Bilgi Paketi / Ders Kataloğu
Veri Madenciliği
Ders Kodu: YBS406
Ders Türü: Bölüm Seçmeli
Ders Grubu: Lisans
Eğitim Dili: Türkçe
Staj Durumu: Yok
Teori: 2
Uyg.: 1
Kredi: 3
Laboratuvar: 0
AKTS: 6
Amaç

Veri ambari mimarisi, veri madenciligi modellerini, algoritmalarini uygulamali bir seklide ögretmektir

Özet İçerik

Veri Madenciliğine Giriş, Veri Hazırlama, Sınıflandırma Yöntemleri, Demetleme Yöntemleri, İlişkilendirme Kuralları, Metin Madenciliği, Web Madenciliği

Dersi Veren Öğretim Görevlisi/Görevlileri
Doç. Dr. Pınar Zarif TAN
Öğrenme Çıktıları
1.Veri Tabanindan veri ambari üretir
2.Veri Madenciligi Modellerini birbirleriyle iliskilendirir.
3.Siniflandirma modellini irdeler ve uygular
4. Kümeleme modellini irdeler ve uygular
5.Baglanti analizi modellini irdeler ve uygular
6.Veri madenciligi Algoritmalarini uygular
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
1.Jiawei Han and Micheline Kamber (2006)., Data Mining: Consept and Techniques
Haftalık Ayrıntılı Ders İçeriği
1. Hafta - Teorik
Veri Ambari Ve Veri Madenciligi Kavramlari
1. Hafta - Ön Hazırlık
Jiawei Han and Micheline Kamber (2006)., Data Mining: Consept and Techniques
2. Hafta - Teorik
Veri Madenciligi Modelleri
2. Hafta - Ön Hazırlık
Jiawei Han and Micheline Kamber (2006)., Data Mining: Consept and Techniques
3. Hafta - Teorik
Siniflandirma
3. Hafta - Ön Hazırlık
Jiawei Han and Micheline Kamber (2006)., Data Mining: Consept and Techniques
4. Hafta - Teorik
Karar Agaçlari
4. Hafta - Ön Hazırlık
Jiawei Han and Micheline Kamber (2006)., Data Mining: Consept and Techniques
5. Hafta - Teorik
Veri madenciliginde Siniflandirma Uygulamalari
5. Hafta - Ön Hazırlık
Jiawei Han and Micheline Kamber (2006)., Data Mining: Consept and Techniques
6. Hafta - Teorik
Kümeleme Modeli
6. Hafta - Ön Hazırlık
Jiawei Han and Micheline Kamber (2006)., Data Mining: Consept and Techniques
7. Hafta - Teorik
Yapay Sinir Aglari
8. Hafta - Teorik
Genetik Algoritmalar
9. Hafta - Teorik
Kümeleme Yönteminin degisik veri setlerine uygulanmasi
9. Hafta - Ön Hazırlık
Jiawei Han and Micheline Kamber (2006)., Data Mining: Consept and Techniques
10. Hafta - Teorik
Bağlanti Analizi Modeli
10. Hafta - Ön Hazırlık
Jiawei Han and Micheline Kamber (2006)., Data Mining: Consept and Techniques
11. Hafta - Teorik
Veri Madenciligi uygulamalarinin yorumlanmasi
11. Hafta - Ön Hazırlık
Jiawei Han and Micheline Kamber (2006)., Data Mining: Consept and Techniques
12. Hafta - Teorik
Kural çıkartılması ve yorumlanmasi
12. Hafta - Ön Hazırlık
Jiawei Han and Micheline Kamber (2006)., Data Mining: Consept and Techniques
13. Hafta - Teorik
Kural çıkartılması ve yorumlanmasi
13. Hafta - Ön Hazırlık
Jiawei Han and Micheline Kamber (2006)., Data Mining: Consept and Techniques
14. Hafta - Teorik
Ders Değerlendirme
14. Hafta - Ön Hazırlık
Jiawei Han and Micheline Kamber (2006)., Data Mining: Consept and Techniques
Değerlendirme
Değerlendirme TürüAdetYüzde
Ara Sınav (Vize)1%40
Dönem Sonu Sınavı (Final)1%60
İş Yükü Hesaplaması
EtkinlikSayısıÖn HazırlıkSüreToplam Iş Yükü (Saat)
Kuramsal Ders132252
Uygulamalı Ders130113
Ödev132026
Bireysel Çalışma132026
Kısa Sınav24110
Ara Sınav19110
Dönem Sonu Sınavı112113
TOPLAM İŞ YÜKÜ (Saat)150
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
PÇ-14
PÇ-15
OÇ-1
1
2
2
3
4
2
3
3
3
3
3
3
2
3
4
OÇ-2
2
3
3
3
3
4
4
4
4
3
3
4
3
3
4
OÇ-3
2
1
4
4
2
2
3
3
2
4
4
4
4
4
5
OÇ-4
4
4
4
3
3
2
2
3
3
4
4
2
1
3
4
OÇ-5
2
3
3
4
4
4
4
5
5
5
5
5
5
4
3
OÇ-6
2
3
4
4
3
4
5
5
5
4
4
3
3
4
4
Adnan Menderes Üniversitesi - Bilgi Paketi / Ders Kataloğu
2026