| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| Veri Madenciliğine Giriş | CENG 464 | | | 3 + 0 | 3 | 5,00 |
| |
| Ders Bilgileri |
| Dersin Öğretim Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Seçmeli |
| Dersin Veriliş Biçimi | Yüz Yüze |
| |
Dersin Öğrenme Kazanımları:
Bu dersi başarı ile tamamlayan öğrenciler: |
| 1. Bu ders veriyi anlama becerisi kazandırır. |
| 2. Bu ders veri ön işleme tekniklerini anlama becerisi kazandırır. |
| 3. Bu ders sınıflandırma algoritmalarını kullanma becerisi kazandırır. |
| 4. Bu ders kümeleme algoritmalarını kullanma becerisi kazandırır. |
| 5. Bu ders ilişkilendirme kural madenciliği yöntemlerini kullanma becerisi kazandırır. |
| 6. Bu ders anomali bulma algoritmalarını anlama becerisi kazandırır. |
| 7. Bu ders, öneri sistemlerinin temellerini anlama becerisi kazandırır. |
| 8. Bu ders, web kazımanın temellerini sağlar. |
| 9. Bu ders, metin madenciliği hakkında temel bilgi sağlar. |
| |
| Dersin Önkoşulları ve Birlikte Alınması Gereken Dersler | CENG218 |
| Daha Önce Alınmış Olması Önerilen Dersler | Yok |
| |
Dersin Tanımı:
Veri madenciliğine genel bakış, veri madenciliği kavramlarının, algoritmalarının ve tekniklerinin incelenmesi. Konular arasında veri madenciliği süreci, verinin keşfi, ön işleme yöntemleri, sınıflandırma algoritmaları, kümeleme algoritmaları, birliktelik kuralı madenciliği, aykırı değer tespiti, öneri sistemlerine giriş, web kazıma ve metin madenciliğine giriş yer almaktadır.
|
| |
| Dersin İçeriği (Haftalık Konu Dağılımı): |
| |
| Hafta | Konu |
| 1 | Bilgi keşfine ve veri madenciliğine giriş |
| 2 | Veri madenciliği ilkeleri |
| 3 | Veri ön işleme |
| 4 | Sınıflandırma (Karar ağacı, kural tabanlı, kNN) |
| 5 | Sınıflandırma (Karar ağacı, kural tabanlı, kNN) |
| 6 | Sınıflandırma (Karar ağacı, kural tabanlı, kNN) |
| 7 | Küme tanımlama (K-means, Hiyerarşik Kümelendirme) |
| 8 | Küme tanımlama (K-means, Hiyerarşik Kümelendirme) |
| 9 | İlişkilendirme kuralları - Sık öğe kümesi madenciliği (Apriori, FPGrowth) |
| 10 | İlişkilendirme kuralları - Sık öğe kümesi madenciliği (Apriori, FPGrowth) |
| 11 | Anomali Tesbiti |
| 12 | Öneri Sistemleri Temelleri |
| 13 | Web madenciliği |
| 14 | Metin Madenciliğinin Temelleri |
| |
| Kaynaklar: |
| Jiawei Han and Micheline Kamber. Data Mining: Concepts and Techniques. Morgan Kaufmman Publishers. 2011. ISBN: 9780123814791
Tan, P.-N., Steinbach, M., Karpatne, A., & Kumar, V. Introduction to data mining. Pearson Education. 2019. ISBN: 978133128901 |
| |
| Diğer Kaynaklar: |
| Data Mining: Practical Machine Learning Tools and Techniques, Witten and Eibe, Morgan Kaufmann.
Data Mining: Concepts and Techniques, Jiawei Han and Micheline Kamber, The Morgan Kaufmann Series in Data Management Systems, 2011.
Data Mining Techniques and Applications, Hongbo Du, Cengage Learning, 2010, ISBN-13: 9781844808915 / ISBN-10: 1844808912 |
| |
| Öğretim Yöntem ve Teknikleri: |
| Lectures will be held in the class. |
| |
| Değerlendirme Sistemi: |
| Yöntem | Adet | Katkı (%) |
| Aktiviteler | 1 | %35 |
| Proje | 1 | %40 |
| Aktiviteler | 1 | %25 |
| |
| Ders İşbaşı Eğitimi (iş yerinde eğitim) Gerektiriyor mu? |
| Gerektirmiyor |