Veri Bilimi(INF 511)
| Ders Kodu | Dersin Adı | Yarıyıl | Teori | Uygulama | Lab | Kredisi | AKTS |
|---|---|---|---|---|---|---|---|
| INF 511 | Veri Bilimi | 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, öğrencilere veri madenciliği sürecini tanıtmayı amaçlamaktadır. Dersin temel amaçları arasında veri hazırlama ve ön işlemenin, çeşitli veri madenciliği algoritmalarının ve bunların sonuçlarını değerlendirmek için mevcut araçların anlaşılması ve kullanılabilmesi vardır. Ders, birliktelik kuralları madenciliği, denetimli sınıflandırma ve denetimsiz sınıflandırma (kümeleme) ile ilgili standart yaklaşımlara odaklanır. Madencilik algoritmalarını ve kalite değerlendirme araçlarını anlamak için temel istatistiksel bilgi gereklidir. Böylece öğrencinin veri analizi alanında pratik çözümler üretebilmesi hedeflenmektedir. |
| İçerik |
1. Veri madenciliği ve kestirimci analitiğe giriş 2. Veri ön işleme, keşifsel veri analizi 3. Boyut indirgeme yöntemleri, tek değişkenli istatistiksel analiz 4. Çok değişkenli istatistik, veriyi modellemeye hazırlama 5. Basit doğrusal regresyon, çoklu regresyon 6. Model oluşturma 7. k-en yakın komşu algoritması, karar ağaçları 8. Lojistik regresyon, Naive Bayes ve Bayes ağları 9. Vize sınavı 10. Model değerlendirme teknikleri 11. Sınıflandırma modellerinin grafiksel değerlendirilmesi 12. Hiyerarşik ve k-means kümeleme, küme kalitesinin ölçülmesi 13. Birliktelik kuralları, topluluk (ensemble) yöntemleri 14. Öğrenci sunumları |
| Dersin Öğrenme Çıktıları |
Bu dersi başarıyla tamamlayan öğrenci: 1. Veri madenciliği sürecinin temel aşamalarını ve veri madenciliğinin veri analizi ve kestirimci analitik içindeki rolünü açıklayabilir. 2. Veri hazırlama, veri ön işleme ve keşifsel veri analizi tekniklerini uygulayabilir. 3. Regresyon, sınıflandırma ve kümeleme gibi temel veri madenciliği yöntemlerini uygun problemler için seçebilir ve uygulayabilir. 4. k-en yakın komşu, karar ağaçları, Naive Bayes ve lojistik regresyon gibi algoritmaların çalışma prensiplerini açıklayabilir ve veri setleri üzerinde uygulayabilir. 5. Veri madenciliği modellerinin performansını model değerlendirme ve görselleştirme tekniklerini kullanarak analiz edebilir. 6. Birliktelik kuralları ve topluluk (ensemble) yöntemleri gibi ileri veri madenciliği yaklaşımlarını yorumlayarak veri analizi problemleri için çözüm önerileri geliştirebilir. |
| Öğretim Yöntemleri | Anlatım, Tartışma, Gösterip Yaptırma, Örnek Olay, Problem Çözme, İşbirlikli Öğrenme, Proje, Beyin Fırtınası |
| Kaynaklar |
1. Data Mining - Practical Machine Learning Tools, 2nd edition, Ian H. Witten & Eibe Frank, Morgan Kaufmann, 2005. 2. Neural Networks - A Comprehensive Foundation, 2nd edition, Simon Haykin, Pearson/Prentice Hall,1999. 3. Data Mining: Concepts and Techniques, Jiawei Han & Micheline Kamber, Morgan Kaufmann, 2000. 4. Applied Statistics and Probabilities for Engineers, 4th edition, D.C. Montgomery & G.C. Runger, John Willey & sons, 2006. 5. 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 | Veri madenciliği ve kestirimci analitiğe giriş |
| 2 | Veri ön işleme, keşifsel veri analizi |
| 3 | Boyut indirgeme yöntemleri, tek değişkenli istatistiksel analiz |
| 4 | Çok değişkenli istatistik, veriyi modellemeye hazırlama |
| 5 | Basit doğrusal regresyon, çoklu regresyon |
| 6 | Model oluşturma |
| 7 | k-en yakın komşu algoritması, karar ağaçları |
| 8 | Lojistik regresyon, Naive Bayes ve Bayes ağları |
| 9 | Vize sınavı |
| 10 | Model değerlendirme teknikleri |
| 11 | Sınıflandırma modellerinin grafiksel değerlendirilmesi |
| 12 | Hiyerarşik ve k-means kümeleme, küme kalitesinin ölçülmesi |
| 13 | Birliktelik kuralları, topluluk (ensemble) yöntemleri |
| 14 | Öğrenci sunumları |
Uygulama Konu Başlıkları
| Hafta | Konu Başlıkları |
|---|
Başarı Notuna Etki Oranları
| Sayı | Katkı Payı | |
|---|---|---|
| Yarıyıl içi çalışmaların başarı notuna katkısı | 2 | 50 |
| Yarıyıl sonu çalışmaların başarı notuna katkısı | 1 | 50 |
| Toplam | 3 | 100 |
Yarıyıl İçi Çalışmaları
| Sayı | Katkı Payı | |
|---|---|---|
| Ödevler | 0 | 0 |
| Sunum | 0 | 0 |
| Arasınavlar (Hazırlık Süresi Dahil) | 1 | 25 |
| Proje | 1 | 25 |
| 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 |
| Toplam | 2 | 50 |
| Numara | Program Yeterlilikleri | Puan | ||||
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | ||
| 1 | Bilgisayar mühendisliği alanında bilimsel araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşır, bilgiyi değerlendirir, yorumlar ve uygular. | X | ||||
| 2 | Bilgisayar mühendisliğinde uygulanan güncel teknik ve yöntemler ile bunların kısıtları hakkında kapsamlı bilgi sahibidir. | X | ||||
| 3 | Bilgisayar mühendisliği ile ilgili alanlarda belirsiz, sınırlı ya da eksik verileri kullanarak, bilimsel yöntemlerle bilgiyi tamamlar ve uygular; değişik disiplinlere ait bilgileri bir arada kullanabilir. | X | ||||
| 4 | Bilgisayar mühendisliği mesleğinin yeni ve gelişmekte olan uygulamalarının farkında olup, gerektiğinde bunları inceler ve öğrenir. | X | ||||
| 5 | Bilgisayar mühendisliği problemlerini kurgular, çözmek için yöntem geliştirir ve çözümlerde yenilikçi yöntemler uygular. | X | ||||
| 6 | Yeni ve/veya özgün fikir ve yöntemler geliştirir; karmaşık donanım ve yazılım tabanlı sistemleri veya süreçleri tasarlar ve tasarımlannda yenilikçi/alternatif çözümler geliştirir. | X | ||||
| 7 | Kuramsal, deneysel ve modelleme esaslı araştırmaları tasarlar ve uygular; bu süreçte karşılaşılan karmaşık problemleri irdeler ve çözümler | X | ||||
| 8 | Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilir, bu tür takımlarda liderlik yapabilir ve karmaşık durumlarda proje ve risk yönetimi tekniklerini de kullanarak çözüm yaklaşımları geliştirebilir; bağımsız çalışabilir ve sorumluluk alır. | X | ||||
| 9 | Bir yabancı dili en az Avrupa Dil Portfoyü B2 Genel Düzeyinde kullanarak, sözlü ve yazılı iletişim kurar. | X | ||||
| 10 | Çalışmalarının süreç ve sonuçlarını, bilgisayar mühendisliği alanındaki veya ilgili alanlardaki ulusal ve uluslararası ortamlarda sistematik ve açık bir sekilde yazılı ya da sözlü olarak aktarır. | X | ||||
| 11 | Girişimcilik ve yenilikçilik boyutlarını dikkate alarak bilgisayar mühendisliği uygulamalarını gerçekleştirebilir. | X | ||||
| 12 | Verilerin toplanması, yorumlanması, duyurulması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetir. | X | ||||
| 13 | Bilgisayar mühendisliği uygulamalarının sosyal ve çevresel boyutlarını betimler. | X | ||||
| Etkinlikler | Sayı | Süre | Toplam İş Yükü |
|---|---|---|---|
| Ders Süresi | 13 | 3 | 39 |
| Sınıf Dışı Çalışma Süresi | 13 | 3 | 39 |
| Ödevler | 3 | 8 | 24 |
| Sunum | 2 | 2 | 4 |
| Arasınavlar (Hazırlık Süresi Dahil) | 1 | 8 | 8 |
| Proje | 0 | 0 | 0 |
| Laboratuar | 0 | 0 | 0 |
| Diğer Uygulamalar | 0 | 0 | 0 |
| Yarıyıl Sonu Sınavı (Hazırlık Süresi Dahil) | 1 | 25 | 25 |
| 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 |
| Ts Yıl Sonu | 0 | 0 | 0 |
| Hazırlık Yıl Sonu | 0 | 0 | 0 |
| Hazırlık Bütünleme | 0 | 0 | 0 |
| Toplam İş Yükü | 139 | ||
| Toplam İş Yükü / 25 | 5.56 | ||
| Dersin AKTS Kredisi | 6 | ||