| Dersin Adı | Dersin Kodu | Dersin Türü | Dersin Düzeyi | Dersin Yılı | Dersin Verildiği Dönem | AKTS Kredisi |
|---|---|---|---|---|---|---|
| Veri Madenciliğine Giriş | BLM429 | Seçmeli | Lisans | 4 | Güz | 5 |
Öğretim Elemanı Adı
Dr. Öğr. Üyesi Fidan KAYA GÜLAĞIZ
Prof. Dr. Sevinç İLHAN OMURCA
Doç. Dr. Orhan AKBULUT
Dersin Öğrenme Kazanımları
1) Veri Madenciliği Uygulamalarını inceler
2) Veri önişleme tekniklerini kullanır
3) Kümeleme algoritmalarını uygular
4) Sınıflama algoritmalarını uygular
5) Veriler arasındaki birliktelikleri keşfeder
Program Yeterliliği İlişkisi
| Program Yeterlilikleri | |||||||||||||
| 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | ||
| Öğrenme Kazanımları | |||||||||||||
| 1 | Yüksek | Yüksek | Orta | Yüksek | Düşük | ||||||||
| 2 | Düşük | Düşük | Düşük | Düşük | |||||||||
| 3 | Yüksek | Yüksek | Yüksek | Orta | |||||||||
| 4 | Yüksek | Yüksek | Yüksek | Orta | |||||||||
| 5 | Yüksek | Yüksek | Yüksek | Orta | |||||||||
Eğitim Şekli
Yüz Yüze
Ön Koşullar, Diğer Koşullar
Yok
Önerilen Destekleyici Dersler
İstenmemekte
Dersin İçeriği
Veri önişleme, Veri Ambarları, Birliktelik Kuralları, Sınıflama algoritmaları, Kümeleme Analizi
Haftalık Ders İzlencesi
1) Giriş2) Veri ambarı
3) Veri önişleme
4) Veri boyutunu indirgeme
5) Birliktelik kuralları
6) Apriori algoritması
7) Sınıflama ve tahmin
8) Ara sınav/Değerlendirme
9) Bayesian sınıflama
10) Kural tabanlı sınıflama
11) Yapay sinir ağları ile sınıflama
12) Destek vektör makineleri ile sınıflama
13) Kümeleme
14) Bölünmeli yöntemler
15) Yoğunluk tabanlı kümeleme
16) Yarıyıl sonu sınavı
Önerilen/İstenen Ders Kaynakları
Planlanan Öğrenim Faaliyetleri Ve Eğitim Yöntemi
1) Anlatım
2) Benzetim
3) Örnek Olay
4) Problem Çözme
5) Proje Temelli Öğrenme
Değerlendirme Yöntemi ve Ölçütleri
Ara Sınav Notunun Başarıya Oranı |
40% |
|---|---|
Yarıyıl Sonu Sınavının Başarıya Oranı |
60% |
Toplam |
100% |
Dersin Eğitim Dili
Türkçe
Mesleki Uygulama
İstenmemekte