Ders AdıKodu Yerel KrediAKTS Ders (saat/hafta)Uygulama (saat/hafta)Laboratuar (saat/hafta)
Veri MadenciliğiBLM522437.5300
ÖnkoşullarYok
YarıyılGüz, Bahar
Dersin Diliİngilizce, Türkçe
Dersin SeviyesiYüksek Lisans
Dersin TürüSeçmeli @ Bilgisayar Mühendisliği ABD Bilgi Teknolojileri Yüksek Lisans Programı (Tezsiz, 2. Öğretim)
Seçmeli @ Bilgisayar Mühendisliği ABD Bilgi Teknolojileri Yüksek Lisans Programı (Tezsiz, 2. Öğretim, İngilizce)
Ders KategorisiUzmanlık/Alan Dersleri
Dersin Veriliş ŞekliYüz yüze
Dersi Sunan Akademik BirimBilgisayar Mühendisliği Bölümü
Dersin KoordinatörüSongül Varlı
Dersi Veren(ler)Songül Varlı
Asistan(lar)ı
Dersin AmacıVeri 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 İçeriğiVeri 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
  • Textbook1: Data Mining – Concepts, Models, Methods and Algorithms, Mehmed Kantardzic, ISBN:0-471-22852-4
  • Textbook2: Data Mining , J. Han – M. Kamber, Morgan-Kaufman, Academic Press, 2001, ISBN: 1-55860-901-6
Opsiyonel Program BileşenleriYok

Ders Öğrenim Çıktıları

  1. Öğrenciler Veri Madenciliği temel kavramlarını öğrenme ve uygulayabilme bilgi ve becerisi kazanacaklardır.
  2. Öğrenciler Veri önişleme-(Veri temizleme, birleştirme) yöntemlerini öğrenecektir.
  3. Öğrenciler Veri indirgeme yöntemleri öğrenecektir.
  4. Öğrenciler eğiticili ve eğiticisiz yöntemlerle sınıflama ve kümeleme yöntemlerini öğreneceklerdir.
  5. Öğrenciler birliktelik kuralları hakkında bilgi sahibi olacaklardır.

Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları

HaftaKonularÖn Hazırlık
1Veri Madenciliğine Giriş2. Kaynak Kitap - 1.Bölüm
2Veri Madenciliği Kavramları ve Veri Önişleme Teknikleri1. Kaynak Kitap - 2.Bölüm ve 3. Bölüm
3Veri İndirgeme ve Veri Ayrıklaştırma-I1. Kaynak Kitap - 3.Bölüm
4Veri İndirgeme ve Veri Ayrıklaştırma-II1. Kaynak Kitap - 3.Bölüm
5Karar Ağaçları ve Kuralları1. Kaynak Kitap - 7.Bölüm
6Sınıflamada İstatistiksel Metodlar, Naïve Bayes Sınıflayıcı1. Kaynak Kitap - 5.Bölüm
7Sınıflayıcıları değerlendirme Yöntemleri, Sınıf karışıklık Matrisi1. Kaynak Kitap - 4.Bölüm
8Ara Sınav 1
9Kümeleme Metodları: K-Means Alg. ve Hiyerarşik Kümeleme1. Kaynak Kitap - 6.Bölüm
10Birliktelik Kuralları, Market Sepeti Analizi, Apriori Alg.1. Kaynak Kitap - 8.Bölüm
11Veri Ambarları ve OLAP Teknolojileri, Çok boyutlu veri modelinde OLAP işlemleri2. Kaynak Kitap - 3.Bölüm
12Web Madenciliği2. Kaynak Kitap - 11.Bölüm
13Yapay sinir ağlarını kullanarak sınıflama1. Kaynak Kitap - 9.Bölüm
14Proje SunumlarıProje Sunumları
15Final

Değerlendirme Sistemi

EtkinliklerSayıKatkı Payı
Devam/Katılım
Laboratuar
Uygulama
Arazi Çalışması
Derse Özgü Staj
Küçük Sınavlar/Stüdyo Kritiği
Ödev
Sunum/Jüri
Projeler120
Seminer/Workshop
Ara Sınavlar240
Final140
Dönem İçi Çalışmaların Başarı Notuna Katkısı
Final Sınavının Başarı Notuna Katkısı
TOPLAM100

AKTS İşyükü Tablosu

EtkinliklerSayıSüresi (Saat)Toplam İşyükü
Ders Saati143
Laboratuar
Uygulama
Arazi Çalışması
Sınıf Dışı Ders Çalışması144
Derse Özgü Staj
Ödev310
Küçük Sınavlar/Stüdyo Kritiği
Projeler135
Sunum / Seminer
Ara Sınavlar (Sınav Süresi + Sınav Hazırlık Süresi)130
Final (Sınav Süresi + Sınav Hazırlık Süresi)130
Toplam İşyükü :
Toplam İşyükü / 30(s) :
AKTS Kredisi :
Diğer NotlarYok