| ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ (İNGİLİZCE, DOKTORA) | |||||
| Doktora | TYYÇ: 8. Düzey | QF-EHEA: 3. Düzey | EQF-LLL: 8. Düzey | ||
| Ders Kodu | Ders Adı | Yarıyıl | Teorik | Pratik | Kredi | AKTS |
| CMP5101 | Veri Madenciliği | Bahar | 3 | 0 | 3 | 8 |
| Bu katalog bilgi amaçlıdır, dersin açılma durumu, ilgili bölüm tarafından yarıyıl başında belirlenir. |
| 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 |
|
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. |
| 1. Sık Ürün Seti Algılama 2. Birliktelik Kuralı Madenciliği 3. Kümelenme 4. Sınıflandırma |
| 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 |
| Ders Notları / Kitaplar: | Data Mining Concepts and Techniques Jiawei Han and Micheline Kamber Morgan Kaufman |
| Diğer Kaynaklar: |
| 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 | |
| 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 | |
| Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
| Dersin Program Kazanımlarına Etkisi | Katkı Payı |