Veri Madenciliği(IT 533)
| Ders Kodu | Dersin Adı | Yarıyıl | Teori | Uygulama | Lab | Kredisi | AKTS |
|---|---|---|---|---|---|---|---|
| IT 533 | Veri Madenciliği | 1 | 4 | 0 | 0 | 3 | 8 |
| Ön Koşul | |
| Derse Kabul Koşulları |
| Dersin Dili | İngilizce |
| Türü | Zorunlu |
| Dersin Düzeyi | Yüksek Lisans |
| Dersi Veren(ler) | Günce Keziban ORMAN korman@gsu.edu.tr (Email) |
| Dersin Yardımcıları | |
| Dersin Amacı | This class aims at introducing the data mining process to students. This includes the description of data preparation and preprocessing, of various data mining algorithms and of the tools available to assess their results. The class focuses on standard approaches regarding association rules mining, supervised classification and unsupervised classification (clustering). Basic statistical knowledge is necessary to understand the mining algorithms and the quality assessment tools. |
| İçerik |
W1: Introduction, overview W2: Descriptive Statistics W3: Data Preprocessing W4: Inferential Statistics and its preprocessing tools W5: Regression W6: Classification1 W7: Classification2 W8: Exam W9: Clustering1 W10: Clustering2 W11: Association Rule Mining (Apriori and FP-Tree Algorithms) |
| Dersin Öğrenme Çıktıları |
1. Data preparation 2. Theoretical and practical knowledge of standard data mining algorithms 3. Standard assessment tools |
| Öğretim Yöntemleri |
theoretical & practical class assignments |
| Kaynaklar |
• Data Mining - Practical Machine Learning Tools, 2nd edition, Ian H. Witten & Eibe Frank, Morgan Kaufmann, 2005. • Neural Networks - A Comprehensive Foundation, 2nd edition, Simon Haykin, Pearson/Prentice Hall,1999. • Data Mining: Concepts and Techniques, Jiawei Han & Micheline Kamber, Morgan Kaufmann, 2000. • Applied Statistics and Probabilities for Engineers, 4th edition, D.C. Montgomery & G.C. Runger, John Willey & sons, 2006. • The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd edition, T. Hastie, R. Tibshirani & J. Friedman, Springer, 2009. |
Teori Konu Başlıkları
| Hafta | Konu Başlıkları |
|---|---|
| 1 | Introduction, overview |
| 2 | Descriptive Statistics |
| 3 | Data Preprocessing |
| 4 | Inferential Statistics and its preprocessing tools |
| 5 | Regression |
| 6 | Classification1 |
| 7 | Classification2 |
| 8 | Exam |
| 9 | Clustering1 |
| 10 | Clustering2 |
| 11 | Association Rule Mining (Apriori and FP-Tree Algorithms) |
Uygulama Konu Başlıkları
| Hafta | Konu Başlıkları |
|---|
Başarı Notuna Etki Oranları
| Sayı | Katkı Payı | |
|---|---|---|
| Yarıyıl içi çalışmaların başarı notuna katkısı | 1 | 50 |
| Yarıyıl sonu çalışmaların başarı notuna katkısı | 1 | 50 |
| Toplam | 2 | 100 |
Yarıyıl İçi Çalışmaları
| Sayı | Katkı Payı | |
|---|---|---|
| Ödevler | 0 | 0 |
| Sunum | 0 | 0 |
| Arasınavlar (Hazırlık Süresi Dahil) | 1 | 50 |
| Proje | 0 | 0 |
| Laboratuar | 0 | 0 |
| Diğer Uygulamalar | 0 | 0 |
| Kısa Sınavlar | 0 | 0 |
| Dönem Ödevi / Projesi | 0 | 0 |
| Portfolyo Çalışmaları | 0 | 0 |
| Raporlar | 0 | 0 |
| Öğrenme Günlükleri | 0 | 0 |
| Bitirme Tezi/Projesi | 0 | 0 |
| Seminer | 0 | 0 |
| Diğer | 0 | 0 |
| Bütünleme | 0 | 0 |
| Toplam | 1 | 50 |
| Numara | Program Yeterlilikleri | Puan | ||||
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | ||
| Etkinlikler | Sayı | Süre | Toplam İş Yükü |
|---|---|---|---|
| Ders Süresi | 0 | 0 | 0 |
| Sınıf Dışı Çalışma Süresi | 0 | 0 | 0 |
| Ödevler | 0 | 0 | 0 |
| Sunum | 0 | 0 | 0 |
| Arasınavlar (Hazırlık Süresi Dahil) | 0 | 0 | 0 |
| Proje | 0 | 0 | 0 |
| Laboratuar | 0 | 0 | 0 |
| Diğer Uygulamalar | 0 | 0 | 0 |
| Yarıyıl Sonu Sınavı (Hazırlık Süresi Dahil) | 0 | 0 | 0 |
| Kısa Sınavlar | 0 | 0 | 0 |
| Dönem Ödevi / Projesi | 0 | 0 | 0 |
| Portfolyo Çalışmaları | 0 | 0 | 0 |
| Raporlar | 0 | 0 | 0 |
| Öğrenme Günlükleri | 0 | 0 | 0 |
| Bitirme Tezi/Projesi | 0 | 0 | 0 |
| Seminer | 0 | 0 | 0 |
| Diğer | 0 | 0 | 0 |
| Bütünleme | 0 | 0 | 0 |
| Toplam İş Yükü | 0 | ||
| Toplam İş Yükü / 25 | 0.00 | ||
| Dersin AKTS Kredisi | 0 | ||