| Ders Adı | Kodu | Yarıyıl | T+U Saat | AKTS | |
| Veri Madenciliği | YBS461 | 7 | 2 + 1 | 5,0 |
| Birim Bölüm | YÖNETİM BİLİŞİM SİSTEMLERİ |
| Derece Seviye | Lisans - Seçmeli - Türkçe |
| Dersin Verilişi | Anlatım, görsel sunum, soru - cevap, alıştırma ve uygulama |
| EBS Koordinatörü | Doç. Dr. Nur Kuban TORUN (Yıl: 2020 - 2021) |
| Ders Veren | Doç. Dr. Nur Kuban TORUN |
| Amaç |
Öğrencilere veri madenciliği kavramını öğretmek, veri madenciliği teknikleri ve algoritmaları ile büyük ölçekteki verileri analiz etme ve yorumlama yeteneği kazandırmak. R programlama üzerinde veri madenciliği yöntemlerini uygulayabilmek. |
| Ders İçeriği |
Veri madenciliği kavramı, uygulama alanları, veri önişleme süreci, karar ağaçları, kümeleme yöntemleri , k en yakın komşu algoritması, naive bayes algoritması ,birliktelik kuralları ve bunların uygulamalarını içerir. Uygulamalar R Programla ile öğretilir. |
| Ders Kaynakları |
Özkan Y. (2016), Veri Madenciliği Yöntemleri, Papatya Yayıncılık Eğitim
Balaban M.E & Kartal E. (2015), Veri Madenciliği ve Makine Öğrenmesi, Çağlayan Kitapevi, İstanbul. |
| Açıldığı Öğretim Yılı | 2018 - 2019 2020 - 2021 2021 - 2022 2022 - 2023 2023-2024 2024 - 2025 2025 - 2026 |
| Yarıyıl İçi Çalışmalar | Katkı Yüzdesi (%) |
| Ara Sınav 1 | 30 |
| Ödev 1 | 10 |
| Ödev (Sunum) | 10 |
| Toplam | 50 |
| Yarıyıl Sonu Çalışmalar | Katkı Yüzdesi (%) |
| Dönem Sonu Uygulaması | %50 |
| Toplam | %50 |
| Yarıyıl İçinin Başarıya Oranı | %50 |
| Yarıyıl Sonu Çalışmalar | %50 |
| Toplam | %100 |
| Kategori | Ders İlişki Yüzdeleri (%) |
|
Aktarılabilir Beceri Dersleri
|
0
|
|
Beşeri, İletişim ve Yönetim Becerileri Dersleri
|
0
|
|
Destek Dersleri
|
0
|
|
Ek Dersler
|
0
|
|
Kategori
|
0
|
|
Mesleki Seçmeli Dersler
|
50
|
|
Temel Meslek Dersleri
|
0
|
|
Uygulama Dersleri
|
0
|
|
Uzmanlık / Alan Dersleri
|
50
|
|
Yetkinlik Tamamlayıcı Ders
|
0
|
| Ders İş Yükü | Öğretim Metotlar / Öğretim Metodu | Süresi (Saat) | Sayısı | Toplam İş Yükü (Saat) |
| Araştırma – yaşam boyu öğrenme, yazma, okuma, Bilişim | Sınıf Dışı Çalışma | 2 | 14 | 28 |
| Önceden planlanmış özel beceriler | Problem Çözme | 3 | 14 | 42 |
| Gözlem/durumları işleme, Bilişim, yönetsel beceriler, takım çalışması | Laboratuar | 3 | 14 | 42 |
| Ara Sınav 1 | Ara Sınav 1 | 3 | 1 | 3 |
| Dönem Sonu Uygulaması | Dönem Sonu Uygulaması | 10 | 1 | 10 |
| Ödev 1 | Ödev 1 | 3 | 1 | 3 |
| Toplam İş Yükü (Saat) | 128 | |||
| AKTS = Toplam İş Yükü (Saat) / 25.5 (s) | 5,02 | |||
| AKTS | 5,0 | |||
| Hafta | Konu | Öğretim Metodu |
|---|---|---|
| 1 | Veri Madenciliğine Giriş | Ders |
| 2 | Veri Madenciliği Modelleri | Ders Problem Çözme |
| 3 | Veri Madenciliği Süreci | Ders Problem Çözme |
| 4 | Normalizasyon( Min- Maks/ Zscore) | Ders Problem Çözme |
| 5 | R programlama ile Normalizasyon | Ders Problem Çözme |
| 6 | Karar Ağaçları Excel İle | Ders Problem Çözme |
| 7 | R programlama ile Karar Ağaçları | Ders Problem Çözme |
| 8 | R programlama ile Örnek Soru Çözümleri/ Ara Sınav | Ders Problem Çözme |
| 9 | Model Performans Değerlendirme Ölçütleri/ Sınav Sorularının Çözümleri | Ders Problem Çözme |
| 10 | Birliktelik Kuralları Excel İle | Ders Problem Çözme |
| 11 | R Programlama ile Birliktelik Kuralları Uygulaması | Ders Problem Çözme |
| 12 | K En Yakın Komşu Algoritması- Naive Bayes Algoritması | Ders Problem Çözme |
| 13 | K Ortalamalar Algoritması | Ders Problem Çözme |
| 14 | Proje Ödevi Sunumları | Ders Problem Çözme |
| Ders Öğrenme Çıktısı | Ölçme Değerlendirme | Öğretim Metodu | Öğrenme Faaliyeti |
| Öğrenciler, veri madenciliği temel kavramlarını öğreneceklerdir. | Yazılı Sınav | Beyin Fırtınası | Dinleme ve anlamlandırma, gözlem/durumları işleme, eleştirel düşünme, soru geliştirme, takım çalışması |
| Öğrenciler, veri madenciliği teknikleri ve algoritmaları ile büyük ölçekteki verileri analiz etme ve yorumlama yeteneği kazanacaklardır. | Yazılı Sınav | Laboratuar | Gözlem/durumları işleme, Bilişim, yönetsel beceriler, takım çalışması |
| Öğrenciler, veri ön işleme tekniklerini öğrenecektir. | Ödev / Proje | Laboratuar | Gözlem/durumları işleme, Bilişim, yönetsel beceriler, takım çalışması |
| Öğrenciler, veri madenciliği sürecini öğrenecektir. | Yazılı Sınav Ödev / Proje | Problem Çözme | Önceden planlanmış özel beceriler |
| Öğrenciler, tanımlayıcı ve tahmin edici veri madenciliği modellerini öğreneceklerdir. | Yazılı Sınav | Laboratuar | Gözlem/durumları işleme, Bilişim, yönetsel beceriler, takım çalışması |
DERS ÖĞRENME ÇIKTISI |
PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 | PÇ 10 | PÇ 11 | PÇ 12 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Öğrenciler, veri madenciliği temel kavramlarını öğreneceklerdir. | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | ;
| Öğrenciler, veri madenciliği teknikleri ve algoritmaları ile büyük ölçekteki verileri analiz etme ve yorumlama yeteneği kazanacaklardır. | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | ;
| Öğrenciler, veri ön işleme tekniklerini öğrenecektir. | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | ;
| Öğrenciler, veri madenciliği sürecini öğrenecektir. | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | ;
| Öğrenciler, tanımlayıcı ve tahmin edici veri madenciliği modellerini öğreneceklerdir. | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | ;
| Ortalama Değer | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 |
