ENDÜSTRİYEL TASARIM
Lisans	TYYÇ: 6. Düzey	QF-EHEA: 1. Düzey	EQF-LLL: 6. Düzey

Ders Tanıtım Bilgileri

Ders Kodu	Ders Adı	Yarıyıl	Teorik	Pratik	Kredi	AKTS
CMP4336	Veri Madenciliğine Giriş	Bahar	3	0	3	6

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

Temel Bilgiler

Öğretim Dili:	İngilizce
Dersin Türü:	Non-Departmental Elective
Dersin Seviyesi:	LİSANS
Dersin Veriliş Şekli:	Yüz yüze
Dersin Koordinatörü:	Dr. Öğr. Üyesi CEMAL OKAN ŞAKAR
Opsiyonel Program Bileşenleri:	yok
Dersin Amacı:	Bu derste, yararlı bilgileri elde etmek, veritabanındaki örüntüleri ve düzenlilikleri keşfetmek, tahmin ve kestirim yapmak için kullanılan veri madenciliği ve hesaplama paradigmaları tartışılacaktır. Gözetimli ve gözetimsiz öğrenme yaklaşımları, model bulma ve küme analizi üzerine odaklanılarak ele alınacaktır.

Öğrenme Kazanımları

Bu dersi başarıyla tamamlayabilen öğrenciler;
1. Veri Toplama ve Ön-işleme konularını kavrayabilme
2. Sıklıkla Satılan Ürün Seti algoritmasına aşina olmak
3. Birliktelik Kuralını kavrayabilme
4. Sınıflayıcılar ve faydalarını kavrayabilme
5. Kümelemeyi kullanabilecek hale gelme
6. Kümeleme Değerlendirmesini kavrayabilme

Dersin İçeriği

1.Temel Kavramlara Giriş
2.Veri Keşfi
3.Sınıflandırma
4.Kümeleme
5.Boyut Küçültme
6.Sıklıkla Satılan Ürün Kümeleri
7.Birliktelik Kural Analizi

Haftalık Ayrıntılı Ders İçeriği

Hafta	Konu	Ön Hazırlık
1)	Temel Kavramlara Giriş	Yok
2)	Veri Keşfi: Özet İstatistik, Görselleştirme, OLAP ve Çok Boyutlu Veri Analizi	Yok
3)	Veri Önişleme, Dönüşüm, Normalleştirme, Standardizasyon	Yok
4)	Sınıflandırma ve Regresyon: Model Seçimi ve Genelleştirilmesi, Karar Ağaçları, Performans Değerlendirmesi	Yok
5)	Sınıflandırma: Bayesian Karar Teorisi, Parametrik Sınıflandırma, Naive Bayes Sınıflandırıcısı, Örnek Temelli Sınıflandırıcılar
6)	Sınıflandırma	Yok
6)	Sınıflandırma ve Regresyon: Yapay Sinir Ağları, Destek Vektör Makineleri
7)	Ara Sınav I	Tüm konuların tekrarı
8)	Kümeleme: Bölümleme ve Hiyerarşik Algoritmalar	Yok
9)	Kümeleme: Yoğunluk Tabanlı Algoritmalar
10)	Küme Değerlendirmesi, Kümele Sonuçlarının Karşılaştırılması	Yok
11)	Ara sınav II	yok
12)	Boyut Küçültme	yok
13)	Sık Öge Küme Madenciliği	yok
14)	Birliktelik Kural Çıkarımı	yok

Kaynaklar

Ders Notları / Kitaplar:	Introduction to Data Mining by Pang-Ning Tan, Michael Steinbach and Vipin Kumar
Diğer Kaynaklar:	Data Mining: Concepts and Techniques, by Jiawei Han, Micheline Kamber and Jian Pei

Değerlendirme Sistemi

Yarıyıl İçi Çalışmaları	Aktivite Sayısı	Katkı Payı
Ödev	2	% 20
Projeler	1	% 20
Ara Sınavlar	2	% 20
Final	1	% 40
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	16	32
Proje	5	15
Ödevler	6	12
Ara Sınavlar	8	28
Final	6	26
Toplam İş Yükü		155

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