Erciyes University - Info Package

Dersin Adı	Dersin Seviyesi	Dersin Kodu	Dersin Tipi	Dersin Dönemi	Yerel Kredi	AKTS Kredisi	Ders Bilgileri
VERİ MADENCİLİĞİNDE İLERİ TEKNİKLER	İkinci Düzey	ÜSY 525		1	7.00	7.00	Yazdır

Dersin Tanımı

Ön Koşul Dersleri	Yoktur. Programlama ve veri analitiği bilgisi önerilir.
Eğitimin Dili	Türkçe
Koordinatör	DOÇ. DR. ESRA KAHYA ÖZYİRMİDOKUZ
Dersi Veren Öğretim Eleman(lar)ı	DOÇ. DR. ESRA KAHYA ÖZYİRMİDOKUZ
Yardımcı Öğretim Eleman(lar)ı	-
Dersin Veriliş Şekli	Yüz yüze + uygulamalı + proje tabanlı + dijital platform destekli (Google Classroom)
Dersin Amacı	Bu dersin amacı; Veri madenciliği sürecini ileri düzeyde öğretmek Büyük veri üzerinde örüntü keşfi ve modelleme tekniklerini uygulamalı olarak kazandırmak Makine öğrenmesi ve doğal dil işleme yöntemlerini veri analitiğinde kullanabilme becerisi geliştirmek Öğrencilerin gerçek veri setleri ile analiz yaparak karar destek sistemleri geliştirmesini sağlamaktır.
Dersin Tanımı	Bu ders, veri, bilgi ve kazanılmış bilgi dönüşümünden başlayarak, veri madenciliği süreci (KDD), veri ön işleme, örüntü keşfi, makine öğrenmesi, derin öğrenme ve metin madenciliği gibi ileri teknikleri kapsamaktadır. Ders kapsamında öğrenciler; Veri yapıları ve veri kalitesi problemlerini analiz eder Veri ön işleme ve dönüşüm tekniklerini uygular Sınıflandırma, kümeleme ve birliktelik kuralları gibi veri madenciliği yöntemlerini kullanır Gerçek veri setleri üzerinde model geliştirir NLP ve metin analitiği uygulamaları gerçekleştirir Ders, yoğun uygulama ve proje tabanlıdır.

Dersin İçeriği

1	Veri, bilgi, kazanılmış bilgi kavramları ve veri bilimi ekosistemi
2	Veri madenciliğine giriş ve KDD süreci
3	Veri türleri ve veri yapıları (structured, unstructured)
4	Veri kalitesi problemleri (eksik veri, gürültü, aykırı değer)
5	Veri ön işleme teknikleri
6	Veri indirgeme ve özellik seçimi
7	Keşifsel veri analizi (EDA) ve veri görselleştirme
8	Sınıflandırma yöntemleri (Decision Trees, SVM, Logistic Regression)
9	Ensemble yöntemleri (Random Forest, Boosting, XGBoost)
10	Kümeleme teknikleri (K-Means, Hierarchical, DBSCAN) Birliktelik kuralları (Apriori, FP-Growth) Diğer yöntemler
11	Model değerlendirme ve performans ölçütleri
12	Metin madenciliği ve NLP (TF-IDF, embeddings)
13	Duygu analizi ve sosyal veri analitiği
14	Derin öğrenme yaklaşımları (BERT, LSTM)
15	Proje sunumları ve ileri uygulamalar
16	Proje sunumları ve ileri uygulamalar
17
18
19
20

Dersin Öğrenme Çıktıları

1	Veri madenciliği sürecini analiz eder
2	Veri ön işleme tekniklerini uygular
3	Büyük veri üzerinde analiz nedir, analitik nedir, veri madenciliği nedir bilir
4	Sınıflandırma modelleri geliştirir
5	Kümeleme ve örüntü keşfi yapar
6	Ensemble yöntemlerini uygular
7	Model performansını değerlendirir
8	Metin verisi üzerinde NLP uygular
9	Derin öğrenme yöntemlerini kullanır
10	Gerçek veri ile analitik proje geliştirir

*Dersin Program Yeterliliklerine Katkı Seviyesi

1	Alanındaki bilgileri uzmanlık düzeyinde kullanır.
2	Alanında elde ettiği bilgileri farklı disiplinlerle bütünleştirerek yorumlar.
3	Verilerin toplanması, analiz edilmesi, yorumlanması ve duyurulması aşamalarında toplumsal, bilimsel, kültürel ve etik değerleri dikkate alarak bilimsel çalışma yapar.
4	Yaptığı bilimsel araştırmaların sonuçlarını sözlü ve yazılı olarak aktarır.
5	Analitik düşünme yeteneğini geliştirerek gerçek hayat problemlerini çözer.
6	Etkin bir muhasebe -finansman yönetimi için kullanılabilecek çeşitli karar-destek tekniklerini uygular.
7	İşletme paydaşlarının davranışlarının nedenlerini, oluşum süreçlerini ve sonuçlarını açıklar.
8	Günümüz işletmelerinde uygulanabilecek çağdaş yönetim tekniklerini ve bunların uygulanma gerekçelerini teorik alt yapılarını ve bağlamsal koşulları dikkate alarak listeler ve açıklar.
9	İşletmelerin iç ve dış unsurlarıyla uyumlu, esnekliğini ve rekabet gücünü artıracak stratejik yönetim süreçlerini tasarlar ve uygular.
10	Muhasebe ve finansman alanında farklı konuları algılar ve disiplinlerarası çalışmalarda kullanır.
11	Muhasebe ve finansman alanında işletmenin karşılaşabileceği tüm sorunları tespit eder ve çözer.
12	Finansal verileri analiz edecek programları kullanır.
13	Alanındaki ulusal ve uluslararası gelişmeleri takip eder ve tartışır.
14	İşletmelerinin muhasebe ve finans faaliyetlerini etkin yönetir.
15	İşletmelerin kaynaklarını verimli kullanması için gereken düzenlemeleri listeler.
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
Yıldızların sayısı 1’den (en az) 5’e (en fazla) kadar katkı seviyesini ifade eder

Planlanan Öğretim Faaliyetleri, Öğretme Metodları ve AKTS İş Yükü

	Sayısı	Süresi (saat)	Sayı*Süre (saat)
Yüz yüze eğitim	16	3	48
Sınıf dışı ders çalışma süresi (ön çalışma, pekiştirme)	8	5	40
Ödevler	3	2	6
Sunum / Seminer hazırlama	1	6	6
Kısa sınavlar	0	0	0
Ara sınavlara hazırlık	0	0	0
Ara sınavlar	1	5	5
Proje (Yarıyıl ödevi)	1	50	50
Laboratuvar	0	0	0
Arazi çalışması	0	0	0
Yarıyıl sonu sınavına hazırlık	0	0	0
Yarıyıl sonu sınavı	0	0	0
Araştırma	3	5	15
Toplam iş yükü			170
AKTS			7.00

Değerlendirme yöntemleri ve kriterler

Yarıyıl içi değerlendirme	Sayısı	Katkı Yüzdesi
Ara sınav	1	40
Kısa sınav	0	0
Ödev	1	60
Yarıyıl içi toplam		100
Yarıyıl içi değerlendirmelerin başarıya katkı oranı		0
Yarıyıl sonu sınavının başarıya katkı oranı		0
Genel toplam		0

Önerilen Veya Zorunlu Okuma Materyalleri

Ders kitabı	Han & Kamber – Data Mining
Yardımcı Kaynaklar	Géron – Hands-On Machine Learning Jurafsky & Martin – NLP Witten – Data Mining Practical ML Tools Python (Scikit-learn, TensorFlow, HuggingFace)

Ders İle İlgili Dosyalar

DBP Hakkında

Ders Hakkında

Bölüm Hakkında