| 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 yöntemlerini kullanma becerisi kazandırır. |
| 6. Bu ders anomali bulma algoritmalarını anlama becerisi kazandırır. |
| |
| Dersin Önkoşulları ve Birlikte Alınması Gereken Dersler | CENG218 |
| Daha Önce Alınmış Olması Önerilen Dersler | Yok |
| |
Dersin Tanımı:
Overview of data mining, exploring the data mining concepts, algorithms and techniques. Topics includes data mining process, pre-processing methods, classification algorithms (decision trees, rule-based, kNN algorithm), clustering algorithms (k-means, hierarchical clustering ), association rule mining (Apriori, FPGrowth), outlier detection. |
| |
| 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 | Örüntü Madenciliği |
| 13 | Web madenciliği |
| 14 | Proje sunumları |
| |
| 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: |
| |
| |
| Öğretim Yöntem ve Teknikleri: |
| Lectures will be held in the class. Students are expect to attend the classes. No laboratory hours are periodically required for this course proposal. Weka and R language will be used. |
| |
| Değerlendirme Sistemi: |
| Yöntem | Adet | Katkı (%) |
| Ödev | 2 | %20 |
| Ara sınav | 1 | %20 |
| Proje | 1 | %40 |
| Final Sınavı | 1 | %20 |
| |
| Ders İşbaşı Eğitimi (iş yerinde eğitim) Gerektiriyor mu? |
| Gerektirmiyor |