Erciyes University - Info Package

Dersin Adı	Dersin Seviyesi	Dersin Kodu	Dersin Tipi	Dersin Dönemi	Yerel Kredi	AKTS Kredisi	Ders Bilgileri
VERİ MADENCİLİĞİ	Üçüncü Düzey	JFM 631		1	7.50	7.50	Yazdır

Dersin Tanımı

Ön Koşul Dersleri
Eğitimin Dili
Koordinatör	PROF. DR. ÜMİT HALUK ATASEVER
Dersi Veren Öğretim Eleman(lar)ı	PROF. DR. ÜMİT HALUK ATASEVER
Yardımcı Öğretim Eleman(lar)ı
Dersin Veriliş Şekli
Dersin Amacı
Dersin Tanımı

Dersin İçeriği

1	Veri Madenciliğine Giriş, Temel Kavramlar, Uygulama Alanları ve Veri Tiplerinin İncelenmesi
2	Veri Ön İşleme (I): Veri Kalitesi Sorunları, Eksik Değerlerin Yönetimi ve Gürültü/Aykırı Değer Temizleme Teknikleri
3	Veri Entegrasyonu, Normalizasyon, Ayrıklaştırma ve Boyut İndirgeme Yöntemi (Temel Bileşen Analizi - PCA)
4	Keşifsel Veri Analizi (EDA): İstatistiksel Özetler, Korelasyon Analizi ve Etkili Veri Görselleştirme Teknikleri
5	Denetimli Öğrenme ve Sınıflandırma Temelleri: Karar Ağaçları ve Sınıflandırma Modelinin Değerlendirme Metrikleri (Hata Matrisi, F1 Skoru)
6	İleri Sınıflandırma Algoritmaları: Naive Bayes, K-En Yakın Komşu (K-NN) ve Destek Vektör Makineleri (SVM) Kavramı
7	İleri Sınıflandırma Algoritmaları: Derin sinir Ağları Kavramı
8	Denetimsiz Öğrenme ve Kümeleme (I): Bölümsel Yöntemler (K-Means) ve Kümeleme Başarısının Değerlendirilmesi
9	Hiyerarşik Kümeleme (Dendrogram) ve Yoğunluk Tabanlı Kümeleme Yöntemi (DBSCAN)
10	Aykırı Değer Tespiti: İstatistiksel, Uzaklık ve Yoğunluk Tabanlı Yöntemlerle (LOF) Anormal Durumların Saptanması
11	Regresyon Analizi: Temel Regresyon Modelleri, Sürekli Değer Tahmini ve Regresyon Modelinin Başarı Kriterleri (RMSE, MAPE vb.)
12	İleri Veri Madenciliği Uygulamaları (II): Ensemble (Topluluk) Öğrenme Metotları (Random Forest, Boosting) ve Büyük Veri Zorlukları
13	Veri Madenciliğinde Mesleki Uygulamalar
14	Veri Madenciliğinde Mesleki Uygulamalar
15
16
17
18
19
20

Dersin Öğrenme Çıktıları

1	Öğrenci, karmaşık ve gerçek dünya veri kümelerinde eksik değer, gürültü ve aykırı değer gibi kalite sorunlarını tespit edebilir; normalizasyon, entegrasyon ve boyut indirgeme (PCA) tekniklerini uygulayarak veriyi analize hazır hale getirebilir.
2	Öğrenci, sınıflandırma (Karar Ağaçları, Naive Bayes), kümeleme (K-Means, DBSCAN) ve birliktelik kuralı madenciliği (Apriori) algoritmalarının matematiksel prensiplerini açıklayabilir ve uygun başarı metriklerini (F1 Skoru, Siluet Katsayısı, Güven/Destek) kullanarak modelleri değerlendirebilir.
3	Öğrenci, sürekli değerlerin tahmin edilmesi için doğrusal ve destek vektör regresyon modellerini kurabilir, sonuçları RMSE gibi uygun metriklerle analiz ederek iş kararlarına dönüştürebilir.
4	Öğrenci Topluluk Öğrenme (Ensemble) Metotları (Random Forest) gibi ileri düzey konuların teorik temelini kavrayarak bu teknikleri büyük veri ortamlarına uyarlayabilir.
5
6
7
8
9
10

*Dersin Program Yeterliliklerine Katkı Seviyesi

1	Doğum ve Jinekoloji bilgisini üst düzeyde kullanarak Doğum ve Jinekoloji ile ilgili hipotezleri kurma, çözme ve geliştirebilme.
2	Doğum ve Jinekoloji alanına yenilik getiren bir düşünce, bilimsel yöntem, tasarım veya uygulama geliştirebilme ya da bilinen bir düşünce, yöntem, tasarım ve uygulamayı fizyoloji alanına uygulayabilme.
3	Doğum ve Jinekoloji ile ilgili özgün bir araştırma sürecini uygun teknolojileri kullanarak tasarlayabilme, uygulayabilme, sonuçlandırabilme ve yönetebilme.
4	Doğum ve Jinekoloji alanında en yeni bilgilere ulaşabilme ve bunları sistemli bir biçimde değerlendirebilme.
5	Doğum ve Jinekoloji alanında gerçekleştirdiği akademik çalışmaların sonuçlarını saygın yurtiçi ve yurtdışı akademik ortamlarda sunabilme ve yayınlayabilme
6	Bilimsel, teknolojik, sosyal ve kültürel gelişmeleri değerlendirebilme ve bilimsel tarafsızlık ve etik sorumluluk bilinciyle topluma aktarabilme.
7	Doğum ve Jinekoloji alanındaki fikirlerin ve gelişmelerin eleştirel analizini, sentezini ve değerlendirmesini yapabilme
8	Kendi alanı, diğer Veteriner Hekimlik alanlarında çalışanlar ve daha geniş bilimsel ve sosyal topluluklarla yazılı ve sözlü iletişim kurma, işbirliği yapma, görüşlerini savunabilme.
9	Özgün ve disiplinler arası sorunların çözümlenmesini gerektiren ortamlarda liderlik yapabilme
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	3	42
Ödevler	2	20	40
Sunum / Seminer hazırlama	0	0	0
Kısa sınavlar	0	0	0
Ara sınavlara hazırlık	0	0	0
Ara sınavlar	1	1	1
Proje (Yarıyıl ödevi)	1	20	20
Laboratuvar	0	0	0
Arazi çalışması	0	0	0
Yarıyıl sonu sınavına hazırlık	0	0	0
Yarıyıl sonu sınavı	1	1	1
Araştırma	2	20	40
Toplam iş yükü			186
AKTS			7.50

Değerlendirme yöntemleri ve kriterler

Yarıyıl içi değerlendirme	Sayısı	Katkı Yüzdesi
Ara sınav	2	25
Kısa sınav	0	0
Ödev	2	25
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	Veri Madenciliği Kavramlar ve Teknikler (Data Mining Concepts and Techniques) Yazarlar: Jiawei Han, Micheline Kamber, Jian Pei
Yardımcı Kaynaklar

Ders İle İlgili Dosyalar

DBP Hakkında

Ders Hakkında

Bölüm Hakkında