Ders Detayı
Ders Tanımı
Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
---|---|---|---|---|---|
İLERİ VERİ MADENCİLİĞİ | SSMD1110117 | Güz Dönemi | 3+0 | 3 | 8 |
Ders Programı |
Ön Koşul Dersleri | |
Önerilen Seçmeli Dersler |
Dersin Dili | Türkçe |
Dersin Seviyesi | Doktora |
Dersin Türü | Programa Bağlı Seçmeli |
Dersin Koordinatörü | Dr.Öğr.Üye. Kevser Banu KÖSE |
Dersi Verenler | Dr.Öğr.Üye. Kevser Banu KÖSE |
Dersin Yardımcıları | |
Dersin Amacı | Derste veri madenciliğinin temel yöntemleri, farklı veri madenciliği konularına çözüm olabilecek algoritmalara genel bir yaklaşım sağlamak ve bu algortimaları gerçek problemlere uygulamak. |
Dersin İçeriği | Bu ders; Veri Madenciliğine Giriş ve Temel Kavramlar,Veri Madenciliği Süreci,Verinin keşfi ve görselleştirme,Nitelik seçimi ve veri dönüştürme,Kümeleme Yöntemleri,Uygulama: Kümeleme,Sınıflama Yöntemleri-Karar Ağaçları,Uygulama: Sınıflama,Uygulama: Sınıflama,Birliktelik Kuralı Analizi,Uygulama: Birliktelik kuralı analizi,Uygulama: Problem odaklı veri madenciliği,Dönem sonu proje sunumları,Dönem sonu proje sunumları; konularını içermektedir. |
Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
KNIME ile elde edilen grafikleri yorumlar | 10, 16, 9 | |
KNIME ile sınıflama yöntemlerini kullanır | 10 | D |
KNIME ile kümeleme yöntemlerini kullanır | 11, 13, 23, 6, 9 | |
KNIME ile veri hazırlama süreçlerini uygular | 10, 3, 6, 9 | F |
Bir veri madenciliği aracını (KNIME) kullanır | 14, 16, 2, 4, 5, 6, 8, 9 | E, F |
Veri madenciliği kavramını ve süreçlerini açıklar | 10, 11, 9 | D |
Öğrenmeli (supervised) KD’leri açıklar | 6, 9 | |
Bilgi tabanlı KDS’leri açıklar | 9 | |
Klinik ve yönetim karar destek sistemlerini ve türlerini açıklar | 14, 18, 4, 5, 6, 9 | A |
Verilen problemdeki veri setinin yapısına bakarak hangi yöntemin daha etkin olacağını yorumlar | 10, 13, 16, 2, 4, 9 | |
Verilen bir problemde öğreticili/öğreticisiz yöntemlerden hangisinin kullanılması gerektiğini ayırt eder | 13, 19, 6, 9 | |
Tanımlayıcı ya da tahmin edici yöntemlerin farkını ayırt eder | 16, 9 | H |
Verilen bir problemde hangi veri madenciliği yönteminin kullanılacağını ayırt eder | 10, 13, 16, 4, 6, 9 | A |
Sınıflama yöntemlerini açıklar | 16, 9 | |
Kümeleme yöntemini açıklar | 10, 16, 9 | |
Yaygın veri madenciliği yöntemlerini açıklar | 13, 14, 16, 18, 6, 8, 9 | A |
Veri madenciliği sürecini ifade eder | 10, 13, 14, 9 | E |
Veri, veri tabanı, veri ambarı ve bunlarla ilgili temel kavramları açıklar | 9 | |
Veri madenciliğini ve görevlerini tanımlar | 10, 16, 9 | |
Veri madenciliği ile ilgili temel kavram ve süreçleri açıklar | 16, 18, 9 | A |
Öğretim Yöntemleri: | 10: Tartışma Yöntemi, 11: Gösterip Yapma Yöntemi, 13: Örnek Olay Yöntemi, 14: Bireysel Çalışma Yöntemi, 16: Soru - Cevap Tekniği , 18: Mikro Öğretim Tekniği , 19: Beyin Fırtınası Tekniği, 2: Proje Temelli Öğrenme Modeli, 23: Kavram Haritası Tekniği, 3: Probleme Dayalı Öğrenme Modeli, 4: Sorgulama Temelli Öğrenme Modeli, 5: İşbirlikli Öğrenme Modeli, 6: Deneyimle Öğrenme Modeli, 8: Ters-yüz Edilmiş Sınıf Modeli, 9: Anlatım Yöntemi |
Ölçme Yöntemleri: | A: Klasik Yazılı Sınav, D: Sözlü Sınav, E: Ödev, F: Proje Görevi, H: Performans Görevi |
Ders Akışı
Sıra | Konular | Ön Hazırlık |
---|---|---|
1 | Veri Madenciliğine Giriş ve Temel Kavramlar | Temel veri tabanı kavramları |
2 | Veri Madenciliği Süreci | SQL'in DML olarak kullanımı, işlemsel SQL, veri ambarı mimarileri, neden veri dönüştürme yaparız, vb |
3 | Verinin keşfi ve görselleştirme | Veri görselleştirmede grafik türleri ve grafiğin öğeleri (boyut, ölçüt, vb.) |
4 | Nitelik seçimi ve veri dönüştürme | Veri türleri, veri genelleştirme ve özelleştirme |
5 | Kümeleme Yöntemleri | Kümelemede temel yöntemler: Hiyerarşik Kümeleme, Kitle Merkezi Tabanlı Kümeleme, Yoğunluk Tabanlı Kümeleme, Dağılım Tabanlı Kümeleme |
6 | Uygulama: Kümeleme | KNIME kullanımı ile ilgili pratikler |
7 | Sınıflama Yöntemleri-Karar Ağaçları | Sınıflama ile kümeleme arasındaki temel farklar, bir karar ağacı nasıl oluşturulur ve karar ağacı algoritmaları (ID 3, C4.5, vb.) |
8 | Uygulama: Sınıflama | KNIME kullanımı ile ilgili pratikler |
9 | Uygulama: Sınıflama | KNIME kullanımı ile ilgili pratikler |
10 | Birliktelik Kuralı Analizi | Market sepeti analizi |
11 | Uygulama: Birliktelik kuralı analizi | KNIME kullanımı ile ilgili pratikler |
12 | Uygulama: Problem odaklı veri madenciliği | Kümeleme, karar ağacı, birliktelik kuralı analizi |
13 | Dönem sonu proje sunumları | Nitelik seçimi, veri dönüştürme, veri madenciliği uygulaması ve sonuçların değerlendirilmesini kapsayan bir proje sunumu |
14 | Dönem sonu proje sunumları | Nitelik seçimi, veri dönüştürme, veri madenciliği uygulaması ve sonuçların değerlendirilmesini kapsayan bir proje sunumu |
Kaynak |
Ders sunum notları ve lab dosyaları (düzenli olarak ders sayfasında paylaşılacaktır) - Veri Madenciliği Teori Uygulama ve Felsefesi, Dr. İlker KÖSE (2015) - Kavram ve Algoritmalarıyla Temel Veri Madenciliği, Dr. Gökhan SİLAHTAROĞLU - Veri Madenciliği Yöntemleri, Dr. Yalçın ÖZKAN - Han Jiawei and Kamber Micheline (2006), Data Mining: Concepts and Techniques, Morgan Kaufmann Publisher San Francisco - Pang-Ning Tan, Michael Steinbach, Vipin Kumar, Introduction to Data Mining, Addison Wesley, (2005) |
Dersin Program Yeterliliklerine Katkısı
Dersin Program Yeterliliklerine Katkısı | |||||||
No | Program Yeterliliği | Katkı Düzeyi | |||||
1 | 2 | 3 | 4 | 5 | |||
1 | Temel bilimleri, matematik ve mühendislik bilimlerini üst düzeyde anlar ve uygular, alanında en son gelişmeler dahil olmak üzere genişlemesine ve derinlemesine bilgi sahibidir. | X | |||||
2 | Mühendisliğin ilişkili olduğu disiplinler arası etkileşimi kavrar, yeni ve karmaşık fikirleri analiz, sentez ve değerlendirmede uzmanlık gerektiren bilgileri kullanarak özgün sonuçlara ulaşır. | X | |||||
3 | Bir alanda en yeni bilgilere ulaşır ve bunları kavrayarak araştırma yapabilmek için gerekli yöntem ve becerilerde üst düzeyde yeterliğe sahiptir. | X | |||||
4 | Bilime veya teknolojiye yenilik getiren, yeni bir bilimsel yöntem veya teknolojik ürün/süreç geliştiren ya da bilinen bir yöntemi yeni bir alana uygulayan kapsamlı bir çalışma yapar. | X | |||||
5 | Akademik çalışmalarının çıktılarını saygın akademik ortamlarda yayınlayarak bilim ve teknoloji literatürüne katkıda bulunur. | X | |||||
6 | Bilimsel, teknolojik, sosyal ve kültürel gelişmeleri değerlendirerek bilimsel tarafsızlık ve etik sorumluluk bilinciyle topluma aktarır. | X | |||||
7 | Özgün bir araştırma sürecini bağımsız olarak algılar, tasarlar, uygular ve sonuçlandırır; bu süreci yönetir. | X | |||||
8 | Bilimsel bilgi birikimini yazılı ve sözlü olarak etkin bir şekilde ifade eder, en az bir yabancı dilde Avrupa Dil Portföyü C1 Genel Düzeyinde iletişim kurar ve iletişim teknolojilerini ileri düzeyde kullanır | X | |||||
9 | Uzmanlık alanındaki fikirlerin ve gelişmelerin eleştirel analizini, sentezini ve değerlendirmesini yapar. | X | |||||
10 | Mühendislik alanındaki bilimsel, teknolojik, sosyal veya kültürel ilerlemeleri tanıtır, yaşadığı toplumun bilgi toplumu olma ve bunu sürdürebilme sürecine katkıda bulunur ve toplumsal, bilimsel, kültürel ve etik değerlerin gelişimini destekler. | X |
Değerlendirme Sistemi
Katkı Düzeyi | Mutlak Değerlendirme | |
Ara Sınavın Başarıya Oranı | 40 | |
Genel Sınavın Başarıya Oranı | 60 | |
Toplam | 100 |
AKTS / İşyükü Tablosu | ||||||
Etkinlik | Sayı | Süresi (Saat) | Toplam İş Yükü (Saat) | |||
Ders Saati | 14 | 3 | 42 | |||
Rehberli Problem Çözme | 2 | 2 | 4 | |||
Problem Çözümü / Ödev / Proje / Rapor Tanzimi | 0 | 0 | 0 | |||
Okul Dışı Diğer Faaliyetler | 0 | 0 | 0 | |||
Proje Sunumu / Seminer | 2 | 30 | 60 | |||
Kısa Sınav (QUİZ) ve Hazırlığı | 5 | 1 | 5 | |||
Ara Sınav ve Hazırlığı | 1 | 60 | 60 | |||
Genel Sınav ve Hazırlığı | 1 | 60 | 60 | |||
Performans Görevi, Bakım Planı | 0 | 0 | 0 | |||
Toplam İş Yükü (Saat) | 231 | |||||
Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(231/30) | 8 | |||||
Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır. |
Dersin Detaylı Bilgileri
Ders Tanımı
Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
---|---|---|---|---|---|
İLERİ VERİ MADENCİLİĞİ | SSMD1110117 | Güz Dönemi | 3+0 | 3 | 8 |
Ders Programı |
Ön Koşul Dersleri | |
Önerilen Seçmeli Dersler |
Dersin Dili | Türkçe |
Dersin Seviyesi | Doktora |
Dersin Türü | Programa Bağlı Seçmeli |
Dersin Koordinatörü | Dr.Öğr.Üye. Kevser Banu KÖSE |
Dersi Verenler | Dr.Öğr.Üye. Kevser Banu KÖSE |
Dersin Yardımcıları | |
Dersin Amacı | Derste veri madenciliğinin temel yöntemleri, farklı veri madenciliği konularına çözüm olabilecek algoritmalara genel bir yaklaşım sağlamak ve bu algortimaları gerçek problemlere uygulamak. |
Dersin İçeriği | Bu ders; Veri Madenciliğine Giriş ve Temel Kavramlar,Veri Madenciliği Süreci,Verinin keşfi ve görselleştirme,Nitelik seçimi ve veri dönüştürme,Kümeleme Yöntemleri,Uygulama: Kümeleme,Sınıflama Yöntemleri-Karar Ağaçları,Uygulama: Sınıflama,Uygulama: Sınıflama,Birliktelik Kuralı Analizi,Uygulama: Birliktelik kuralı analizi,Uygulama: Problem odaklı veri madenciliği,Dönem sonu proje sunumları,Dönem sonu proje sunumları; konularını içermektedir. |
Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
KNIME ile elde edilen grafikleri yorumlar | 10, 16, 9 | |
KNIME ile sınıflama yöntemlerini kullanır | 10 | D |
KNIME ile kümeleme yöntemlerini kullanır | 11, 13, 23, 6, 9 | |
KNIME ile veri hazırlama süreçlerini uygular | 10, 3, 6, 9 | F |
Bir veri madenciliği aracını (KNIME) kullanır | 14, 16, 2, 4, 5, 6, 8, 9 | E, F |
Veri madenciliği kavramını ve süreçlerini açıklar | 10, 11, 9 | D |
Öğrenmeli (supervised) KD’leri açıklar | 6, 9 | |
Bilgi tabanlı KDS’leri açıklar | 9 | |
Klinik ve yönetim karar destek sistemlerini ve türlerini açıklar | 14, 18, 4, 5, 6, 9 | A |
Verilen problemdeki veri setinin yapısına bakarak hangi yöntemin daha etkin olacağını yorumlar | 10, 13, 16, 2, 4, 9 | |
Verilen bir problemde öğreticili/öğreticisiz yöntemlerden hangisinin kullanılması gerektiğini ayırt eder | 13, 19, 6, 9 | |
Tanımlayıcı ya da tahmin edici yöntemlerin farkını ayırt eder | 16, 9 | H |
Verilen bir problemde hangi veri madenciliği yönteminin kullanılacağını ayırt eder | 10, 13, 16, 4, 6, 9 | A |
Sınıflama yöntemlerini açıklar | 16, 9 | |
Kümeleme yöntemini açıklar | 10, 16, 9 | |
Yaygın veri madenciliği yöntemlerini açıklar | 13, 14, 16, 18, 6, 8, 9 | A |
Veri madenciliği sürecini ifade eder | 10, 13, 14, 9 | E |
Veri, veri tabanı, veri ambarı ve bunlarla ilgili temel kavramları açıklar | 9 | |
Veri madenciliğini ve görevlerini tanımlar | 10, 16, 9 | |
Veri madenciliği ile ilgili temel kavram ve süreçleri açıklar | 16, 18, 9 | A |
Öğretim Yöntemleri: | 10: Tartışma Yöntemi, 11: Gösterip Yapma Yöntemi, 13: Örnek Olay Yöntemi, 14: Bireysel Çalışma Yöntemi, 16: Soru - Cevap Tekniği , 18: Mikro Öğretim Tekniği , 19: Beyin Fırtınası Tekniği, 2: Proje Temelli Öğrenme Modeli, 23: Kavram Haritası Tekniği, 3: Probleme Dayalı Öğrenme Modeli, 4: Sorgulama Temelli Öğrenme Modeli, 5: İşbirlikli Öğrenme Modeli, 6: Deneyimle Öğrenme Modeli, 8: Ters-yüz Edilmiş Sınıf Modeli, 9: Anlatım Yöntemi |
Ölçme Yöntemleri: | A: Klasik Yazılı Sınav, D: Sözlü Sınav, E: Ödev, F: Proje Görevi, H: Performans Görevi |
Ders Akışı
Sıra | Konular | Ön Hazırlık |
---|---|---|
1 | Veri Madenciliğine Giriş ve Temel Kavramlar | Temel veri tabanı kavramları |
2 | Veri Madenciliği Süreci | SQL'in DML olarak kullanımı, işlemsel SQL, veri ambarı mimarileri, neden veri dönüştürme yaparız, vb |
3 | Verinin keşfi ve görselleştirme | Veri görselleştirmede grafik türleri ve grafiğin öğeleri (boyut, ölçüt, vb.) |
4 | Nitelik seçimi ve veri dönüştürme | Veri türleri, veri genelleştirme ve özelleştirme |
5 | Kümeleme Yöntemleri | Kümelemede temel yöntemler: Hiyerarşik Kümeleme, Kitle Merkezi Tabanlı Kümeleme, Yoğunluk Tabanlı Kümeleme, Dağılım Tabanlı Kümeleme |
6 | Uygulama: Kümeleme | KNIME kullanımı ile ilgili pratikler |
7 | Sınıflama Yöntemleri-Karar Ağaçları | Sınıflama ile kümeleme arasındaki temel farklar, bir karar ağacı nasıl oluşturulur ve karar ağacı algoritmaları (ID 3, C4.5, vb.) |
8 | Uygulama: Sınıflama | KNIME kullanımı ile ilgili pratikler |
9 | Uygulama: Sınıflama | KNIME kullanımı ile ilgili pratikler |
10 | Birliktelik Kuralı Analizi | Market sepeti analizi |
11 | Uygulama: Birliktelik kuralı analizi | KNIME kullanımı ile ilgili pratikler |
12 | Uygulama: Problem odaklı veri madenciliği | Kümeleme, karar ağacı, birliktelik kuralı analizi |
13 | Dönem sonu proje sunumları | Nitelik seçimi, veri dönüştürme, veri madenciliği uygulaması ve sonuçların değerlendirilmesini kapsayan bir proje sunumu |
14 | Dönem sonu proje sunumları | Nitelik seçimi, veri dönüştürme, veri madenciliği uygulaması ve sonuçların değerlendirilmesini kapsayan bir proje sunumu |
Kaynak |
Ders sunum notları ve lab dosyaları (düzenli olarak ders sayfasında paylaşılacaktır) - Veri Madenciliği Teori Uygulama ve Felsefesi, Dr. İlker KÖSE (2015) - Kavram ve Algoritmalarıyla Temel Veri Madenciliği, Dr. Gökhan SİLAHTAROĞLU - Veri Madenciliği Yöntemleri, Dr. Yalçın ÖZKAN - Han Jiawei and Kamber Micheline (2006), Data Mining: Concepts and Techniques, Morgan Kaufmann Publisher San Francisco - Pang-Ning Tan, Michael Steinbach, Vipin Kumar, Introduction to Data Mining, Addison Wesley, (2005) |
Dersin Program Yeterliliklerine Katkısı
Dersin Program Yeterliliklerine Katkısı | |||||||
No | Program Yeterliliği | Katkı Düzeyi | |||||
1 | 2 | 3 | 4 | 5 | |||
1 | Temel bilimleri, matematik ve mühendislik bilimlerini üst düzeyde anlar ve uygular, alanında en son gelişmeler dahil olmak üzere genişlemesine ve derinlemesine bilgi sahibidir. | X | |||||
2 | Mühendisliğin ilişkili olduğu disiplinler arası etkileşimi kavrar, yeni ve karmaşık fikirleri analiz, sentez ve değerlendirmede uzmanlık gerektiren bilgileri kullanarak özgün sonuçlara ulaşır. | X | |||||
3 | Bir alanda en yeni bilgilere ulaşır ve bunları kavrayarak araştırma yapabilmek için gerekli yöntem ve becerilerde üst düzeyde yeterliğe sahiptir. | X | |||||
4 | Bilime veya teknolojiye yenilik getiren, yeni bir bilimsel yöntem veya teknolojik ürün/süreç geliştiren ya da bilinen bir yöntemi yeni bir alana uygulayan kapsamlı bir çalışma yapar. | X | |||||
5 | Akademik çalışmalarının çıktılarını saygın akademik ortamlarda yayınlayarak bilim ve teknoloji literatürüne katkıda bulunur. | X | |||||
6 | Bilimsel, teknolojik, sosyal ve kültürel gelişmeleri değerlendirerek bilimsel tarafsızlık ve etik sorumluluk bilinciyle topluma aktarır. | X | |||||
7 | Özgün bir araştırma sürecini bağımsız olarak algılar, tasarlar, uygular ve sonuçlandırır; bu süreci yönetir. | X | |||||
8 | Bilimsel bilgi birikimini yazılı ve sözlü olarak etkin bir şekilde ifade eder, en az bir yabancı dilde Avrupa Dil Portföyü C1 Genel Düzeyinde iletişim kurar ve iletişim teknolojilerini ileri düzeyde kullanır | X | |||||
9 | Uzmanlık alanındaki fikirlerin ve gelişmelerin eleştirel analizini, sentezini ve değerlendirmesini yapar. | X | |||||
10 | Mühendislik alanındaki bilimsel, teknolojik, sosyal veya kültürel ilerlemeleri tanıtır, yaşadığı toplumun bilgi toplumu olma ve bunu sürdürebilme sürecine katkıda bulunur ve toplumsal, bilimsel, kültürel ve etik değerlerin gelişimini destekler. | X |
Değerlendirme Sistemi
Katkı Düzeyi | Mutlak Değerlendirme | |
Ara Sınavın Başarıya Oranı | 40 | |
Genel Sınavın Başarıya Oranı | 60 | |
Toplam | 100 |