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

    HaftaKonularÖn Hazırlık


    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 ÇalışmalarıSayıKatkı Payı (%)
    Total: 0 0


    İŞ YÜKÜ HESAPLAMASI

    EtkinliklerSayısıSüresi (saat)Toplam İş Yükü (saat)
    Toplam İş Yükü (saat):0


    PROGRAM YETERLİLİKLERİ (PY) ve ÖĞRENME ÇIKTILARI (ÖÇ) İLİŞKİSİ

    # PY1 PY2 PY3 PY4 PY5 PY6 PY7 PY8 PY9 PY10
    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

      HaftaKonularÖn Hazırlık


      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 ÇalışmalarıSayıKatkı Payı (%)
      Total: 0 0


      İŞ YÜKÜ HESAPLAMASI

      EtkinliklerSayısıSüresi (saat)Toplam İş Yükü (saat)
      Toplam İş Yükü (saat):0


      PROGRAM YETERLİLİKLERİ (PY) ve ÖĞRENME ÇIKTILARI (ÖÇ) İLİŞKİSİ

      # PY1 PY2 PY3 PY4 PY5 PY6 PY7 PY8 PY9 PY10