Bilgisayar Mühendisliği Lisans Programı

Bilgi Çıkarımı ve Veri Madenciliğine Giriş(INF483)

Ders Kodu Dersin Adı Yarıyıl Teori Uygulama Lab Kredisi AKTS
INF483 Bilgi Çıkarımı ve Veri Madenciliğine Giriş 8 3 0 0 3 4
Ön Koşul IND211 (2015-2016 VE ÖNCESİ) YA DA INF211
Derse Kabul Koşulları IND211 (2015-2016 VE ÖNCESİ) YA DA INF211
Dersin Dili Fransızca
Türü Seçmeli
Dersin Düzeyi Lisans
Dersi Veren(ler) KEZİBAN ORMAN korman@gsu.edu.tr (e-mail)
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
2. Hafta Veri Hazırlama Yöntemleri 1 - Veri Temizliği, normalizasyon, Binning
3. Hafta Veri Hazırlama Yöntemleri 2 - Standartlaştırma, Kesikleme, İndirgeme,
4. Hafta Bağlantılı Kural Madenciliği 1 - Temel Kavramlar, Apriori algoritması
5. Hafta Bağlantılı Kural Madenciliği 2 - FP-Büyüme Algoritması, Diğer Algoritmalar
6. Hafta Sınıflandırma 1 - Temel Kavramlar, Karar Ağaçları
7. Hafta Sınıflandırma 2 - Bayesian Sınıflandırma
8. Hafta Sınıflandırma 3 - Yapay Sinir Ağları
9. Hafta Ara sınav
10. Hafta Kümeleme 1 - Temel Kavramlar, Uzaklık Kavramı, Parçalama Algoritmaları
11. Hafta Kümeleme 2 - Hiyerarşik Yöntemler
12. Hafta Kümeleme 3 - Gril ve Yoğunluk Temelli Algoritmalar
13. Hafta Veri Madenciliğinde İleri Konular 1 - Sıralı Örüntü Madenciliği
14. Hafta Veri Madenciliğinde İleri Konular 2 - Metin Madenciliği
Dersin Öğrenme Çıktıları Bu dersi başarıyla tamamlayan öğrenci aşağıdaki konularda yeterliliğe sahip olacaktır:

1. Bilgi Çıkarımı ve 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 1. Anlatım
2. Tartışma
3. Gösterip Yaptırma
4. Örnek Olay
5. Sorun (Problem) Çözme
6. İşbirlikli Öğrenme
7. Soru-Cevap
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
2 Veri Hazırlama Yöntemleri 1 - Veri Temizliği, normalizasyon, Binning
3 Veri Hazırlama Yöntemleri 2 - Standartlaştırma, Kesikleme, İndirgeme,
4 Bağlantılı Kural Madenciliği 1 - Temel Kavramlar, Apriori algoritması
5 Bağlantılı Kural Madenciliği 2 - FP-Büyüme Algoritması, Diğer Algoritmalar
6 Sınıflandırma 1 - Temel Kavramlar, Karar Ağaçları
7 Sınıflandırma 2 - Bayesian Sınıflandırma
8 Sınıflandırma 3 - Yapay Sinir Ağları
9 Ara sınav
10 Kümeleme 1 - Temel Kavramlar, Uzaklık Kavramı, Parçalama Algoritmaları
11 Kümeleme 2 - Hiyerarşik Yöntemler
12 Kümeleme 3 - Gril ve Yoğunluk Temelli Algoritmalar
13 Veri Madenciliğinde İleri Konular 1 - Sıralı Örüntü Madenciliği
14 Veri Madenciliğinde İleri Konular 2 - Metin Madenciliği
Uygulama Konu Başlıkları
Hafta Konu Başlıkları
Başarı Notuna Etki Oranları
  Sayı Katkı Payı
Yarıyıl içi çalışmaların başarı notuna katkısı 1 40
Yarıyıl sonu çalışmaların başarı notuna katkısı 1 60
Toplam 2 100
Yarıyıl İçi Çalışmaları
  Sayı Katkı Payı
Ödevler 0 0
Sunum 0 0
Arasınavlar (Hazırlık Süresi Dahil) 1 40
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
Toplam 1 40
Numara Program Yeterlilikleri Puan
1 2 3 4 5
1 Matematik, fizik ve mühendislik bilimleri konularında yeterli bilgi birikimi, X
2 Temel bilimleri Bilgisayar Mühendisliği alanında kullanabilme becerisi, X
3 Bilgiye erişebilme ve bu amaçla kaynak araştırması yapabilme, veri tabanları ve diğer bilgi kaynaklarını kullanabilme becerisi, X
4 Analitik düşünce ile bir sistemi, sistem bileşenini ya da süreci analiz etme, modelleme, çözüm algoritmaları üretebilme, uygulamaya alma ve geliştirme becerileri, X
5 Bilişim teknolojilerini etkin bir şekilde seçme, kullanma, yeni gelişen teknolojilere adaptasyon becerisi, X
6 Disiplinlerarası takımlar içinde çalışma becerisi, X
7 Fransızca ve İngilizce olmak üzere en az iki yabancı dil bilgisi, X
8 Girişimcilik ve yenilikçilik hakkında farkındalık, X
9 Yetki alabilme ve gereğini yerine getirebilme, X
10 İş hukuku ve etik konularında bilgi, X
11 Yaşam boyu öğrenmenin gerekliliği bilinci; kendini sürekli yenileme becerisi. X
Etkinlikler Sayı Süre Toplam İş Yükü
Ders Süresi 14 3 42
Sınıf Dışı Çalışma Süresi 14 4 56
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
Toplam İş Yükü 98
Toplam İş Yükü / 25 3,92
Dersin AKTS Kredisi 4
Scroll to Top