ENDÜSTRİ 4.0 (İNGİLİZCE, 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 3 0 3 8
Bu dersin açılması ilgili bölüm tarafından yarıyıl başında belirlenir

Temel Bilgiler

Öğretim Dili: En
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
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 Çıktıları

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: Data Mining Concepts and Techniques Jiawei Han and Micheline Kamber Morgan Kaufman
Diğer Kaynaklar:

Değerlendirme Sistemi

Yarıyıl İçi Çalışmaları Aktivite Sayısı Katkı Payı
Devam % 0
Laboratuar % 0
Uygulama % 0
Arazi Çalışması % 0
Derse Özgü Staj % 0
Küçük Sınavlar % 0
Ödev % 0
Sunum % 0
Projeler 5 % 10
Seminer % 0
Ara Sınavlar 1 % 40
Ara Juri % 0
Final 1 % 50
Rapor Teslimi % 0
Juri % 0
Bütünleme % 0
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
Laboratuvar
Uygulama
Derse Özgü Staj
Arazi Çalışması
Sınıf Dışı Ders Çalışması 14 56
Sunum / Seminer
Proje 16 48
Ödevler
Küçük Sınavlar
Ara Juri
Ara Sınavlar 3 15
Rapor Teslimi
Juri
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