| Yüksekokul/Myo/Fakülte/Enstitü |
Lisansüstü Eğitim Enstitüsü |
| Ders Kodu |
CSE 604 |
| Ders Adı İngilizce |
Advanced Data Mining Principles |
| Ders Adı Türkçe |
İleri Veri Madenciliği İlkeleri |
| Öğretim Dili |
EN |
| Ders Türü |
Ters-Yüz Öğrenme |
| Dersin Düzeyi |
İleri |
| Dönem |
Bahar |
| Haftalık İletişim Saatleri |
| Ders: 3 |
Okuma: 0 |
Laboratuvar : 0 |
Diğer: 0 |
|
| Tahmini Öğrenci İş Yükü |
Dönem boyunca 188 saat |
| Ders Kredileri |
7.5 AKTS |
| Değerlendirme |
Standart Harf Notu
|
| Ön Koşul |
Yok |
| Yan Koşul |
Yok |
| Beklenen Ön Bilgi |
Yok |
| Kayıt Kısıtlamaları |
Sadece Doktora Öğrencileri |
| Genel Eğitim Hedefi |
Gelişmiş veri madenciliği işleme yöntemlerini ve büyük veri kümelerini tahmin etmek ve modellemek için akıllı sistemlerin nasıl tasarlanacağını ve uygulanacağını öğrenmek.
|
| Ders Açıklaması |
Bu ders veri madenciliği kavramlarına girişi sağlar. Veri madenciliğinde temel kavramlar: sık madde kümesi tespiti, ilişkilendirme kuralları, kümeleme ve sınıflandırma ve regresyon karar ağaçları, lojistik modeller ve sinir ağı modelleri derinlemesine ele alınmıştır. Ayrıca, öğrenciler analitik sonuçların nasıl karşılaştırılacağını öğrenecek ve veri madenciliği sürecinde tavsiyelerde bulunacaklar. |
Ders Öğrenme Çıktıları ve Yeterlilikler
Bu dersi başarıyla tamamlayabilen öğrenciler:
1) Veri kümesindeki kalıpları araştırmak için büyük veri işleme metodolojilerini uygulamak
2) Gelecekteki eğilimi tahmin etmek için gelişmiş sınıflandırmak ve kümeleme yöntemlerini uygulamak
3) Veri madenciliği yöntemlerinin performansını değerlendirmek
4) Bir iş veri seti için hibrit veri madenciliği yöntemleri tasarlamak ve oluşturmak
5) Raporlar ve sunumlar aracılığıyla etkili iletişim kurmak
6) Verileri analiz etmek ve yorumlamak ve sonuç çıkarmak için analitik düşünceyi kullanmak
7) Gerektiğinde yeni bilgiler edinmek ve uygulamak
|
| Program Öğrenme Çıktıları/Ders Öğrenme Çıktıları |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
Program Sonuçları ve Yeterliliklerle İlişkisi
| N Yok |
S Destekleyici |
H Çok İlgili |
| |
|
|
| |
Program Çıktıları ve Yeterlilikler |
Düzey |
Değerlendirme |
| Hazırlayan ve Tarih |
, |
| Ders Koordinatörü |
İLKER BEKMEZCİ |
| Dönem |
Bahar |
| Dersi Veren(ler) |
Prof. Dr. İLKER BEKMEZCİ |
Ders İçeriği
| Hafta |
Konu |
| 1) |
Ölçüm ve Veri
|
| 2) |
Veri Madenciliği için Veri Ambarı ve OLAP Teknolojisi
|
| 3) |
Veri işleme
|
| 4) |
Veri Madenciliği İlkeleri ve Dilleri
|
| 5) |
Konsept Açıklaması: Karakterizasyon ve Karşılaştırma
|
| 6) |
Büyük Veritabanlarında Madencilik Birliği Kuralları
|
| 7) |
İlişkilendirme Madenciliğinden Korelasyon Analizine
|
| 8) |
Sınıflandırma ve Tahmin
|
| 9) |
Küme analizi
|
| 10) |
Madencilik Karmaşık Veri Türü
|
| 11) |
Madencilik Mekansal Veritabanları
|
| 12) |
Madencilik Multimedya Veritabanları
|
| 13) |
Yarı Yapılandırılmış Madencilik Verileri
|
| 14) |
Yapılandırılmamış Veri Madenciliği
|
| 15) |
Proje/Sunum Dönemi |
| 16) |
Proje/Sunum Dönemi |
| Gerekli/Tavsiye Edilen Okumalar | Han, J., Kamber M.;Data Mining: Concepts and Techniques
Pyle, D.J; Data Preparation for Data Mining
David Hand, Heikki Mannila and Padhraic Smyth, Principles of Data Mining, MIT Press, 2001
|
| Öğretme Teknikleri | Flipped öğrenme.Öğrenciler uygulamalı olarak bireysel çalışıcaklar. |
| Ödev ve Projeler | Ödev |
| Laboratuvar Çalışması | Yok |
| Bilgisayar Kullanımı | Gerekli |
| Diğer Aktiviteler | Yok |
| Değerlendirme Yöntemleri |
| Değerlendirme Araçları |
Sayı |
Ağırlık |
| Ödev |
1 |
% 25 |
| Projeler |
1 |
% 25 |
| Ara Sınavlar |
1 |
% 50 |
| TOPLAM |
% 100 |
|
| Ders Yönetimi |
karahocaa@mef.edu.tr
02123953600
|
Bilgi Paketi / Ders Kataloğu