DERS ADI

: VERİ MADENCİLİĞİ UYGULAMALARI

Ders Bilgileri

Ders Kodu Ders Adı Ders Türü D U L AKTS
END 3941 VERİ MADENCİLİĞİ UYGULAMALARI SEÇMELİ 3 0 0 4

Dersi Veren Birim

Endüstri Mühendisliği

Dersin Düzeyi

Lisans

Ders Koordinatörü

DOÇ. DR. FEHMİ BURÇİN ÖZSOYDAN

Dersi Alan Birimler

Endüstri Mühendisliği

Dersin Amacı

Önerilen bu ders ile mühendislik biliminde ve gerçek hayat problemlerinde son derece önemli bir yere sahip olan verinin nasıl kullanılabileceğinin, veriden nasıl bilgi üretilebileceğinin veri madenciliği ve makine öğrenmesi yöntemleri ile DEÜ Endüstri Mühendisliği Bölümü öğrencilerine anlatılması hedeflenmektedir. Bu ders ile öğrencilerimize veri madenciliği yöntemleri hakkında temel bilgiler verilecek ve ücretsiz olan veri madenciliği yazılım programı Weka yardımı ile sınıf içi uygulamalar yapılacaktır. Ders kapsamında yapay zekanın temel alt başlıklarından olan veri madenciliği ve makine öğrenmesi yaklaşımları üzerinde çalışmalar yapılacaktır.

Dersin Öğrenme Kazanımları

1   Veri madenciliği yaklaşımlarını kavrayabilme ve uygulayabilme.
2   Veri filtrelemesi yapabilme ve veriyi görselleştirebilme.
3   Weka ile temel veri madenciliği tekniklerini uygulayabilme.
4   Makine öğrenmesi konusunu kavrama ve uygulayabilme.
5   Temel veri madenciliği ve makine öğrenmesi algoritmalarını kullanabilmek
6   Veri madenciliği yaklaşımlarında hukuksal sorumluluk ve etik konularında bilgi edinme.

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 Weka yazılımı tanıtımı
3 Weka ile filtreleme, verilerin görselleştirilmesi ve veri ön işleme
4 Sınıflandırıcılar üzerinde çalışma, temel doğruluk kavramı
5 Çapraz doğrulama
6 Basit sınıflandırıcılar, aşırı uyum kavramı
7 Karar ağaçları
8 Karar ağaçları
9 En yakın komşuluk algoritması
10 Sınıflandırma ve doğrusal regresyon
11 Regresyon ile Sınıflandırma, Lojistik Regresyon
12 Kümeleme
13 Destek vektör makineleri
14 Veri madenciliği prosesi, tuzaklar, etik, dönemin gözden geçirilmesi

Ders İçin Önerilen Kaynaklar

Witten, Ian H., Eibe Frank, and A. Mark. "Hall, and Christopher J Pal. 2016. Data Mining: Practical machine learning tools and techniques.", ISBN: 978-0128042915

Öğrenme ve Öğretme Yöntemleri

Ders içeriğinde yer alan konular, sınıf içi bilgisayarlı uygulamalar, tahtada örnek problem çözümleri ve sunular aracılığı ile öğrencilere aktarılacak ve öğrencilerden bu uygulamaları yapmaları beklenecektir. Ayrıca proje çalışmaları ile bu ders kapsamında anlatılan tüm tekniklerin bir araya getirilerek kullanılması sağlanacaktır.

Değerlendirme Yöntemleri

SIRA NO KISA KOD UZUN ADI FORMUL
1 VZ Vize
2 PR Proje
3 FN Final
4 BNS BNS VZ * 0.30 + PR * 0.20 + FN * 0.50
5 BUT Bütünleme Notu
6 BBN Bütünleme Sonu Başarı Notu VZ * 0.30 + PR * 0.20 + BUT * 0.50


Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

Vize (%30) + Proje (%20) + Final (%50)

Dersin Öğretim Dili

Türkçe

Derse İlişkin Politika ve Kurallar

Bu derste temel olarak veri madenciliği uygulamaları üzerinde durulacaktır.

Dersin Öğretim Üyesi İletişim Bilgileri

Adres: Dokuz Eylül Üniversitesi, Endüstri Mühendisliği Bölümü, Tınaztepe Kampüsü, İzmir, Türkiye

E-posta: burcin.ozsoydan@deu.edu.tr, burcin.ozsoydan@gmail.com

Tel: 0232 301 7630

Ders Öğretim Üyesi Görüşme Gün ve Saatleri

Her dönem farklı saat dilimleri belirlenmektedir.

Staj Durumu

YOK

İş Yükü Hesaplaması

Etkinlikler Sayısı Süresi (saat) Toplam İş Yükü (saat)
Ders Anlatımı 12 3 36
Haftalık Ders öncesi/sonrası hazırlıklar 12 1 12
Vize Sınavına Hazırlık 1 15 15
Sunum Hazırlama 1 15 15
Final Sınavına Hazırlık 1 20 20
Final Sınavı 1 2 2
Vize Sınavı 1 2 2
TOPLAM İŞ YÜKÜ (saat) 102

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖKPK.1PK.2PK.3PK.4PK.5PK.6PK.7PK.8PK.9PK.10PK.11
ÖK.1555
ÖK.25
ÖK.3555
ÖK.455
ÖK.555
ÖK.6