Dersin Ayrıntıları
YarıyılKoduAdıT+U+LKrediAKTS
6BİL314Veri Madenciliği3+0+035

Dersin Detayları
Dersin Dili Türkçe
Dersin Düzeyi Lisans
Bölümü / Programı Bilgisayar Mühendisliği
Öğrenim Türü Örgün Öğretim
Dersin Türü Zorunlu
Dersin Amacı Bu ders ile öğrenciler, veritabanlarında bilgi keşfi süreçlerini, veri madenciliği kavramını, yöntemlerini ve sık olarak kullanılan veri madenciliği algoritmalarını öğrenecekler ve bu algoritmaları basit seviyede uygulayacaklardır.
Dersin İçeriği Veri; enformasyon ve bilgi kavramları; Veri madenciliğine giriş; Veritabanlarında bilgi keşfi (VTBK); Veritabanları; OLTP; Veri ambarları; Veri küpleri; OLAP; VTBK- veri seçimi; VTBK- veri önişleme (veri temizleme - veri dönüşümü); Sınıflama yöntemleri (karar ağaçları; ID3 ve bayes algoritmaları; vb);Kümeleme yöntemleri (k-means; k-medoids; dbscan algoritmaları; vb); Birliktelik-ilişki kuralları (market sepet; apriori algoritması; vb.); Apriori algoritması ile veri madenciliği çalışması örneklemesi
Dersin Yöntem ve Teknikleri 1. Anlatım, 2. Soru-Cevap, 3. Tartışma ve Beyin Fırtınası, 4. Araştırma ve Proje Temelli Öğrenme, 5. Sunum Hazırlama, 6. Grup Çalışması, 7. Problem Çözme
Ön Koşulları Yok
Dersin Koordinatörü Dr. Öğretim Üyesi Feridun C. ÖZÇAKIR feridun.ozcakir@gedik.edu.tr
Dersi Verenler Dr. Öğretim Üyesi Feridun C. ÖZÇAKIR feridun.ozcakir@gedik.edu.tr
Dersin Yardımcıları Yok
Dersin Staj Durumu Yok

Ders Kaynakları
Kaynaklar I. Witten – E. Frank; Data Mining, Morgan Kaufmann Academic Press; 2000
Mohammed .J. Zaki, Wagner Meira; Data Mining and Analysis Fundamental Concepts and Algorithms, Cambridge
Data Mining: Concepts and Techniques, 3rd Edition
Jiawei Han, Micheline Kamber, Jian Pei - Morgan Kaufmann - 2011
Vize ve Final sınavları

Ders Yapısı
Matematik ve Temel Bilimler %40
Mühendislik Bilimleri %20
Mühendislik Tasarımı %10
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 % 25
Proje 1 % 10
Yarıyıl Sonu Sınavı 1 % 60
Toplam :
3
% 95

 
AKTS Hesaplama İçeriği
Etkinlik Sayısı Süre Toplam İş Yükü (Saat)
Ders Süresi 14 3 42
Sınıf Dışı Ç. Süresi 14 3 42
Ödevler 3 1 3
Sunum/Seminer Hazırlama 1 25 25
Ara Sınavlar 1 2 2
Yarıyıl Sonu Sınavı 1 2 2
Toplam İş Yükü   AKTS Kredisi : 5 116

Dersin Öğrenme Çıktıları: Bu dersin başarılı bir şekilde tamamlanmasıyla öğrenciler şunları yapabileceklerdir:
Sıra NoAçıklama
1 Öğrenciler Veri Madenciliği temel kavramlarını öğrenir. (Veri, enformasyon, bilgi, veritabanlarından bilgi keşfi süreçlerini kavramlarını öğrenir)
2 Öğrenciler Sınıflama, Kümeleme, Birliktelik Kuralı, vb. Veri Madenciliği Yöntem ve Algoritmalarını öğrenir ve veri üzerinde uygular.
3 Öğrenci veri madenciliği üzerine bir paket program öğrenir.
4 Öğrenciler farklı veri madenciliği yöntem ve algoritmalarını araştırır, araştırma yaptığı algoritmalara özgü veri analizi modeli oluşturur ve veri üzerinde bu algoritmaları uygular.


Ders Konuları
HaftaKonuÖn HazırlıkDökümanlar
1 Veri, Veritabanları, Veri ambarları, Veri modelleri, OLTP ve OLAP İlgili Kaynaklar İlgili Kaynaklar
2 E/R model, İlişkisel model, Büyük veri, Yeni nesil veritabanları, Enformasyon ve Bilgi kavramları İlgili Kaynaklar İlgili Kaynaklar
3 Veri madenciliği kavramı ve Veritabanlarında bilgi keşfi (VTBK) süreçlerine giriş. Veri madenciliği paket uygulama yazılımları (Knime, Anaconda - Orange, vb.) İlgili Kaynaklar İlgili Kaynaklar
4 Veritabanlarında bilgi keşfi (VBTK) süreçleri: Veri seçimi ve Veri önişleme İlgili Kaynaklar İlgili Kaynaklar
5 Veritabanlarında bilgi keşfi (VBTK) süreçleri: Veri indirgeme İlgili Kaynaklar İlgili Kaynaklar
6 Veri madenciliği yöntemleri: Sınıflama (Karar ağaçları, ID3) İlgili Kaynaklar İlgili Kaynaklar
7 Veri madenciliği yöntemleri: Sınıflama (Bayesian, Naive Bayes) İlgili Kaynaklar İlgili Kaynaklar
8 Ara (Vize) Sınav
9 Veri madenciliği yöntemleri: Kümeleme (AGNES, DIANA, K-Means, K-Medoids, DB-SCAN) İlgili Kaynaklar İlgili Kaynaklar
10 Veri madenciliği yöntemleri: Birliktelik-İlişki Kuralı (Destek ve Güven değerleri) İlgili Kaynaklar İlgili Kaynaklar
11 Veri madenciliği yöntemleri: Birliktelik-İlişki Kuralı (Market Sepeti) İlgili Kaynaklar İlgili Kaynaklar
12 Veri madenciliği yöntemleri: Birliktelik-İlişki Kuralı (Apriori Algoritması) İlgili Kaynaklar İlgili Kaynaklar
13 Öğrenci Sunumları (Veri Madenciliği Algoritmaları) İlgili Kaynaklar İlgili Kaynaklar
14 Öğrenci Sunumları (Veri Madenciliği Algoritmaları) İlgili Kaynaklar İlgili Kaynaklar
15 Öğrenci Sunumları (Veri Madenciliği Algoritmaları) İlgili Kaynaklar İlgili Kaynaklar


Dersin Program Çıktılarına Katkısı
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11
Ö1 3 4 3 1
Ö2 3 3 3 3
Ö3 5
Ö4 3 5 3 4 5 3 2

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


https://obs.gedik.edu.tr/oibs/bologna/progCourseDetails.aspx?curCourse=205997&curProgID=5607&lang=tr