Ders Detayı
Ders Tanımı
Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
---|---|---|---|---|---|
VERİ MADENCİLİĞİ | - | Bahar Dönemi | 3+0 | 3 | 8 |
Ders Programı |
Ön Koşul Dersleri | |
Önerilen Seçmeli Dersler |
Dersin Dili | İngilizce |
Dersin Seviyesi | Doktora |
Dersin Türü | Programa Bağlı Seçmeli |
Dersin Koordinatörü | Prof.Dr. Reda ALHAJJ |
Dersi Verenler | Prof.Dr. Reda ALHAJJ |
Dersin Yardımcıları | |
Dersin Amacı | Öğrencileri temel veri madenciliği teknikleri ve uygulamalarıyla tanıştırmak ve bunlara dahil olmalarını sağlamaktır |
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 |
Veri madenciliği ile ilgili temel kavram ve süreçleri kavrar. | 16, 18, 9 | A |
Veri madenciliğini ve görevlerini tanımlar. | 16, 9 | A |
Veri, veri tabanı, veri ambarı ve bunlarla ilgili temel kavramları kavrar. | 16, 9 | A |
Veri madenciliği sürecini ifade eder. | 16, 9 | A |
Yaygın veri madenciliği yöntemlerini tanımlar. | 13, 14, 16, 18, 6, 8, 9 | A |
Kümeleme yöntemini kavrar. | 16, 9 | A |
Sınıflama yöntemlerini tanımlar. | 16, 9 | A |
Verilen bir problemde hangi veri madenciliği yönteminin kullanılacağını ayırt eder. | 10, 13, 16, 4, 6, 9 | A |
Tanımlayıcı ya da tahmin edici yöntemlerin farkını ayırt eder. | 16, 6, 9 | A |
Verilen bir problemde öğreticili/öğreticisiz yöntemlerden hangisinin kullanılması gerektiğini ayırt eder. | 16, 6, 9 | A, G |
Verilen problemdeki veri setinin yapısına bakarak hangi yöntemin daha etkin olacağını yorumlar. | 16, 6, 9 | A |
Klinik ve yönetim karar destek sistemlerini ve türlerini tanımlar. | 14, 18, 4, 5, 6, 9 | A |
Bilgi tabanlı KDS’leri tanımlar. | 16, 9 | A |
Öğrenmeli (supervised) KD’leri tanımlar. | 16, 9 | A |
Veri madenciliği kavramını ve süreçlerini tanımlar. | 16, 9 | A |
Bir veri madenciliği aracını (KNIME) kullanır. | 14, 16, 2, 4, 5, 6, 8, 9 | E, F |
KNIME ile veri hazırlama süreçlerini uygular. | 12, 16, 18, 8, 9 | E, F |
KNIME ile kümeleme yöntemlerini kullanır. | 16, 4, 8, 9 | A, E, F |
KNIME ile sınıflama yöntemlerini kullanır. | 16, 8, 9 | A, E |
KNIME ile elde edilen grafikleri yorumlar. | 16, 6, 9 | A |
Öğretim Yöntemleri: | 10: Tartışma Yöntemi, 12: Problem Çözme Yöntemi, 13: Örnek Olay Yöntemi, 14: Bireysel Çalışma Yöntemi, 16: Soru - Cevap Tekniği , 18: Mikro Öğretim Tekniği , 2: Proje Temelli 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, E: Ödev, F: Proje Görevi, G: Kısa Sınav |
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 |
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 | 50 | |
Genel Sınavın Başarıya Oranı | 50 | |
Toplam | 100 |
AKTS / İşyükü Tablosu | ||||||
Etkinlik | Sayı | Süresi (Saat) | Toplam İş Yükü (Saat) | |||
Ders Saati | 14 | 3 | 42 | |||
Rehberli Problem Çözme | 0 | 0 | 0 | |||
Problem Çözümü / Ödev / Proje / Rapor Tanzimi | 2 | 10 | 20 | |||
Okul Dışı Diğer Faaliyetler | 14 | 3 | 42 | |||
Proje Sunumu / Seminer | 1 | 20 | 20 | |||
Kısa Sınav (QUİZ) ve Hazırlığı | 0 | 0 | 0 | |||
Ara Sınav ve Hazırlığı | 1 | 50 | 50 | |||
Genel Sınav ve Hazırlığı | 1 | 60 | 60 | |||
Performans Görevi, Bakım Planı | 0 | 0 | 0 | |||
Toplam İş Yükü (Saat) | 234 | |||||
Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(234/30) | 8 | |||||
Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır. |
Dersin Detaylı Bilgileri
Ders Tanımı
Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
---|---|---|---|---|---|
VERİ MADENCİLİĞİ | - | Bahar Dönemi | 3+0 | 3 | 8 |
Ders Programı |
Ön Koşul Dersleri | |
Önerilen Seçmeli Dersler |
Dersin Dili | İngilizce |
Dersin Seviyesi | Doktora |
Dersin Türü | Programa Bağlı Seçmeli |
Dersin Koordinatörü | Prof.Dr. Reda ALHAJJ |
Dersi Verenler | Prof.Dr. Reda ALHAJJ |
Dersin Yardımcıları | |
Dersin Amacı | Öğrencileri temel veri madenciliği teknikleri ve uygulamalarıyla tanıştırmak ve bunlara dahil olmalarını sağlamaktır |
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 |
Veri madenciliği ile ilgili temel kavram ve süreçleri kavrar. | 16, 18, 9 | A |
Veri madenciliğini ve görevlerini tanımlar. | 16, 9 | A |
Veri, veri tabanı, veri ambarı ve bunlarla ilgili temel kavramları kavrar. | 16, 9 | A |
Veri madenciliği sürecini ifade eder. | 16, 9 | A |
Yaygın veri madenciliği yöntemlerini tanımlar. | 13, 14, 16, 18, 6, 8, 9 | A |
Kümeleme yöntemini kavrar. | 16, 9 | A |
Sınıflama yöntemlerini tanımlar. | 16, 9 | A |
Verilen bir problemde hangi veri madenciliği yönteminin kullanılacağını ayırt eder. | 10, 13, 16, 4, 6, 9 | A |
Tanımlayıcı ya da tahmin edici yöntemlerin farkını ayırt eder. | 16, 6, 9 | A |
Verilen bir problemde öğreticili/öğreticisiz yöntemlerden hangisinin kullanılması gerektiğini ayırt eder. | 16, 6, 9 | A, G |
Verilen problemdeki veri setinin yapısına bakarak hangi yöntemin daha etkin olacağını yorumlar. | 16, 6, 9 | A |
Klinik ve yönetim karar destek sistemlerini ve türlerini tanımlar. | 14, 18, 4, 5, 6, 9 | A |
Bilgi tabanlı KDS’leri tanımlar. | 16, 9 | A |
Öğrenmeli (supervised) KD’leri tanımlar. | 16, 9 | A |
Veri madenciliği kavramını ve süreçlerini tanımlar. | 16, 9 | A |
Bir veri madenciliği aracını (KNIME) kullanır. | 14, 16, 2, 4, 5, 6, 8, 9 | E, F |
KNIME ile veri hazırlama süreçlerini uygular. | 12, 16, 18, 8, 9 | E, F |
KNIME ile kümeleme yöntemlerini kullanır. | 16, 4, 8, 9 | A, E, F |
KNIME ile sınıflama yöntemlerini kullanır. | 16, 8, 9 | A, E |
KNIME ile elde edilen grafikleri yorumlar. | 16, 6, 9 | A |
Öğretim Yöntemleri: | 10: Tartışma Yöntemi, 12: Problem Çözme Yöntemi, 13: Örnek Olay Yöntemi, 14: Bireysel Çalışma Yöntemi, 16: Soru - Cevap Tekniği , 18: Mikro Öğretim Tekniği , 2: Proje Temelli 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, E: Ödev, F: Proje Görevi, G: Kısa Sınav |
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 |
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 | 50 | |
Genel Sınavın Başarıya Oranı | 50 | |
Toplam | 100 |