Knowledge Discovery and Introduction to Data Mining(INF483)
| Course Code | Course Name | Semester | Theory | Practice | Lab | Credit | ECTS |
|---|---|---|---|---|---|---|---|
| INF483 | Knowledge Discovery and Introduction to Data Mining | 8 | 3 | 0 | 0 | 3 | 4 |
| Prerequisites | IND211/INF256/INF257/INF211 |
| Admission Requirements | IND211/INF256/INF257/INF211 |
| Language of Instruction | French |
| Course Type | Elective |
| Course Level | Bachelor Degree |
| Course Instructor(s) | Günce Keziban ORMAN korman@gsu.edu.tr (Email) |
| Assistant | |
| Objective | This course aims at giving a general perspective and the ability of creating applications about data mining which is an important task of advanced computer science to the students. The real-world problems related to association rule mining, clustering and classification will be analyzed and possible solutions to those problems will be examined. Hence, the students will be able to propose practical solution to the data analysis problems. |
| Content |
Fundamentals of Data Mining Data Preprocessing 1 - Cleaning, normalization, binning Data Preprocessing 2 - standardization, discretization, reduction Association Rule Mining 1 - Apriori Algorithms Association Rule Mining 2 - FP-Growth Algorithm, other algorithms Classification 1- Fundamentals, Decision Tree Classification 2- Bayesian Classification Classification 3- Neural Networks Midterm Clustering 1 - Fundamentals, Distance, Partitioning Algorithms Clustering 2 -Hierarchical Algorithms Clustering 3 - Grille and Density based Algorithms Advanced Topics in Data Mining 1 - Sequential Pattern Mining Advanced Topics in Data Mining 2 - Text mining |
| Course Learning Outcomes |
" 1. Having knowledge about the fundamentals of knowledge discovery and data mining 2. Ability of understanding real-world data mining problems and proposing solutions to them 3. Ability of understanding formost trends of data mining and creating theoretical background for adapting them 4. Understading the roles of association rule mining, classification and clustering and ability of applying them to different problems 5. Ability of programming basic algorithms of data mining in statistical programming languages 6. Interpreting results of data mining algorithms" |
| Teaching and Learning Methods |
1. Lecture 2. Discussion 3. Demonstration 4. Case Study 5. Problem Solving 6. Cooperative Learning 7. Question-Answer |
| References |
1. PDQ Statistics, Geoffrey R. Norman, David L. Streiner, 2003 2. The Art of R Programming, A tour of Statistical Software Design, Norman Matloff, 2011 3. Data Mining Concepts and Techniques, Jiawei Han, Micheline Kamber, 2006 4. Introduction to Data Mining , Pang-Ning Tan, Michael Steinbach, Vipin Kumar 2006 5. Software for Data Analysis: Programming with R (Statistics and Computing), John M. Chambers, 2008 6. Data Mining with R: Learning with Case Studies (Chapman & Hall/CRC Data Mining and Knowledge Discovery Series), Luis Torgo, 2011 |
Theory Topics
| Week | Weekly Contents |
|---|
Practice Topics
| Week | Weekly Contents |
|---|
Contribution to Overall Grade
| Number | Contribution | |
|---|---|---|
| Toplam | 0 | 0 |
In-Term Studies
| Number | Contribution | |
|---|---|---|
| Toplam | 0 | 0 |
| No | Program Learning Outcomes | Contribution | ||||
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | ||
| 1 | Matematik, fizik ve mühendislik bilimlerine özgü konularda yeterli bilgi birikimi; bu alanlardaki kuramsal ve uygulamalı bilgileri, mühendislik problemlerinin modellenmesi ve çözümünde kullanabilme becerisi. | X | ||||
| 2 | Karmaşık bilgisayar mühendisliği problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi. | X | ||||
| 3 | Yazılımsal veya donanımsal karmaşık bir sistemi, süreci veya donanımı gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlama becerisi; bu amaçla modern tasarım yöntemlerini uygulama becerisi. | X | ||||
| 4 | Mühendislik uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları geliştirme, seçme ve kullanma becerisi; bilişim teknolojilerini etkin bir şekilde kullanma becerisi. | X | ||||
| 5 | Analitik düşünce ile bir sistemi, sistem bileşenini ya da süreci analiz etme, modelleme, deney tasarlama ve yapma, veri toplama, çözüm algoritmaları üretebilme, uygulamaya alma ve geliştirme becerileri. | X | ||||
| 6 | Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi; bireysel çalışma becerisi. | X | ||||
| 7 | Türkçe sözlü ve yazılı etkin iletişim kurma becerisi; en az iki yabancı dil bilgisi; etkin rapor yazma ve yazılı raporları anlama, yazılım ve donanım tasarımını, gerekirse teknik resim metotları kullanarak raporlayabilme, etkin sunum yapabilme becerisi. | X | ||||
| 8 | Bilgiye erişebilme ve bu amaçla kaynak araştırması yapabilme, veri tabanları ve diğer bilgi kaynaklarını kullanabilme becerisi | X | ||||
| 9 | Yaşam boyu öğrenmenin gerekliliği bilinci; kendini sürekli yenileme becerisi. | X | ||||
| 10 | Mesleki etik ilkelerine uygun davranma, mesleki sorumluluk bilinci; mühendislik uygulamalarında kullanılan standartlar hakkında bilgi. | X | ||||
| 11 | Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi. | X | ||||
| Activities | Number | Period | Total Workload |
|---|---|---|---|
| Total Workload | 0 | ||
| Total Workload / 25 | 0.00 | ||
| Credits ECTS | 0 | ||