Dersin Ayrıntıları
YarıyılKoduAdıT+U+LKrediAKTSSon Güncelleme Tarihi
3BİT223Veri Madenciliği2+2+03422.01.2026

 
Dersin Detayları
Dersin Dili Türkçe
Dersin Düzeyi Ön Lisans
Bölümü / Programı Bilişim Güvenliği Teknolojisi
Öğrenim Türü Örgün Öğretim
Dersin Türü Seçmeli
Dersin Öğretim Şekli Yüz Yüze
Dersin Amacı Veri Madenciliği hakkında temel kavramları, veri madenciliğinin ilişkili olduğu diğer disiplinler (matematik, istatistik, veri görselleştirme vb.) hakkında temel bilgiler edinmek.
Dersin İçeriği Veri Madenciliği ile ilgili temel düzeyde bilgiler, en çok kullanılan veri madenciliği algoritmaları ve uygulanması.
Dersin Yöntem ve Teknikleri uygulama, sunum anlatım
Ön Koşulları Yok
Dersin Koordinatörü Yok
Dersi Verenler Öğr.Gör. Tuğba KAVAK
Dersin Yardımcıları Yok
Dersin Staj Durumu Yok

Ders Kaynakları
Kaynaklar
Ders Notları Ders Sunumları

Ders Yapısı
Matematik ve Temel Bilimler %10
Alan Bilgisi %90

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

Değerlendirme Ölçütleri
Yarıyıl Çalışmaları Sayısı Katkı
Ara Sınav 1 % 30
Ödev 1 % 10
Yarıyıl Sonu Sınavı 1 % 60
Toplam :
3
% 100

 
AKTS Hesaplama İçeriği
İş Yükü Sayısı Süre Toplam İş Yükü (Saat)
Ders Süresi 14 3 42
Sınıf Dışı Ç. Süresi 14 3 42
Ödevler 1 5 5
Ara Sınavlar 1 7 7
Proje 1 0 0
Yarıyıl Sonu Sınavı 1 15 15
Toplam İş Yükü   AKTS Kredisi : 4 111

 
Dersin Öğrenme Çıktıları: Bu dersin başarılı bir şekilde tamamlanmasıyla öğrenciler şunları yapabileceklerdir:
Sıra NoAçıklama
1 Veri madenciliği ile ilgili temel tanımları yapabilecek ve temel veri madenciliği problemlerini açıklayabilecektir.
2 Veri kümesi hazırlayarak üzerinde veri önişleme, veri görselleştirme, özet istatistikleri sunma vb. gibi çeşitli analizler yapabilecektir.
3 Sınıflandırma ile ilgili temel kavramları açıklayabilecek ve çeşitli sınıflandırma tekniklerini kullanabilecektir
4 Kümeleme ile ilgili temel kavramları açıklayabilecek, K-Ortalamalar yöntemi ile kümeleme analizi yapabilecektir
5 Python programlama dilinin veri madenciliğinde nasıl kullanıldığı hakkında bilgi sahibi olacak ve Python programlama dilinde kodlama yeteneğine sahip olacaktır.

 
Ders Konuları
HaftaKonuÖn HazırlıkDökümanlar
1 Python ile Veri Analizine Bakış: Numpy ve Pandas
2 Veri Madenciliği Temelleri ve Büyük Veri Kavramı
3 Veri Ön İşleme ve Model Hazırlık Süreçleri
4 Temel İstatistiksel Kavramlar ve Aykırı Değer Analizi
5 Denetimli Öğrenme: Sınıflandırma ve Lojistik Regresyon
6 Denetimli Öğrenme: Karar Ağaçları ve Sınıflandırma
7 Genel Tekrar: Veri Hazırlama ve Sınıflandırma Pratikleri
8 Ara Sınav
9 Denetimli Öğrenme: Regresyon Analizi Temelleri
10 Regresyon Uygulamaları ve Hata Hesaplama Yöntemleri
11 Denetimsiz Öğrenme: K-Means ve Kümeleme Mantığı
12 Kümeleme Analizi ve Model Performans Değerlendirme
13 Metin Madenciliği ve Doğal Dil İşlemeye Giriş
14 Metin Verisi Görselleştirme ve Dönem Sonu Uygulaması

 
Dersin Program Çıktılarına Katkısı
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10
Tüm 3 5 5 3 3 5 3 2 2 5
Ö1 3 5 5 4 3 5 3 2 2 5
Ö2 3 5 5 4 3 5 3 2 2 5
Ö3 4 5 5 3 3 5 3 3 3 5
Ö4 3 5 5 4 3 5 3 2 2 5
Ö5 4 5 5 3 3 5 3 3 3 5

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

  
  https://obs.gedik.edu.tr/oibs/bologna/progCourseDetails.aspx?curCourse=240053&curProgID=5648&lang=tr