Bilgi Paketi / Ders Kataloğu
| Ders Kodu | : MCS515 |
| Ders Türü | : Seçmeli |
| Ders Grubu | : Yüksek Lisans |
| Eğitim Dili | : İngilizce |
| Staj Durumu | : Yok |
| Teori | : 3 |
| Uyg. | : 0 |
| Kredi | : 3 |
| Laboratuvar | : 0 |
| AKTS | : 6 |
Bu dersin amacı, öğrencilerin veri madenciliği alanındaki ileri düzey kavram, yöntem ve algoritmaları teorik ve uygulamalı olarak öğrenmelerini sağlamaktır. Ders kapsamında öğrencilerin büyük ve karmaşık veri kümelerinden anlamlı örüntüler, ilişkiler ve bilgiler çıkarabilmeleri; sınıflandırma, kümeleme, birliktelik kuralları, boyut indirgeme, anomali tespiti ve tahminleme gibi temel ve ileri veri madenciliği tekniklerini kullanabilmeleri hedeflenmektedir. Ayrıca öğrencilerin farklı problem alanlarında uygun veri madenciliği yöntemini seçme, model kurma, model performansını değerlendirme ve elde edilen sonuçları bilimsel ve analitik bir bakış açısıyla yorumlama becerilerinin geliştirilmesi amaçlanmaktadır.
Ders özet olarak, öğrencilerin veri ön işleme, özellik seçimi, model optimizasyonu ve sonuçların karar destek süreçlerinde kullanımı konularında yetkinlik kazanmalarını hedefler. Bunun yanında, güncel veri madenciliği yaklaşımları, makine öğrenmesi tabanlı yöntemler ve gerçek dünya uygulamaları üzerinden öğrencilerin araştırma yapma, problem çözme ve akademik düzeyde veri analizi gerçekleştirme becerilerinin güçlendirilmesi amaçlanmaktadır.
| 1. | Veri madenciliği sürecini ileri düzeyde açıklayabilir; veri ön işleme, veri temizleme, özellik seçimi, boyut indirgeme, modelleme ve sonuçların değerlendirilmesi aşamalarını bütüncül olarak yorumlayabilir. |
| 2. | Sınıflandırma, kümeleme, birliktelik kuralları, anomali tespiti ve tahminleme gibi veri madenciliği yöntemlerini uygulayabilir; farklı problem türleri için uygun algoritmaları seçebilir ve gerçek veri kümeleri üzerinde kullanabilir. |
| 3. | Makine öğrenmesi ve ileri veri madenciliği algoritmalarının performansını değerlendirebilir; accuracy, precision, recall, F1-score, ROC-AUC, PR-AUC, çapraz doğrulama ve hata analizleri gibi ölçütleri kullanarak modelleri karşılaştırabilir. |
| 4. | Büyük, karmaşık, dengesiz, metinsel veya zaman bağımlı veri kümeleri üzerinde analiz yapabilir; veri yapısına uygun yöntemleri belirleyerek anlamlı örüntüler, ilişkiler ve bilgi çıkarımları elde edebilir. |
| 5. | Veri madenciliği sonuçlarını akademik, etik ve karar destek odaklı bir bakış açısıyla yorumlayabilir; model çıktılarının açıklanabilirliği, algoritmik yanlılık, veri gizliliği ve uygulama bağlamındaki sınırlılıkları değerlendirebilir. |
| 1. | Han, J., Pei, J., & Tong, H. (2022). Data Mining: Concepts and Techniques (4th ed.). Morgan Kaufmann / Elsevier. |
| 2. | Zaki, M. J., & Meira, W. Jr. (2020). Data Mining and Machine Learning: Fundamental Concepts and Algorithms (2nd ed.). Cambridge University Press. |
| 3. | Aggarwal, C. C. (2015). Data Mining: The Textbook. Springer. |
| 4. | Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer. |
| Değerlendirme Türü | Adet | Yüzde |
|---|---|---|
| Ödev | 1 | %10 |
| Kısa Sınav (Quiz) | 1 | %5 |
| Ara Sınav (Vize) | 1 | %15 |
| Dönem Sonu Sınavı (Final) | 1 | %70 |
| Etkinlik | Sayısı | Ön Hazırlık | Süre | Toplam Iş Yükü (Saat) |
|---|---|---|---|---|
| Kuramsal Ders | 14 | 2 | 3 | 70 |
| Ödev | 1 | 10 | 3 | 13 |
| Bireysel Çalışma | 14 | 2 | 0 | 28 |
| Kısa Sınav | 1 | 5 | 1 | 6 |
| Ara Sınav | 1 | 10 | 3 | 13 |
| Dönem Sonu Sınavı | 1 | 15 | 3 | 18 |
| TOPLAM İŞ YÜKÜ (Saat) | 148 | |||
PÇ-1 | PÇ-2 | PÇ-3 | PÇ-4 | PÇ-5 | PÇ-6 | PÇ-7 | PÇ-8 | PÇ-9 | |
OÇ-1 | 3 | 3 | 3 | 3 | 5 | 3 | 5 | 3 | 3 |
OÇ-2 | 4 | 4 | 4 | 3 | 5 | 4 | 3 | 4 | 3 |
OÇ-3 | 3 | 3 | 5 | 5 | 5 | 4 | 3 | 5 | 5 |
OÇ-4 | 5 | 4 | 5 | 4 | 4 | 4 | 5 | 5 | 4 |
OÇ-5 | 3 | 3 | 3 | 3 | 4 | 3 | 4 | 3 | 3 |