Dokuz Eylül Üniversitesi Ders Katoloğu / Bilgi Paketi

Ders Bilgileri

Ders Kodu	Ders Adı	Ders Türü	D	U	L	AKTS
STA 6015	İstatistikte Veri Madenciliği Teknikleri	SEÇMELİ	3	0	0	8

Dersi Veren Birim

Fen Bilimleri Enstitüsü

Dersin Düzeyi

Yüksek Lisans

Ders Koordinatörü

PROF.DR. EFENDİ NASİBOĞLU

Dersi Alan Birimler

İleri Biyomedikal Teknolojiler Sanayi Ortak Bütünleşik Doktora
Bilgisayar Bilimleri Yüksek Lisans
İleri Biyomedikal Teknolojiler Sanayi Ortak Doktora
Biyomedikal Teknolojiler Yüksek Lisans (İng)
İstatistik Bütünleşik Doktora
İstatistik Doktora
Bilgisayar Bilimleri Doktora
İstatistik Yüksek Lisans

Dersin Amacı

Dersin amacı, veri madenciliği kavramının temellerini anlamak ve programlama düzeyinde uygulayabilmektir. Konular içerisinde veri madenciliği teorisi ve algoritmaları, veri madenciliği algoritmalarının programlanması, verinin elde edilmesi, düzenlenmesi, filtrelenmesi, keşfedilmesi, sunulması, düzeltilmesi ve veri görselleştirme vardır.

Dersin Öğrenme Kazanımları

1	Veri madenciliğine ait temel kavramları anlama.
2	Veri madenciliği görevlerini anlama.
3	Bazı güncel veri madenciliği uygulamaları hakkında bilgi edinme.
4	Bir temel veri madenciliği yazılımını kullanabilme.
5	CRISP-DM sürecine uygun uygulamalar geliştirebilme.

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta	Konular	Açıklama
1	Veri madenciliğine giriş
2	Veri ön işlemesi
3	Deneysel Veri Analizi
4	Tahminleme ve kestirim için istatistiksel yaklaşımlar, Ödev 1
5	k-En yakın komşu algoritması
6	Karar ağaçları, Ödev 2
7	Yapay Sinir Ağları
8	Proje sunumları
9	Hiyerarşik ve k-ortalamalar kümeleme
10	Kohonen ağları
11	Birliktelik kuralları
12	Model değerlendirme teknikleri, Ödev 3
13	Veri madenciliği uygulamaları
14	Veri madenciliği uygulamaları (devam)

Ders İçin Önerilen Kaynaklar

Ana kaynak:
Larose D., Discovering Knowledge in Data:An introduction to data mining, John Wiley & Sons, Inc., 2005
Yardımcı kaynaklar:
P. Tan, M. Steinbach and V. Kumar, Introduction to Data Mining, Addison Wesley, 2006

Öğrenme ve Öğretme Yöntemleri

Ders, sınıfta öğretme, sunum ve tartışma şeklinde işlenir. Öğretme derslerinin yanında belirlenen gruplar tartışma saatlerinde sunmak üzere sunumlar hazırlar. Bazı haftalarda, önceden verilen ödevler tartışılır.

Değerlendirme Yöntemleri

SIRA NO	KISA KOD	UZUN ADI	FORMUL
1	PRJ	PROJE
2	YSBN	YIL SONU BAŞARI NOTU	PRJ * 1

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

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

Sınavların ve ödevlerin değerlendirilmesi

Dersin Öğretim Dili

İngilizce

Derse İlişkin Politika ve Kurallar

İlan Edilecektir.

Dersin Öğretim Üyesi İletişim Bilgileri

efendi.nasibov@deu.edu.tr

Ders Öğretim Üyesi Görüşme Gün ve Saatleri

Duyurulacak.

Staj Durumu

YOK

İş Yükü Hesaplaması

Etkinlikler	Sayısı	Süresi (saat)	Toplam İş Yükü (saat)
Ders Anlatımı	13	4	52
Haftalık Ders öncesi/sonrası hazırlıklar	13	4	52
Final Sınavına Hazırlık	1	30	30
Sunum Hazırlama	2	8	16
Ödev Hazırlama	4	12	48
Final Sınavı	1	2	2
Vize Sınavı			0
TOPLAM İŞ YÜKÜ (saat)			200

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖK	PK.4	PK.5	PK.6	PK.7
ÖK.1	5	5	5	5
ÖK.2	5	5	5	5
ÖK.3	5	5	5	5
ÖK.4	5	5	5	5
ÖK.5	5	5	5	5

DERS ADI

DERECE PROGRAMLARI