YAZILIM MÜHENDİSLİĞİ (İNGİLİZCE)
Kazanılan Yeterlilik	Program Süresi	Toplam Kredi (AKTS)	Öğretim Şekli	Yeterliliğin Düzeyi ve Öğrenme Alanı
LİSANS DERECESİ	4	240	ÖRGÜN	TYÇ, TYYÇ, EQF-LLL, ISCED (2011):6. Düzey QF-EHEA:1. Düzey TYYÇ, ISCED (1997-2013): 48,52

Ders Genel Tanıtım Bilgileri

Ders Kodu:

1413002050

Ders İsmi:

Data Mining

Ders Yarıyılı:

Bahar

Ders Kredileri:

Teorik	Pratik	Laboratuvar	Kredi	AKTS
0	6	0	3	5

Öğretim Dili:

Ders Koşulu:

Ders İş Deneyimini Gerektiriyor mu?:

Hayır

Ders İçin Önerilen Diğer Hususlar:

yok

Dersin Türü:

Department Elective

Dersin Seviyesi:

Lisans

TYYÇ:6. Düzey

QF-EHEA:1. Düzey

EQF-LLL:6. Düzey

Dersin Veriliş Şekli:

Yüz yüze

Dersin Koordinatörü:

Dr.Öğr.Üyesi Adem ÖZYAVAŞ

Dersi Veren(ler):

Dersin Yardımcıları:

Dersin Amaç ve İçeriği

Dersin Amacı:

Dersin sonunda öğrenciler şunları yapabileceklerdir:

Veri Madenciliği İlkelerini Anlamak: Veri madenciliğinde kullanılan temel kavramlar ve algoritmalar hakkında bilgi edinmek.
Veriyi Madencilik İçin Ön İşlemek: Etkili madencilik için veri temizleme, normalleştirme ve dönüştürme işlemleri yapmak.
Sınıflandırma ve Regresyon Tekniklerini Uygulamak: Karar ağaçları, sinir ağları ve doğrusal regresyon kullanarak tahminsel modeller oluşturmak.
Kümeleme Yöntemlerini Kullanmak: K-means ve hiyerarşik kümeleme gibi kümeleme tekniklerini denetimsiz öğrenme için uygulamak.
İlişki Kuralları Keşfetmek: Apriori gibi algoritmalar kullanarak veri öğeleri arasındaki ilişkileri tanımlamak.
Veri Madenciliği Modellerini Değerlendirmek: Modellerin doğruluğunu ve etkinliğini değerlendirmek için performans ölçütlerini anlamak.

Dersin İçeriği:

Bu ders, büyük veri setlerinde desenler, ilişkiler ve anormallikler keşfetmek için kullanılan veri madenciliği ilkelerini ve tekniklerini tanıtır. Konular arasında sınıflandırma, regresyon, kümeleme, ilişki kuralı madenciliği ve veri ön işleme yer alır. Öğrenciler, bu teknikleri Python ve R gibi araçlarla uygularlar.

Öğrenme Kazanımları

Bu dersi başarıyla tamamlayabilen öğrenciler;

Öğrenme Kazanımları

1 - Bilgi
Kuramsal - Olgusal
1) Veri Madenciliği Kavramlarını Anlamak: Veri madenciliğinin temel kavramları ve yöntemlerini öğrenmek.
2 - Beceriler
Bilişsel - Uygulamalı
1) Sınıflandırma Algoritmalarını Uygulamak: Karar ağaçları, k-en yakın komşu, ve destek vektör makineleri gibi sınıflandırma tekniklerini uygulamak.
2) Kümeleme Algoritmalarını Uygulamak: K-means ve hiyerarşik kümeleme gibi algoritmalarla veriyi segmentlere ayırmak.
3) Veri Ön İşleme: Veri temizleme, dönüşüm ve normalizasyon tekniklerini veri madenciliği görevleri için öğrenmek.
3 - Yetkinlikler
İletişim ve Sosyal Yetkinlik
Öğrenme Yetkinliği
Alana Özgü Yetkinlik
Bağımsız Çalışabilme ve Sorumluluk Alabilme Yetkinliği

Ders Akış Planı

Hafta	Konu	Ön Hazırlık
1)	Veri madenciliği kavramları, araçları ve uygulamaları hakkında genel bir bakış.	yok
2)	Eksik veri, normalizasyon ve özellik seçimi için kullanılan teknikler.	yok
3)	Karar ağaçları ve k-en yakın komşu gibi sınıflandırma algoritmalarına giriş.	yok
4)	SVM, kernel yöntemleri ve sınıflandırmadaki uygulamalarına derinlemesine bir bakış.	yok
4)	SVM, kernel yöntemleri ve sınıflandırmadaki uygulamalarına derinlemesine bir bakış.	yok
5)	Sürekli ve kategorik veriyi tahmin etmek için lineer ve lojistik regresyon teknikleri.	yok
6)	K-means, DBSCAN ve hiyerarşik kümeleme gibi denetimsiz öğrenme algoritmaları.	yok
7)	Pazar sepeti analizi ve Apriori algoritmasına giriş.	yok
8)	ara sinav	yok
9)	FP-growth algoritması ve büyük veri setlerinden verimli madencilik yapma teknikleri.	yok
10)	Büyük veri setlerinde aykırı değer ve anomali tespiti yöntemleri.	yok
11)	Model değerlendirme tekniklerini anlama: doğruluk, hassasiyet, geri çağırma ve F1 skoru.	yok
12)	Metin verilerini analiz etme ve anlamlı desenler çıkarma teknikleri.	yok
13)	Veri madenciliğinin sağlık, finans ve pazarlama gibi endüstrilerdeki gerçek dünya uygulamaları.	yok
14)	Ensemble öğrenme, boosting ve bagging yöntemlerine giriş.	yok

Kaynaklar

Ders Notları / Kitaplar:	“Data Mining: Concepts and Techniques” by Jiawei Han, Micheline Kamber, and Jian Pei
Diğer Kaynaklar:	“Data Mining: Concepts and Techniques” by Jiawei Han, Micheline Kamber, and Jian Pei

Ders - Program Öğrenme Kazanım İlişkisi

Ders Öğrenme Kazanımları	1	2	3	4
Program Kazanımları
1) Matematik, fen bilimleri, temel mühendislik, bilgisayarla hesaplamavla ilgili mühendislik disiplinine özgü konularda bilgi; bu bilgileri, karmaşık mühendislik problemlerinin çözümünde kullanabilme becerisi
2) Yazılım mühendisliği ile ilgili konularda yeterli bilgi birikimi; bu alanlardaki kuramsal ve uygulamalı bilgileri, algoritmik ve yazılımsal problemlerinin çözümünde kullanabilme becerisi.
3) Karmaşık mühendislik problemlerini, temel bilim, matematik ve mühendislik bilgilerini kullanarak ve ele alınan problemle ilgili BM Sürdürülebilir Kalkınma Amaçlarını gözeterek tanımlama, formüle etme ve analiz becerisi
4) Karmaşık mühendislik problemlerine yaratıcı çözümler tasarlama becerisi; karmaşık sistemleri, süreçleri, cihazları veya ürünleri gerçekçi kısıtları ve koşulları gözeterek, mevcut ve gelecekteki gereksinimleri karşılayacak biçimde tasarlama becerisi.
5) Karmaşık mühendislik problemlerinin analizi ve çözümüne yönelik, tahmin ve modelleme de dahil olmak üzere, uygun teknikleri, kaynakları ve modern mühendislik ve bilişim araçlarını, sınırlamalarının da farkında olarak seçme ve kullanma becerisi.
6) Karmaşık mühendislik problemlerinin incelenmesi için literatür araştırması, deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama dahil, araştırma yöntemlerini kullanma becerisi.
7) Mühendislik uygulamalarının BM Sürdürülebilir Kalkınma Amaçları kapsamında, topluma, sağlık ve güvenliğe, ekonomiye, sürdürülebilirlik ve çevreye etkileri hakkında bilgi; mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık
8) Mühendislik meslek ilkelerine uygun davranma, etik sorumluluk hakkında bilgi; hiçbir konuda ayrımcılık yapmadan, tarafsız davranma ve çeşitliliği kapsayıcı olma konularında farkındalık.
9) Disiplin içi ve çok disiplinli takımlarda (yüz yüze, uzaktan veya karma) takım üyesi veya lideri olarak etkin biçimde çalışabilme becerisi
10) Bireysel çalışma becerisi.
11) Hedef kitlenin çeşitli farklılıklarını (eğitim, dil, meslek gibi) dikkate alarak, teknik konularda sözlü, yazılı etkin iletişim kurma becerisi.
12) Proje yönetimi ve ekonomik yapılabilirlik analizi gibi iş hayatındaki uygulamalar hakkında bilgi
13) Girişimcilik ve yenilikçilik hakkında farkındalık.
14) Bağımsız ve sürekli öğrenebilme, yeni ve gelişmekte olan teknolojilere uyum sağlayabilme ve teknolojik değişimlerle ilgili sorgulayıcı düşünebilmeyi kapsayan yaşam boyu öğrenme becerisi.

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)	Matematik, fen bilimleri, temel mühendislik, bilgisayarla hesaplamavla ilgili mühendislik disiplinine özgü konularda bilgi; bu bilgileri, karmaşık mühendislik problemlerinin çözümünde kullanabilme becerisi
2)	Yazılım mühendisliği ile ilgili konularda yeterli bilgi birikimi; bu alanlardaki kuramsal ve uygulamalı bilgileri, algoritmik ve yazılımsal problemlerinin çözümünde kullanabilme becerisi.
3)	Karmaşık mühendislik problemlerini, temel bilim, matematik ve mühendislik bilgilerini kullanarak ve ele alınan problemle ilgili BM Sürdürülebilir Kalkınma Amaçlarını gözeterek tanımlama, formüle etme ve analiz becerisi
4)	Karmaşık mühendislik problemlerine yaratıcı çözümler tasarlama becerisi; karmaşık sistemleri, süreçleri, cihazları veya ürünleri gerçekçi kısıtları ve koşulları gözeterek, mevcut ve gelecekteki gereksinimleri karşılayacak biçimde tasarlama becerisi.
5)	Karmaşık mühendislik problemlerinin analizi ve çözümüne yönelik, tahmin ve modelleme de dahil olmak üzere, uygun teknikleri, kaynakları ve modern mühendislik ve bilişim araçlarını, sınırlamalarının da farkında olarak seçme ve kullanma becerisi.
6)	Karmaşık mühendislik problemlerinin incelenmesi için literatür araştırması, deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama dahil, araştırma yöntemlerini kullanma becerisi.
7)	Mühendislik uygulamalarının BM Sürdürülebilir Kalkınma Amaçları kapsamında, topluma, sağlık ve güvenliğe, ekonomiye, sürdürülebilirlik ve çevreye etkileri hakkında bilgi; mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık
8)	Mühendislik meslek ilkelerine uygun davranma, etik sorumluluk hakkında bilgi; hiçbir konuda ayrımcılık yapmadan, tarafsız davranma ve çeşitliliği kapsayıcı olma konularında farkındalık.
9)	Disiplin içi ve çok disiplinli takımlarda (yüz yüze, uzaktan veya karma) takım üyesi veya lideri olarak etkin biçimde çalışabilme becerisi
10)	Bireysel çalışma becerisi.
11)	Hedef kitlenin çeşitli farklılıklarını (eğitim, dil, meslek gibi) dikkate alarak, teknik konularda sözlü, yazılı etkin iletişim kurma becerisi.
12)	Proje yönetimi ve ekonomik yapılabilirlik analizi gibi iş hayatındaki uygulamalar hakkında bilgi
13)	Girişimcilik ve yenilikçilik hakkında farkındalık.
14)	Bağımsız ve sürekli öğrenebilme, yeni ve gelişmekte olan teknolojilere uyum sağlayabilme ve teknolojik değişimlerle ilgili sorgulayıcı düşünebilmeyi kapsayan yaşam boyu öğrenme becerisi.

Öğrenme Etkinliği ve Öğretme Yöntemleri

Ders
Grup çalışması ve ödevi
Ödev
Problem Çözme

Ölçme ve Değerlendirme Yöntemleri ve Kriterleri

Ölçme ve Değerlendirme

Yarıyıl İçi Çalışmaları	Aktivite Sayısı	Katkı Payı
Ödev	1	% 10
Projeler	2	% 20
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	13	3	39
Sınıf Dışı Ders Çalışması	13	4	52
Proje	1	35	35
Ödevler	2	10	20
Ara Sınavlar	1	40	40
Final	1	40	40
Toplam İş Yükü			226