DERS ADI

: Veri Madenciliği

Ders Bilgileri

Ders Kodu Ders Adı Ders Türü D U L AKTS
LOG 5018 Veri Madenciliği SEÇMELİ 3 0 0 8

Dersi Veren Birim

Fen Bilimleri Enstitüsü

Dersin Düzeyi

Yüksek Lisans

Ders Koordinatörü

Dersi Alan Birimler

Lojistik Mühendisliği Tezsiz Yüksek Lisans (İ.Ö)
Lojistik Mühendisliği Yüksek Lisans

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 ve tahminleme ve uygulamaları ile kümeleme analizini 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: Tanımlar, Motivasyon, Konseptler ve Teknikler
2 Veri Önişleme: Veri Örnekleme ve Veri Temizleme
3 Veri Önişleme: Özellik Seçme ve Boyut Küçültme
4 Veri Madenciliği Yazılımı: Weka
5 Ağaç-Tabanlı, Kural-Tabanlı ve Örne-Tabanlı Metotlar, Bayes Teoremi Tabanlı Metot
6 Ağaç-Tabanlı, Kural-Tabanlı ve Örne-Tabanlı Metotlar, Bayes Teoremi Tabanlı Metot
7 Sinir Ağları, Doğrual Ayırıcı İşlev Analizi, Destek Vektör Makineleri
8 Topluluk Metotları ve Model Değerlendirme
9 Ara Sınav
10 Apriori Algoritması ve Uzantıları, Örüntü Değerlendirme
11 Apriori Algoritması ve Uzantıları, Örüntü Değerlendirme
12 Kısmi ve Hiyerarşik Kümeleme Metotları, Grafik Tabanlı ve Yoğunluk Tabanlı Kümeleme Metotları, Kümelemede Performans Değerlendirme
13 İş Hayatında Veri Madenciliği Uygulamaları
14 Proje Sunumları

Ders İçin Önerilen Kaynaklar

Ana kaynak: Han, J. & Kamber, M., Data Mining: Concepts and Techniques, Morgan Kaufmann Publishers, San Francisco, Second Edition, 2006.

Yardımcı kaynaklar:
1. Roiger, R.J., & Geatz, M.W., Data Mining: A Tutorial-Based Primer, Addison Wesley, USA, 2003.
2. Dunham, M.H., Data Mining: Introductory and Advanced Topics, Prentice Hall, New Jersey, 2003

Öğrenme ve Öğretme Yöntemleri

Ders Anlatımı, Araştırma, Uygulama Geliştirme, Sunum, Dönem Projesi

Değerlendirme Yöntemleri

SIRA NO KISA KOD UZUN ADI FORMUL
1 ARS ARASINAV
2 ODV ÖDEV
3 YSS YIL SONU SINAVI
4 YSBN YIL SONU BAŞARI NOTU ARS * 0.30 + ODV * 0.20 +YSS * 0.50
5 BUT BÜTÜNLEME
6 BUTBN BÜTÜNLEME SONU BAŞARI NOTU ARS * 0.30 +ODV * 0.20 + BUT * 0.50


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

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

Ders sonuçları, öğrencinin bir konu üzerine yaptığı sunum ve öğrenci tarafından hazırlanan proje ve raporu ile değerlendirilecektir.

Dersin Öğretim Dili

Türkçe

Derse İlişkin Politika ve Kurallar

İlan Edilecektir.

Dersin Öğretim Üyesi İletişim Bilgileri

İlan Edilecektir.

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
Kitap Okuma 5 3 15
Haftalık Ders öncesi/sonrası hazırlıklar 12 6 72
Vize Sınavına Hazırlık 1 10 10
Final Sınavına Hazırlık 1 10 10
Ödev Hazırlama 3 10 30
Sunum Hazırlama 1 20 20
Final Sınavı 1 2 2
Vize Sınavı 1 2 2
TOPLAM İŞ YÜKÜ (saat) 200

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖKPK.1PK.2PK.3PK.4PK.5PK.6PK.7PK.8PK.9PK.10PK.11PK.12PK.13
ÖK.13555455535455
ÖK.25555455535545
ÖK.33554545555355
ÖK.45555355455354
ÖK.55555355455545