Bilgi Paketi / Ders Kataloğu
Büyük Veri ve Veri Madenciliği
Ders Kodu: KBU111
Ders Türü: Zorunlu
Ders Grubu: Önlisans
Eğitim Dili: Türkçe
Staj Durumu: Yok
Teori: 3
Uyg.: 0
Kredi: 3
Laboratuvar: 0
AKTS: 4
Amaç

Bu ders Büyük Verideki mevcut teknolojileri, araçları, mimarileri ve sistemlerin kullanımını kapsıyarak analitik veri üretimi, depolama, yönetim, transfer, gelen büyük verilerde derinlemesine analizi kapsar. bir kapsama alanı sağlar yüksek performanslı ağlarda veri işlem çözümleri. Çeşitli alanlarda ortaya çıkan bigdata uygulamalarını inceleyerek, uygulama, geliştirme konularınıda kapsayarak yaygın olarak kullnaılan büyük veri uygulamalrını test eder. Ayrıca büyük veriyi analiz etmek için veri madenciliği ve makine öğrenme algoritmaları üzerinde durulacak.

Özet İçerik

Veri ambarı , Veri madenciliğine giriş, Karar ağaçları ile sınıflandırma, K-En yakın komşu sınıflandırması, Kümeleme ve Hiyerarşik kümeleme, Hiyerarşik olmayan kümeleme, Destek vektör makinaları, Bayes teoremi ve sınıflandırma, Sınıflandırma ve Kümeleme, Yaklaşımlarının Birlikte Kullanılması, Birliktelik kuralları ve Apriori algoritması, Metin Madenciliği, Veri Madenciliği ile Sosyal Ağ Analizi, Web Madenciliği.

Dersi Veren Öğretim Görevlisi/Görevlileri
Öğrenme Çıktıları
1.Büyük Veri seti ile klasik veri seti arasındaki temel farkları tanımlar.
2.Büyük Verinin saklanması için kullanılan farklı platformları tanır.
3.Büyük Veri analizinde kullanılan Makine Öğrenmesi tekniklerini öğrenir.
4.Büyük Veriden anlamlı bilgiler çıkarma ve bu veriyi görselleştirme tekniklerini öğrenir.
5.Büyük Veri analitiği ile ilişkili güncel problemleri ve uygulama alanlarını tanır ve proje/çözüm üretebilecek temel bilgi donanımına sahip olur.
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
1.Özkan, Y. (2016). Veri madenciliği yöntemleri. Papatya Yayıncılık Eğitim.
Haftalık Ayrıntılı Ders İçeriği
1. Hafta - Teorik
Veri madenciliğine giriş, büyük veri ve iş analitiği ile ilgili temel kavramlar.
2. Hafta - Teorik
Veri çeşitlerinin tanımı, benzerlik ve uzaklık ölçütleri, verinin temizlenmesi, hazırlanması, ve görselleştirilmesi.
3. Hafta - Teorik
Sınıflandırma – Karar ağaçları.
4. Hafta - Teorik
Sınıflandırma – Bayesçi sınıflandırma ve k-en yakın komşuluk.
5. Hafta - Teorik
Sınıflandırma – Destek vektör motorları ve Kernel temelli yaklaşımlar.
6. Hafta - Teorik
Sınıflandırma – Yapay sinir ağları ve topluluk yöntemleri; Matlab, R ve Weka ile uygulamalar.
7. Hafta - Teorik
Kümeleme – Matematiksel modelleme, k-ortalamalar ve varyasyonları.
8. Hafta - Teorik
Kümeleme – Hiyerarşik kümeleme ve yoğunluk temelli kümeleme.
9. Hafta - Teorik
Kümeleme – Olasılık temelli yaklaşımlar ve bulanık kümeleme.
10. Hafta - Teorik
Ara Sınav
11. Hafta - Teorik
Kümeleme sonucunun doğrulanması ve değerlendirilmesi.
12. Hafta - Teorik
Birliktelik analizi – Kural çıkarma ve hash ağaçları.
13. Hafta - Teorik
Öznitelik seçimi – Temel bileşen analizi ve faktör analizi.
14. Hafta - Teorik
Web Madenciliği
15. Hafta - Dönem Sonu Sınavı (Final)
Final Sınavı
Değerlendirme
Değerlendirme TürüAdetYüzde
Ödev1%5
Kısa Sınav (Quiz)1%5
Ara Sınav (Vize)1%30
Başarı Notu1%60
İş Yükü Hesaplaması
EtkinlikSayısıÖn HazırlıkSüreToplam Iş Yükü (Saat)
Kuramsal Ders142256
Ödev25010
Ara Sınav117017
Dönem Sonu Sınavı117017
TOPLAM İŞ YÜKÜ (Saat)100
Program ve Öğrenme Çıktıları İlişkisi
PÇ-1
PÇ-2
PÇ-3
PÇ-4
PÇ-5
PÇ-6
PÇ-7
PÇ-8
PÇ-9
PÇ-10
PÇ-11
PÇ-12
PÇ-13
OÇ-1
5
OÇ-2
4
OÇ-3
5
OÇ-4
5
OÇ-5
5
Adnan Menderes Üniversitesi - Bilgi Paketi / Ders Kataloğu
2026