| Ders Adı | Kodu | Yarıyıl | T+U Saat | AKTS | |
| Veri Madenciliğine Giriş | İST314 | 7 | 2 + 1 | 5,0 |
| Birim Bölüm | İSTATİSTİK VE BİLGİSAYAR BİLİMLERİ |
| Derece Seviye | Lisans - Seçmeli - Türkçe |
| Dersin Verilişi | Anlatım, Laboratuvar, Uygulama. |
| EBS Koordinatörü | Doç. Dr. Nur Kuban TORUN |
| 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. Gizli örüntüleri yorumlayabilmek. Dersi daha önce İST308 R İstatistiksel Programlama Dili alan öğrencilerin seçmesi uygundur. |
| Ders İçeriği |
Veri madenciliği kavramı, uygulama alanları, veri madenciliği süreci, veri önişleme süreci, karar ağaçları, naive bayes, yapay sinir ağları, birliktelik kuralları ve kümeleme yöntemleri ve bunların uygulamalarını içerir. Uygulamalar R Programla ile öğretilir. Dersi İST308 R İstatistiksel Programlama Dili dersini almış öğrencilerin seçmesi uygundur. Uygulamalar R programlama bilgisi gerektirmektedir. |
| Ders Kaynakları |
Özkan Y. (2016), Veri Madenciliği Yöntemleri, Papatya Yayıncılık Eğitim
|
| Açıldığı Öğretim Yılı | 2022 - 2023 2023-2024 |
| Yarıyıl İçi Çalışmalar | Katkı Yüzdesi (%) |
| Ara Sınav 1 | 30 |
| Ödev 1 | 20 |
| 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
|
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) |
| Dinleme ve anlamlandırma | Ders | 3 | 14 | 42 |
| Gözlem/durumları işleme, Bilişim, yönetsel beceriler, takım çalışması | Laboratuar | 3 | 14 | 42 |
| Önceden planlanmış özel beceriler | Problem Çözme | 1 | 4 | 4 |
| Ödev 1 | Ödev 1 | 1 | 10 | 10 |
| Ödev 2 | Ödev 2 | 10 | 1 | 10 |
| Final | Final | 10 | 1 | 10 |
| Ara Sınav 1 | Ara Sınav 1 | 10 | 1 | 10 |
| Toplam İş Yükü (Saat) | 128 | |||
| AKTS = Toplam İş Yükü (Saat) / 25.5 (s) | 5,02 | |||
| 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 Laboratuar |
| 5 | R programlama ile Normalizasyon | Ders Problem Çözme Laboratuar |
| 6 | Karar Ağaçları Excel İle | Ders Problem Çözme Laboratuar |
| 7 | R programlama ile Karar Ağaçları | Ders Problem Çözme Laboratuar |
| 8 | R programlama ile Örnek Soru Çözümleri/ Ara Sınav | Ders Problem Çözme Laboratuar |
| 9 | K En Yakın Komşu Algoritması Excel İle | Ders Problem Çözme Laboratuar |
| 10 | R Programlama ile KNN | Ders Problem Çözme Laboratuar |
| 11 | R Programlama ile Naive Bayes Algoritması | Ders Problem Çözme Laboratuar |
| 12 | R Programlama ile Yapay Sinir Ağları Algoritması | Ders Problem Çözme Laboratuar |
| 13 | R Programlama ile Birliktelik Kuralları - R Programlama ile K Ortalamalar Algoritması | Ders Problem Çözme Laboratuar |
| 14 | Öğrencilerin dönem sonu proje ödevi sunumları | Ders Problem Çözme Öğrenci Topluluğu Faaliyetleri / Projeleri |
| Ders Öğrenme Çıktısı | Ölçme Değerlendirme | Öğretim Metodu | Öğrenme Faaliyeti |
| Öğrenciler, veri madenciliği temel kavramlarını öğreneceklerdir. | Problem Çözme | Önceden planlanmış özel beceriler | |
| Öğrenciler, en az bir veri madenciliği uygulaması öğreneceklerdir. | Problem Çözme | Önceden planlanmış özel beceriler | |
| Öğrenciler, veri madenciliği teknikleri ve algoritmaları ile büyük ölçekteki verileri analiz etme ve yorumlama yeteneği kazanacaklardır. | Problem Çözme | Önceden planlanmış özel beceriler | |
| Öğrenciler, veri önişleme sürecini öğrenecektir. | Problem Çözme Beyin Fırtınası Gösterim | Önceden planlanmış özel beceriler Dinleme ve anlamlandırma, gözlem/durumları işleme, eleştirel düşünme, soru geliştirme, takım çalışması Dinleme ve anlamlandırma, gözlem/durumları işleme | |
| Öğrenciler, birliktelik kuralları, sınıflama ve kümeleme yöntemlerini öğreneceklerdir. | Problem Çözme | Önceden planlanmış özel beceriler |
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 | PÇ 13 | PÇ 14 | PÇ 15 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Öğrenciler, veri madenciliği temel kavramlarını öğreneceklerdir. | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 |
| Öğrenciler, en az bir veri madenciliği uygulaması öğreneceklerdir. | 4 | 4 | 4 | 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 | 4 | 4 | 4 |
| Öğrenciler, veri önişleme sürecini öğrenecektir. | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 |
| Öğrenciler, birliktelik kuralları, sınıflama ve kümeleme yöntemlerini öğreneceklerdir. | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 |
