DERS ADI

: Metin Madenciliği

Ders Bilgileri

Ders Kodu Ders Adı Ders Türü D U L AKTS
CSE 5093 Metin Madenciliği SEÇMELİ 3 0 0 8

Dersi Veren Birim

Fen Bilimleri Enstitüsü

Dersin Düzeyi

Yüksek Lisans

Ders Koordinatörü

Dersi Alan Birimler

Bilgisayar Mühendisliği Tezsiz Yüksek Lisans
Bilgisayar Mühendisliği Yüksek Lisans
Bilgisayar Mühendisliği Bütünleşik Doktora
Bilgisayar Mühendisliği Doktora
Bilgisayar Mühendisliği Tezsiz Yüksek Lisans (İ.Ö)

Dersin Amacı

Bu dersin amacı metin verilerinin işlenmesi, saklanması, geri getirikesi ve bilgi çıkarımı konusunda mevcut temel tekniklerin temelleri ve farklı uygulama alanlarında pratik olarak kullanımının öğretilmesini amaçlar.

Dersin Öğrenme Kazanımları

1   Metin madenciliğinin temel kavramlarını tanımlama
2   Metin işleme araç ve tekniklerini öğrenme
3   Metin verisinin toplanması, analiz edilmesi, geri getirilmesi, kümelenmesi ve sınıflandırılmasını ile bilgi çıkarımı konularını kavramak.
4   Derin Öğrenme gibi güncel makine öğrenmesi algoritmalarının metin işleme alanında etkin kullanımını uygulayarak görmek
5   Belirli bir alanda, metin madenciliği ile ilgili verilen bir probleme çözüm olabilecek bir projeyi tasarlayarak, uygulama ve gerçekleştirme becerisi kazanmak.

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta Konular Açıklama
1 1) Metin Bilgi Sistemlerine Giriş
2 2) Matematik and İstatistik temelleri
3 3) Python ie metin işleme
4 4) Boolean Information Retrieval
5 5) Weighted Information Retrieval
6 6) Word Association Mining
7 7) Word Embedding
8 8) Derin Sinir Ağlarına hızlı giriş
9 9) Tensor Flow veKeras
10 10) Metin Sınıflandırma
11 11) Metin kümeleme
12 12) Konu Analizi
13 13) Duygu Durum analizi
14 14) Dönem Ödevi Öneri sunumları
15 15) Dönem Ödevi Öneri sunumları
16 16) Dönem Ödevi Öneri sunumları

Ders İçin Önerilen Kaynaklar


1) ChengXiang Zhai, Sean Massung, Text Data Management and Analysis: A Practical Introduction to Information Retrieval and Text Mining, ACM Books, 2016.

2) Jason Brownlee, Deep Learning for Natural Language Processing, 2017.

Öğrenme ve Öğretme Yöntemleri

1) Sunum araçları ile ders sınıfta işlenecektir.
2) Uygulama konuları sınıfta bilgisayar üzerinde demo yapılarak aktarılacaktır.
3) Öğrencilerin derste anlatılan konuların uygulamalarını kavramaları için programlama ödevleri ve projeler verilerek geliştirmesi ve tecrübe etmeleri sağlanacaktır.

Değerlendirme Yöntemleri

SIRA NO KISA KOD UZUN ADI FORMUL
1 ODV ÖDEV
2 SUN SUNUM
3 YSBN YIL SONU BAŞARI NOTU ODV * 0.50 + SUN * 0.50


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

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

Dönem içinde 5 adet programlamaya dayanan küçük ev ödevleri verilecektir.
Dönem sonunda ise daha ayrıntılı bir dönem ödevi hazırlanacaktır.

Dersin Öğretim Dili

İngilizce

Derse İlişkin Politika ve Kurallar

İlan Edilecektir.

Dersin Öğretim Üyesi İletişim Bilgileri

Assoc.Prof.Dr.Adil ALPKOÇAK
Dokuz Eylul University, Dept of Computer Engineering
Tinaztepe, 35160 Izmir, Turkey
Tel: 232-3017408
E-posta: alpkocak@ceng.deu.edu.tr

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 15 3 45
Haftalık Ders öncesi/sonrası hazırlıklar 15 4 60
Sunum Hazırlama 1 20 20
Kitap Okuma 2 15 30
Ödev Hazırlama 4 10 40
TOPLAM İŞ YÜKÜ (saat) 195

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖKPK.1PK.2PK.3PK.4PK.5PK.6PK.7PK.8PK.9PK.10PK.11
ÖK.153
ÖK.2553
ÖK.35553
ÖK.455535555
ÖK.555555555555