ENDÜSTRİ 4.0 (İNGİLİZCE, TEZSİZ) | |||||
Yüksek Lisans | TYYÇ: 7. Düzey | QF-EHEA: 2. Düzey | EQF-LLL: 7. Düzey |
Ders Kodu | Ders Adı | Yarıyıl | Teorik | Pratik | Kredi | AKTS |
CMP6023 | Veri Madenciliğinde Temel Teknolojiler | Güz | 3 | 0 | 3 | 12 |
Bu dersin açılması ilgili bölüm tarafından yarıyıl başında belirlenir |
Öğretim Dili: | En |
Dersin Türü: | Departmental Elective |
Dersin Seviyesi: | LİSANSÜSTÜ |
Dersin Veriliş Şekli: | Yüz yüze |
Dersin Koordinatörü: | Prof. Dr. ADEM KARAHOCA |
Dersin Amacı: | Bu dersin amacı veri madenciliği tanıtımını yapmak, veri madenciliği için veri ambarı ve OLAP teknolojisi kullanabilmek, veri işleme, büyük veritabanları madenciliğinde ilişki kuralları, ilişki madenciliği için korelasyon analizi, kümeleme analizi, karmaşık tipli verilerde veri madenciliği gerçekleştirebilmektir. |
Bu dersi başarıyla tamamlayabilen öğrenciler; 1. Veri madenciliğinin temellerini tanımlar. 2. Olasılık dağılımlarını analiz eder. 3. Regresyon ve sınıflandırma için lineer modelleri analiz eder. 4. Yapay sinir ağlarını analiz eder. 5. Çekirdek makinalarını analiz eder. 6. Veri örnekleme metotlarını analiz etmek ve tanımlar. 7. Veri madenciliği modellerini analiz eder. |
Bu dersin içeriğinde Veri madenciliğine giriş, Olasılık dağılımları, Regresyon için lineer modeller, Sınıflandırma için lineer modeller, Yapay sinir ağları, Çekirdek makinaları, Seyrek çekirdek makinaları, Grafiksel modeller ve örnekleme metotları, Karma modeller, Yaklaşık çıkarım, Sürekli gizli değişkenler, Sıralı veriler, Modelleri birleştirmek gibi başlıklar bulunmaktadır. |
Hafta | Konu | Ön Hazırlık | |
1) | Veri madenciliğine giriş | ||
2) | Olasılık dağılımları | ||
3) | Regresyon için lineer modeller | ||
4) | Sınıflandırma için lineer modeller | ||
5) | Yapay sinir ağları | ||
6) | Çekirdek makinaları | ||
7) | Seyrek çekirdek makinaları | ||
8) | Seyrek çekirdek makinaları / Ara sınav | ||
9) | Grafiksel modeller ve örnekleme metotları | ||
10) | Karma modeller | ||
11) | Yaklaşık çıkarım | ||
12) | Sürekli gizli değişkenler | ||
13) | Sıralı veriler | ||
14) | Modelleri birleştirmek |
Ders Notları: | New Fundamental Technologies in Data Mining, Edited by: Kimito Funatsu, 2011 Pattern Recognition and Machine Learning, Bishop, Christopher M., 2006 |
Diğer Kaynaklar: | Yok |
Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
Devam | 14 | % 10 |
Laboratuar | % 0 | |
Uygulama | % 0 | |
Arazi Çalışması | % 0 | |
Derse Özgü Staj | % 0 | |
Küçük Sınavlar | 4 | % 10 |
Ödev | 1 | % 10 |
Sunum | % 0 | |
Projeler | % 0 | |
Seminer | % 0 | |
Ara Sınavlar | 1 | % 30 |
Ara Juri | % 0 | |
Final | 1 | % 40 |
Rapor Teslimi | % 0 | |
Juri | % 0 | |
Bütünleme | % 0 | |
Toplam | % 100 | |
YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 60 | |
YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 40 | |
Toplam | % 100 |
Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
Dersin Program Kazanımlarına Etkisi | Katkı Payı |