Skip to main content
Anasayfa

Ders Detayı

Ders Tanımı

DersKoduYarıyılT+U SaatKrediAKTS
VERİ ANALİZİ : MADENCİLİK VE MODEL KURMAYBS3123276Güz Dönemi2+234
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 DiliTürkçe
Dersin SeviyesiLisans
Dersin TürüZorunlu
Dersin Koordinatörü
Dersi VerenlerProf.Dr. Aydın ÇELEN
Dersin Yardımcıları
Dersin AmacıBu 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 İçeriğiBu 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 KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
Veri madenciliğinin temel mantığı çerçevesinde veri, enformasyon ve bilgi kavramlarını ayırt eder.1, 5, Anlatım YöntemiYazılı Sınav
Pandas, NumPy ve scikit-learn gibi kütüphanelerle temel veri analizi işlemlerini gerçekleştirir.1, 5, Anlatım YöntemiYazılı Sınav
Eksik veri, aykırı değer ve normalizasyon gibi veri ön işleme tekniklerini uygular.1, 5, Anlatım YöntemiYazılı Sınav
Denetimli ve denetimsiz makine öğrenmesi yöntemlerini açıklar.1, 5, Anlatım YöntemiYazılı Sınav
Regresyon, sınıflandırma ve kümeleme algoritmalarını basit veri setlerinde uygular.1, 5, Anlatım YöntemiYazılı Sınav
Öğretim Yöntemleri:1: Soru - Cevap Tekniği, 5: Tartışma Yöntemi, Anlatım Yöntemi: Anlatım Yöntemi
Ölçme Yöntemleri:Yazılı Sınav: Yazılı Sınav

Ders Akışı

SıraKonularÖn Hazırlık
1Veri madenciliğine giriş; veri, bilgi ve model kurmaya ilişkin temel kavramlar
2Programlar, Araçlar ve Kütüphaneler (Pandas, NumPy, scikit-learn) I
3Programlar, Araçlar ve Kütüphaneler (Pandas, NumPy, scikit-learn) II
4Veri Ön İşleme ve Verilerin Temizlenmesi (Eksik verilerin tespiti ve çözümü)
5Veri Ön İşleme ve Verilerin Temizlenmesi (Aykırı verilerin tespiti ve çözümü)
6Veri Ön İşleme (Normalizasyon, Standardizasyon ve Görselleştirme)
7Makine Öğrenmesi: Temel Kavramlar ve Türleri
8Ara Sınav
9Denetimli Öğrenme Algoritmaları
10Regresyon Teknikleri I
11Regresyon Teknikleri II
12Sınıflandırma Teknikleri
13Denetimsiz Öğrenme Algoritmaları
14Kümeleme I
15Kümeleme II
16Genel 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
NoProgram Yeterliliği Katkı Düzeyi
12345
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 DüzeyiMutlak Değerlendirme
Ara Sınavın Başarıya Oranı 40
Genel Sınavın Başarıya Oranı 60
Toplam 100
AKTS / İşyükü Tablosu
EtkinlikSayıSüresi (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

DersKoduYarıyılT+U SaatKrediAKTS
VERİ ANALİZİ : MADENCİLİK VE MODEL KURMAYBS3123276Güz Dönemi2+234
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 DiliTürkçe
Dersin SeviyesiLisans
Dersin TürüZorunlu
Dersin Koordinatörü
Dersi VerenlerProf.Dr. Aydın ÇELEN
Dersin Yardımcıları
Dersin AmacıBu 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 İçeriğiBu 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 KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
Veri madenciliğinin temel mantığı çerçevesinde veri, enformasyon ve bilgi kavramlarını ayırt eder.1, 5, Anlatım YöntemiYazılı Sınav
Pandas, NumPy ve scikit-learn gibi kütüphanelerle temel veri analizi işlemlerini gerçekleştirir.1, 5, Anlatım YöntemiYazılı Sınav
Eksik veri, aykırı değer ve normalizasyon gibi veri ön işleme tekniklerini uygular.1, 5, Anlatım YöntemiYazılı Sınav
Denetimli ve denetimsiz makine öğrenmesi yöntemlerini açıklar.1, 5, Anlatım YöntemiYazılı Sınav
Regresyon, sınıflandırma ve kümeleme algoritmalarını basit veri setlerinde uygular.1, 5, Anlatım YöntemiYazılı Sınav
Öğretim Yöntemleri:1: Soru - Cevap Tekniği, 5: Tartışma Yöntemi, Anlatım Yöntemi: Anlatım Yöntemi
Ölçme Yöntemleri:Yazılı Sınav: Yazılı Sınav

Ders Akışı

SıraKonularÖn Hazırlık
1Veri madenciliğine giriş; veri, bilgi ve model kurmaya ilişkin temel kavramlar
2Programlar, Araçlar ve Kütüphaneler (Pandas, NumPy, scikit-learn) I
3Programlar, Araçlar ve Kütüphaneler (Pandas, NumPy, scikit-learn) II
4Veri Ön İşleme ve Verilerin Temizlenmesi (Eksik verilerin tespiti ve çözümü)
5Veri Ön İşleme ve Verilerin Temizlenmesi (Aykırı verilerin tespiti ve çözümü)
6Veri Ön İşleme (Normalizasyon, Standardizasyon ve Görselleştirme)
7Makine Öğrenmesi: Temel Kavramlar ve Türleri
8Ara Sınav
9Denetimli Öğrenme Algoritmaları
10Regresyon Teknikleri I
11Regresyon Teknikleri II
12Sınıflandırma Teknikleri
13Denetimsiz Öğrenme Algoritmaları
14Kümeleme I
15Kümeleme II
16Genel 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
NoProgram Yeterliliği Katkı Düzeyi
12345
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 DüzeyiMutlak Değerlendirme
Ara Sınavın Başarıya Oranı 40
Genel Sınavın Başarıya Oranı 60
Toplam 100

Sayısal Veriler

Bilgi / Destek Butonu