BİLGİ PAKETİ / DERS KATALOĞU
| BİLGİ TEKNOLOJİLERİ (YL) (TEZLİ) (İNGİLİZCE) | |||||
| Yüksek Lisans | TYYÇ: 7. Düzey | QF-EHEA: 2. Düzey | EQF-LLL: 7. Düzey | ||
Ders Genel Tanıtım Bilgileri
| Ders Kodu: | 3000004004 | ||||||||
| Ders İsmi: | Data Mining | ||||||||
| Ders Yarıyılı: | Güz | ||||||||
| Ders Kredileri: |
|
||||||||
| Öğretim Dili: | EN | ||||||||
| Ders Koşulu: | |||||||||
| Ders İş Deneyimini Gerektiriyor mu?: | Hayır | ||||||||
| Dersin Türü: | Department Elective | ||||||||
| Dersin Seviyesi: |
|
||||||||
| Dersin Veriliş Şekli: | Yüz yüze | ||||||||
| Dersin Koordinatörü: | Dr.Öğr.Üyesi Adem ÖZYAVAŞ | ||||||||
| Dersi Veren(ler): | |||||||||
| Dersin Yardımcıları: |
Dersin Amaç ve İçeriği
| Dersin Amacı: | Veri madenciliği, büyük ölçekli veriler arasından bilgiye ulaşma, bilgiyi madenleme işidir. Diğer bir anlamda büyük veri yığınları içerisinden gelecekle ilgili tahminde bulunabilmemizi sağlayabilecek bağıntıların bilgisayar programı kullanarak aranmasıdır. Veri madenciliği deyimi ile eş değer başka kullanımlar da literatüre geçmiştir. Veritabanlarında bilgi madenciliği (knowledge mining from databases), bilgi çıkarımı (knowledge extraction), veri ve örüntü analizi (data/pattern analysis), veri arkeolojisi gibi. Bunların arasında en yaygın kullanım Veritabanlarında Bilgi Keşfi (VBK - Knowledge Discovery From Databases - KDD)'dir. Alternatif olarak veri madenciliği aslında bilgi keşfi sürecinin bir parçası şeklinde kabul görmektedir. |
| Dersin İçeriği: | Veri Madenciliği Kavramları, Veri Hazırlama Teknikleri, İstatistiksel Öğrenme Teorisi(Naive Bayes) , Kümeleme Metodları (K-Means, hiyerarşik), Karar Ağaçları ve Karar Kuralları, Birliktelik Kuralları |
Öğrenme Kazanımları
Bu dersi başarıyla tamamlayabilen öğrenciler;
|
||||||||||||||||||||||||||||||||||
Ders Akış Planı
| Hafta | Konu | Ön Hazırlık |
| 1) | Veri Madenciliğine Giriş | |
| 2) | Veri Madenciliği Kavramları ve Veri Önişleme Teknikleri | |
| 3) | Veri İndirgeme ve Veri Ayrıklaştırma-I | |
| 4) | Veri İndirgeme ve Veri Ayrıklaştırma-II | |
| 5) | Eğiticili Öğrenme, Karar Ağaçları ve Kuralları | |
| 6) | Sınıflamada İstatistiksel Metodlar, Naïve Bayes Sınıflayıcı, Sınıflayıcıların Değerlendirilmesi, Sınıf Karışıklık Matrisi | |
| 7) | Eğiticisiz Öğrenme, K-Means Kümeleme, Hierarşik Kümeleme | |
| 8) | Ara Sınav 1 | |
| 9) | Kümeleme Metodları: K-Means Alg. ve Hiyerarşik Kümeleme | |
| 10) | Veri Ambarları ve OLAP Teknolojileri, Çok boyutlu veri modelinde OLAP işlemleri | |
| 11) | Web Madenciliği, Sayfa Sıralama(Page Ranking) Algoritmaları | |
| 12) | Ara Sınav-2 | |
| 13) | Yapay sinir ağlarını kullanarak sınıflama | |
| 13) | Ara Sınav-2 | |
| 14) | Proje Sunumları | |
| 14) | Yapay sinir ağlarını kullanarak sınıflama | |
| 15) | Proje Sunumları | |
| 16) | Final |
Kaynaklar
| Ders Notları / Kitaplar: | 1.Kaynak Kitap: Data Mining – Concepts, Models, Methods and Algorithms, Mehmed Kantardzic, ISBN:0-471-22852-4 2.Kaynak Kitap: Data Mining , J. Han – M. Kamber, Morgan-Kaufman, Academic Press, 2001, ISBN: 1-55860-901-6 |
| Diğer Kaynaklar: | 1.Kaynak Kitap: Data Mining – Concepts, Models, Methods and Algorithms, Mehmed Kantardzic, ISBN:0-471-22852-4 2.Kaynak Kitap: Data Mining , J. Han – M. Kamber, Morgan-Kaufman, Academic Press, 2001, ISBN: 1-55860-901-6 |
Ders - Program Öğrenme Kazanım İlişkisi
| Ders Öğrenme Kazanımları | 1 |
2 |
3 |
||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| Program Kazanımları | |||||||||||
| 1) Yazılım mühendisliği, veri yönetimi ve bilgisayar güvenliği gibi temel bilgi teknolojilerindeki güncel teknik kavramları ve uygulamaları kullanma becerisi. | |||||||||||
| 2) Kullanıcı ihtiyaçlarının belirlenmesi, analiz edilmesi ve bilgisayar tabanlı sistemlerin seçiminde, değerlendirilmesinde ve yönetiminde kullanımının anlaşılması. | |||||||||||
| 3) Veri yapılarını kullanma ve algoritma geliştirme becerisi. | |||||||||||
| 4) Karmaşık büyük veri sistemlerini analiz etme ve yorumlama becerisi. | |||||||||||
| 5) Makine öğrenmesindeki kavram ve algoritmaların yorumlanması ve uygulanması becerisi. | |||||||||||
| 6) Veri analizi alanındaki derin öğrenmenin Matematik temellerinin anlaşılması ve teoriyi uygulama becerisi. | |||||||||||
| 7) Karmaşık veri yapılarını çözme, derin öğrenme modelleri geliştirme ve uygulama becerisi ve bu konularla ilgili yapay zeka odaklı araştırmaları yorumlama becerisi. | |||||||||||
| 8) Görüntü analizi, doğal dil işleme ve öneri sistemlerindeki sorunları çözmek için derin öğrenme tekniklerini uygulama ve gerçek dünya veri kümeleri ve projelerini yorumlama becerisi. | |||||||||||
| 9) Dijital sinyal işlemenin temel prensiplerini ve matematiksel altyapısını pratik uygulamalara aktarma becerisi. | |||||||||||
| 10) İnternet aracılığıyla kullanılan araç ve teknolojiler ile sunucu kodlama dilleri ve araçları için kullanılan farklı teknolojiler hakkında bilgi kazanılması. | |||||||||||
| 11) Tek hücreli organizmalarda genetik bilgi akışı ve çok hücreli organizmalarda genlerin nasıl işlediğinin anlaşılması ve biyoteknoloji alanındaki uygulamaları yorumlama ve uygulama becerisi. | |||||||||||
| 12) Etik değerlerin bilincinde olunması ve bu değerler çerçevesinde araştırma ve uygulama yapılması gerekliliğinin anlaşılması. | |||||||||||
Ders - Öğrenme Kazanımı İlişkisi
| Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
| Dersin Program Kazanımlarına Etkisi | Katkı Payı | |
| 1) | Yazılım mühendisliği, veri yönetimi ve bilgisayar güvenliği gibi temel bilgi teknolojilerindeki güncel teknik kavramları ve uygulamaları kullanma becerisi. | |
| 2) | Kullanıcı ihtiyaçlarının belirlenmesi, analiz edilmesi ve bilgisayar tabanlı sistemlerin seçiminde, değerlendirilmesinde ve yönetiminde kullanımının anlaşılması. | |
| 3) | Veri yapılarını kullanma ve algoritma geliştirme becerisi. | |
| 4) | Karmaşık büyük veri sistemlerini analiz etme ve yorumlama becerisi. | |
| 5) | Makine öğrenmesindeki kavram ve algoritmaların yorumlanması ve uygulanması becerisi. | |
| 6) | Veri analizi alanındaki derin öğrenmenin Matematik temellerinin anlaşılması ve teoriyi uygulama becerisi. | |
| 7) | Karmaşık veri yapılarını çözme, derin öğrenme modelleri geliştirme ve uygulama becerisi ve bu konularla ilgili yapay zeka odaklı araştırmaları yorumlama becerisi. | |
| 8) | Görüntü analizi, doğal dil işleme ve öneri sistemlerindeki sorunları çözmek için derin öğrenme tekniklerini uygulama ve gerçek dünya veri kümeleri ve projelerini yorumlama becerisi. | |
| 9) | Dijital sinyal işlemenin temel prensiplerini ve matematiksel altyapısını pratik uygulamalara aktarma becerisi. | |
| 10) | İnternet aracılığıyla kullanılan araç ve teknolojiler ile sunucu kodlama dilleri ve araçları için kullanılan farklı teknolojiler hakkında bilgi kazanılması. | |
| 11) | Tek hücreli organizmalarda genetik bilgi akışı ve çok hücreli organizmalarda genlerin nasıl işlediğinin anlaşılması ve biyoteknoloji alanındaki uygulamaları yorumlama ve uygulama becerisi. | |
| 12) | Etik değerlerin bilincinde olunması ve bu değerler çerçevesinde araştırma ve uygulama yapılması gerekliliğinin anlaşılması. |
Öğrenme Etkinliği ve Öğretme Yöntemleri
| Ders | |
| Grup çalışması ve ödevi | |
| Okuma | |
| Ödev |
Ölçme ve Değerlendirme Yöntemleri ve Kriterleri
Ölçme ve Değerlendirme
| Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
| Ödev | 2 | % 30 |
| Ara Sınavlar | 1 | % 30 |
| Yarıyıl/Yıl Sonu Sınavı | 1 | % 40 |
| Toplam | % 100 | |
| YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 60 | |
| YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 40 | |
| Toplam | % 100 | |
İş Yükü ve AKTS Kredisi Hesaplaması
| Aktiviteler | Aktivite Sayısı | Süre (Saat) | İş Yükü |
| Ders Saati | 15 | 3 | 45 |
| Sınıf Dışı Ders Çalışması | 15 | 5 | 75 |
| Ödevler | 2 | 30 | 60 |
| Ara Sınavlar | 1 | 2 | 2 |
| Final | 1 | 3 | 3 |
| Toplam İş Yükü | 185 | ||