Skip to main content
Anasayfa

Ders Detayı

Ders Tanımı

DersKoduYarıyılT+U SaatKrediAKTS
VERİ MADENCİLİĞİBPR1223391Bahar Dönemi1+222
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin DiliTürkçe
Dersin SeviyesiÖn Lisans
Dersin TürüPrograma Bağlı Seçmeli
Dersin Koordinatörü
Dersi Verenler
Dersin Yardımcıları
Dersin AmacıBu dersin amacı, öğrenciye farklı kaynaklardan ve biçimlerden elde edilen büyük ölçekli veriler içerisinden anlamlı bilgi, örüntü ve ilişkiler çıkarabilme ve bu bilgiye dayanarak öngörüde bulunabilme yeterliliği kazandırmaktır. Ders kapsamında veri tipleri, veri temizleme ve ön işleme adımları, eğitim ve test verisi ayrımı, doğrusal, polinom, çoklu ve lojistik regresyon, karar ağaçları, sınıflandırma ve kümeleme yöntemleri uygulamalı olarak ele alınır. Elde edilen modellerin başarısı hata (karmaşıklık) matrisi gibi ölçütlerle değerlendirilir ve sonuçlar grafiklerle yorumlanır. Ders sonunda öğrencinin, bir veri seti için uygun yöntemi seçebilmesi, modeli kurup test edebilmesi ve sonuçlardan anlamlı çıkarımlar yapabilmesi hedeflenir.
Dersin İçeriğiBu ders; Veri Madenciliğine Giriş,Veri Tipleri,Veri Madenciliği Fonksiyonları,Veri Temizleme ve Düzeltme,Eğit ve Test Et Methodu,Linear Regrasyon ve Grafikler,Polinom Regrasyon ,Çoklu Regrasyon,Katsayı Methodu,Karar Ağaçları,Sınıflandırma Methodları,Hata Matriksi,Mantıksal Regrasyon,Kümeleme Yöntemleri; konularını içermektedir.
Dersin Öğrenme KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
Veri Madenciliğinde Veri Tiplerini Öğrenir
Veri Madenciliğinde Kullanılan Fonksiyonları Öğrenir ve Uygular
Veriyi Temizler, Düzeltir.
Makinayı, verilen veri seti üzerinden, önce eğitir sonra test eder, sonuçlar üzerinden çıkarımda bulunur. Değerlendirme yapar.
Regrasyon yöntemlerini öğrenir, veri setleri üzerinde kullanır.
Veri seti üzerinde en uygun grafiği uygular ve yorumlar
Karar Ağaçları, Sınıflandırma Methodları, Hata Matriksi ,Kümeleme Yöntemi gibi çeşitli yöntemleri veri üzerinde uygular ve yorumlar.
Öğretim Yöntemleri:
Ölçme Yöntemleri:

Ders Akışı

SıraKonularÖn Hazırlık
1Veri Madenciliğine Giriş
2Veri Tipleri
3Veri Madenciliği Fonksiyonları
4Veri Temizleme ve Düzeltme
5Eğit ve Test Et Methodu
6Linear Regrasyon ve Grafikler
7Polinom Regrasyon
8Çoklu Regrasyon
9Katsayı Methodu
10Karar Ağaçları
11Sınıflandırma Methodları
12Hata Matriksi
13Mantıksal Regrasyon
14Kümeleme Yöntemleri
Kaynak
1. Han, J., Kamber, M., & Pei, J. (2012). Data mining: Concepts and techniques (3rd ed.). Morgan Kaufmann. 2. Tan, P.-N., Steinbach, M., Karpatne, A., & Kumar, V. (2019). Introduction to data mining (2nd ed.). Pearson. 3. Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2017). Data mining: Practical machine learning tools and techniques (4th ed.). Morgan Kaufmann. 4. Müller, A. C., & Guido, S. (2016). Introduction to machine learning with Python. O’Reilly Media. 5. VanderPlas, J. (2016). Python data science handbook. O’Reilly Media. 6. Dersin öğretim elemanı tarafından hazırlanan ders notları.

Dersin Program Yeterliliklerine Katkısı

Dersin Program Yeterliliklerine Katkısı
NoProgram Yeterliliği Katkı Düzeyi
12345
1
Bilgisayar Programcılığı ile ilgili edindiği uygulama bilgilerini kullanabilmeli..
X
2
Düşünce ve önerilerini nitel ve nicel verilerle destekleyerek uzman olan ve olmayan kişilerle paylaşabilmeli
X
3
Bilgisayar Programcılığı ile ilgili tanımı iyi yapılmış problemlerin çözümü için veri toplayabilmeli ve kullanabilmeli
X
4
Bilgisayar Programcılığı ile ilgili pratik uygulamalarda gereken teorik bilgileri, el ve/veya düşünsel becerileri kullanabilmeli
X
5
Mesleki özgüveni olmalı
6
7
Bilgisayar Programcılığında edindiği kuramsal bilgilerini kullanabilmeli
X
8
Bilgisayar Programcılığının gerektirdiği düzeyde bilgisayar yazılımı ve bilişim-iletişim teknolojilerini kullanabilmeli
X
9
Sektörün beklentilerini karşılayacak şekilde Bilgisayar Programcılığı ile ilgili süreci/süreçleri planlama becerisine sahip olmalı
X
10
Bilgisayar Programcılığında bağımsız olarak öğrendiklerini uygulayabilmeli
X
11
Bilgisayar Programcılığı ile ilgili çalışmalarda öngörülemeyen problemleri belirleyebilmeli ve çözüm üretebilmeli
X
12
Bilgisayar Programcılığı ile ilgili konularda kişi ve kurumları bilgilendirebilmek için düşüncelerini yazılı ve sözlü olarak aktarabilmeli
X
13
Bilgisayar Programcılığı ile ilgili verilerin toplanması, yorumlanması, duyurulması ve uygulanmasında toplumsal, bilimsel ve etik değerlere sahip olabilmeli
X
14
Uygulamada karşılaştığı bilgileri bilgisayar ortamına aktararak çözebilmeli
X
15
Bilgisayar Programcılığı ile ilgili uygulamalar için gerekli teknik ve modern araçları kullanabilmeli
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 MADENCİLİĞİBPR1223391Bahar Dönemi1+222
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin DiliTürkçe
Dersin SeviyesiÖn Lisans
Dersin TürüPrograma Bağlı Seçmeli
Dersin Koordinatörü
Dersi Verenler
Dersin Yardımcıları
Dersin AmacıBu dersin amacı, öğrenciye farklı kaynaklardan ve biçimlerden elde edilen büyük ölçekli veriler içerisinden anlamlı bilgi, örüntü ve ilişkiler çıkarabilme ve bu bilgiye dayanarak öngörüde bulunabilme yeterliliği kazandırmaktır. Ders kapsamında veri tipleri, veri temizleme ve ön işleme adımları, eğitim ve test verisi ayrımı, doğrusal, polinom, çoklu ve lojistik regresyon, karar ağaçları, sınıflandırma ve kümeleme yöntemleri uygulamalı olarak ele alınır. Elde edilen modellerin başarısı hata (karmaşıklık) matrisi gibi ölçütlerle değerlendirilir ve sonuçlar grafiklerle yorumlanır. Ders sonunda öğrencinin, bir veri seti için uygun yöntemi seçebilmesi, modeli kurup test edebilmesi ve sonuçlardan anlamlı çıkarımlar yapabilmesi hedeflenir.
Dersin İçeriğiBu ders; Veri Madenciliğine Giriş,Veri Tipleri,Veri Madenciliği Fonksiyonları,Veri Temizleme ve Düzeltme,Eğit ve Test Et Methodu,Linear Regrasyon ve Grafikler,Polinom Regrasyon ,Çoklu Regrasyon,Katsayı Methodu,Karar Ağaçları,Sınıflandırma Methodları,Hata Matriksi,Mantıksal Regrasyon,Kümeleme Yöntemleri; konularını içermektedir.
Dersin Öğrenme KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
Veri Madenciliğinde Veri Tiplerini Öğrenir
Veri Madenciliğinde Kullanılan Fonksiyonları Öğrenir ve Uygular
Veriyi Temizler, Düzeltir.
Makinayı, verilen veri seti üzerinden, önce eğitir sonra test eder, sonuçlar üzerinden çıkarımda bulunur. Değerlendirme yapar.
Regrasyon yöntemlerini öğrenir, veri setleri üzerinde kullanır.
Veri seti üzerinde en uygun grafiği uygular ve yorumlar
Karar Ağaçları, Sınıflandırma Methodları, Hata Matriksi ,Kümeleme Yöntemi gibi çeşitli yöntemleri veri üzerinde uygular ve yorumlar.
Öğretim Yöntemleri:
Ölçme Yöntemleri:

Ders Akışı

SıraKonularÖn Hazırlık
1Veri Madenciliğine Giriş
2Veri Tipleri
3Veri Madenciliği Fonksiyonları
4Veri Temizleme ve Düzeltme
5Eğit ve Test Et Methodu
6Linear Regrasyon ve Grafikler
7Polinom Regrasyon
8Çoklu Regrasyon
9Katsayı Methodu
10Karar Ağaçları
11Sınıflandırma Methodları
12Hata Matriksi
13Mantıksal Regrasyon
14Kümeleme Yöntemleri
Kaynak
1. Han, J., Kamber, M., & Pei, J. (2012). Data mining: Concepts and techniques (3rd ed.). Morgan Kaufmann. 2. Tan, P.-N., Steinbach, M., Karpatne, A., & Kumar, V. (2019). Introduction to data mining (2nd ed.). Pearson. 3. Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2017). Data mining: Practical machine learning tools and techniques (4th ed.). Morgan Kaufmann. 4. Müller, A. C., & Guido, S. (2016). Introduction to machine learning with Python. O’Reilly Media. 5. VanderPlas, J. (2016). Python data science handbook. O’Reilly Media. 6. Dersin öğretim elemanı tarafından hazırlanan ders notları.

Dersin Program Yeterliliklerine Katkısı

Dersin Program Yeterliliklerine Katkısı
NoProgram Yeterliliği Katkı Düzeyi
12345
1
Bilgisayar Programcılığı ile ilgili edindiği uygulama bilgilerini kullanabilmeli..
X
2
Düşünce ve önerilerini nitel ve nicel verilerle destekleyerek uzman olan ve olmayan kişilerle paylaşabilmeli
X
3
Bilgisayar Programcılığı ile ilgili tanımı iyi yapılmış problemlerin çözümü için veri toplayabilmeli ve kullanabilmeli
X
4
Bilgisayar Programcılığı ile ilgili pratik uygulamalarda gereken teorik bilgileri, el ve/veya düşünsel becerileri kullanabilmeli
X
5
Mesleki özgüveni olmalı
6
7
Bilgisayar Programcılığında edindiği kuramsal bilgilerini kullanabilmeli
X
8
Bilgisayar Programcılığının gerektirdiği düzeyde bilgisayar yazılımı ve bilişim-iletişim teknolojilerini kullanabilmeli
X
9
Sektörün beklentilerini karşılayacak şekilde Bilgisayar Programcılığı ile ilgili süreci/süreçleri planlama becerisine sahip olmalı
X
10
Bilgisayar Programcılığında bağımsız olarak öğrendiklerini uygulayabilmeli
X
11
Bilgisayar Programcılığı ile ilgili çalışmalarda öngörülemeyen problemleri belirleyebilmeli ve çözüm üretebilmeli
X
12
Bilgisayar Programcılığı ile ilgili konularda kişi ve kurumları bilgilendirebilmek için düşüncelerini yazılı ve sözlü olarak aktarabilmeli
X
13
Bilgisayar Programcılığı ile ilgili verilerin toplanması, yorumlanması, duyurulması ve uygulanmasında toplumsal, bilimsel ve etik değerlere sahip olabilmeli
X
14
Uygulamada karşılaştığı bilgileri bilgisayar ortamına aktararak çözebilmeli
X
15
Bilgisayar Programcılığı ile ilgili uygulamalar için gerekli teknik ve modern araçları kullanabilmeli
X

Değerlendirme Sistemi

Katkı DüzeyiMutlak Değerlendirme
Ara Sınavın Başarıya Oranı 40
Genel Sınavın Başarıya Oranı 60
Toplam 100

Sayısal Veriler

Bilgi / Destek Butonu