| Dersin Amacı: |
Öğrenciye veri madenciliği kapsamındaki konulara aşinalık kazandırma. Gerçek hayatta karşılaşılan problemlerde sınıflandırma ve kümeleme algoritmalarının kullanımı, Python programlama dilininin kullanılması ve veri madenciliği ile ilgili örnekler çözülmesi |
| Dersin İçeriği: |
Veriler: çeşitleri, kalitesi, ön işleme, yakınlık, uzaklık ölçütleri, özet istatistikleri, görüntüleme, çok boyutlu veri analizi. Sınıflandırma: karar ağaçları, model değerlendirme, Bayes sınıflandırıcıları, yapay sinir ağları, SVM. Birleştirme analizi. Kümeleme analizi: K-means, HC algoritmaları, kümelerin değerlendirilmesi, diğer kümeleme yaklaşımları, Python Programlama dili. |
| Hafta |
Konu |
Ön Hazırlık |
| 1) |
Veri madenciliğine giriş ve veri türlerini anlama. Yapılandırılmış, yarı yapılandırılmış ve yapılandırılmamış verinin genel bakışı. İstatistiksel özetler ve eksik değer analizi. |
Ders Notları |
| 2) |
Veri temizleme: Eksik değerleri ele alma (ortalama, medyan, mod), aykırı değerleri tespit etme ve yönetme, yinelenen verileri kaldırma ve veri tutarlılığını sağlama. |
Ders Notları |
| 3) |
Data transformations: Normalization (min-max scaling) and standardization (z-score). Label
encoding, one-hot encoding, and feature engineering. |
Ders Notları |
| 4) |
Boyut azaltma yöntemleri: PCA ve t-SNE. Örnekleme teknikleri: Rastgele örnekleme ve tabakalı örnekleme. Veri özetleme. |
Ders Notları |
| 5) |
Sık örüntü madenciliği: Apriori algoritması ve ilişkilendirme kural madenciliği. Örüntüleri değerlendirme. |
|
| 6) |
Sınıflandırmaya giriş: Karar ağaçları, Naive Bayes ve K-En Yakın Komşu (KNN). Model değerlendirme metrikleri. |
Ders Notları |
| 7) |
Gelişmiş sınıflandırma yöntemleri: Destek Vektör Makineleri (SVM) ve topluluk yöntemleri (bagging, boosting). |
Ders Notları |
| 8) |
Kümeleme temelleri: K-ortalama, hiyerarşik kümeleme ve yoğunluk tabanlı kümeleme yöntemleri. Kümeleme değerlendirme metrikleri. |
|
| 9) |
Ara sınav. |
Ders Notları |
| 10) |
Advanced clustering methods: Biclustering and clustering in high-dimensional data. Time-series clustering. |
Ders Notları |
| 11) |
Graf ve ağ analizi: Graf madenciliği, bağlantılı bileşenleri belirleme ve sosyal ağlardaki uygulamalar |
Ders Notları |
| 12) |
Derin öğrenmeye giriş: Yapay sinir ağları ve evrişimli sinir ağları (CNN'ler). Derin öğrenmenin veri madenciliğindeki rolü. |
Ders Notları |
| 13) |
Büyük veri madenciliği: MapReduce ve büyük veri araçlarına giriş. Veri madenciliği trendleri ve gelecekteki araştırma yönelimleri. |
Ders Notları |
| 14) |
Python kullanarak bir vaka çalışması |
Ders Notları |
| 15) |
Python kullanarak bir vaka çalışması |
Ders Notları |
| 16) |
Final |
|
| |
Dersin Program Kazanımlarına Etkisi |
Katkı Payı |
| 1) |
1.1 Matematik ve fen bilimleri gibi konularda yeterli bilgi birikimi |
1 |
| 2) |
1.2 Matematik, fen bilimleri ve bilgisayar mühendisliği konularında kuramsal ve uygulamalı bilgileri mühendislik problemlerini modelleme ve çözme için uygulayabilme becerisi. |
3 |
| 3) |
1.3 Matematik ve fen bilimleri gibi alanlardaki kuramsal ve uygulamalı bilgileri, karmaşık mühendislik problemlerinde kullanabilme becerisi |
4 |
| 4) |
2.1 Karmaşık mühendislik problemlerini saptama, tanımlama, formüle etme ve çözme becerisi |
3 |
| 5) |
2.2 Bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi |
|
| 6) |
3.1 Karmaşık bir sistemi, süreci, cihazı veya ürünü gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlama becerisi |
4 |
| 7) |
3.2 Bu amaçla modern tasarım yöntemlerini uygulama becerisi |
|
| 8) |
4.1 Mühendislik uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları geliştirme, seçme ve kullanma becerisi |
1 |
| 9) |
4.2 Bilişim teknolojilerini etkin bir şekilde kullanma becerisi |
5 |
| 10) |
5.1 Karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için deney tasarlama becerisi |
|
| 11) |
5.2 Karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için deney yapma becerisi |
|
| 12) |
5.3 Karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için veri toplama becerisi |
4 |
| 13) |
5.4 Karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için deney sonuçlarını analiz etme ve yorumlama becerisi |
|
| 14) |
6.1 Disiplin içi bireysel çalışma becerisi |
|
| 15) |
6.2 Disiplin içi takımlarda etkin biçimde çalışabilme becerisi |
|
| 16) |
6.3 Çok disiplinli takımlarda etkin biçimde çalışabilme becerisi |
|
| 17) |
7.1 Türkçe sözlü ve yazılı etkin iletişim kurma ve sunum yapabilme becerisi |
|
| 18) |
7.2 En az bir yabancı dil bilgisi |
|
| 19) |
7.3 Etkin rapor yazma ve yazılı raporları anlama becerisi |
|
| 20) |
7.4 Tasarım ve üretim raporları hazırlayabilme becerisi |
|
| 21) |
7.5 Açık ve anlaşılır talimat verme ve alma becerisi |
|
| 22) |
8.1 Yaşam boyu öğrenmenin gerekliği bilinci |
|
| 23) |
8.2 Bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi |
|
| 24) |
9.1 Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk bilinci |
|
| 25) |
9.2 Mühendislik uygulamalarında kullanılan standartlar hakkında bilgi |
|
| 26) |
10.1 Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi |
4 |
| 27) |
10.2 Girişimcilik, yenilikçilik hakkında farkındalık |
|
| 28) |
10.3 Sürdürülebilir kalkınma hakkında bilgi |
|
| 29) |
11.1 Mühendislik uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın mühendislik alanına yansıyan sorunları hakkında bilgi |
|
| 30) |
11.2 Mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık |
|
| 31) |
12.1 Ayrık matematik konusunda bilgi sahip olmak |
|
BİLGİ PAKETİ / DERS KATALOĞU
