|
| Ders Bilgileri |
|
| Dersin Adı |
: |
Data Mining |
|
| Dersin Kodu |
: |
CENG-552 |
|
| Dersin Türü |
: |
Seçmeli |
|
| Dersin Aşaması |
: |
İkinci Aşama (Yüksek Lisans) |
|
| Dersin Yılı |
: |
1 |
|
| Dersin Dönemi |
: |
Bahar (16 Hafta) |
|
| Dersin AKTS Kredisi |
: |
6 |
|
| Eğitici(ler)nin Adı |
: |
Dr.Öğr. ÜyesiDr. SELMA AYŞE ÖZEL
|
|
| Dersin Öğrenme Kazanımları |
: |
Veri önişleme yöntemlerinin öğrenilmesi ve uygulanması.
Veriyi gizli bağıntıları çıkarabilmek için uygun hale getirebilme.
Birliktelik kurallarını çıkarma ve yorumlayabilme.
Basit regresyon modeli ile tahmin yapabilme.
Sınıflandırma algoritmalarını kullanabilme.
Kümeleme algoritmalarını kullanabilme.
|
|
| Dersin Veriliş Şekli |
: |
Örgün (Yüz Yüze) |
|
| Dersin Önkoşulları |
: |
Yok |
|
| Ders Hakkında Önerilen Diğer Hususlar |
: |
Yok |
|
| Dersin Amacı |
: |
Büyük miktardaki veriler içinde yer alan gizli bağıntıları ve ilişkileri ortaya çıkarmaktır. Bu amaçla kullanılan yöntem ve algoritmaların öğrenilmesi ve pratikte kullanılabilmesidir. |
|
| Dersin İçeriği |
: |
Veri madenciliği kavramına giriş. Veri önişleme: özetleme, temizleme, birleştirme, dönüştürme, indirgeme, kesiklileştirme ve kavram hiyerarşisi oluşturma. Veri ambarı ve OLAP teknolojisine giriş. Denetimli ve denetimsiz öğrenme yöntemleri. Birliktelik kurallarının çıkarılması yöntemleri: Apriori ve FP-Growth algoritmaları. Sınıflama ve tahmin yöntemleri: karar ağaçları, bayes sınıflandırıcısı, kural tabanlı sınıflayıcılar, destek vektör makineleri, yapay sinir ağları ve diğer sınıflama yöntemleri, regresyon analizi. Sınıflayıcı ve tahmin edicilerin performans değerlendirilmesi yöntemleri. Kümeleme analizi: parçalamaya dayalı yöntemler, hiyerarşik yöntemler, yoğunluk tabanlı yöntemler, ızgara tabanlı yöntemler, model tabanlı yöntemler. Yüksek boyutlu verilerde kümeleme. Sınırdışı değer analizi. Veri madenciliğinin akış, zaman serisi, çokluortam, metin ve Web verilerine uygulanması. |
|
| Dersin Dili |
: |
İngilizce |
|
| Dersin Yeri |
: |
Sınıf |
|
|
Ders Planı |
| Hafta | Konu | Öğrencinin Ön Hazırlığı | Öğrenme Aktiviteleri ve Öğretme Yöntemleri |
|
1 |
Veri madenciliğine giriş. |
Ders notlarının okunması |
Ders anlatımı,sınıfta örnek uygulama |
|
2 |
Veri önişleme: Tanımlayıcı veri özetleme, Veri temizleme |
Ders notlarının okunması |
Ders anlatımı,sınıfta örnek uygulama |
|
3 |
Veri önişleme: Veriyi birleştirme ve dönüştürme, Veri indirgeme |
Ders notlarının okunması, sunum konusunun araştırılması |
Ders anlatımı,sınıfta örnek uygulama |
|
4 |
Veri önişleme: Veriyi kesikli hale getirme, Kavram hiyerarşisi oluşturma. |
Ders notlarının okunması, sunum konusunun araştırılması |
Ders anlatımı,sınıfta örnek uygulama |
|
5 |
Birliktelik kurallarının çıkarılması ve değerlendirilmesi |
Ders notlarının okunması, sunum konusunun araştırılması |
Ders anlatımı,sınıfta örnek uygulama |
|
6 |
Sınıflandırma algoritmaları: Karar ağaçları, Bayes sınıflandırıcısı, Kural tabanlı sınıflandırıcılar |
Ders notlarının okunması, sunum hazırlanması |
Ders anlatımı,sınıfta örnek uygulama |
|
7 |
Sınıflandırma algoritmaları: Yapay sinir ağları, destek vektör makineleri, briliktelik kuralları ile sınıflandırma, k en yakın komşu algoritması |
Ders notlarının okunması, sunum hazırlanması |
Ders anlatımı,sınıfta örnek uygulama |
|
8 |
Doğrusal regresyon ile tahmin, sınıflandırıcı ve tahmin edici yöntemlerin performans değerlendirmeleri |
Ders notlarının okunması, proje konusunun kodlanması |
Ders anlatımı,sınıfta örnek uygulama |
|
9 |
Kümeleme analizi: Veri ön işleme ve uzaklık hesaplamaları, k-means ve k-medoids algoritmaları |
Ders notlarının okunması, proje konusunun kodlanması |
Ders anlatımı,sınıfta örnek uygulama |
|
10 |
Kümeleme analizi: hiyerarşik yöntemler, yoğunluk tabanlı yöntemler, ızgara tabanlı yöntemler |
Ders notlarının okunması, proje konusunun kodlanması |
Ders anlatımı,sınıfta örnek uygulama |
|
11 |
Kümeleme analizi: Model tabanlı yöntemler, sınırlama tabanlı yöntemler, uç nokta analizi |
Ders notlarının okunması, proje konusunun kodlanması |
Ders anlatımı,sınıfta örnek uygulama |
|
12 |
Zaman serisi, Biyolojik verilerin analizi |
Ders notlarının okunması, proje raporunun hazırlanması |
Öğrenci sunumları ve tartışma |
|
13 |
Çizge, multimedya ve Web verilerinin analizi |
Ders notlarının okunması, proje raporunun hazırlanması |
Öğrenci sunumları ve tartışma |
|
14 |
Örnek Uygulamalar ve Proje Sunumları |
Ders notlarının okunması, proje sunumunun hazırlanması |
Öğrenci sunumları ve tartışma |
|
15 |
Örnek Uygulamalar ve Proje Sunumları |
Ders notlarının okunması, proje sunumunun hazırlanması |
Öğrenci sunumları ve tartışma |
|
16/17 |
Final Sınavı |
Ders notlarının okunması. |
Yazılı sınav |
|
|
|
Önerilen Kaynak ve Okumalar |
| Kaynak Türü | Kaynak Adı |
| Ders Notu ve Kitaplar |
 J. Han, M. Kamber, "Data Mining Concepts and Techniques", second edition, Morgan Kaufmann, 2006
I. H. Witten, E. Frank, M. A. Hall, "Data Mining: Practical Machine Learning Tools and Techniques", Third Edition, Morgan Kaufmann, 2011.
|
| |
| Diğer Kaynaklar | |
|
|
|
Değerlendirme (Sınav) Yöntemleri ve Kriterleri |
|
Yarıyıl/Yıl İçi Değerlendirmeleri |
Sayısı |
Katkı Yüzdesi |
|
Ara Sınavlar (Yazılı, Sözlü, vs.) |
0 |
0 |
|
Ödev/Proje/Diğer |
3 |
100 |
|
Toplam |
100 |
|
Yarıyıl/Yıl İçi Değerlendirmelerinin Başarıya Katkısı |
40 |
| |
|
Yarıyıl/Yıl Sonu Değerlendirmesi
|
100 |
|
Yarıyıl/Yıl Sonu Değerlendirmesinin Başarıya Katkısı
|
60 |
|
Toplam |
100 |
|
|
| Dersin Temel Öğrenme Kazanımlarına Katkısı |
| No | Temel Öğrenme Kazanımı | Katkısı* |
|
1 |
Bilgisayar mühendisliği alanında bilimsel araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşır, bilgiyi değerlendirir, yorumlar ve uygular. |
5 |
|
2 |
Bilgisayar mühendisliği alanında sınırlı ya da eksik verileri kullanarak bilimsel yöntemlerle bilgiyi tamamlar ve uygular; değişik disiplinlere ait bilgileri bütünleştirir. |
5 |
|
3 |
Bilgisayar mühendisliği mesleğinin yeni ve gelişmekte olan uygulamalarının farkında olup, gerektiğinde bunları inceler ve öğrenir |
5 |
|
4 |
Bilgisayar Mühendisliği problemlerini kurgular, çözmek için yöntem geliştirir ve çözümlerde yenilikçi yöntemler uygular. |
5 |
|
5 |
Bilgisayar Mühendisliği alanında yeni ve/veya özgün fikir ve yöntemler geliştirir; sistem, parça veya süreç tasarımlarında yenilikçi çözümler geliştirir. |
5 |
|
6 |
Bilgisayar mühendisliği alanında analitik, modelleme ve deneysel esaslı araştırmaları tasarlar ve uygular; bu süreçte karşılaşılan karmaşık durumları çözümler ve yorumlar. |
5 |
|
7 |
Çok disiplinli takımlarda liderlik yapar, karmaşık durumlarda çözüm yaklaşımları geliştirir ve sorumluluk alır. |
4 |
|
8 |
Bir yabancı dili en az Avrupa Dil Portföyü B2 Genel Düzeyinde kullanarak sözlü ve yazılı iletişim kurar. |
5 |
|
9 |
Çalışmalarının süreç ve sonuçlarını, o alandaki veya alan dışındaki ulusal ve uluslar arası ortamlarda sistematik ve açık bir şekilde yazılı ya da sözlü olarak aktarır. |
4 |
|
10 |
Mühendislik uygulamalarının sosyal ve çevresel boyutlarını betimler. |
4 |
|
11 |
Verilerin toplanması, yorumlanması, duyurulması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetir. |
5 |
|
12 |
Bilgisayar mühendisliğinde uygulanan güncel teknik ve yöntemler ile bunların kısıtları hakkında kapsamlı bilgi sahibidir. |
5 |
| * Katkı düzeyleri 0 (yok) ve 5 (en yüksek) arasında ifade edilmiştir. |
|
|
| Öğrenci İş Yükü - AKTS |
| Çalışmalar | Sayısı | Süresi (Saat) | Toplam İş Yükü (Saat) |
| Ders ile İlgili Çalışmalar |
|
Ders (Sınav haftaları dahil değildir) |
14 |
3 |
42 |
|
Sınıf Dışı Ders Çalışma (Ön çalışma, pekiştirme) |
14 |
3 |
42 |
| Değerlendirmeler ile İlgili Çalışmalar |
|
Ödev, Proje, Diğer |
3 |
16 |
48 |
|
Ara Sınavlar (Yazılı, Sözlü, vs.) |
0 |
0 |
0 |
|
Yarıyıl/Yıl Sonu/Final Sınavı |
1 |
20 |
20 |
|
Toplam İş Yükü: | 152 |
| Toplam İş Yükü / 25 (s): | 6.08 |
| Dersin AKTS Kredisi: | 6 |
|
|
|