Erciyes University - Info Package

Dersin Adı	Dersin Seviyesi	Dersin Kodu	Dersin Tipi	Dersin Dönemi	Yerel Kredi	AKTS Kredisi	Ders Bilgileri
VERİ MADENCİLİĞİ	Üçüncü Düzey	BİS 612	Seçmeli	1	7.00	7.00	Yazdır

Dersin Tanımı

Ön Koşul Dersleri	R yazılımı ile ilgili ders alan öğrenciler için ön koşul yoktur. R yazılımı dersini almayan öğrencilerin SBE 517 dersini almış olması gerekmektedir.
Eğitimin Dili	Türkçe
Koordinatör	PROF. DR. GÖKMEN ZARARSIZ
Dersi Veren Öğretim Eleman(lar)ı	Yüzyüze Anlatım ve Tartışma
Yardımcı Öğretim Eleman(lar)ı
Dersin Veriliş Şekli
Dersin Amacı	Veri madenciliği dersinde biyomedikal alanlarda elde edilen verilerdeki karmaşık örüntü/yapıların elde edilmesi ve araştırmacıların verecekleri kararlara destek olacak otomatik öğrenen algoritmaların geliştirilmesi; ortak özelliklere sahip değişkenlerin bulunmasında, ayrıca hastalıkların alt sınıflarının belirlenmesinde kullanılan kümeleme analizleri ve özellikle tanı destek amaçlı kullanılan diskriminant analizlerinin ve diğer sınıflandırma analizlerinin öğretilmesi, Orange ve R programlarında uygulamalarının gösterilmesi.
Dersin Tanımı

Dersin İçeriği

1	Veri madenciliğine giriş
2	Verilerin ön işlemesi
3	Birliktelik kuralları
4	Kümeleme analizleri
5	Küme sayısının belirlenmesinde istatistiksel yöntemler
6	Hiyerarşik, k-ortalamalar ve SOM kümeleme yöntemleri
7	ARA SINAV I
8	Kümeleme geçerliliği istatistikleri
9	Diskriminant analizleri
10	Sınıflandırma analizleri ve değişken seçim yöntemleri
11	Karar ağaçları ve random forest yöntemi
12	ARA SINAV II
13	Yapay sinir ağları, Destek vektör makineleri
14	Boosting, bootstrap, jacknife ve çapraz geçerlilik yöntemleri, Regresyon yöntemlerine dayalı algoritmalar
15	FİNAL SINAVI
16
17
18
19
20

Dersin Öğrenme Çıktıları

1	Verilerin ön işleme aşamalarının anlaşılması
2	Kümeleme analizi ile istatistiksel kararların nasıl verildiğinin incelenmesi
3	Sınıflandırma analizinin neden yapıldığının anlaşılması ve uygulamalarının yapılması
4
5
6
7
8
9
10

*Dersin Program Yeterliliklerine Katkı Seviyesi

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
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	14	3	42
Sınıf dışı ders çalışma süresi (ön çalışma, pekiştirme)	14	4	56
Ödevler	2	15	30
Sunum / Seminer hazırlama	0	0	0
Kısa sınavlar	0	0	0
Ara sınavlara hazırlık	2	10	20
Ara sınavlar	2	2	4
Proje (Yarıyıl ödevi)	0	0	0
Laboratuvar	0	0	0
Arazi çalışması	0	0	0
Yarıyıl sonu sınavına hazırlık	1	15	15
Yarıyıl sonu sınavı	1	3	3
Araştırma	0	0	0
Toplam iş yükü			170
AKTS			7.00

Değerlendirme yöntemleri ve kriterler

Yarıyıl içi değerlendirme	Sayısı	Katkı Yüzdesi
Ara sınav	2	35
Kısa sınav	0	0
Ödev	2	15
Yarıyıl içi toplam		50
Yarıyıl içi değerlendirmelerin başarıya katkı oranı		50
Yarıyıl sonu sınavının başarıya katkı oranı		50
Genel toplam		100

Önerilen Veya Zorunlu Okuma Materyalleri

Ders kitabı	Eğitmen Notları
Yardımcı Kaynaklar	[1] Jiawei Han and Micheline Kamber. Mining: Concepts and Techniques, Morgan Kaufmann Publishers, 2006 [2] Daniel T. Larose. Discovering knowledge in data : an introduction to data mining, John Wiley & Sons, Inc, 2005 [3] Hui-Hwang Hsu, editor. Advanced data mining technologies in bioinformatics, Idea Group Inc., 2006 [4] Paolo Giudici. Applied data mining : statistical methods for business and industry, John Wiley & Sons Inc.,2003 [5] K.J.Cios et. al. Data Mining, A Knowledge Discovery Approach, Springer Science+Business Media,LLC.,2007

Ders İle İlgili Dosyalar