Dersin Ayrıntıları

Yarıyıl	Kodu	Adı	T+U+L	Kredi	AKTS
6	BLM308	Veri Madenciliği	3+0+0	3	4

Dersin Detayları

Dersin Dili	Türkçe
Dersin Düzeyi	Lisans
Bölümü / Programı	Bilgisayar Mühendisliği
Öğrenim Türü	Örgün Öğretim
Dersin Türü	Zorunlu
Dersin Öğretim Şekli	Yüz Yüze
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 Jiawei Han - Micheline Kamber - Jian Pei; Data Mining: Concepts and Techniques, 3rd Edition; Morgan Kaufmann - 2011
	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	%30
Mühendislik Bilimleri	%10
Mühendislik Tasarımı	%10
Sosyal Bilimler	%0
Eğitim Bilimleri	%0
Fen Bilimleri	%0
Sağlık Bilimleri	%0
Alan Bilgisi	%60

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
Ödev	3	% 6
Devam	1	% 5
Proje	1	% 14
Yarıyıl Sonu Sınavı	1	% 50
Toplam :	7	% 100

AKTS Hesaplama İçeriği

Etkinlik	Sayısı	Süre	Toplam İş Yükü (Saat)
Ders Süresi	14	3	42
Sınıf Dışı Ç. Süresi	14	1,5	21
Ödevler	3	0,5	1,5
Sunum/Seminer Hazırlama	1	22	22
Ara Sınavlar	1	2	2
Yarıyıl Sonu Sınavı	1	2	2
Toplam İş Yükü			AKTS Kredisi : 4 90,5

Dersin Öğrenme Çıktıları: Bu dersin başarılı bir şekilde tamamlanmasıyla öğrenciler şunları yapabileceklerdir:

Sıra No	Açıklama
1	Veri Madenciliği temel kavramlarını (Veri, enformasyon, bilgi, veritabanlarından bilgi keşfi süreçlerini) öğrenme ve açıklayabilme.
2	Sınıflama, Kümeleme, Birliktelik Kuralı, vb. Veri Madenciliği Yöntem ve Algoritmalarını öğrenme ve veri üzerinde uygulayabilme.
3	Veri madenciliği üzerine bir paket programı öğrenme ve uygulayabilme.
4	Öğrencilerin farklı veri madenciliği yöntem ve algoritmalarını araştırabilmesi, araştırma yaptığı algoritmalara özgü veri analizi modeli oluşturabilme ve veri üzerinde bu algoritmaları uygulayabilme.

Ders Konuları

Hafta	Konu	Ön Hazırlık	Dökümanlar
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	Veri madenciliği yöntemleri: Kümeleme (AGNES, DIANA, K-Means, K-Medoids, DB-SCAN)
9	Veri madenciliği yöntemleri: Birliktelik-İlişki Kuralı (Destek ve Güven değerleri)	İlgili Kaynaklar	İlgili Kaynaklar
10	Veri madenciliği yöntemleri: Birliktelik-İlişki Kuralı (Market Sepeti)	İlgili Kaynaklar	İlgili Kaynaklar
11	Veri madenciliği yöntemleri: Birliktelik-İlişki Kuralı (Apriori Algoritması)	İlgili Kaynaklar	İlgili Kaynaklar
12	Öğrenci Sunumları (Veri Madenciliği Algoritmaları: CART, CHAID, C4.5 C5)	İlgili Kaynaklar	İlgili Kaynaklar
13	Öğrenci Sunumları (Veri Madenciliği Algoritmaları: SVM, RF-DT, BIRCH)	İlgili Kaynaklar	İlgili Kaynaklar
14	Öğrenci Sunumları (Veri Madenciliği Algoritmaları: KNN, FP Growth, ECLAT)	İlgili Kaynaklar	İlgili Kaynaklar

Dersin Program Çıktılarına Katkısı

	P1	P4	P5	P11
Ö1	3
Ö2	3
Ö3		4
Ö4		3	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=243222&curProgID=5607&lang=tr