VBL5015 - Metin Madenciliği

BİLECİK ŞEYH EDEBALİ ÜNİVERSİTESİ

LİSANSÜSTÜ EĞİTİM ENSTİTÜSÜ

VERİ BİLİMİ VE ANALİTİĞİ - YL

(2025 - 2026) Ders Bilgi Formu

Ders Adı	Kodu	Yarıyıl	T+U Saat	AKTS	Z / S
Metin Madenciliği	VBL5015	1	3 + 0	7,5	Seçmeli

Birim Bölüm	Veri Bilimi ve Analitiği - YL - Lisansüstü (Yüz yüze)
Amaç	Bu dersin amacı, yapılandırılmamış metin verilerinden anlamlı bilgiler çıkarmak için kullanılan istatistiksel ve hesaplamalı yöntemleri öğretmektir. Öğrenciler; doğal dil işleme (NLP) tekniklerini, metin sınıflandırma, kümeleme ve konu modelleme algoritmalarını kullanarak büyük ölçekli metin yığınlarını analiz etme ve bu verilerden stratejik içgörüler elde etme becerisi kazanırlar.
Ders İçeriği	Ders; metin ön işleme (tokenization, stemming, lemmatization), sözcük sayma yöntemleri (TF-IDF), sözcük gömmeleri (Word Embeddings), doküman sınıflandırma, duygu analizi, bilgi çıkarımı ve büyük dil modellerine (LLM) giriş konularını kapsar.
EBS Koordinatörü	Serpil TÜRKYILMAZ

Hafta	Konu
1	Metin Madenciliğine Giriş
2	Metin Ön İşleme Teknikleri
3	Sayısal Temsil (Vectorization)
4	Metin Sınıflandırma
5	Duygu Analizi
6	Metin Kümeleme
7	Konu Modelleme
8	Ara Sınav Teorik ve uygulamalı değerlendirme.
9	Bilgi Çıkarımı (IE)
10	Sözcük Gömmeleri
11	Dil Modelleri ve N-Gram
12	Derin Öğrenme ile NLP
13	Transformer ve BERT Dünyası
14	Vaka Çalışmaları Sosyal medya analizi ve spam tespiti projeleri.

Program Çıktıları
1	Veri bilimi ve analitiğinin temel bileşenlerine hâkim olma; istatistiksel analiz, veri madenciliği ve makine öğrenmesine ilişkin yöntemleri uygulamalı olarak kullanabilme
2	Yapılandırılmış ve yapılandırılmamış veri tiplerini analiz etme becerisine sahip olma; büyük veri kümeleri üzerinden anlamlı çıkarımlar yaparak analitik yöntemleri etkili biçimde kullanabilme
3	Veri analizi ve modelleme süreçlerinde Python, R, SQL gibi programlama dillerinden yararlanabilme; veri işleme ve otomasyon adımlarını etkin biçimde yönetebilme
4	Veri görselleştirme ve sonuç raporlama tekniklerini kullanarak analiz bulgularını açık, etkili ve karar verme süreçlerine katkı sunacak biçimde ifade edebilme
5	Karmaşık veri odaklı problemleri analiz edebilme, uygun çözüm yolları geliştirebilme ve bilimsel araştırma yöntemleri aracılığıyla yaratıcı, veri temelli kararlar alabilme
6	Veri bilimi ve analitiği kapsamında karşılaşılan problemleri analiz edebilme, uygun veri analizi tekniklerini seçerek çözüm yolları geliştirebilme; istatistiksel, algoritmik ve yapay zekâ temelli yöntemleri eleştirel düşünme yeteneğiyle değerlendirebilme
7	Veri bilimi ve analitiği uygulamalarında Python, R, SQL gibi programlama dillerini etkin biçimde kullanabilme; veri madenciliği, makine öğrenmesi, büyük veri işleme, veri görselleştirme ve modelleme araçlarıyla pratik çözümler geliştirebilme, gerçek veri setleri üzerinde uygulamalar gerçekleştirebilme
8	Veri bilimi ve analitiği ile ilgili bireysel veya ekip çalışmalarında sorumluluk üstlenebilme, karmaşık veri projelerini bağımsız olarak planlayıp yürütebilme; karşılaştığı sorunlara analitik ve yaratıcı çözümler geliştirerek karar alma süreçlerinde etkin rol oynayabilme
9	Veri bilimi ve analitiği alanındaki güncel gelişmeleri, teknolojileri ve yöntemleri izleyerek yaşam boyu öğrenme bilinciyle kendini sürekli geliştirme yetkinliğine sahip olma; yeni bilgi ve becerileri hızla edinip uygulamaya aktarabilme
10	Veri bilimi ve analitiği alanındaki çalışmalarını yazılı, sözlü ve görsel yollarla açık ve etkili bir biçimde ifade edebilme; çok disiplinli takımlarda etkin biçimde çalışabilme, iletişim kurabilme ve iş birliğine dayalı çözümler geliştirebilme
11	Veri bilimi ve analitiği alanına özgü kavramlara, yöntemlere, algoritmalara ve araçlara hâkim olma; etik ilkelere uygun biçimde veri toplama, işleme, analiz etme ve yorumlama süreçlerini yürütebilme, veri gizliliği ve güvenliği konularında sorumluluk bilinciyle hareket edebilme

Ders Öğrenme Çıktısı - Program Çıktıları (1 -5 Puan Aralığı)

Ders Öğrenme Çıktısı	PÇ 1	PÇ 2	PÇ 3	PÇ 4	PÇ 5	PÇ 6	PÇ 7	PÇ 8	PÇ 9	PÇ 10	PÇ 11
Metin verilerini analiz edilebilir sayısal formata (Vektör Uzay Modeli) dönüştürür.	-	-	-	-	-	-	-	-	-	-	-
Duygu analizi (sentiment analysis) yaparak metinlerdeki görüş ve tutumları belirler.	-	-	-	-	-	-	-	-	-	-	-
Büyük doküman koleksiyonlarında gizli temaları keşfetmek için konu modelleme uygular.	-	-	-	-	-	-	-	-	-	-	-
Varlık ismi tanıma (NER) ve parça etiketleme gibi ileri NLP görevlerini yürütür.	-	-	-	-	-	-	-	-	-	-	-
Modern dil modellerini (Word2Vec, BERT vb.) kullanarak anlamsal analizler yapar.	-	-	-	-	-	-	-	-	-	-	-
Ortalama Değer	-	-	-	-	-	-	-	-	-	-	-

https://ebs.bilecik.edu.tr/pdf/dersbilgigetir/451241