Dokuz Eylül Üniversitesi Ders Katoloğu / Bilgi Paketi

Ders Bilgileri

Ders Kodu	Ders Adı	Ders Türü	D	U	L	AKTS
İST 4138	Veri Madenciliğinde İstatistiksel Yöntemler	SEÇMELİ	3	0	0	5

Dersi Veren Birim

İstatistik

Dersin Düzeyi

Lisans

Ders Koordinatörü

DR.ÖĞR.ÜYESİ ALPER VAHAPLAR

Dersi Alan Birimler

İstatistik
İstatistik (İ.Ö)

Dersin Amacı

Bu dersin amacı, öğrencilerin veri madenciliği kavramını ve kullanılan istatistiksel yöntemleri öğrenmelerini, farklı veri madenciliği hedefleri ve gerçek problemler için bu yöntemleri uygulayabilmelerini sağlayabilmektir.

Dersin Öğrenme Kazanımları

1	Veri madenciliği ve OLAP kavramlarını tanımlayabilme
2	Denetimli ve denetimsiz öğrenmeyi açıklayabilme
3	Veri hazırlama yöntemlerini kullanabilme
4	Kümeleme, sınıflama ve birliktelik kuralları algoritmalarını kullanabilme
5	Algoritmaların özelliklerini karşılaştırabilme
6	Veri madenciliği yazılımlarını kullanabilme
7	Kurulan modelleri ve sonuçları değerlendirebilme
8	Veri madenciliği projeleri hazırlayabilme

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta	Konular	Açıklama
1	Veritabanları, veri ambarları ve OLAP kavramı
2	Veri madenciliği süreçleri, CRISP-DM
3	Veri madenciliği süreçleri, veri önişleme, veri temizleme
4	Denetimsiz öğrenme, kümeleme, hiyerarşik kümeleme
5	K-means, yoğunluk tabanlı kümeleme
6	Denetimli öğrenme, sınıflandırma yöntemleri
7	k-en yakın komşu yöntemi
8	Arasınav
9	Karar ağaçları algoritmaları, CART
10	Karar ağaçları algoritmaları, C4.5
11	Yapay sinir ağları
12	Birliktelik kuralları, Birliktelik kuralları uygulamaları
13	Model değerlendirme
14	Veri madenciliği uygulamaları, ödev sunumları

Ders İçin Önerilen Kaynaklar

Ana kaynak:
Han, J. , Kamber, M., Pei, J., Data Mining: Concepts and Techniques. 3rd Ed., Morgan Kaufmann Publishers, 2011.
Yardımcı kaynaklar:
1. Larose, Daniel T., Discovering Knowledge In Data An Introduction to Data Mining. New Jersey: John Wiley and Sons Ltd, 2005.
2. Alpaydın, E. , Introduction to Machine Learning. Second Ed. London:MIT Press, 2010.
3. Tan, P., Steinbach, M., Kumar, V., Introduction to Data Mining, Addison Wesley, 2006.
Diğer ders materyalleri: Ders sunumları

Öğrenme ve Öğretme Yöntemleri

Ders anlatımı, ödev, örnek çalışmalar ve bilgisayar laboratuarında uygulama.

Değerlendirme Yöntemleri

SIRA NO	KISA KOD	UZUN ADI	FORMUL
1	VZ	Vize
2	OD	Ödev
3	FN	Final
4	BNS	BNS	VZ * 0.30 + OD * 0.30 + FN * 0.40
5	BUT	Bütünleme Notu
6	BBN	Bütünleme Sonu Başarı Notu	VZ * 0.30 + OD * 0.30 + BUT * 0.40

*** Bütünleme Sınavı Yapılmayan Birimlerde Bütünleme Kriteri Dikkate Alınmaz.

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

Sınavlar, ödevlerin değerlendirilmesi.

Dersin Öğretim Dili

Türkçe

Derse İlişkin Politika ve Kurallar

Dönem boyunca derslerin %70'ine devam etme sorumluluğu öğrenciye aittir. Ders saatine ve ödev teslimi ile ilgili belirtilen zamana uyulmalıdır. Derslerde ve sınavlarda meydana gelebilecek etik-dışı davranışlar konusunda ilgili yönetmelik çerçevesinde hareket edilecektir. D.E.Ü. Fen Fakültesi öğretim ve sınav uygulama esasları yönetmeliğini http://web.deu.edu.tr/fen adresinden temin edebilirsiniz.

Dersin Öğretim Üyesi İletişim Bilgileri

DEU Fen Fakültesi İstatistik Bölümü
e-posta: engin.yildiztepe@deu.edu.tr
Tel: 0232 301 86 04

Ders Öğretim Üyesi Görüşme Gün ve Saatleri

İlan Edilecektir.

Staj Durumu

YOK

İş Yükü Hesaplaması

Etkinlikler	Sayısı	Süresi (saat)	Toplam İş Yükü (saat)
Ders anlatımı	13	3	39
Haftalık ders öncesi/sonrası hazırlıklar	12	1	12
Ödev Hazırlama	1	31	31
Yarıyıl Sonu Sınavına Hazırlık	1	30	30
Grup Ödevi Hazırlama	0	0	0
Yarıyıl Sonu Sınavı	1	2	2
Proje Ödevi	1	2	2
TOPLAM İŞ YÜKÜ (saat)			116

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖK	PK.1	PK.2	PK.3	PK.4	PK.5	PK.8	PK.11	PK.12	PK.13
ÖK.1	5	5					5
ÖK.2	5	5					5
ÖK.3	5	5					5
ÖK.4	5	5					5
ÖK.5	5	5					5
ÖK.6	5	5					5
ÖK.7	5	5				4	5	3	2
ÖK.8	5	5	4	3	3	4	5	3	2

DERS ADI

DERECE PROGRAMLARI