Dokuz Eylül Üniversitesi Ders Katoloğu / Bilgi Paketi

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, regresyon 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	Veri Madenciliğine Giriş ve Veri Madenciliği Kavramları
2	Veri Önişleme
3	Denetimli Öğrenme (Regresyon): Temel Kavramlar ve Algoritmalar
4	Denetimli Öğrenme (Regresyon): Algoritmalar
5	Denetimli Öğrenme (Regresyon): Algoritmalar ve Model Değerlendirme
6	1. Proje Sunumları
7	Denetimli Öğrenme (Sınıflandırma): Temel Kavramlar ve Algoritmalar
8	Denetimli Öğrenme (Sınıflandırma): Algoritmalar
9	Denetimli Öğrenme (Sınıflandırma): Algoritmalar ve Model Değerlendirme
10	2. Proje Sunumları
11	Denetimsiz Öğrenme (Kümeleme): Temel Kavramlar ve Algoritmalar
12	Denetimsiz Öğrenme (Kümeleme): Algoritmalar ve Model Değerlendirme
13	Denetimsiz Öğrenme (Birliktelik Kuralları): Temel Kavramlar ve Algoritmalar
14	3. Proje Sunumları

Ders İçin Önerilen Kaynaklar

Ana kaynak:
Han, J., Pei, J., Tong, H. (2023). Data Mining: Concepts and Techniques. 4th Ed., Morgan Kaufmann Publishers.
Yardımcı kaynaklar:
1. Larose, D.T., Larose, C.D. (2014). Discovering Knowledge In Data: An Introduction to Data Mining. John Wiley and Sons Inc.
2. Alpaydın, E. (2020). Introduction to Machine Learning. 4th Ed. The MIT Press.
3. Gareth, J., Daniela, W., Trevor, H., & Robert, T. (2023). An introduction to statistical learning: with applications in R. 2nd Ed., Spinger.

Öğrenme ve Öğretme Yöntemleri

Ders anlatımları, projeler, örnek çalışmalar ve bilgisayar laboratuarında uygulamalar.

Değerlendirme Yöntemleri

SIRA NO	KISA KOD	UZUN ADI	FORMUL
1	VZ	Vize
2	PRJ	PROJE
3	FN	Final
4	BNS	BNS	VZ * 0.30 + PRJ * 0.30 + FN * 0.40
5	BUT	BÜTÜNLEME
6	BUTBN	BÜTÜNLEME SONU BAŞARI NOTU	VZ * 0.30 + PRJ * 0.30 + BUT * 0.40

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

Sınavlar ve projelerin değerlendirilmesi.

Dersin Öğretim Dili

Türkçe

Derse İlişkin Politika ve Kurallar

Dönem boyunca derslerin %70'ine devam etme sorumluluğu öğrenciye aittir. Ders saatine ve proje 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 https://fen.deu.edu.tr/tr/ 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	14	3	42
Haftalık ders öncesi/sonrası hazırlıklar	8	2	16
Final Sınavına Hazırlık	1	15	15
Proje Hazırlama	3	10	30
Vize Sınavına Hazırlık	1	10	10
Yarıyıl Sonu Sınavı	1	2	2
Proje Ödevi	3	2	6
Vize Sınavı	1	2	2
TOPLAM İŞ YÜKÜ (saat)			123

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖK	PK.1	PK.2	PK.8	PK.11	PK.12	PK.13
ÖK.1	5	5		5
ÖK.2	5	5		5
ÖK.3	5	5		5
ÖK.4	5	5		5
ÖK.5	5	5		5
ÖK.6	5	5		5
ÖK.7	5	5	4	5	3	2

DERS ADI

DERECE PROGRAMLARI