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	DOÇ. DR. ÜMİT HALUK ATASEVER
Dersi Veren Öğretim Eleman(lar)ı
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	Yüksek lisans yeterliklerine dayalı olarak alanındaki güncel ve ileri düzeydeki bilgileri özgün düşünce ve/veya araştırma ile uzmanlık düzeyinde geliştirir, derinleştirir ve bilime yenilik getirecek özgün tanımlara ulaşabilir.
2	Bilime yenilik getiren, yeni bir bilimsel yöntem geliştirebilir ya da bilinen bir yöntemi farklı bir alana uygulayabilir, özgün çalışmalarla bilime katkıda bulunabilir.
3	Alanındaki yeni bilgilere sistematik bir biçimde yaklaşabilir ve alanıyla ilgili ileri düzeyde araştırma yapma becerisine sahip olur.
4	Çeşitli disiplinler, eğitim alanı ve alt alanları arasında ilişkiler kurar, yeni ve karmaşık fikirleri analiz, sentez ve değerlendirmede uzmanlık bilgilerini kullanarak özgün sonuçlara ulaşır.
5	Özgün bir araştırmayı, tasarlayabilir ve gerçekleştirebilir.
6	Yeni ve karmaşık fikirlerin eleştirel analizini, sentezini ve değerlendirmesini yapabilir.
7	Ulusal ve/veya uluslararası dergilerde alanı ile ilgili bilimsel makale yayınlayarak alanındaki bilginin sınırlarını genişletebilir.
8	Özgün ve disiplinler arası çalışmalarda liderlik yapabilir.
9	Yaratıcı ve eleştirel düşünme, sorun çözme ve karar verme gibi üst düzey zihinsel süreçleri kullanarak alanı ile ilgili yeni fikir ve yöntemler geliştirebilir
10	Öğretim sürecini etkileşimli ve etik zeminde sürdürebilir.
11	Alanıyla ilgili bilgi ve becerileri öğrencilerine kazandırmak için etkili eğitim stratejileri geliştirebilir ve uygulayabilir.
12	Sosyal ilişkileri ve bu ilişkileri yönlendiren normları eleştirel bir bakış açısıyla inceler, bunları geliştirir ve gerektiğinde değiştirmeye yönelik eylemleri yönetebilir
13	Uzman bir topluluk içinde özgün görüşlerini savunma yetkinliğini sergiler.
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