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) | Günce Keziban ORMAN korman@gsu.edu.tr (Email) Orhan İlker BAŞARAN oibasaran@gsu.edu.tr (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 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 |
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 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 | ||||
| Etkinlikler | Sayı | Süre | Toplam İş Yükü |
|---|---|---|---|
| Ders Süresi | 14 | 3 | 42 |
| Sınıf Dışı Çalışma Süresi | 14 | 4 | 56 |
| Toplam İş Yükü | 98 | ||
| Toplam İş Yükü / 25 | 3,92 | ||
| Dersin AKTS Kredisi | 4 | ||