| BİLGİSAYAR MÜHENDİSLİĞİ (İNGİLİZCE, TEZLİ) | |||||
| Yüksek Lisans | TYYÇ: 7. Düzey | QF-EHEA: 2. Düzey | EQF-LLL: 7. Düzey | ||
| Ders Kodu | Ders Adı | Yarıyıl | Teorik | Pratik | Kredi | AKTS |
| CMP5102 | Veri Madenciliği II | Bahar | 3 | 0 | 3 | 12 |
| 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: | Doç. Dr. TEVFİK AYTEKİN |
| Dersi Veren(ler): |
Doç. Dr. TEVFİK AYTEKİN |
| Opsiyonel Program Bileşenleri: | yok. |
| Dersin Amacı: | Bu ders bazı ileri ve popüler veri madenciliği konularını uygulamalı olarak işler. Uygulamaları açık kaynak yazılım programı olan R üzerinde yapılacaktır. Bu programlama dilini kullanmak için temel bilgiler işlenecektir. |
|
Bu dersi başarıyla tamamlayabilen öğrenciler; I. Veri madenciliğinde ileri konuları tanıtmak. II. Veri madenciliğinde kullanılan ileri yöntemleri ve programlama araçlarını kullanmak ve değişik mühendislik alanlarına uygulama becerisi kazanma. III. Veri ve ilişkileri keşfetmek yeteneği kazandırma. IV. Veri içeren sorunlar için hipotez testi gerçekleştirmek için yeteneği kazandırma. |
| Giriş, Veri ithalat ve ihracat, Veri keşif, Karar ağaçları ve rasgele orman, Ağ tahmini, Aykırı algılama, Zaman ciddi analiz, Dernek kuralları, Metin madenciliği, sosyal ağ analizi, web madenciliği, Vaka çalışması I: Analiz ve ev fiyat endeksleri tahmini, Vaka çalışması II: sınırlı bellek ile Büyük Veri Akıllı modelleme |
| Hafta | Konu | Ön Hazırlık |
| 1) | Giriş | |
| 2) | Veri çekme ve aktarma | |
| 3) | Veri araştırma ve keşfi | |
| 4) | Karar ağaçları ve rasgele orman | |
| 5) | Ağ kestirimi | |
| 6) | Aykırılık algılama | |
| 7) | Zaman serisi analizi | |
| 8) | İlişki kuralları | |
| 9) | Yazı madenciliği | |
| 10) | sosyal ağ analizi | |
| 11) | web madenciliği | |
| 12) | Vaka çalışması I: Analiz ve ev fiyat endeksleri tahmini | |
| 13) | Case study II: Predictive modelling of Big Data with limited memory | |
| 14) | Projeler |
| Ders Notları / Kitaplar: | Yanchang Zhao ,R and Data Mining: Examples and Case Studies, Academic Press, Elsevier, 2012 |
| Diğer Kaynaklar: | none. |
| Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
| Projeler | 1 | % 30 |
| Ara Sınavlar | 1 | % 30 |
| Final | 1 | % 40 |
| Toplam | % 100 | |
| YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 30 | |
| YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 70 | |
| Toplam | % 100 | |
| Aktiviteler | Aktivite Sayısı | İş Yükü |
| Ders Saati | 14 | 42 |
| Sınıf Dışı Ders Çalışması | 14 | 42 |
| Proje | 1 | 30 |
| Ara Sınavlar | 1 | 30 |
| Final | 1 | 50 |
| Toplam İş Yükü | 194 | |
| Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
| Dersin Program Kazanımlarına Etkisi | Katkı Payı | |
| 1) | Bilimsel literatürü takip eder, eleştirel biçimde analiz eder ve mühendislik problemlerinin çözümünde etkin biçimde kullanır. | 3 |
| 2) | Bilgisayar Mühendisliği ile ilgili özgün projeler tasarlar, planlar, uygular ve yönetir. | 3 |
| 3) | Bilgisayar Mühendisliği ile ilgili çalışmaları bağımsız olarak yürütür, bilimsel sorumluluk alır ve elde edilen sonuçları eleştirel bir bakış açısıyla değerlendirir. | 4 |
| 4) | Yaptığı araştırma ve projelerin sonuçlarını akademik standartlara uygun biçimde yazılı, sözlü ve görsel olarak etkili bir şekilde sunar. | 3 |
| 5) | Bilgisayar Mühendisliği ile ilgili uzmanlık gerektiren konularda bağımsız araştırma yapar, özgün düşünce geliştirir ve bu bilgileri uygulamaya aktarır. | 3 |
| 6) | Bilgisayar Mühendisliğine özgü ileri düzey kuramsal ve uygulamalı bilgileri etkin bir biçimde kullanır. | 4 |
| 7) | Mesleki, bilimsel ve etik değerlere uygun hareket eder; mühendislik uygulamalarının toplumsal, çevresel ve etik etkilerini gözeterek sorumluluk alır. | 2 |