Ders Bilgileri

DATA MINING
Kodu	Dönemi	Teori	Uygulama	Ulusal Kredisi	AKTS Kredisi
		Saat / Hafta
CE413	Bahar	3	1	4

Ön Koşulu Olan Ders( ler )	Yok
Dili	tr
Türü	Seçmeli
Seviyesi	Lisans
Öğretim Elemanı( ları )
Öğretim Sistemi	Yüz Yüze
Önerilen Hususlar	Yok
Staj Durumu	Yok
Amacı	Büyük miktardaki veriler içinde yer alan gizli bağıntıları ve ilişkileri ortaya çıkarmaktır. Bu amaçla kullanılan yöntem ve algoritmaların öğrenilmesi ve pratikte kullanılabilmesidir.
İçeriği	Veri madenciliği kavramına giriş. Veri önişleme: özetleme, temizleme, birleştirme, dönüştürme, indirgeme, kesiklileştirme ve kavram hiyerarşisi oluşturma. Veri ambarı ve OLAP teknolojisine giriş. Denetimli ve denetimsiz öğrenme yöntemleri. Birliktelik kurallarının çıkarılması yöntemleri: Apriori ve FP-Growth algoritmaları. Sınıflama ve tahmin yöntemleri: karar ağaçları, bayes sınıflandırıcısı, kural tabanlı sınıflayıcılar, destek vektör makineleri, yapay sinir ağları ve diğer sınıflama yöntemleri, regresyon analizi. Sınıflayıcı ve tahmin edicilerin performans değerlendirilmesi yöntemleri. Kümeleme analizi: parçalamaya dayalı yöntemler, hiyerarşik yöntemler, yoğunluk tabanlı yöntemler, ızgara tabanlı yöntemler, model tabanlı yöntemler. Yüksek boyutlu verilerde kümeleme. Sınırdışı değer analizi. Veri madenciliğinin akış, zaman serisi, çokluortam, metin ve Web verilerine uygulanması.

Dersin Öğrenim Çıktıları

#	Öğrenim Çıktıları
1	Veri önişleme yöntemlerinin öğrenilmesi ve uygulanması.
2	Veriyi gizli bağıntıları çıkarabilmek için uygun hale getirebilme.
3	Birliktelik kurallarını çıkarma ve yorumlayabilme.
4	Basit regresyon modeli ile tahmin yapabilme.
5	Sınıflandırma algoritmalarını kullanabilme.
6	Kümeleme algoritmalarını kullanabilme.

Haftalık Ayrıntılı Ders İçeriği

#	Konular	Öğretim Yöntem ve Teknikleri
1	Veri madenciliğine giriş.	Anlatım, tartışma
2	Veri önişleme: Tanımlayıcı veri özetleme, Veri temizleme	Anlatım, tartışma
3	Veri önişleme: Veriyi birleştirme ve dönüştürme, Veri indirgeme	Anlatım, tartışma
4	Veri önişleme: Veriyi kesikli hale getirme, Kavram hiyerarşisi oluşturma.	Anlatım, tartışma
5	Birliktelik kurallarının çıkarılması ve değerlendirilmesi	Anlatım, tartışma
6	Sınıflandırma algoritmaları: Karar ağaçları, Bayes sınıflandırıcısı, Kural tabanlı sınıflandırıcılar	Anlatım, tartışma
7	Ara Sınav	Ölçme ve Değerlendirme
8	Sınıflandırma algoritmaları: Yapay sinir ağları, destek vektör makineleri, briliktelik kuralları ile sınıflandırma, k en yakın komşu algoritması	Anlatım, tartışma
9	Doğrusal regresyon ile tahmin, sınıflandırıcı ve tahmin edici yöntemlerin performans değerlendirmeleri	Anlatım, tartışma
10	Kümeleme analizi: Veri ön işleme ve uzaklık hesaplamaları, k-means ve k-medoids algoritmaları	Anlatım, tartışma
11	Kümeleme analizi: hiyerarşik yöntemler, yoğunluk tabanlı yöntemler, ızgara tabanlı yöntemler	Anlatım, tartışma
12	Kümeleme analizi: Model tabanlı yöntemler, sınırlama tabanlı yöntemler, uç nokta analizi	Anlatım, tartışma
13	Zaman serisi, Biyolojik verilerin analizi	Anlatım, tartışma
14	Çizge, multimedya ve Web verilerinin analizi	Anlatım, tartışma
15	Örnek Uygulamalar ve Proje Sunumları	Anlatım, tartışma
16	Son Sınav	Ölçme ve Değerlendirme

Resources

#	Malzeme / Kaynak Adı	Kaynak Hakkında Bilgi	Referans / Önerilen Kaynak
1	J. Han, M. Kamber, "Data Mining Concepts and Techniques", second edition, Morgan Kaufmann, 2006
2	I. H. Witten, E. Frank, M. A. Hall, "Data Mining: Practical Machine Learning Tools and Techniques", Third Edition, Morgan Kaufmann, 2011.

Ölçme ve Değerlendirme Sistemi

#	Ağırlık	Çalışma Türü	Çalışma Adı
1	0.4	1	1. Ara Sınav
2	0.6	5	Son Sınav

Dersin Öğrenim Çıktıları ve Program Yeterlilikleri ile İlişkileri

#	Öğrenim Çıktıları	Program Çıktıları	Ölçme ve Değerlendirme
1	Veri önişleme yöntemlerinin öğrenilmesi ve uygulanması.	3͵4͵7͵13	1͵2
2	Veriyi gizli bağıntıları çıkarabilmek için uygun hale getirebilme.	3͵4͵7͵13	1͵2
3	Birliktelik kurallarını çıkarma ve yorumlayabilme.	3͵4͵7͵13	1͵2
4	Basit regresyon modeli ile tahmin yapabilme.	3͵4͵7͵13	1͵2
5	Sınıflandırma algoritmalarını kullanabilme.	3͵4͵7͵13	1͵2
6	Kümeleme algoritmalarını kullanabilme.	3͵4͵7͵13	1͵2

Not: Ölçme ve Değerlendirme sütununda belirtilen sayılar, bir üstte bulunan Ölçme ve Değerlerndirme Sistemi başlıklı tabloda belirtilen çalışmaları işaret etmektedir.

İş Yükü Detayları

#	Etkinlik	Adet	Süre (Saat)	İş Yükü
0	Ders Süresi	14	4	56
1	Sınıf Dışı Ders Süresi (Ön çalışma, pekiştirme)	14	3	42
2	Sunum ve Seminer Hazırlama	0	0	0
3	İnternette tarama, kütüphane ve arşiv çalışması	0	0	0
4	Belge/Bilgi listeleri oluşturma	0	0	0
5	Atölye	0	0	0
6	Ara Sınav için Hazırlık	1	0	0
7	Ara Sınav	1	20	20
8	Kısa Sınav	0	0	0
9	Ödev	0	0	0
10	Ara Proje	0	0	0
11	Ara Uygulama	14	1	14
12	Son Proje	1	0	0
13	Son Uygulama	0	0	0
14	Son Sınav için Hazırlık	1	0	0
15	Son Sınav	1	20	20
				152