Ders Detayı
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| VERİ ANALİZİ: MADENCİLİK VE MODEL KURMA | MIS3121900 | Güz Dönemi | 2+2 | 3 | 5 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Zorunlu |
| Dersin Koordinatörü | |
| Dersi Verenler | |
| Dersin Yardımcıları | |
| Dersin Amacı | Bu dersin amacı, öğrencilere veri madenciliğin temellerini, veri, enformasyon ve bilgi, veri tabanlarında bilgi keşfi ve veri ön işleme yöntemlerini öğretmek ve uygulamalarını Pandas, numpy ve sklearn vb. kütüphanelerden faydalanarak yaptırmaktır. Derste ayrıca makine öğrenmesinin türleri ve algoritmaları temel düzeyde öğretilecektir (Makine öğrenmesi algoritmalarının detaylı uygulamaları YBS3220962 – Veri Analizi: Öngörü ve Tahmin dersinde yaptırılmaktadır). |
| Dersin İçeriği | Bu ders; Veri madenciliğine giriş, veri, bilgi ve model kurma ile ilgili temel kavramlar,Programlar, Araçlar ve Kütüphaneler (Pandas, Numpy, sklearn) ,Programlar, Araçlar ve Kütüphaneler (Pandas, Numpy, sklearn) ,Veri Ön İşleme ve Verilerin Temizlenmesi (Boş verilerin tespiti ve çözümü), Veri Ön İşleme ve Verilerin Temizlenmesi (Aykırı verilerin tespiti ve çözümü) ,Veri Ön İşleme (Normalizasyon, Standardizasyon ve Görselleştirme) ,Makine Öğrenmesi: Temel Kavramlar, Türleri ,Ara Sınav,Denetimli Öğrenme Algoritmaları,Regresyon Teknikleri ,Regresyon Teknikleri,Sınıflandırma Teknikleri ,Denetimiz Öğrenme Algoritmaları ,Kümeleme,Kümeleme,Genel Sınav; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| Veri, enformasyon ve bilgi kavramlarını ayırt edebilir ve veri madenciliğinin temel mantığını açıklar. | ||
| Pandas, NumPy ve sklearn gibi kütüphaneleri kullanarak temel veri analizi işlemlerini gerçekleştirir. | ||
| Veri ön işleme tekniklerini (eksik veri, aykırı değer, normalizasyon vb.) uygulayarak veriyi analize hazır hale getirir. | ||
| Denetimli ve denetimsiz makine öğrenmesi yöntemlerini temel düzeyde açıklar ve uygun problem türüyle eşleştirir. | ||
| Regresyon, sınıflandırma ve kümeleme gibi temel algoritmaları basit veri setleri üzerinde uygular ve sonuçlarını yorumlar. |
| Öğretim Yöntemleri: | |
| Ölçme Yöntemleri: |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Veri madenciliğine giriş, veri, bilgi ve model kurma ile ilgili temel kavramlar | |
| 2 | Programlar, Araçlar ve Kütüphaneler (Pandas, Numpy, sklearn) | |
| 3 | Programlar, Araçlar ve Kütüphaneler (Pandas, Numpy, sklearn) | |
| 4 | Veri Ön İşleme ve Verilerin Temizlenmesi (Boş verilerin tespiti ve çözümü) | |
| 5 | Veri Ön İşleme ve Verilerin Temizlenmesi (Aykırı verilerin tespiti ve çözümü) | |
| 6 | Veri Ön İşleme (Normalizasyon, Standardizasyon ve Görselleştirme) | |
| 7 | Makine Öğrenmesi: Temel Kavramlar, Türleri | |
| 8 | Ara Sınav | |
| 9 | Denetimli Öğrenme Algoritmaları | |
| 10 | Regresyon Teknikleri | |
| 11 | Regresyon Teknikleri | |
| 12 | Sınıflandırma Teknikleri | |
| 13 | Denetimiz Öğrenme Algoritmaları | |
| 14 | Kümeleme | |
| 15 | Kümeleme | |
| 16 | Genel Sınav |
| Kaynak |
| 1. Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (2nd ed.). O'Reilly Media. 2. Uğuz, S. (2019). Makine Öğrenmesi Teorik Yönleri ve Python Uygulamaları ile Bir Yapay Zeka Ekolü. Nobel Akademik Yayıncılık. 3. McKinney, W. (2022). Python for Data Analysis (3rd ed.). O'Reilly Media. 4. Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques (3rd ed.). Morgan Kaufmann. 5. Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Bilişim sistemleri, işletme süreçleri ve veri analitiği alanındaki temel kavramları açıklar. | X | |||||
| 2 | İşletme süreçlerini analiz ederek karar destek sistemleri tasarlar. | ||||||
| 3 | Veri analizi yöntemlerini kullanarak karar süreçlerini destekleyen sonuçlar üretir. | X | |||||
| 4 | İstatistiksel ve analitik yöntemler kullanarak işletme problemlerine yönelik tahmin ve modelleme yapar. | X | |||||
| 5 | İş süreçlerini bilgi sistemleri ile entegre edecek çözümler geliştirir. | ||||||
| 6 | Analiz sonuçlarını teknik ve teknik olmayan paydaşlara etkili biçimde sunar. | X | |||||
| 7 | İşletme ve bilgi sistemleri projelerini planlar ve yönetir. | ||||||
| 8 | Karmaşık iş problemlerini analitik yaklaşımlar kullanarak çözer. | X | |||||
| 9 | Bilgi teknolojileri, yazılım ve analitik araçları kullanarak iş süreçlerine yönelik uygulamalar geliştirir. | X | |||||
| 10 | Bilgi sistemleri ve siber güvenlik risklerini analiz ederek uygun önlemler tasarlar. | ||||||
| 11 | Veri gizliliği, etik ve bilgi güvenliği ilkelerine uygun hareket eder. | ||||||
| 12 | Alanındaki güncel gelişmeleri izleyerek mesleki yetkinliğini sürekli geliştirir. | X | |||||
| 13 | Alanıyla ilgili konularda yabancı dil kullanarak iletişim kurar. | X | |||||
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 40 | |
| Genel Sınavın Başarıya Oranı | 60 | |
| Toplam | 100 | |
| AKTS / İşyükü Tablosu | ||||||
| Etkinlik | Sayı | Süresi (Saat) | Toplam İş Yükü (Saat) | |||
| Toplam İş Yükü (Saat) | 0 | |||||
| Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(0/30) | 0 | |||||
| Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır. | ||||||
Dersin Detaylı Bilgileri
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| VERİ ANALİZİ: MADENCİLİK VE MODEL KURMA | MIS3121900 | Güz Dönemi | 2+2 | 3 | 5 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Zorunlu |
| Dersin Koordinatörü | |
| Dersi Verenler | |
| Dersin Yardımcıları | |
| Dersin Amacı | Bu dersin amacı, öğrencilere veri madenciliğin temellerini, veri, enformasyon ve bilgi, veri tabanlarında bilgi keşfi ve veri ön işleme yöntemlerini öğretmek ve uygulamalarını Pandas, numpy ve sklearn vb. kütüphanelerden faydalanarak yaptırmaktır. Derste ayrıca makine öğrenmesinin türleri ve algoritmaları temel düzeyde öğretilecektir (Makine öğrenmesi algoritmalarının detaylı uygulamaları YBS3220962 – Veri Analizi: Öngörü ve Tahmin dersinde yaptırılmaktadır). |
| Dersin İçeriği | Bu ders; Veri madenciliğine giriş, veri, bilgi ve model kurma ile ilgili temel kavramlar,Programlar, Araçlar ve Kütüphaneler (Pandas, Numpy, sklearn) ,Programlar, Araçlar ve Kütüphaneler (Pandas, Numpy, sklearn) ,Veri Ön İşleme ve Verilerin Temizlenmesi (Boş verilerin tespiti ve çözümü), Veri Ön İşleme ve Verilerin Temizlenmesi (Aykırı verilerin tespiti ve çözümü) ,Veri Ön İşleme (Normalizasyon, Standardizasyon ve Görselleştirme) ,Makine Öğrenmesi: Temel Kavramlar, Türleri ,Ara Sınav,Denetimli Öğrenme Algoritmaları,Regresyon Teknikleri ,Regresyon Teknikleri,Sınıflandırma Teknikleri ,Denetimiz Öğrenme Algoritmaları ,Kümeleme,Kümeleme,Genel Sınav; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| Veri, enformasyon ve bilgi kavramlarını ayırt edebilir ve veri madenciliğinin temel mantığını açıklar. | ||
| Pandas, NumPy ve sklearn gibi kütüphaneleri kullanarak temel veri analizi işlemlerini gerçekleştirir. | ||
| Veri ön işleme tekniklerini (eksik veri, aykırı değer, normalizasyon vb.) uygulayarak veriyi analize hazır hale getirir. | ||
| Denetimli ve denetimsiz makine öğrenmesi yöntemlerini temel düzeyde açıklar ve uygun problem türüyle eşleştirir. | ||
| Regresyon, sınıflandırma ve kümeleme gibi temel algoritmaları basit veri setleri üzerinde uygular ve sonuçlarını yorumlar. |
| Öğretim Yöntemleri: | |
| Ölçme Yöntemleri: |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Veri madenciliğine giriş, veri, bilgi ve model kurma ile ilgili temel kavramlar | |
| 2 | Programlar, Araçlar ve Kütüphaneler (Pandas, Numpy, sklearn) | |
| 3 | Programlar, Araçlar ve Kütüphaneler (Pandas, Numpy, sklearn) | |
| 4 | Veri Ön İşleme ve Verilerin Temizlenmesi (Boş verilerin tespiti ve çözümü) | |
| 5 | Veri Ön İşleme ve Verilerin Temizlenmesi (Aykırı verilerin tespiti ve çözümü) | |
| 6 | Veri Ön İşleme (Normalizasyon, Standardizasyon ve Görselleştirme) | |
| 7 | Makine Öğrenmesi: Temel Kavramlar, Türleri | |
| 8 | Ara Sınav | |
| 9 | Denetimli Öğrenme Algoritmaları | |
| 10 | Regresyon Teknikleri | |
| 11 | Regresyon Teknikleri | |
| 12 | Sınıflandırma Teknikleri | |
| 13 | Denetimiz Öğrenme Algoritmaları | |
| 14 | Kümeleme | |
| 15 | Kümeleme | |
| 16 | Genel Sınav |
| Kaynak |
| 1. Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (2nd ed.). O'Reilly Media. 2. Uğuz, S. (2019). Makine Öğrenmesi Teorik Yönleri ve Python Uygulamaları ile Bir Yapay Zeka Ekolü. Nobel Akademik Yayıncılık. 3. McKinney, W. (2022). Python for Data Analysis (3rd ed.). O'Reilly Media. 4. Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques (3rd ed.). Morgan Kaufmann. 5. Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Bilişim sistemleri, işletme süreçleri ve veri analitiği alanındaki temel kavramları açıklar. | X | |||||
| 2 | İşletme süreçlerini analiz ederek karar destek sistemleri tasarlar. | ||||||
| 3 | Veri analizi yöntemlerini kullanarak karar süreçlerini destekleyen sonuçlar üretir. | X | |||||
| 4 | İstatistiksel ve analitik yöntemler kullanarak işletme problemlerine yönelik tahmin ve modelleme yapar. | X | |||||
| 5 | İş süreçlerini bilgi sistemleri ile entegre edecek çözümler geliştirir. | ||||||
| 6 | Analiz sonuçlarını teknik ve teknik olmayan paydaşlara etkili biçimde sunar. | X | |||||
| 7 | İşletme ve bilgi sistemleri projelerini planlar ve yönetir. | ||||||
| 8 | Karmaşık iş problemlerini analitik yaklaşımlar kullanarak çözer. | X | |||||
| 9 | Bilgi teknolojileri, yazılım ve analitik araçları kullanarak iş süreçlerine yönelik uygulamalar geliştirir. | X | |||||
| 10 | Bilgi sistemleri ve siber güvenlik risklerini analiz ederek uygun önlemler tasarlar. | ||||||
| 11 | Veri gizliliği, etik ve bilgi güvenliği ilkelerine uygun hareket eder. | ||||||
| 12 | Alanındaki güncel gelişmeleri izleyerek mesleki yetkinliğini sürekli geliştirir. | X | |||||
| 13 | Alanıyla ilgili konularda yabancı dil kullanarak iletişim kurar. | X | |||||
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 40 | |
| Genel Sınavın Başarıya Oranı | 60 | |
| Toplam | 100 | |