Dersin Ayrıntıları
YarıyılKoduAdıT+U+LKrediAKTS
6YBS342Veri Madenciliği3+0+036

Dersin Detayları
Dersin Dili Türkçe
Dersin Düzeyi Lisans
Bölümü / Programı Yönetim Bilişim Sistemleri
Öğrenim Türü Örgün Öğretim
Dersin Türü Zorunlu
Dersin Amacı Veri madenciliği nedir, neden önemlidir, hangi problemlere çözüm sunar gibi temel kavramların öğretilmesi.
Dersin İçeriği 1. Giriş ve Temel Kavramlar:
• Veri Madenciliği nedir?
• Veri Madenciliğinin önemi ve uygulama alanları.
• Veri Madenciliği süreci ve aşamaları.
2. Veri Ön İşleme:
• Veri toplama ve veri temizleme.
• Eksik veri işleme ve doldurma yöntemleri.
• Anormal veri tespiti ve düzeltme yöntemleri
3. Denetimli Öğrenme:
• Denetimli öğrenme ve sınıflandırma algoritmaları.
• Regresyon analizi ve modelleme.
4. Denetimsiz Öğrenme:
• Denetimsiz öğrenme ve kümeleme algoritmaları.
• Birliktelik kuralları ve ilişkisel öğrenme.
5. Model Seçimi ve Doğrulama:
• Doğrulama teknikleri ve model performansının değerlendirilmesi.
• Hiper parametre ayarlama ve model seçimi.
6. Özellik Mühendisliği ve Boyut Azaltma:
• Özellik seçimi ve önemli özelliklerin tanımlanması.
• Boyut azaltma teknikleri ve uygulamaları.
7. Veri Görselleştirme
• Veri görselleştirme araçları ve teknikleri.
• Raporlama ve sunum becerileri.
8. Uygulamalar
• Gerçek dünya uygulamaları ve endüstriyel senaryoların incelenmesi.
Dersin Yöntem ve Teknikleri Anlatım-Uygulama
Ön Koşulları Yok
Dersin Koordinatörü Yok
Dersi Verenler Dr. Öğretim Üyesi Volkan Oban
Dersin Yardımcıları Yok
Dersin Staj Durumu Yok

Ders Kaynakları
Kaynaklar • Data Mining Concepts and Techniques, Jiawei Han,Micheline Kamber, Jian Pe, The Morgan Kaufmann Series in Data Management Systems,Third Edition
Data Mining: Practical Machine Learning Tools and Techniques" by Ian H. Witten, Eibe Frank, Mark A. Hall, and Christopher J. Pal.
Python Data Science Handbook" by Jake VanderPlas
R for Data Science" by Hadley Wickham & Garrett Grolemund
• Data Mining Concepts and Techniques, Jiawei Han,Micheline Kamber, Jian Pe, The Morgan Kaufmann Series in Data Management Systems,Third Edition Temel veri madenciliği kavramları, tanımlarına ilişkin kapsamlı giriş sağlar.
Bir grup projesi
Vize ve Final Sınavları

Ders Yapısı
Matematik ve Temel Bilimler %0
Mühendislik Bilimleri %50
Mühendislik Tasarımı %20
Sosyal Bilimler %0
Eğitim Bilimleri %0
Fen Bilimleri %0
Sağlık Bilimleri %0
Alan Bilgisi %30

Planlanan Öğrenme Aktiviteleri ve Metodları
Etkinlikler ayrıntılı olarak "Değerlendirme" ve "İş Yükü Hesaplaması" bölümlerinde verilmiştir.

Değerlendirme Ölçütleri
Yarıyıl Çalışmaları Sayısı Katkı
Ara Sınav 1 % 40
Proje 1 % 0
Yarıyıl Sonu Sınavı 1 % 60
Toplam :
3
% 100

 
AKTS Hesaplama İçeriği
Etkinlik Sayısı Süre Toplam İş Yükü (Saat)
Ders Süresi 14 3 42
Sınıf Dışı Ç. Süresi 14 3 42
Ara Sınavlar 1 29 29
Yarıyıl Sonu Sınavı 1 40 40
Toplam İş Yükü   AKTS Kredisi : 6 153

Dersin Öğrenme Çıktıları: Bu dersin başarılı bir şekilde tamamlanmasıyla öğrenciler şunları yapabileceklerdir:
Sıra NoAçıklama
1 Veri madenciliği kavramlarını ve tekniklerini anlayabilme
2 Veri ön işleme ve temizleme tekniklerini uygulayabilme
3 Sınıflandırma, kümeleme ve birliktelik kuralları gibi temel veri madenciliği yöntemlerini kullanabilme
4 Veri madenciliği projelerinde R ve Python kullanabilme
5 Veri setleri üzerinde etkili analizler yapabilme ve sonuçları yorumlayabilme
6 Veri madenciliği sonuçlarını iş kararlarına nasıl uygulanacağını gösterebilme
7 Karmaşık veri setlerini analiz edebilme ve bilgi çıkarabilme


Ders Konuları
HaftaKonuÖn HazırlıkDökümanlar
1 Veri Madenciliğine Giriş • Kavramlar, önemi, uygulama alanları. R ve Python'a giriş.
2 Veri Ön İşleme • Veri temizleme, dönüştürme, normalleştirme. R ve Python ile uygulamalar.
3 Denetimli Öğrenme: Regresyon Analizi • Lineer ve lojistik regresyon. R ve Python ile uygulamalar.
4 Denetimli Öğrenme: Sınıflandırma • Karar ağaçları, destek vektör makineleri, rastgele ormanlar. R ve Python ile uygulamalar.
5 Denetimsiz Öğrenme: Kümeleme • K-means, hiyerarşik kümeleme, DBSCAN. R ve Python ile uygulamalar.
6 Denetimsiz Öğrenme: Birliktelik Kuralları • Apriori, FP-Growth algoritmaları. R ve Python ile uygulamalar.
7 Anormallik Tespiti • Outlier tespiti, izolasyon ormanları ve yerel aykırı faktör. R ve Python ile uygulamalar.
8 Vize sınavı
9 Model Seçimi ve Validasyon • Model değerlendirme metrikleri, çapraz doğrulama. R ve Python ile uygulamalar.
10 Özellik Mühendisliği ve Redüksiyon • Özellik seçimi, boyut indirgeme teknikleri. R ve Python ile uygulamalar.
11 Veri Görselleştirme ve Raporlama • Veri keşfi ve görselleştirme teknikleri. R ve Python ile uygulamalar.
12 Gerçek Dünya Veri Madenciliği Uygulamaları • Sektörel uygulama örnekleri: e-ticaret, sosyal medya analizi, müşteri segmentasyonu. R ve Python ile gerçek yaşam örnekleri
13 Ders Projeleri Üzerine Çalışma • Öğrencilerin grup projeleri üzerinde çalışması, veri setlerinin analizi ve model geliştirme.
14 Proje Sunumları ve Dersin Genel Tekrarı • Öğrencilerin dönem boyunca üzerinde çalıştıkları projelerin sunumu. Dersin genel tekrarı ve önemli noktaların üzerinden geçilmesi.


Dersin Program Çıktılarına Katkısı
P1 P2 P3 P4 P5 P6 P7 P8
Tüm 3 4 4 5 4 3 4 2
Ö1 3 4 2 5 4 3 5 2
Ö2 2 4 3 4 3 3 4 2
Ö3 3 4 4 5 4 3 5 3
Ö4 2 5 5 4 3 2 3 3
Ö5 3 4 4 5 4 3 5 2
Ö6 2 3 3 4 3 3 3 2
Ö7 3 5 4 4 4 3 4 3

Katkı Düzeyi: 1: Çok Düşük 2: Düşük 3: Orta 4: Yüksek 5: Çok Yüksek


https://obs.gedik.edu.tr/oibs/bologna/progCourseDetails.aspx?curCourse=163014&curProgID=5702&lang=tr