss 380–400 2. Support Vector Machines konusunun incelenmesi., Kaynak: Ders Kitabı, 337-364 |
| 8 | Ara Sınav 1 | |
| 9 | Konu Anlatımı: Kümeleme: K-means algoritması Sınıf-içi Uygulama (40 dk.): K-means uygulamaları Sınıf-içi Tartışma (10 dk.): Küme sayısı seçimi tartışması | 1. Öklid mesafesi ve centroid kavramlarının araştırılması. Kaynak: Ders Kitabı [1], ss. 443–470, Kaynak: Ders Kitabı [2],500-520 |
| 10 | Konu Anlatımı: Hiyerarşik kümeleme, DBSCAN Sınıf-içi Uygulama (40 dk.): Python ile dendrogram ve DBSCAN uygulaması Sınıf-içi Tartışma (10 dk.): Yoğunluk tabanlı yöntemlerin avantajları | 1. Dendrogram örneklerinin incelenmesi, yoğunluk kavramının okunması. Kaynak: Ders Kitabı [1], Bölüm 10, ss. 471–500, Kaynak: Ders Kitabı [2], Bölüm 8, ss. 521–540 |
| 11 | Konu Anlatımı: Birliktelik kuralları: Apriori algoritması Sınıf-içi Uygulama (40 dk.): Market sepeti analizi uygulaması Sınıf-içi Tartışma (10 dk.): Apriori kurallarının ticari kullanım tartışması | 1. Market sepeti analizine dair kısa makalenin okunması.Kaynak: Ders Kitabı [1], Bölüm 6, ss. 227–260;Kaynak: Ders Kitabı [2], Bölüm 6, ss. 350–370 |
| 12 | Konu Anlatımı: FP-Growth yöntemi Sınıf-içi Uygulama (40 dk): Python ile FP-Growth uygulaması Sınıf-içi Tartışma (10 dk.): Apriori ile FP-Growth kıyaslaması Kısa Sınav 3 (15 dk) :Ders sonunda, derste işlenen konuları içeren bir kısa sınav yapılması | 1. Apriori ile FP-Growth arasındaki farkların araştırılması.Kaynak: Ders Kitabı [1], Bölüm 6, ss. 261–280; Kaynak: Ders Kitabı [2], Bölüm 6, ss. 371–390 |
| 13 | Konu Anlatımı: Boyut indirgeme: PCA, LDA Sınıf-içi Uygulama (40 dk.): PCA ve LDA uygulamaları Sınıf-içi Tartışma (10 dk.): Boyut indirgemede bilgi kaybı tartışması | 1. Matrislerde özdeğer ve özvektör kavramlarının tekrar edilmesi, feature reduction konusunun incelenmesi.. Kaynak: Ders Kitabı [1], Bölüm 3, ss. 141–160;Kaynak: Ders Kitabı [3], Bölüm 6, ss. 215–245 |
| 14 | Konu Anlatımı: Yapay zekâ tabanlı veri madenciliği yöntemleri Sınıf-içi Uygulama (40 dk.): Random Forest / XGBoost uygulaması Sınıf-içi Tartışma (10 dk): Klasik yöntem vs. yapay zekâ tabanlı yöntem tartışması | 1. Güncel makine öğrenmesi algoritmaları (Random Forest, XGBoost vb.) hakkında makale okunması. Kaynak: Ders Kitabı [1], Bölüm 12, ss. 501–540 ; Kaynak: Ders Kitabı [3], Bölüm 8, ss. 295–336 |
| 15 | Proje sunumları ve genel değerlendirme | Proje raporlarının hazırlanması, sunumların yapılması |
| 16 | Final | |
