| 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 |
| CMP4336 | Veri Madenciliğine Giriş | Güz | 3 | 0 | 3 | 6 |
| 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: | Dr. Öğr. Üyesi CEMAL OKAN ŞAKAR |
| 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. |
|
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 |
| 1.Temel Kavramlara Giriş 2.Veri Keşfi 3.Sınıflandırma 4.Kümeleme 5.Boyut Küçültme 6.Sıklıkla Satılan Ürün Kümeleri 7.Birliktelik Kural Analizi |
| 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 | |
| Ders Notları: | 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 |
| Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
| Devam | 0 | % 0 |
| Laboratuar | 0 | % 0 |
| Uygulama | 0 | % 0 |
| Arazi Çalışması | 0 | % 0 |
| Derse Özgü Staj | 0 | % 0 |
| Küçük Sınavlar | 0 | % 0 |
| Ödev | 2 | % 20 |
| Sunum | 0 | % 0 |
| Projeler | 1 | % 20 |
| Seminer | 0 | % 0 |
| Ara Sınavlar | 2 | % 20 |
| Ara Juri | 0 | % 0 |
| Final | 1 | % 40 |
| Rapor Teslimi | 0 | % 0 |
| Juri | 0 | % 0 |
| Bütünleme | % 0 | |
| 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 | |
| Laboratuvar | |||
| Uygulama | |||
| Derse Özgü Staj | |||
| Arazi Çalışması | |||
| Sınıf Dışı Ders Çalışması | 16 | 32 | |
| Sunum / Seminer | |||
| Proje | 5 | 15 | |
| Ödevler | 6 | 12 | |
| Küçük Sınavlar | |||
| Ara Juri | |||
| Ara Sınavlar | 8 | 28 | |
| Rapor Teslimi | |||
| Juri | |||
| Final | 6 | 26 | |
| Toplam İş Yükü | 155 | ||
| Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
| Dersin Program Kazanımlarına Etkisi | Katkı Payı |