VBL5002 - İstatistiksel Veri 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
İstatistiksel Veri Madenciliği	VBL5002	1	3 + 0	7,5	Seçmeli

Birim Bölüm	Veri Bilimi ve Analitiği - YL - Lisansüstü (Yüz yüze)
Amaç	Veri madenciliği için temel süreçleri kavram ve teknikleri ile öğrencileri teçhiz etmek ve onlara veri madenciliğinin kompleks yapısının algılanmasını sağlanması ile birlikte veri madenciliği literatürünü de kullanarak ileri düzey araştırma ve programlama yetenekleri kazandırılması
Ders İçeriği	Veri madenciliğinin gözden geçirilmesi, veri temizleme, özellik ve alt grupları belirlenmesi, model kurulumu geliştirme ve uygulama, karar ağaçları için alt yapı oluşturma, yapay sinir ağları, kümeleme analizi, birliktelik kuralları, ile birlikte veri madenciliği tekniklerinin bir proje kapsamında uygulanması
EBS Koordinatörü	Serpil TÜRKYILMAZ

Hafta	Konu
1	Veri Madenciliği tanımlar
2	Veri Analizi
3	Verilerin Keşfi
4	Veri Görselleştirme
5	Karar Ağaçları Modelleri
6	Yapay Sinir Ağları
7	En Yakın-Komşu Modelleri
8	Sınıflama
9	Birliktelik analizi
10	Kümeleme analizi
11	İleri kümeleme analizleri
12	Anormalliklerin keşfi
13	Uygulamalar
14	Uygulamalar

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
Öğrenciler veri madenciliğinde ticari ve ticari olmayan paket programları öğrenir	-	-	-	-	-	-	-	-	-	-	-
Büyük veri kaynaklarına istatistik yöntemlerinin uygulamasında ortaya çıkan problemleri görür,	-	-	-	-	-	-	-	-	-	-	-
Büyük veri setlerinde birlikteliği, sınıflamayı, ve kümelemeyi uygulayabilir,	-	-	-	-	-	-	-	-	-	-	-
R programını büyük veri setlerine uygulayabilir,	-	-	-	-	-	-	-	-	-	-	-
Ticari veri tabanı sistemlerine veri madenciliğini uygulayabilirler.	-	-	-	-	-	-	-	-	-	-	-
Ortalama Değer	-	-	-	-	-	-	-	-	-	-	-

https://ebs.bilecik.edu.tr/pdf/dersbilgigetir/451228