Erciyes University - Info Package

Dersin Adı	Dersin Seviyesi	Dersin Kodu	Dersin Tipi	Dersin Dönemi	Yerel Kredi	AKTS Kredisi	Ders Bilgileri
YAPAY ZEKA	İkinci Düzey	A-İŞL432		8	5.00	5.00	Yazdır

Dersin Tanımı

Ön Koşul Dersleri	Yok
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	Yok
Dersin Veriliş Şekli	İnteraktif ders anlatımı, Ödevler, Takım projeleri, Denemeler, Quizler, Tartışmalar ve Örnek olaylar ile eşzamanlı olarak verilmektedir. Uygulamalı bir derstir. *Grup ödevleri yoluyla takım çalışması yetkinliklerini geliştirmek, Konuyla ilgili açık bir yaklaşımla girişimleri teşvik etmek şeklinde ders işlenmektedir. Derste işlenen konu başlıkları slaytlarla verilmektedir. Her öğrenci bir ders projesi (ödevi) yapacaktır.
Dersin Amacı	• İş zekası kavramının önemini anlamak, • Yapay zeka ve makine öğrenimi kavramlarını öğrenmek • Veri tabanlarında bilgi keşfi süreci içerisinde veri ambarı ve veri madenciliği tekniklerini keşfetmek ve uygulamak • Veri madenciliği konusunda güncel uygulamalar hakkında bilgi sahibi olmak
Dersin Tanımı	Veri Madenciliği, veritabanlarında kalıpların ve örüntülerin bulunmasına, tahminlemelere olanak tanıyan algoritmaları ve hesaplama paradigmalarını inceler. Bu ders, veri madenciliğine giriş niteliğinde bir derstir. Temel kavramları, ilkeleri tanıtılmaktadır. Bunun yanı sıra, İş zekası kavramı ile bütünleştirerek, büyük veri, OLAP, yapay zeka, makine öğrenimi, derin öğrenme gibi kavramları, Yönetim Bilişim Sistemleri içerisindeki yerini açıklar.

Dersin İçeriği

1	Veri, bilgi, kazanılmış bilgi, bilgelik kavramları ve detayları
2	Veri tabanlarında bilgi keşfi süreci Veri tabanı kavramı Veri ambarı kavramı
3	Yapay zeka kavramı Makine öğrenimi kavramı YBS, OLAP ve iş zekası
4	Veri madenciliği tanımı Kullanım alanları Karşılaşılan problemler Sınıflandırma Gruplandırma (Kümeleme)
5	Veri önişleme süreci
6	Vize sınavı
7	Giriş kavramlar: Sınıflandırma Kümeleme (Gruplandırma) Birliktelik kuralı Karar ağaçları
8	Makine öğrenimi algoritmaları ve detayları RapidMiner uygulamaları
9	Makine öğrenimi algoritmaları ve detayları RapidMiner uygulamaları
10	Makine öğrenimi algoritmaları ve detayları RapidMiner uygulamaları
11	Makine öğrenimi algoritmaları ve detayları RapidMiner uygulamaları
12	Makine öğrenimi algoritmaları ve detayları RapidMiner uygulamaları
13	Büyük veri, web madenciliği, metin madenciliği, doğal dil işleme
14	Büyük veri, metin madenciliği, doğal dil işleme, Duygu analizi Derin öğrenme uygulamaları
15	Weka uygulamaları
16	Yılsonu Sınavı
17	Yılsonu Sınavı
18
19
20

Dersin Öğrenme Çıktıları

1	Veri madenciliği kavramını öğrenir.
2	İş zekası kavramını öğrenir.
3	Veri madenciliği tekniklerini listeler.
4	Veri önişleme sürecini bilir ve uygular.
5	WEKA Programını kullanmayı öğrenir.
6	WEKA Programı ile veri madenciliği tekniklerini uygular ve sonuçlar anlar.
7	İş hayatında karşılaştığı problemleri hangi veri madenciliği teknikleri ile çözeceğini bilir.
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)	20	1	20
Ödevler	8	1	8
Sunum / Seminer hazırlama	1	1	1
Kısa sınavlar	4	1	4
Ara sınavlara hazırlık	1	10	10
Ara sınavlar	1	1	1
Proje (Yarıyıl ödevi)	1	20	20
Laboratuvar	0	0	0
Arazi çalışması	0	0	0
Yarıyıl sonu sınavına hazırlık	1	10	10
Yarıyıl sonu sınavı	1	1	1
Araştırma	0	0	0
Toplam iş yükü			117
AKTS			5.00

Değerlendirme yöntemleri ve kriterler

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

Önerilen Veya Zorunlu Okuma Materyalleri

Ders kitabı	Data Mining: Concepts and Techniques, 3rd Edition. Jiawei Han, Micheline Kamber, Jian Pei. Database Modeling and Design: Logical Design, 5th Edition.
Yardımcı Kaynaklar	Ders notları, Prof.Dr. Sinem Kulluk, Veri madenciliği lisans ders notları, 2021. Ders içeriği ile paralel: Yalçın Özkan, Veri Madenciliği Yöntemleri, Papatya Bilim Üniv. Yayıncılığı, 4. Basım, 2020. Ödev uygulamaları için: 100 Sayfada Makine Öğrenmesi Kitabı, Çeviri Ali Okatan, Tamer Karatekin, Kağan Okatan, Papatya Bilim (Orijinal kitabı: The hundred page: Machine Learning Book, Andriy Burkov)

Ders İle İlgili Dosyalar

DBP Hakkında

Ders Hakkında

Bölüm Hakkında