BİLGİ TEKNOLOJİLERİ (TÜRKÇE, TEZSİZ)
Yüksek Lisans	TYYÇ: 7. Düzey	QF-EHEA: 2. Düzey	EQF-LLL: 7. Düzey

Ders Tanıtım Bilgileri

Ders Kodu	Ders Adı	Yarıyıl	Teorik	Pratik	Kredi	AKTS
CMP5101	Veri Madenciliği	Güz Bahar	3	0	3	8

Bu katalog bilgi amaçlıdır, dersin açılma durumu, ilgili bölüm tarafından yarıyıl başında belirlenir.

Temel Bilgiler

Öğretim Dili:	İngilizce
Dersin Türü:	Departmental Elective
Dersin Seviyesi:	LİSANSÜSTÜ
Dersin Veriliş Şekli:	Yüz yüze
Dersin Koordinatörü:	Dr. Öğr. Üyesi TEVFİK AYTEKİN
Dersi Veren(ler):	Dr. Öğr. Üyesi TEVFİK AYTEKİN
Opsiyonel Program Bileşenleri:	Yok
Dersin Amacı:	Bu ders veri madenciliği kavramları bir giriş sağlar. Veri madenciliği temel kavramlar: sık öğe kümesi algılama, birliktelik kuralları, kümeleme ve sınıflandırma derinlemesine ele alınmıştır

Öğrenme Kazanımları

Bu dersi başarıyla tamamlayabilen öğrenciler;
I. CRISP-DM kullanımında yeterlilik göstererek, bir süreç olarak veri madenciliği yaklaşımı yapabilme, iş anlayışı aşaması da dahil olmak üzere çapraz-Endüstri Standardı Süreci veya veri madenciliği, veri anlayışı aşaması, keşfedici veri analizi aşamasında , modelleme aşamasında, değerlendirme aşaması ve dağıtım aşaması.
II. WEKA dahil önde gelen veri madenciliği yazılımı, yetkin olun
III. k-ortalamalar kümeleme, BIRCH kümeleme, Kohonen kümeleme, sınıflandırma ve regresyon ağaçları, C4.5 algoritması, lojistik regresyon, k-en yakın komşu dahil geniş bir kümelenme yelpazesi, tahmin, tahmin ve sınıflandırma algoritmaları uygulayabilir,
IV. Metin madenciliği, madencilik genomik veri ve diğer güncel konular gibi en güncel veri madenciliği teknikleri ve uygulamaları, geçerlidir.
V. Yukarıda belirtilen algoritmalar matematiksel istatistik temelleri anlamak
VI. Veri madenciliği güncel araştırma ve ileri konular değerlendirin.

Dersin İçeriği

1. Sık Ürün Seti Algılama
2. Birliktelik Kuralı Madenciliği
3. Kümelenme
4. Sınıflandırma

Haftalık Ayrıntılı Ders İçeriği

Hafta	Konu	Ön Hazırlık
1)	Veri Madenciliğine Giriş	Yok
2)	Sıklıkla satılan ürün kümelerinin tespit edilmesi	Yok
3)	Çeşitli algoritmalar: Apriori, FPGrowth	Yok
4)	Birliktelik Kuramı	Yok
5)	Sınıflandırma	Yok
6)	Bayesçi Sınıflandırma	Yok
7)	Ara Sınav	Genel Tekrar
8)	Kural Tabanlı Sınıflandırıcı	Yok
9)	Öbekleme Analizi	Yok
10)	k-means	Yok
11)	k-medoids	Yok
12)	Hiyerarşik Öbekleme	Yok
13)	Öbekleme Kalitesi	Yok
14)	Çoklu Öbeklemelerin birleştirilmesi	Yok

Kaynaklar

Ders Notları / Kitaplar:	Data Mining Concepts and Techniques Jiawei Han and Micheline Kamber Morgan Kaufman
Diğer Kaynaklar:

Değerlendirme Sistemi

Yarıyıl İçi Çalışmaları	Aktivite Sayısı	Katkı Payı
Projeler	5	% 10
Ara Sınavlar	1	% 40
Final	1	% 50
Toplam		% 100
YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI		% 40
YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI		% 60
Toplam		% 100

AKTS / İş Yükü Tablosu

Aktiviteler	Aktivite Sayısı	İş Yükü
Ders Saati	14	42
Sınıf Dışı Ders Çalışması	14	56
Proje	16	48
Ara Sınavlar	3	15
Final	7	35
Toplam İş Yükü		196

Program ve Öğrenme Kazanımları İlişkisi

Etkisi Yok	1 En Düşük	2 Düşük	3 Orta	4 Yüksek	5 En Yüksek

Dersin Program Kazanımlarına Etkisi

Katkı Payı