| Ders Adı | Kodu | Yarıyıl | T+U Saat | AKTS | |
| Veri Madenciliği ve Uygulamaları | İŞL5038 | 3 + 0 | 7,5 |
| Birim Bölüm | İŞLETME - YL TEZSİZ |
| Derece Seviye | Lisansüstü - Seçmeli - Türkçe |
| Dersin Verilişi | Anlatım, görsel sunum, soru - cevap, alıştırma ve uygulama |
| EBS Koordinatörü | Doç. Dr. Nur Kuban TORUN |
| Ders Veren | |
| 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, veri ambarları ve OLAP kavramları, metin madenciliği kavramı, birliktelik kuralları, sınıflandırma ve kümeleme yöntemleri ve bunların uygulamalarını içerir. Uygulamalar R Programla ile öğretilir. |
| Ders Kaynakları |
Özkan Y. (2016), Veri Madenciliği Yöntemleri, Papatya Yayıncılık Eğitim
|
| Yarıyıl İçi Çalışmalar | Katkı Yüzdesi (%) |
| Bu bilgi girilmemiştir. | |
| Toplam | 0 |
| Yarıyıl Sonu Çalışmalar | Katkı Yüzdesi (%) |
| Bu bilgi girilmemiştir. | |
| Toplam | %0 |
| Yarıyıl İçinin Başarıya Oranı | %0 |
| Yarıyıl Sonu Çalışmalar | %0 |
| Toplam | %0 |
| 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
|
0
|
|
Temel Meslek Dersleri
|
0
|
|
Uygulama Dersleri
|
0
|
|
Uzmanlık / Alan Dersleri
|
0
|
| Ders İş Yükü | Öğretim Metotlar / Öğretim Metodu | Süresi (Saat) | Sayısı | Toplam İş Yükü (Saat) |
| Toplam İş Yükü (Saat) | 0 | |||
| AKTS = Toplam İş Yükü (Saat) / 25.5 (s) | 0 | |||
| AKTS | ||||
| 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 | K En Yakın Komşu Algoritması | Ders Problem Çözme |
| 13 | K Ortalamalar Algoritması | Ders Problem Çözme |
| 14 | Ödev Sunumları | Ders Problem Çözme |
| Ders Öğrenme Çıktısı | Ölçme Değerlendirme | Öğretim Metodu | Öğrenme Faaliyeti |
| Öğrenciler, veri madenciliği temel kavramlarını öğreneceklerdir. | Yazılı Sınav Ödev / Proje Sunum / Seminer | Problem Çözme Beyin Fırtınası | Önceden planlanmış özel beceriler Dinleme ve anlamlandırma, gözlem/durumları işleme, eleştirel düşünme, soru geliştirme, takım çalışması |
| Öğrenciler, veri önişleme sürecini öğrenecektir. | Yazılı Sınav Ödev / Proje Sunum / Seminer | Problem Çözme Beyin Fırtınası | Önceden planlanmış özel beceriler Dinleme ve anlamlandırma, gözlem/durumları işleme, eleştirel düşünme, soru geliştirme, takım çalışması |
| Öğrenciler, birliktelik kuralları, sınıflama metin madenciliği ve kümeleme yöntemlerini öğreneceklerdir. | Yazılı Sınav Ödev / Proje Sunum / Seminer | Problem Çözme Beyin Fırtınası | Önceden planlanmış özel beceriler Dinleme ve anlamlandırma, gözlem/durumları işleme, eleştirel düşünme, soru geliştirme, takım çalışması |
| Öğrenciler, veri madenciliği teknikleri ve algoritmaları ile büyük ölçekteki verileri R programlama ile analiz etme ve yorumlama yeteneği kazanacaklardır. | Yazılı Sınav Sözlü Sınav Ödev / Proje | Problem Çözme Beyin Fırtınası | Önceden planlanmış özel beceriler Dinleme ve anlamlandırma, gözlem/durumları işleme, eleştirel düşünme, soru geliştirme, takım çalışması |
| Öğrenciler, veri madenciliği yöntemlerini makine öğrenmesi algoritmaları kullanarak çözümleyecektir. | Yazılı Sınav Sözlü Sınav Ödev / Proje | Problem Çözme Beyin Fırtınası | Önceden planlanmış özel beceriler Dinleme ve anlamlandırma, gözlem/durumları işleme, eleştirel düşünme, soru geliştirme, 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. | - | - | - | - | - | - | - | - | - | - | - | - |
| Öğrenciler, veri önişleme sürecini öğrenecektir. | - | - | - | - | - | - | - | - | - | - | - | - |
| Öğrenciler, birliktelik kuralları, sınıflama metin madenciliği ve kümeleme yöntemlerini öğreneceklerdir. | - | - | - | - | - | - | - | - | - | - | - | - |
| Öğrenciler, veri madenciliği teknikleri ve algoritmaları ile büyük ölçekteki verileri R programlama ile analiz etme ve yorumlama yeteneği kazanacaklardır. | - | - | - | - | - | - | - | - | - | - | - | - |
| Öğrenciler, veri madenciliği yöntemlerini makine öğrenmesi algoritmaları kullanarak çözümleyecektir. | - | - | - | - | - | - | - | - | - | - | - | - |
