Ders Detayı
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| VERİ MADENCİLİĞİ | CPR1222261 | Bahar Dönemi | 1+2 | 2 | 2 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | İngilizce |
| Dersin Seviyesi | Ön Lisans |
| Dersin Türü | Programa Bağlı Seçmeli |
| Dersin Koordinatörü | |
| Dersi Verenler | Öğr.Gör. Serkan ATMACA |
| Dersin Yardımcıları | |
| Dersin Amacı | Bu dersin amacı, veri madenciliğinin temel kavramlarını tanıtmak, öğrencilerin veri hazırlama, basit model kurma ve değerlendirme becerilerini geliştirmek, hacimli veri setleri içinden bilgi üretme / bilgiye ulaşma yetileri kazandırmaktır. |
| Dersin İçeriği | Bu ders; Veri madenciliğine girişi,Veri türleri ve veri kaynakları, etik ve mahremiyet,Keşifsel veri analizi (EDA): dağılımlar ve görselleştirme temelleri,Veri temizleme: eksik değerler, tekrarlar, aykırı değerler,Öznitelik hazırlama: kodlama (encoding), ölçekleme, eğitim/test bölme,Denetimli öğrenmeye giriş: hedef-öznitelik, temel (baseline) modeller, overfitting sezgisi,Sınıflandırma I: k-NN, Naive Bayes (kavram + uygulama),Ara Sınav,Sınıflandırma II: Karar ağaçları (yorumlanabilirlik),Değerlendirme: karmaşıklık matrisi, precision/recall/F1; dengesiz veri,Regresyon: lineer regresyon; MAE/MSE; hata analizi,Kümeleme I: k-Means; k seçimi,Kümeleme II: silhouette; kümeleri karşılaştırma,Birliktelik kuralları: support/confidence/lift; sepet analizi,Dönem gözden geçirme, özetleme ve kapanış,Genel Sınav; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| 1. Veri madenciliğinin temel görevleri ile CRISP-DM sürecini açıklar. | Anlatım Yöntemi, Bilgisayar Ve İnternet Destekli Öğretim, Lecture Method, Proje Görevi | 1, Multiple-Choice Examination, Ödev, Written Examination, Yazılı Sınav |
| 2. Veri temizleme (eksik değer, tekrar, basit aykırı değer) sürecini uygular. | Anlatım Yöntemi, Bilgisayar Ve İnternet Destekli Öğretim, Lecture Method, Proje Görevi | 1, Multiple-Choice Examination, Ödev, Written Examination, Yazılı Sınav |
| 3. Encoding/ölçekleme ile doğru eğitim-test bölme adımlarını uygular. | Anlatım Yöntemi, Bilgisayar Ve İnternet Destekli Öğretim, Lecture Method, Proje Görevi | 1, Multiple-Choice Examination, Ödev, Written Examination, Yazılı Sınav |
| 4. En az bir sınıflandırma ile bir regresyon modeli eğitir. | Anlatım Yöntemi, Bilgisayar Ve İnternet Destekli Öğretim, Lecture Method, Proje Görevi | 1, Multiple-Choice Examination, Ödev, Written Examination, Yazılı Sınav |
| 5. Confusion matrix, precision/recall/F1, MAE/MSE metriklerini hesaplayarak yorumlar. | Anlatım Yöntemi, Bilgisayar Ve İnternet Destekli Öğretim, Lecture Method, Proje Görevi | 1, Multiple-Choice Examination, Ödev, Written Examination, Yazılı Sınav |
| 6. k-Means kümeleme uygulayarak k seçimini (örn. silhouette) gerekçelendirir. | Anlatım Yöntemi, Bilgisayar Ve İnternet Destekli Öğretim, Lecture Method, Proje Görevi | 1, Multiple-Choice Examination, Ödev, Written Examination, Yazılı Sınav |
| 7. Sonuçları temel tablo/grafikler ile kısa yorumla sunar. | Anlatım Yöntemi, Bilgisayar Ve İnternet Destekli Öğretim, Lecture Method, Proje Görevi | 1, Multiple-Choice Examination, Ödev, Written Examination, Yazılı Sınav |
| Öğretim Yöntemleri: | Anlatım Yöntemi: Anlatım Yöntemi, Bilgisayar Ve İnternet Destekli Öğretim: Bilgisayar Ve İnternet Destekli Öğretim, Lecture Method: Lecture Method, Proje Görevi: Proje Görevi |
| Ölçme Yöntemleri: | 1: Çoktan Seçmeli Sınav, Multiple-Choice Examination: Multiple-Choice Examination, Ödev: Ödev, Written Examination: Written Examination, Yazılı Sınav: Yazılı Sınav |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Veri madenciliğine girişi | |
| 2 | Veri türleri ve veri kaynakları, etik ve mahremiyet | |
| 3 | Keşifsel veri analizi (EDA): dağılımlar ve görselleştirme temelleri | |
| 4 | Veri temizleme: eksik değerler, tekrarlar, aykırı değerler | |
| 5 | Öznitelik hazırlama: kodlama (encoding), ölçekleme, eğitim/test bölme | |
| 6 | Denetimli öğrenmeye giriş: hedef-öznitelik, temel (baseline) modeller, overfitting sezgisi | |
| 7 | Sınıflandırma I: k-NN, Naive Bayes (kavram + uygulama) | |
| 8 | Ara Sınav | |
| 9 | Sınıflandırma II: Karar ağaçları (yorumlanabilirlik) | |
| 10 | Değerlendirme: karmaşıklık matrisi, precision/recall/F1; dengesiz veri | |
| 11 | Regresyon: lineer regresyon; MAE/MSE; hata analizi | |
| 12 | Kümeleme I: k-Means; k seçimi | |
| 13 | Kümeleme II: silhouette; kümeleri karşılaştırma | |
| 14 | Birliktelik kuralları: support/confidence/lift; sepet analizi | |
| 15 | Dönem gözden geçirme, özetleme ve kapanış | |
| 16 | Genel Sınav |
| Kaynak |
| Jake VanderPlas – Python Data Science Handbook: Essential Tools for Working with Data, 2nd Edition, O'Reilly Media (2022) Aurelien Geron – Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd Edition, O'Reilly Media (2022) Jiawei Han, Micheline Kamber, Jian Pei – Data Mining: Concepts and Techniques, 4th Edition, Morgan Kaufmann (2022) Mohammed J. Zaki, Wagner Meira Jr. – Data Mining and Machine Learning: Fundamental Concepts and Algorithms, 2nd Edition, Cambridge University Press (2020) Andreas C. Müller, Sarah Guido – Introduction to Machine Learning with Python: A Guide for Data Scientists, O'Reilly Media (2016) |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | 1- Bilgisayar Programcılığı ile ilgili edindiği uygulama bilgilerini kullanabilme. | X | |||||
| 2 | 2- Düşünce ve önerilerini nitel ve nicel verilerle destekleyerek uzman olan ve olmayan kişilerle paylaşabilme. | X | |||||
| 3 | 3- Bilgisayar Programcılığı ile ilgili tanımı iyi yapılmış problemlerin çözümü için veri toplayabilme ve kullanabilme. | X | |||||
| 4 | 4- Bilgisayar Programcılığı ile ilgili pratik uygulamalarda gereken teorik bilgileri, el ve/veya düşünsel becerileri kullanabilme. | X | |||||
| 5 | 5- Mesleki özgüvene sahip olma. | X | |||||
| 6 | 6- Sorumluluğu altında çalışanların bir proje çerçevesinde gelişimlerine yönelik etkinlikleri yönetebilme. | ||||||
| 7 | 7- Bilgisayar Programcılığında edindiği kuramsal bilgilerini kullanabilme. | X | |||||
| 8 | 8- Bilgisayar Programcılığının gerektirdiği düzeyde bilgisayar yazılımı ve bilişim-iletişim teknolojilerini kullanabilme. | X | |||||
| 9 | 9- Sektörün beklentilerini karşılayacak şekilde Bilgisayar Programcılığı ile ilgili süreci/süreçleri planlama becerisine sahip olma. | X | |||||
| 10 | 10- Bilgisayar Programcılığında bağımsız olarak öğrendiklerini uygulayabilme. | X | |||||
| 11 | 11- Bilgisayar Programcılığı ile ilgili çalışmalarda öngörülemeyen problemleri belirleyebilme ve çözüm üretebilme. | X | |||||
| 12 | 12- Bilgisayar Programcılığı ile ilgili konularda kişi ve kurumları bilgilendirebilmek için düşüncelerini yazılı ve sözlü olarak aktarabilme. | X | |||||
| 13 | 13- Yaşam boyu öğrenme bilinci kazanmış olma. | X | |||||
| 14 | 14- Uygulamada karşılaştığı bilgileri bilgisayar ortamına aktararak çözebilme. | X | |||||
| 15 | 15- Bilgisayar Programcılığı ile ilgili uygulamalar için gerekli teknik ve modern araçları kullanabilme. | 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 MADENCİLİĞİ | CPR1222261 | Bahar Dönemi | 1+2 | 2 | 2 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | İngilizce |
| Dersin Seviyesi | Ön Lisans |
| Dersin Türü | Programa Bağlı Seçmeli |
| Dersin Koordinatörü | |
| Dersi Verenler | Öğr.Gör. Serkan ATMACA |
| Dersin Yardımcıları | |
| Dersin Amacı | Bu dersin amacı, veri madenciliğinin temel kavramlarını tanıtmak, öğrencilerin veri hazırlama, basit model kurma ve değerlendirme becerilerini geliştirmek, hacimli veri setleri içinden bilgi üretme / bilgiye ulaşma yetileri kazandırmaktır. |
| Dersin İçeriği | Bu ders; Veri madenciliğine girişi,Veri türleri ve veri kaynakları, etik ve mahremiyet,Keşifsel veri analizi (EDA): dağılımlar ve görselleştirme temelleri,Veri temizleme: eksik değerler, tekrarlar, aykırı değerler,Öznitelik hazırlama: kodlama (encoding), ölçekleme, eğitim/test bölme,Denetimli öğrenmeye giriş: hedef-öznitelik, temel (baseline) modeller, overfitting sezgisi,Sınıflandırma I: k-NN, Naive Bayes (kavram + uygulama),Ara Sınav,Sınıflandırma II: Karar ağaçları (yorumlanabilirlik),Değerlendirme: karmaşıklık matrisi, precision/recall/F1; dengesiz veri,Regresyon: lineer regresyon; MAE/MSE; hata analizi,Kümeleme I: k-Means; k seçimi,Kümeleme II: silhouette; kümeleri karşılaştırma,Birliktelik kuralları: support/confidence/lift; sepet analizi,Dönem gözden geçirme, özetleme ve kapanış,Genel Sınav; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| 1. Veri madenciliğinin temel görevleri ile CRISP-DM sürecini açıklar. | Anlatım Yöntemi, Bilgisayar Ve İnternet Destekli Öğretim, Lecture Method, Proje Görevi | 1, Multiple-Choice Examination, Ödev, Written Examination, Yazılı Sınav |
| 2. Veri temizleme (eksik değer, tekrar, basit aykırı değer) sürecini uygular. | Anlatım Yöntemi, Bilgisayar Ve İnternet Destekli Öğretim, Lecture Method, Proje Görevi | 1, Multiple-Choice Examination, Ödev, Written Examination, Yazılı Sınav |
| 3. Encoding/ölçekleme ile doğru eğitim-test bölme adımlarını uygular. | Anlatım Yöntemi, Bilgisayar Ve İnternet Destekli Öğretim, Lecture Method, Proje Görevi | 1, Multiple-Choice Examination, Ödev, Written Examination, Yazılı Sınav |
| 4. En az bir sınıflandırma ile bir regresyon modeli eğitir. | Anlatım Yöntemi, Bilgisayar Ve İnternet Destekli Öğretim, Lecture Method, Proje Görevi | 1, Multiple-Choice Examination, Ödev, Written Examination, Yazılı Sınav |
| 5. Confusion matrix, precision/recall/F1, MAE/MSE metriklerini hesaplayarak yorumlar. | Anlatım Yöntemi, Bilgisayar Ve İnternet Destekli Öğretim, Lecture Method, Proje Görevi | 1, Multiple-Choice Examination, Ödev, Written Examination, Yazılı Sınav |
| 6. k-Means kümeleme uygulayarak k seçimini (örn. silhouette) gerekçelendirir. | Anlatım Yöntemi, Bilgisayar Ve İnternet Destekli Öğretim, Lecture Method, Proje Görevi | 1, Multiple-Choice Examination, Ödev, Written Examination, Yazılı Sınav |
| 7. Sonuçları temel tablo/grafikler ile kısa yorumla sunar. | Anlatım Yöntemi, Bilgisayar Ve İnternet Destekli Öğretim, Lecture Method, Proje Görevi | 1, Multiple-Choice Examination, Ödev, Written Examination, Yazılı Sınav |
| Öğretim Yöntemleri: | Anlatım Yöntemi: Anlatım Yöntemi, Bilgisayar Ve İnternet Destekli Öğretim: Bilgisayar Ve İnternet Destekli Öğretim, Lecture Method: Lecture Method, Proje Görevi: Proje Görevi |
| Ölçme Yöntemleri: | 1: Çoktan Seçmeli Sınav, Multiple-Choice Examination: Multiple-Choice Examination, Ödev: Ödev, Written Examination: Written Examination, Yazılı Sınav: Yazılı Sınav |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Veri madenciliğine girişi | |
| 2 | Veri türleri ve veri kaynakları, etik ve mahremiyet | |
| 3 | Keşifsel veri analizi (EDA): dağılımlar ve görselleştirme temelleri | |
| 4 | Veri temizleme: eksik değerler, tekrarlar, aykırı değerler | |
| 5 | Öznitelik hazırlama: kodlama (encoding), ölçekleme, eğitim/test bölme | |
| 6 | Denetimli öğrenmeye giriş: hedef-öznitelik, temel (baseline) modeller, overfitting sezgisi | |
| 7 | Sınıflandırma I: k-NN, Naive Bayes (kavram + uygulama) | |
| 8 | Ara Sınav | |
| 9 | Sınıflandırma II: Karar ağaçları (yorumlanabilirlik) | |
| 10 | Değerlendirme: karmaşıklık matrisi, precision/recall/F1; dengesiz veri | |
| 11 | Regresyon: lineer regresyon; MAE/MSE; hata analizi | |
| 12 | Kümeleme I: k-Means; k seçimi | |
| 13 | Kümeleme II: silhouette; kümeleri karşılaştırma | |
| 14 | Birliktelik kuralları: support/confidence/lift; sepet analizi | |
| 15 | Dönem gözden geçirme, özetleme ve kapanış | |
| 16 | Genel Sınav |
| Kaynak |
| Jake VanderPlas – Python Data Science Handbook: Essential Tools for Working with Data, 2nd Edition, O'Reilly Media (2022) Aurelien Geron – Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd Edition, O'Reilly Media (2022) Jiawei Han, Micheline Kamber, Jian Pei – Data Mining: Concepts and Techniques, 4th Edition, Morgan Kaufmann (2022) Mohammed J. Zaki, Wagner Meira Jr. – Data Mining and Machine Learning: Fundamental Concepts and Algorithms, 2nd Edition, Cambridge University Press (2020) Andreas C. Müller, Sarah Guido – Introduction to Machine Learning with Python: A Guide for Data Scientists, O'Reilly Media (2016) |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | 1- Bilgisayar Programcılığı ile ilgili edindiği uygulama bilgilerini kullanabilme. | X | |||||
| 2 | 2- Düşünce ve önerilerini nitel ve nicel verilerle destekleyerek uzman olan ve olmayan kişilerle paylaşabilme. | X | |||||
| 3 | 3- Bilgisayar Programcılığı ile ilgili tanımı iyi yapılmış problemlerin çözümü için veri toplayabilme ve kullanabilme. | X | |||||
| 4 | 4- Bilgisayar Programcılığı ile ilgili pratik uygulamalarda gereken teorik bilgileri, el ve/veya düşünsel becerileri kullanabilme. | X | |||||
| 5 | 5- Mesleki özgüvene sahip olma. | X | |||||
| 6 | 6- Sorumluluğu altında çalışanların bir proje çerçevesinde gelişimlerine yönelik etkinlikleri yönetebilme. | ||||||
| 7 | 7- Bilgisayar Programcılığında edindiği kuramsal bilgilerini kullanabilme. | X | |||||
| 8 | 8- Bilgisayar Programcılığının gerektirdiği düzeyde bilgisayar yazılımı ve bilişim-iletişim teknolojilerini kullanabilme. | X | |||||
| 9 | 9- Sektörün beklentilerini karşılayacak şekilde Bilgisayar Programcılığı ile ilgili süreci/süreçleri planlama becerisine sahip olma. | X | |||||
| 10 | 10- Bilgisayar Programcılığında bağımsız olarak öğrendiklerini uygulayabilme. | X | |||||
| 11 | 11- Bilgisayar Programcılığı ile ilgili çalışmalarda öngörülemeyen problemleri belirleyebilme ve çözüm üretebilme. | X | |||||
| 12 | 12- Bilgisayar Programcılığı ile ilgili konularda kişi ve kurumları bilgilendirebilmek için düşüncelerini yazılı ve sözlü olarak aktarabilme. | X | |||||
| 13 | 13- Yaşam boyu öğrenme bilinci kazanmış olma. | X | |||||
| 14 | 14- Uygulamada karşılaştığı bilgileri bilgisayar ortamına aktararak çözebilme. | X | |||||
| 15 | 15- Bilgisayar Programcılığı ile ilgili uygulamalar için gerekli teknik ve modern araçları kullanabilme. | X | |||||
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 40 | |
| Genel Sınavın Başarıya Oranı | 60 | |
| Toplam | 100 | |