| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| Veri Madenciliği | CENG 567 | | | 3 + 0 | 3 | 7,50 |
| |
| Ders Bilgileri |
| Dersin Öğretim Dili | İngilizce |
| Dersin Seviyesi | Yüksek Lisans |
| Dersin Türü | Seçmeli |
| Dersin Veriliş Biçimi | Yüz Yüze |
| |
Dersin Öğrenme Kazanımları:
Bu dersi başarı ile tamamlayan öğrenciler: |
| 1. Veri madenciliği gereksinimlerini anlamak |
| 2. Veri ön-işleme ve analizi tekniklerini öğrenmek |
| 3. Veri ambarı kavramını anlamak |
| 4. Sınıflama ve tahminleme algoritmalarını uygulamak ve karşılştırmak |
| 5. Kümeleme algoritmalarını uygulamak ve karşılştırmak |
| 6. İlişki kuralı madenciliği algoritmalarını uygulamak ve karşılaştırmak |
| 7. Anomali bulma ve verimadenciliği insan faktörlerini anlama |
| 8. Veri madenciliği sürecini uygulama |
| |
| Dersin Önkoşulları ve Birlikte Alınması Gereken Dersler | Yok |
| Daha Önce Alınmış Olması Önerilen Dersler | Yok |
| |
Dersin Tanımı:
Bu ders, veritabanlarında bilgi ve ilişkileri keşfetmenin algoritmik ve pratik yönlerini sunmayı amaçlamaktadır. Konular, veri madenciliğinde veri ön-işleme ve veri analizi, veri ambarı, sınıflandırma ve regresyon, kümeleme, ilişkilendirme kural madenciliği, anomali saptama, ve veri madenciliğinde insan faktörleri konularını içerir. |
| |
Üretken Yapay Zeka Kullanımı:
Öğrenciler ödevler ve projeler dahil olmak üzere ders çalışmalarını desteklemek için üretken AI araçlarını kullanmaya teşvik edilir. Bu araçlar teorik kavramları analiz etmeye, pratik sonuçları değerlendirmeye ve problem çözme becerilerini geliştirmeye yardımcı olabilir. Ancak, bağımsız çalışmaların yerine geçen araçlar olarak değil, araçlar olarak görülmelidirler. Öğrenciler, AI tarafından üretilen içeriği eleştirel bir şekilde değerlendirmelidir, çünkü bu tür araçlar yanıltıcı bilgiler üretebilir veya var olmayan kaynaklara atıfta bulunabilir. |
| |
| Dersin İçeriği (Haftalık Konu Dağılımı): |
| |
| Hafta | Konu |
| 1 | Veri Madenciliğine Genel Bakış |
| 2 | Keşifsel Veri Analizi (EDA) |
| 3 | Veri Temizleme, Veri Entegrasyonu |
| 4 | Veri Normalizasyonu • Ayrıklaştırma, Nitelik Seçimi • Boyutsallık Azaltma |
| 5 | Metin Alma ve Arama Motorları |
| 6 | Association Kuralı Madenciliği, Sınıflandırma Temelleri |
| 7 | Kümelenme |
| 8 | Anomali Tespiti |
| 9 | Topluluk Yöntemleri (Bagging, Boosting, Rastgele Ormanlar) |
| 10 | Öneri Sistemleri |
| 11 | Proje Sunumları |
| |
| Kaynaklar: |
| Data Mining: Concepts and Techniques (The Morgan Kaufmann Series in Data Management Systems), Han J., Kamber M, Pei J., Kaufmann M., 3rd Edition 2011. |
| |
| Diğer Kaynaklar: |
| Introduction to Data Mining (2nd Edition) (What's New in Computer Science) 2nd Edition, by Pang-Ning Tan (Author), Michael Steinbach (Author), Anuj Karpatne (Author), Vipin Kumar (Author), Pearson; 2 edition (January 4, 2018) |
| |
| Öğretim Yöntem ve Teknikleri: |
| Haftalık 3 saat teori |
| |
| Değerlendirme Sistemi: |
| Yöntem | Adet | Katkı (%) |
| Ara Sınav | 1 | %20 |
| Final Sınavı | 1 | %30 |
| Ödev | 3 | %30 |
| Final Projesi | 1 | %20 |
| |
| Ders İşbaşı Eğitimi (iş yerinde eğitim) Gerektiriyor mu? |
| Gerektirmiyor |
| |