Dokuz Eylül Üniversitesi Ders Katoloğu / Bilgi Paketi

Ders Bilgileri

Ders Kodu	Ders Adı	Ders Türü	D	U	L	AKTS
ETC 5008	İş Analitiği ve Veri Madenciliği	SEÇMELİ	3	0	0	5

Dersi Veren Birim

Elektronik Ticaret Yüksek Lisans

Dersin Düzeyi

Yüksek Lisans

Ders Koordinatörü

DOÇ. DR. ONUR DOĞAN

Dersi Alan Birimler

Elektronik Ticaret Yüksek Lisans

Dersin Amacı

Veri Madenciliği işlemlerindeki temel amaç veri yığınından faydalı bilgiyi bulup çıkartmaktır. İş Analitiği, farklı disiplinlerden yararlanarak işletme faaliyetleri ile ilgili veriye dayalı stratejiyi geliştirmeyi hedefleyen bir alandır. Bu dersin temel amacı Veri Madenciliği ve İş Analitiği kapsamındaki yetenekleri öğrenciye kazandırmaktır

Dersin Öğrenme Kazanımları

1	Veri toplama ve düzenleme süreçlerine hakim olmak
2	Veri analizi kapsamındaki temel kavramları uzmanlık düzeyinde bilmek.
3	Veri analizi yaparak elde edilen bilgileri neden-sonuç ilişkisine dayalı olarak değerlendirmek.
4	Veriden keşfettiği bilgiyi alanın gerektirdiği teknik donanımla rapor haline getirip sunma becerisine sahip olmak
5	Yazılım araçlarını kullanarak iş yerlerinde veya akademik alanlarda yaratıcı çözümler üretmek.

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta	Konular	Açıklama
1	Veri: Veri çeşitleri, Verinin niteliği, Verinin hazırlanması
2	Veri ön işleme teknikleri
3	Verinin kontrolü
4	Veri Madenciliği Yetenekleri
5	Sınıflandırma Yöntemleri: Temel kavram ve algoritmalar, bilgi kazancı ve karar ağaçları
6	Sınıflandırma Yöntemleri: Sınıflandırmada ileri düzey konular
7	Sınıflandırma Yöntemleri: Sınıflandırmada ileri düzey konular
8	Ara sınav
9	Birliktelik Analizi: temel kavram ve algoritmalar
10	Birliktelik Analizi: ileri düzey kavramlar
11	Kümeleme: Temel kavram ve algoritmalar,
12	Kümeleme: ileri düzey kavramlar
13	Yapay Sinir Ağları
14	Web madenciliği, Metin madenciliği
15	Web madenciliği, Metin madenciliği

Ders İçin Önerilen Kaynaklar

Ana kaynak:
Han J., Kamber M., "Data Mining Concepts and Techniques", Morgan Kaufmann, 2006.
Yardımcı kaynaklar:
Witten H., Frank E., "Data Mining", Morgan Kaufmann, 2000.
Wu X., Kumar K., "The Top Ten Algorithms in Data Mining", Chapman & Hall, 2009.

Öğrenme ve Öğretme Yöntemleri

Ders anlatımı
Örnek olay analizi

Değerlendirme Yöntemleri

SIRA NO	KISA KOD	UZUN ADI	FORMUL
1	ARS	ARASINAV
2	YYS	YARIYIL SONU SINAVI
3	YYBN	YARIYIL SONU BAŞARI NOTU	ARS * 0.40 + YYS* 0.60
4	BUT	BÜTÜNLEME
5	BUTBN	BÜTÜNLEME SONU BAŞARI NOTU	ARS * 0.40 + BUT* 0.60

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

Tüm öğrenme çıktıları ara sınav ve dönem sonu sınavları ile değerlendirilmektedir. Sınavlar elektronik olarak dağıtılacak, öğrenciler tarafından dersin öğretim elemanına elektronik olarak teslim edilecektir.

Dersin Öğretim Dili

Türkçe

Derse İlişkin Politika ve Kurallar

Derslere en az %70 devam etmek zorunludur.
Her türlü intihal eylemi disiplin soruşturmasına yol açacaktır.
Öğrencilerin dersteki tartışmalara aktif şekilde katılması beklenmektedir.
Öğrencilere derslere zamanında gelmesi beklenmektedir

Dersin Öğretim Üyesi İletişim Bilgileri

E-posta:onur.dogan@deu.edu.tr
Telefon: 0.232.3012562

Ders Öğretim Üyesi Görüşme Gün ve Saatleri

Her dönem başı ilan edilmektedir.

Staj Durumu

YOK

İş Yükü Hesaplaması

Etkinlikler	Sayısı	Süresi (saat)	Toplam İş Yükü (saat)
Ders Anlatımı	14	3	42
Haftalık Ders öncesi/sonrası hazırlıklar	13	3	39
Vize Sınavına Hazırlık	1	15	15
Final Sınavına Hazırlık	1	20	20
Vize Sınavı	1	1	1
Final Sınavı	1	1	1
TOPLAM İŞ YÜKÜ (saat)			118

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖK	PK.3	PK.6	PK.7	PK.8	PK.10	PK.11	PK.12	PK.14
ÖK.1	1		1
ÖK.2	1	1
ÖK.3		1			1		1
ÖK.4	1	1					1
ÖK.5				1		1		1

DERS ADI

DERECE PROGRAMLARI