Akıllı Sistemler Mühendisliği Yüksek Lisans Programı

Veri Ambarları ve Veri Madenciliği(ISI 524)

Ders Kodu Dersin Adı Yarıyıl Teori Uygulama Lab Kredisi AKTS
ISI 524 Veri Ambarları ve Veri Madenciliği 1 3 0 0 3 6
Ön Koşul
Derse Kabul Koşulları
Dersin Dili İngilizce
Türü Seçmeli
Dersin Düzeyi Yüksek Lisans
Dersi Veren(ler) Gülfem ALPTEKİN gulfem@gmail.com (Email)
Dersin Yardımcıları
Dersin Amacı Bu ders ileri seviye bilgisayar bilimleri eğitimde işlenen veri madenciliği konuları hakkında öğrenciye genel bir perspektif kazandırma ve uygulama yapabilme becerilerini vermeyi amaçlamaktadır. Gittikçe popülerleşen veri madenciliği ve bilgi çıkarımı konuları arasında yer alan kural madenciliği, kümeleme, sınıflandırma gibi alt başlıklar gerçek dünyada tanımlı problemlerle işlenecektir. Böylece öğrencinin veri analizi alanında pratik çözümler üretebilmesi hedeflenmektedir.
İçerik 1. Hafta Veri Madenciliği Temel Kavramları-1
2. Hafta Veri Madenciliği Temel Kavramları-2
3. Hafta Veri Hazırlama Yöntemleri 1 - Veri Temizliği, normalizasyon, Binning
4. Hafta Veri Hazırlama Yöntemleri 2 - Standartlaştırma, Kesikleme, İndirgeme,
5. Hafta Bağlantılı Kural Madenciliği 1 - Temel Kavramlar, Apriori algoritması
6. Hafta Bağlantılı Kural Madenciliği 2 - FP-Büyüme Algoritması, Diğer Algoritmalar
7. Hafta Ara sınav
8. Hafta Sınıflandırma 1 - Temel Kavramlar, Karar Ağaçları, Bayesian Sınıflandırma
9. Hafta Sınıflandırma 2 - Bayesian Sınıflandırma, SVM, KNN
10. Hafta Kümeleme 1 - Temel Kavramlar, Uzaklık Kavramı, Parçalama Algoritmaları
11. Hafta Kümeleme 2 - Hiyerarşik Yöntemler, Gril ve Yoğunluk Temelli Algoritmalar
12. Hafta Accuracy & Performans-1
13. Hafta Accuracy & Performans-2
14. Hafta Accuracy & Performans-3
Dersin Öğrenme Çıktıları 1. Veri Madenciliği Temel Kavramları Hakkında Bilgi Sahibi Olmak
2. Gerçek dünyada karşılaşılan Veri Madenciliği Problemlerini algılamak ve Çözüm Üretebilmek
3. Veri Madenciliğinde Dünyadaki baskın trendleri algılayabilmek ve buna adapte olabilecek teorik alt yapıyı oluşturmak
4. Bilgi Çıkarımında Kümeleme, sınıflandırma ve Kural Saptama Yöntemlerinin yerini kavramak ve bu kavramları problem özelinde gerçek veriye uyarlayabilmek
5. Veri Madenciliği Temel Algoritmalarını istatistiksel programlama dilleri kullanarak uygulayabilmek
6. Veri Madenciliği Algoritma Sonuçlarını Yorumlayabilmek
Öğretim Yöntemleri
Kaynaklar 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
Ders İçeriğini Yazdır
Teori Konu Başlıkları
Hafta Konu Başlıkları
1 Veri Madenciliği Temel Kavramları-1
2 Veri Madenciliği Temel Kavramları-2
3 Veri Hazırlama Yöntemleri 1 - Veri Temizliği, normalizasyon, Binning
4 Veri Hazırlama Yöntemleri 2 - Standartlaştırma, Kesikleme, İndirgeme
5 Bağlantılı Kural Madenciliği 1 - Temel Kavramlar, Apriori algoritması
6 Bağlantılı Kural Madenciliği 2 - FP-Büyüme Algoritması, Diğer Algoritmalar
7 Ara sınav
8 Sınıflandırma 1 - Temel Kavramlar, Karar Ağaçları, Bayesian Sınıflandırma
9 Sınıflandırma 2 - Bayesian Sınıflandırma, SVM, KNN
10 Kümeleme 1 - Temel Kavramlar, Uzaklık Kavramı, Parçalama Algoritmaları
11 Kümeleme 2 - Hiyerarşik Yöntemler, Gril ve Yoğunluk Temelli Algoritmalar
12 Accuracy & Performans-1
13 Accuracy & Performans-2
14 Accuracy & Performans-3
Uygulama Konu Başlıkları
Hafta Konu Başlıkları
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Başarı Notuna Etki Oranları
  Sayı Katkı Payı
Toplam 0 0
Yarıyıl İçi Çalışmaları
  Sayı Katkı Payı
Toplam 0 0
Numara Program Yeterlilikleri Puan
1 2 3 4 5
Etkinlikler Sayı Süre Toplam İş Yükü
Toplam İş Yükü 0
Toplam İş Yükü / 25 0.00
Dersin AKTS Kredisi 0
Scroll to Top