DERS ADI

: Veri Madenciliğinde İstatistiksel Yöntemler

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

PROF.DR. NESLİHAN DEMİREL

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 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

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: neslihan.ortabas@deu.edu.tr
Tel: 0232 301 86 00

Ders Öğretim Üyesi Görüşme Gün ve Saatleri

Görüşme talebi için e-posta gönderiniz.

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 2 24
Final Sınavına Hazırlık 1 15 15
Grup Ödevi Hazırlama 1 20 20
Vize Sınavına Hazırlık 1 10 10
Yarıyıl Sonu Sınavı 1 2 2
Proje Ödevi 1 2 2
Vize Sınavı 1 2 2
TOPLAM İŞ YÜKÜ (saat) 114

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖKPK.1PK.2PK.3PK.4PK.5PK.6PK.7PK.8PK.9PK.10PK.11PK.12PK.13PK.14
ÖK.1555
ÖK.2555
ÖK.3555
ÖK.4555
ÖK.5555
ÖK.6555
ÖK.7554532