CEN411
Ders Bilgileri
Ders Kodu Yarıyıl T + U (Saat) Kredi AKTS
Veri Madenciliğine Giriş CEN 411 VII 3 + 0 3 6
 
Ön Koşul Dersleri Yok
 
Dersin Dili İngilizce
Dersin Seviyesi Lisans
Dersin Türü Seçmeli
Dersi Veren Öğretim Üyesi Dr. Öğr. Üyesi Mümine KAYA KELEŞ
Dersin Yardımcıları Arş. Gör. Ümit KILIÇ
Dersin Amacı Bu dersin amacı, yüksek miktardı veriden bilgi keşfi yapmak, bilgisayar programları kullanarak tahmin yapmak, öğrencilere büyük verilerden nasıl yararlanılacağını ve veri destek sistemlerine faydalı bilgi sağlamak için gerekli işlwmlerin nasıl yapılacağını öğretmek, öğrencilere bilginin nasıl teşhis edileceğini öğretmek, veri içindeki gizli desenler ve kurallar, veriyi anlaşılır hale çevirmek ve bulguları değerlendirmeyi öğretmektir.
Dersin İçeriği Veri madenciliği sınıflandırması, regresyon ve zaman serilerine genel bakış. Ölçme performansının ölçülmesi. Veri hazırlama, veri azaltma. Matematiksel çözümler, istatistiksel yöntemler, uzun mesafeden çözümler, veri madenciliği kavramları, veri hazırlama teknikleri, Naive Bayes sınıflandırıcı, karar ağaçları, karar kuralları, istatistiksel öğrenme teorisi, kümeleme yöntemleri, birliktelik kuralları, durum çalışmaları, programlama ile ilgili bazı tecrubeler ve daha fazla veri madenciliği araçları (R, RapidMiner, Weka, XLMiner vs.)
 
Dersin Öğrenme Çıktıları Öğretim Yöntemleri Ölçme Yöntemleri
1. Öğrenci değişkenler için veri türlerini tanımlama, öğrenme ve temel veri madenciliği bilgisine uygulama yeteneği kazanır. 1, 2, 3 A
2. Öğrenci büyük veride faydalı ve faydasız bilgiyi ayırt edebilir, büyük veri içerisinde gizlenmiş bilgi, desen ve kuralları bulabilir. 1, 2, 3, 4, 5 A
3. Öğrenci veri ön işleme (veri temizleme ve birleştirme) yöntemlerini öğrenir. 1, 2, 3, 4, 5, 6, 11, 12, 13 A, C, D
4. Öğrenciler eğiticili ve eğiticisiz öğrenme ile sınıflandırma ve kümeleme yöntemlerini öğrenir, birliktelik kuralları hakkında bilgi sahibi olur. 1, 2, 3, 4, 5, 6, 11, 12, 13, 15 A, C, D, E
5. Öğrenciler, veri içerisindeki yararlı bilgilerin işlenmesi adımlarını listeleyebilir, ve verileri analiz edip yorumlamanın yanı sıra deneyleri tasarlayabilir ve gerçekleştirebilir. 1, 2, 3, 4, 5, 6, 11, 12, 13, 15 A, C, D, E
 
Öğretim Yöntemleri:  1: Anlatım, 2: Soru-Cevap, 3: Tartışma, 4: Alıştırma ve Uygulama, 5: Gösteri, 6: Gösterip Yaptırma,, 7: Rol Yapma, 8: Grup Çalışmas, 9: Benzetim, 10: Beyin Fırtıması, 11: Örnek Çalışmalar, 12: Deney/Laboratuvar, 13: Bireysel Çalışma, 14: Proje Çalışması, 15: Proje Temelli Öğrenme, 16: Tanımsız
Ölçme Yöntemleri:  A: Sınav , B: Sözlü Sınav, C: Ödev, D: Proje/Tasarım, E: Performans Görevi, F: Portfolyo, G: Tanımsız
 
DERS AKIŞI
Hafta Konular       Ön Hazırlık
1 Veri Madenciliğine Giriş Ders Notlarını Okuma
2 Veri Madenciliği Kavramları ve Veri Önhazırlama Teknikleri, Veri Türleri, Benzerlik Ölçütü, Nitelik Seçimi Ders Notlarını Okuma
3 Veri Keşfi, Veri Türleri, Veri Kalitesi, Görselleştirme, Veri Azaltma ve Ayrıştırma Ders Notlarını Okuma
4 Sınıflandırma: Temel Kavramlar, Veri Sınıflandurma Yöntemleri: Karar Ağaçları, Naive Bayes Sınıflandırıcısı Ders Notlarını Okuma, Ev Ödevi, Problem Çözme
5 Veri Sınıflandırma Yöntemleri: Karar Kuralları, Tembel Öğreniciler (K-En Yakın-Komşu - KNN Algoritması), Regresyon, Sınıflandırma Üzerine Evrimsel Yöntemler Ders Notlarını Okuma, Ev Ödevi, Problem Çözme
6 Kümeleme: Temel Kavramlar, Veri Kümeleme Yöntemleri: K-Ortalamalar Algoritması, Hiyerarşik Algoritma Ders Notlarını Okuma, Ev Ödevi, Problem Çözme
7 Veri Kümeleme Yöntemleri: Bölme Yöntemleri, Hiyerarşik Yöntemler, Yoğunluk Tabanlı Yöntemler, Grid Tabanlı Yöntemler, Kümelemenin Gelişimi Ders Notlarını Okuma, Ev Ödevi, Problem Çözme
8 Ara Sınav Ders Notlarını Okuma
9 Veri Kümeleme Yöntemleri: Bölme Yöntemleri, Hiyerarşik Yöntemler, Yoğunluk Tabanlı Yöntemler, Grid Tabanlı Yöntemler, Kümelemenin Gelişimi - devamı Ders Notlarını Okuma, Ev Ödevi, Problem Çözme
10 Birliktelik Kuralları, Market Seperi Analizi, Birliktelik Kuralı Madenciliği: Apriori Algoritması Ders Notlarını Okuma, Ev Ödevi, Problem Çözme
11 Birliktelik Kuralı Madenciliği: FP-Growth Algoritması Ders Notlarını Okuma, Ev Ödevi, Problem Çözme
12 Nitelik Seçimi Algoritmaları, Bilgi Kazanımı Tabanlı Nitelik Seçimi, Ki-Kare Tabanlı Nitelik Seçim, Gain Ratio Tabanlı Nitelik Seçimi Ders Notlarını Okuma, Ev Ödevi, Problem Çözme
13 Veri Ambarı ve OLAP Teknolojileri, Çok Boyutlu Veri Modellerinde OLAP İşlemleri Ders Notlarını Okuma, Proje Sunumu
14 İnternet Madenciliği, Metin Madenciliği, Veri Madenciliği Uygulamaları Ders Notlarını Okuma, Proje Sunumu
           
KAYNAKLAR
Ders Notu 1. J. Han, M. Kamber, Data Mining, Morgan-Kaufman, Academic Press, Third Edition, 2011, ISBN: 978-9380931913.   
2. P. N. Tan, M. Steinbach, V. Kumar, Introduction to Data Mining: Pearson New International Edition, Pearson, 2013, ISBN: 978-1292026152.
Diğer Kaynaklar 1. H. Witten, Eibe Frank, Data Mining: Practical Machine Learning Tools and Techniques, Second Edition, Morgan Kaufmann Series in Data Management Systems
 
 
           
           
MATERYAL PAYLAŞIMI 
Dökümanlar 1-8 hafta  
Sınav Soruları  
9-14 hafta  
Ödevler Ödevler  
Sınavlar Sınav Tarihleri  
ArasinavTarihleri  
 
DEĞERLENDİRME SİSTEMİ
YARIYIL İÇİ ÇALIŞMALARI SAYISI KATKI YÜZDESİ
Ara Sınav 1 20
Kısa sınav 0 0
Ödev 2 10
Sunum 1 5
Proje 1 25
Toplam 100
Yıliçinin Başarıya Oranı 60
Finalin Başarıya Oranı 40
Toplam 100
 
DERS KATEGORİSİ Mesleki
 
DERSİN PROGRAM ÇIKTILARINA KATKISI
No Program Öğrenme Çıktıları Katkı Düzeyi
1 Matematik, Fen Bilimleri ve temel mühendislik alanlarında bilgi birikimi ve bu birikimi uygulamaya dönüştürebilme yeteneğine sahip olma, 5
2 Bilgisayar Mühendisliği’nin temel prensipleri hakkında bilgiye sahip olma ve bu alandaki problemleri tanımlama, modelleme ve çözme yeteneğine sahip olma, 5
3 Bilişim teknolojileri bilgisi ve bu teknolojileri aktif olarak kullanabilme yeteneğine sahip olma, 5
4 Kendi alanında veri toplama, deney yapma, deney sonuçlarını analiz ve yorumlama yeteneğine sahip olma, 5
5 Problem çözümlerinde ve uygulamalarda modern mühendislik araçlarını ve yöntemlerini kullanabilme yeteneğine sahip olma, 5
6 Sistem ve sistem bileşenini veya süreci istenilen kriterlere uygun olarak tasarlama ve uygulama yeteneğine sahip olma, 4
7 Disiplin içi ve disiplinler arası takımlarda çalışabilme yeteneğine sahip olma, 4
8 Bilgi edinimi araştırması yapabilme, veri tabanlarına ve diğer bilgi kaynaklarına erişebilme becerisine sahip olma, 5
9 Yaşam boyu öğrenme gerekliliğinin farkındalığına sahip olma ve bu farkındalığı uygulayarak kendini yenileyebilme yeteneği sahip olma, 3
10 Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi uygulamalar ile girişimcilik ve yenilikçilik hakkında bilgi sahibi olma, 4
11 İletişim de etkin olabilme yeteneğine sahip olma, 2
12 Mesleki özgüven, bağımsız davranma, yaratıcılık gibi özelliklere sahip olma, 4
13 Mesleki ve etik sorumluluk bilinçlerine sahip olma, 3
KATKI DÜZEYİ: 1:Çok-Düşük, 2: Düşük, 3: Orta, 4: Yüksek, 5: Çok-Yüksek
AKTS / İŞ YÜKÜ TABLOSU
Etkinlik SAYISI Süresi (saat) Toplam İş Yükü (saat)
Ders Süresi (Sınav haftası dahildir: 16x toplam ders saati) 16 3 48
Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme) 16 5 80
Ödev 2 2 4
Proje 1 40 40
Sunum 1 4 4
Ara sınav 1 2 2
Uygulama 0 0 0
Final sınavı 1 2 2
Toplam İş Yükü 180
Toplam İş Yükü / 30 (saat) 6
Dersin AKTS Kredisi 6