Ders Detayı
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| VERİ ANALİZİ : MADENCİLİK VE MODEL KURMA | YBS3123276 | Güz Dönemi | 2+2 | 3 | 4 |
| Ders Programı | Pazartesi 08:40-09:30 Pazartesi 09:40-10:30 Çarşamba 08:40-09:30 Çarşamba 09:40-10:30 Perşembe 08:40-09:30 Perşembe 09:40-10:30 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Zorunlu |
| Dersin Koordinatörü | |
| Dersi Verenler | Prof.Dr. Aydın ÇELEN |
| Dersin Yardımcıları | |
| Dersin Amacı | Bu dersin amacı, öğrencilere veri madenciliğinin temellerini, veri, enformasyon ve bilgi kavramlarını, veri tabanlarında bilgi keşfini ve veri ön işleme yöntemlerini öğretmek ve bunları Pandas, NumPy ve scikit-learn gibi kütüphanelerden yararlanarak uygulatmaktır. Derste ayrıca makine öğrenmesinin türleri ve algoritmaları temel düzeyde öğretilecektir (makine öğrenmesi algoritmalarının ayrıntılı uygulamaları YBS3223352 – Veri Analizi: Öngörü ve Tahmin dersinde yaptırılmaktadır). |
| Dersin İçeriği | Bu ders; Veri madenciliğine giriş; veri, bilgi ve model kurmaya ilişkin temel kavramlar,Programlar, Araçlar ve Kütüphaneler (Pandas, NumPy, scikit-learn) I,Programlar, Araçlar ve Kütüphaneler (Pandas, NumPy, scikit-learn) II,Veri Ön İşleme ve Verilerin Temizlenmesi (Eksik 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 ve Türleri,Ara Sınav,Denetimli Öğrenme Algoritmaları,Regresyon Teknikleri I,Regresyon Teknikleri II,Sınıflandırma Teknikleri,Denetimsiz Öğrenme Algoritmaları,Kümeleme I,Kümeleme II,Genel Sınav; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| Veri madenciliğinin temel mantığı çerçevesinde veri, enformasyon ve bilgi kavramlarını ayırt eder. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Pandas, NumPy ve scikit-learn gibi kütüphanelerle temel veri analizi işlemlerini gerçekleştirir. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Eksik veri, aykırı değer ve normalizasyon gibi veri ön işleme tekniklerini uygular. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Denetimli ve denetimsiz makine öğrenmesi yöntemlerini açıklar. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Regresyon, sınıflandırma ve kümeleme algoritmalarını basit veri setlerinde uygular. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Öğretim Yöntemleri: | 1: Soru - Cevap Tekniği, 5: Tartışma Yöntemi, Anlatım Yöntemi: Anlatım Yöntemi |
| Ölçme Yöntemleri: | Yazılı Sınav: Yazılı Sınav |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Veri madenciliğine giriş; veri, bilgi ve model kurmaya ilişkin temel kavramlar | |
| 2 | Programlar, Araçlar ve Kütüphaneler (Pandas, NumPy, scikit-learn) I | |
| 3 | Programlar, Araçlar ve Kütüphaneler (Pandas, NumPy, scikit-learn) II | |
| 4 | Veri Ön İşleme ve Verilerin Temizlenmesi (Eksik 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 ve Türleri | |
| 8 | Ara Sınav | |
| 9 | Denetimli Öğrenme Algoritmaları | |
| 10 | Regresyon Teknikleri I | |
| 11 | Regresyon Teknikleri II | |
| 12 | Sınıflandırma Teknikleri | |
| 13 | Denetimsiz Öğrenme Algoritmaları | |
| 14 | Kümeleme I | |
| 15 | Kümeleme II | |
| 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 | YBS3123276 | Güz Dönemi | 2+2 | 3 | 4 |
| Ders Programı | Pazartesi 08:40-09:30 Pazartesi 09:40-10:30 Çarşamba 08:40-09:30 Çarşamba 09:40-10:30 Perşembe 08:40-09:30 Perşembe 09:40-10:30 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Zorunlu |
| Dersin Koordinatörü | |
| Dersi Verenler | Prof.Dr. Aydın ÇELEN |
| Dersin Yardımcıları | |
| Dersin Amacı | Bu dersin amacı, öğrencilere veri madenciliğinin temellerini, veri, enformasyon ve bilgi kavramlarını, veri tabanlarında bilgi keşfini ve veri ön işleme yöntemlerini öğretmek ve bunları Pandas, NumPy ve scikit-learn gibi kütüphanelerden yararlanarak uygulatmaktır. Derste ayrıca makine öğrenmesinin türleri ve algoritmaları temel düzeyde öğretilecektir (makine öğrenmesi algoritmalarının ayrıntılı uygulamaları YBS3223352 – Veri Analizi: Öngörü ve Tahmin dersinde yaptırılmaktadır). |
| Dersin İçeriği | Bu ders; Veri madenciliğine giriş; veri, bilgi ve model kurmaya ilişkin temel kavramlar,Programlar, Araçlar ve Kütüphaneler (Pandas, NumPy, scikit-learn) I,Programlar, Araçlar ve Kütüphaneler (Pandas, NumPy, scikit-learn) II,Veri Ön İşleme ve Verilerin Temizlenmesi (Eksik 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 ve Türleri,Ara Sınav,Denetimli Öğrenme Algoritmaları,Regresyon Teknikleri I,Regresyon Teknikleri II,Sınıflandırma Teknikleri,Denetimsiz Öğrenme Algoritmaları,Kümeleme I,Kümeleme II,Genel Sınav; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| Veri madenciliğinin temel mantığı çerçevesinde veri, enformasyon ve bilgi kavramlarını ayırt eder. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Pandas, NumPy ve scikit-learn gibi kütüphanelerle temel veri analizi işlemlerini gerçekleştirir. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Eksik veri, aykırı değer ve normalizasyon gibi veri ön işleme tekniklerini uygular. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Denetimli ve denetimsiz makine öğrenmesi yöntemlerini açıklar. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Regresyon, sınıflandırma ve kümeleme algoritmalarını basit veri setlerinde uygular. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Öğretim Yöntemleri: | 1: Soru - Cevap Tekniği, 5: Tartışma Yöntemi, Anlatım Yöntemi: Anlatım Yöntemi |
| Ölçme Yöntemleri: | Yazılı Sınav: Yazılı Sınav |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Veri madenciliğine giriş; veri, bilgi ve model kurmaya ilişkin temel kavramlar | |
| 2 | Programlar, Araçlar ve Kütüphaneler (Pandas, NumPy, scikit-learn) I | |
| 3 | Programlar, Araçlar ve Kütüphaneler (Pandas, NumPy, scikit-learn) II | |
| 4 | Veri Ön İşleme ve Verilerin Temizlenmesi (Eksik 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 ve Türleri | |
| 8 | Ara Sınav | |
| 9 | Denetimli Öğrenme Algoritmaları | |
| 10 | Regresyon Teknikleri I | |
| 11 | Regresyon Teknikleri II | |
| 12 | Sınıflandırma Teknikleri | |
| 13 | Denetimsiz Öğrenme Algoritmaları | |
| 14 | Kümeleme I | |
| 15 | Kümeleme II | |
| 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 | |