DERS ADI

: İstatistikte Veri Madenciliği Teknikleri

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

Bilgisayar Bilimleri Doktora (İngilizce)
Bilgisayar Bilimleri Yüksek Lisans
İstatistik Doktora (İngilizce)
İleri Biyomedikal Teknolojiler Sanayi Ortak Doktora
İleri Biyomedikal Teknolojiler Sanayi Ortak Bütünleşik Doktora
İstatistik Yüksek Lisans (İngilizce)
Biyomedikal Teknolojiler Yüksek Lisans (İngilizce)
İstatistik Bütünleşik Doktora (İngilizce)
Yapay Zeka ve Akıllı Sistemler 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/ÖKPK.1PK.2PK.3PK.4PK.5PK.6PK.7PK.8PK.9PK.10
ÖK.15555
ÖK.25555
ÖK.35555
ÖK.45555
ÖK.55555