DERS TANITIM ve UYGULAMA BİLGİLERİ
| Dersin Adı |
Kodu |
Yarıyıl |
T+U+L (saat/hafta) |
Türü (Z / S) |
Yerel Kredi |
AKTS |
| Veri Madenciliği |
CE 514 |
Güz |
03+00+00 |
Seçmeli |
3 |
7.5 |
| Akademik Birim: |
|
| Öğrenim Türü: |
Örgün eğitim |
| Ön Koşullar |
İstatistik |
| Öğrenim Dili: |
İngilizce |
| Dersin Düzeyi: |
Yüksek Lisans |
| Dersin Koordinatörü: |
Taner ARSAN |
| Dersin Amacı: |
Veri Madenciliğinin amacı veri yığınından faydalı bilgiyi bulup çıkartmaktır ve keşfedilen bilgiyi kullanarak mevcut durumu açıklamaya yardımcı olmak ve gelecekteki oluşumları tahmin etmektir. |
| Dersin İçeriği: |
Otomatik veri analizi ve organizasyonel karar verme proseslerine destek verme amacıyla iç ve dış kaynaklardan bilgi çıkarma. Farklı uygulamaları araştırma, metodolojiler, teknikler ve modeller. Sınıflandırma, Karar Ağaçları, Birliktelik Kuralları, Kümeleme. Bu ders gerçek hayattan alınan geniş veri setleriyle , Weka Veri Madenciliği yazılımı kullanılarak vaka analizi yapma ile sonlanır. |
| Dersin Öğrenme Çıktıları (ÖÇ): |
|
| Dersin Öğrenme Yöntem ve Teknikleri |
Sınıfta yüzyüze yapılan dersler, ödevler, proje, vize ve final sınavları |
HAFTALIK PROGRAM
Kadir Has Üniversitesi'nde bir dönem 14 haftadır, 15. ve 16. hafta sınav haftalarıdır.
ZORUNLU ve ÖNERİLEN OKUMALAR
1: Data Mining ? Concepts, Models, Methods and Algorithms, Mehmed Kantardzic, ISBN:0-471-22852-2: Data Mining , J. Han ? M. Kamber, Morgan-Kaufman, Academic Press, 2001, ISBN: 1-55860-901-6
|
DİĞER KAYNAKLAR
DEĞERLENDİRME SİSTEMİ
| Yarıyıl İçi Çalışmaları | Sayı | Katkı Payı (%) |
| Total: |
0 |
0 |
İŞ YÜKÜ HESAPLAMASI
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|
| Toplam İş Yükü (saat): | 0 |
1 AKTS = 25 saatlik iş yükü
PROGRAM YETERLİLİKLERİ (PY) ve ÖĞRENME ÇIKTILARI (ÖÇ) İLİŞKİSİ
| # |
PY1 |
PY2 |
PY3 |
PY4 |
PY5 |
PY6 |
PY7 |
PY8 |
PY9 |
PY10 |
Katkı Düzeyi: 1 Düşük, 2 Orta, 3 Yüksek
| Dersin Adı |
Kodu |
Yarıyıl |
T+U+L (saat/hafta) |
Türü (Z / S) |
Yerel Kredi |
AKTS |
| Veri Madenciliği |
CE 514 |
Güz |
03+00+00 |
Seçmeli |
3 |
7.5 |
| Akademik Birim: |
|
| Öğrenim Türü: |
Örgün eğitim |
| Ön Koşullar |
İstatistik |
| Öğrenim Dili: |
İngilizce |
| Dersin Düzeyi: |
Yüksek Lisans |
| Dersin Koordinatörü: |
Taner ARSAN |
| Dersin Amacı: |
Veri Madenciliğinin amacı veri yığınından faydalı bilgiyi bulup çıkartmaktır ve keşfedilen bilgiyi kullanarak mevcut durumu açıklamaya yardımcı olmak ve gelecekteki oluşumları tahmin etmektir. |
| Dersin İçeriği: |
Otomatik veri analizi ve organizasyonel karar verme proseslerine destek verme amacıyla iç ve dış kaynaklardan bilgi çıkarma. Farklı uygulamaları araştırma, metodolojiler, teknikler ve modeller. Sınıflandırma, Karar Ağaçları, Birliktelik Kuralları, Kümeleme. Bu ders gerçek hayattan alınan geniş veri setleriyle , Weka Veri Madenciliği yazılımı kullanılarak vaka analizi yapma ile sonlanır. |
| Dersin Öğrenme Çıktıları (ÖÇ): |
|
| Dersin Öğrenme Yöntem ve Teknikleri |
Sınıfta yüzyüze yapılan dersler, ödevler, proje, vize ve final sınavları |
HAFTALIK PROGRAM
Kadir Has Üniversitesi'nde bir dönem 14 haftadır, 15. ve 16. hafta sınav haftalarıdır.
ZORUNLU ve ÖNERİLEN OKUMALAR
1: Data Mining ? Concepts, Models, Methods and Algorithms, Mehmed Kantardzic, ISBN:0-471-22852-2: Data Mining , J. Han ? M. Kamber, Morgan-Kaufman, Academic Press, 2001, ISBN: 1-55860-901-6
|
DİĞER KAYNAKLAR
DEĞERLENDİRME SİSTEMİ
| Yarıyıl İçi Çalışmaları | Sayı | Katkı Payı (%) |
| Total: |
0 |
0 |
İŞ YÜKÜ HESAPLAMASI
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|
| Toplam İş Yükü (saat): | 0 |
1 AKTS = 25 saatlik iş yükü
PROGRAM YETERLİLİKLERİ (PY) ve ÖĞRENME ÇIKTILARI (ÖÇ) İLİŞKİSİ
| # |
PY1 |
PY2 |
PY3 |
PY4 |
PY5 |
PY6 |
PY7 |
PY8 |
PY9 |
PY10 |
Katkı Düzeyi: 1 Düşük, 2 Orta, 3 Yüksek
