DERS ADI

: Veri Madenciliği ve Bilgi Keşfi

Ders Bilgileri

Ders Kodu Ders Adı Ders Türü D U L AKTS
CSE 5006 Veri Madenciliği ve Bilgi Keşfi SEÇMELİ 3 0 0 9

Dersi Veren Birim

Fen Bilimleri Enstitüsü

Dersin Düzeyi

Yüksek Lisans

Ders Koordinatörü

DOÇ.DR. DERYA BİRANT

Dersi Alan Birimler

Bilgisayar Mühendisliği Tezsiz Yüksek Lisans
Bilgisayar Mühendisliği Yüksek Lisans
İleri Biyomedikal Teknolojiler Sanayi Ortak Bütünleşik Doktora
İleri Biyomedikal Teknolojiler Sanayi Ortak Doktora
Biyomedikal Teknolojiler Yüksek Lisans (İng)
Bilgisayar Mühendisliği Bütünleşik Doktora
Bilgisayar Mühendisliği Doktora
Bilgisayar Mühendisliği Tezsiz Yüksek Lisans (İ.Ö)

Dersin Amacı

Bu dersin amacı, öğrencilere veri madenciliği algoritmaları ve teknikleri ile ilgili teorik bilgiler vermek ve öğrencilere farklı uygulamalar için uygun veri madenciliği teknikleri seçme ve uygulama yeteneği kazandırmaktır. Bu ders, öğrencilerin; veri önişleme, birliktelik kuralı analizi, sınıflandırma / tahminleme uygulamaları ve kümeleme analizini yöntemlerini uygulamalarla öğrenmesini sağlayacaktır.

Dersin Öğrenme Kazanımları

1   Temel veri madenciliği kavramlarını tanımlayabilme
2   Veri ön işleme işlemlerini uygulayabilme
3   Belirli bir problemi çözmek için uygun olan veri madenciliği tekniğini belirleyebilme
4   Bir veri madenciliği modeli tasarlayabilme
5   Bir veri madenciliği algoritması uygulayabilme

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta Konular Açıklama
1 Veri Madenciliği Giriş
2 Veri Madenciliğine Detaylı Bakış
3 Veri Hazırlama
4 Birliktelik Kuralları Analizi
5 Sıralı Örüntü Analizi
6 Sınıflandırma ve Tahminleme - I
7 Sınıflandırma ve Tahminleme - II
8 Kümeleme
9 Anomali (Aykırı Durum) Tespiti
10 Temel Veri Madenciliği Araçları
11 Web Madenciliği
12 Metin Madenciliği
13 Veri Madenciliğinde Gizliliğin Korunması
14 Proje sunumları

Ders İçin Önerilen Kaynaklar

Ana kaynak:
Han, J. & Kamber, M., Data Mining: Concepts and Techniques, Morgan Kaufmann Publishers, San Francisco, Third Edition,
2011.

Yardımcı kaynak:
Ian H. Witten, Eibe Frank, Mark A. Hall, Christopher J. Pal, Data Mining: Practical Machine Learning Tools and Techniques, Morgan Kaufmann, 4 edition, 2016, ISBN: 978-0128042915

Öğrenme ve Öğretme Yöntemleri

Ders Anlatımı,
Literatür Taraması / Araştırma,
Uygulama Geliştirme,
Sunum,
Dönem Projesi

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

Ders sonuçları, öğrencinin bir konu üzerine yaptığı literatür araştırması, sunum, hazırladığı proje ve raporu ile değerlendirilecektir.

Dersin Öğretim Dili

İngilizce

Derse İlişkin Politika ve Kurallar

Kod yazma bilgi ve becerisi gereklidir.
Katılım zorunludur.

Dersin Öğretim Üyesi İletişim Bilgileri

Doç.Dr. Derya Birant
Dokuz Eylül Üniversitesi
Bilgisayar Mühendisliği Bölümü
Tınaztepe Yerleşkesi 35390 Buca / İZMİR
Tel: (232) 301 74 01
E-Posta: derya@cs.deu.edu.tr

Ders Öğretim Üyesi Görüşme Gün ve Saatleri

Salı 9:30 - 10:30

Staj Durumu

YOK

İş Yükü Hesaplaması

Etkinlikler Sayısı Süresi (saat) Toplam İş Yükü (saat)
Ders Anlatımı 14 3 42
Haftalık Ders öncesi/sonrası hazırlıklar 14 2 28
Web'de Tarama ve Kütüphane Çalışması 1 5 5
Kitap Okuma 10 3 30
Proje Hazırlama 1 65 65
Sunum Hazırlama 1 30 30
Rapor hazırlama 1 25 25
TOPLAM İŞ YÜKÜ (saat) 225

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖKPK.1PK.2PK.3PK.4PK.5PK.6PK.7PK.8PK.9PK.10PK.11
ÖK.145
ÖK.243
ÖK.355243
ÖK.441
ÖK.532114135