DERS TANITIM ve UYGULAMA BİLGİLERİ

Dersin Adı Kodu Yarıyıl T+U+L (saat/hafta) Türü (Z / S) Yerel Kredi AKTS
Mühendislik Uygulamaları için Veri Madenciliği CMPE 479 Güz 03+00+00 Seçmeli 3 5
Akademik Birim: Bilgisayar Mühendisliği
Öğrenim Türü: Örgün Eğitim
Ön Koşullar Yok
Öğrenim Dili: İngilizce
Dersin Düzeyi: Lisans
Dersin Koordinatörü: Rahim DEHKHARGHANİ
Dersi Veren(ler): Rahim DEHKHARGHANİ
Dersin Amacı: Bu ders, yararlı bilgiler elde etmek için her türlü veriyi analiz etme konusunda genel ve aynı zamanda göreve özgü bilgi sağlamayı amaçlamaktadır. Öğrenciler, söz konusu bilgileri çıkarmak için madencilik tekniklerini kullanarak bir problem üzerinde uygulamalı olarak çalışacaklardır. İşlem verileri, metin verileri, ses, video veya görüntü verileri gibi her türlü veri üzerinde çalışabilirler. Dersin sonunda, öğrencilerin farklı veri türlerini ve özelliklerini bilen ve ana göreve hazır hale getirmek için verileri önceden işleyebilen bir veri madencisi olmaları beklenmektedir. Son olarak, bahsedilen yararlı bilgileri farklı veri türlerinden çıkarmak için kod yazabileceklerdir.
Dersin İçeriği: Ders, verileri ve verilerin özniteliklerini bilme, verileri ön işleme, birliktelik kuralı madenciliği, sınıflandırma, regresyon, kümeleme, karar ağaçları, Naïve Bayes yöntemi ve diğer makine öğrenimi algoritmaları gibi konuları kapsamaktadır.
Dersin Öğrenme Çıktıları (ÖÇ):
  • 1- Verileri Bilme, Ön İşleme ve Analiz Etme Yeteneği.
  • 2- Verileri görselleştirme becerisi.
  • 3- Sınıflandırma, kümeleme ve regresyon gibi denetimli/denetimsiz öğrenme yöntemlerini anlama ve analiz etme becerisi.
  • 4- Veriler üzerinde sınıflandırma, kümeleme, regresyon, örüntü madenciliği vb. gerçekleştirmek için Python ve kütüphaneleri gibi bir programlama dili kullanma becerisi.
Dersin Öğrenme Yöntem ve Teknikleri Sınıf içi öğrenme. Veri madenciliği şirketlerinden haftalık konuklar katılım sağlayacaklardır. Programlama ödevleri bireysel olarak yapılır. Bir grup çalışması olarak gerçek dünyadaki bir problem için çözüm tasarlama ve uygulaması yapılacaktır.


HAFTALIK PROGRAM

HaftaKonularÖn Hazırlık
1 Veri madenciliğine ve Python'a giriş Ders slaytları ve okuma
2 Python ve Numpy kitaplığı Ders slaytları ve okuma
3 Python ve Pandas kitaplığı Ders slaytları ve okuma
4 Python ve matplotlib/seaborn kitaplıkları Ders slaytları ve okuma
5 Verilerinizi bilin (veri türleri, veri farklılığı ölçüleri, …) Ders slaytları ve okuma
6 Veri Ön İşleme (temizleme, Entegrasyon, İndirgeme, Dönüşüm, Ayrıklaştırma) Ders slaytları ve okuma
7 Assocaition Rule Madenciliği Ders slaytları ve okuma
8 Makine Öğrenmesi’ne Giriş Ders slaytları ve okuma
9 Makine Öğrenmesi ve Sınıflandırma Ders slaytları ve okuma
10 Sınıflandırma sistemlerinin değerlendirilmesi Ders slaytları ve okuma
11 Makine öğrenmesi ve Regresyon Ders slaytları ve okuma
12 Makine öğrenimi ve Karar Ağaçları Ders slaytları ve okuma
13 Makine öğrenimi ve Naïve Bayes Ders slaytları ve okuma
14 Makine öğrenimi ve Kümeleme Ders slaytları ve okuma


ZORUNLU ve ÖNERİLEN OKUMALAR

1) Data mining, techniques and concepts, Jiawei Han, Micheline Kamber, and Jian Pei, 3rd edition, Morgan Kaufmann, 2011
2) Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, by Geron Aurelien, 2nd Edition, 2019
3) Python Data Science Handbook: Essential Tools for Working with Data 1st Edition
, by Jake VanderPlas, 2017, 2nd edition, Publisher: O'Reilly


DİĞER KAYNAKLAR

Lecture slides, websites such as UCI machine learning repository: https://archive.ics.uci.edu/


DEĞERLENDİRME SİSTEMİ

Yarıyıl İçi ÇalışmalarıSayıKatkı Payı (%)
Katılım 14 -
Proje 1 30
Ödev 6 30
Ara Sınavlar/Sözlü Sınavlar/Kısa Sınavlar 1 20
Final Sınavı 1 20
Total: 23 100


İŞ YÜKÜ HESAPLAMASI

EtkinliklerSayısıSüresi (saat)Toplam İş Yükü (saat)
Ders Saati14342
Proje14040
Ödev6742
Toplam İş Yükü (saat):124


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

# PY1 PY2 PY3 PY4 PY5 PY6 PY7 PY8 PY9
OC1                  
OC2                  
OC3                  
OC4