Skip to main content
Anasayfa

Ders Detayı

Ders Tanımı

DersKoduYarıyılT+U SaatKrediAKTS
VERİ MADENCİLİĞİCPR1222261Bahar Dönemi1+222
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin Diliİngilizce
Dersin SeviyesiÖn Lisans
Dersin TürüPrograma Bağlı Seçmeli
Dersin Koordinatörü
Dersi VerenlerÖğr.Gör. Serkan ATMACA
Dersin Yardımcıları
Dersin AmacıBu 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 İçeriğiBu 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 KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
1. Veri madenciliğinin temel görevleri ile CRISP-DM sürecini açıklar.Anlatım Yöntemi, Bilgisayar Ve İnternet Destekli Öğretim, Lecture Method, Proje Görevi1, 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 Görevi1, 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 Görevi1, 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 Görevi1, 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 Görevi1, 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 Görevi1, 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 Görevi1, 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

SıraKonularÖn Hazırlık
1Veri madenciliğine girişi
2Veri türleri ve veri kaynakları, etik ve mahremiyet
3Keşifsel veri analizi (EDA): dağılımlar ve görselleştirme temelleri
4Veri temizleme: eksik değerler, tekrarlar, aykırı değerler
5Öznitelik hazırlama: kodlama (encoding), ölçekleme, eğitim/test bölme
6Denetimli öğrenmeye giriş: hedef-öznitelik, temel (baseline) modeller, overfitting sezgisi
7Sınıflandırma I: k-NN, Naive Bayes (kavram + uygulama)
8Ara Sınav
9Sınıflandırma II: Karar ağaçları (yorumlanabilirlik)
10Değerlendirme: karmaşıklık matrisi, precision/recall/F1; dengesiz veri
11Regresyon: lineer regresyon; MAE/MSE; hata analizi
12Kümeleme I: k-Means; k seçimi
13Kümeleme II: silhouette; kümeleri karşılaştırma
14Birliktelik kuralları: support/confidence/lift; sepet analizi
15Dönem gözden geçirme, özetleme ve kapanış
16Genel 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
NoProgram Yeterliliği Katkı Düzeyi
12345
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 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 MADENCİLİĞİCPR1222261Bahar Dönemi1+222
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin Diliİngilizce
Dersin SeviyesiÖn Lisans
Dersin TürüPrograma Bağlı Seçmeli
Dersin Koordinatörü
Dersi VerenlerÖğr.Gör. Serkan ATMACA
Dersin Yardımcıları
Dersin AmacıBu 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 İçeriğiBu 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 KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
1. Veri madenciliğinin temel görevleri ile CRISP-DM sürecini açıklar.Anlatım Yöntemi, Bilgisayar Ve İnternet Destekli Öğretim, Lecture Method, Proje Görevi1, 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 Görevi1, 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 Görevi1, 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 Görevi1, 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 Görevi1, 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 Görevi1, 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 Görevi1, 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

SıraKonularÖn Hazırlık
1Veri madenciliğine girişi
2Veri türleri ve veri kaynakları, etik ve mahremiyet
3Keşifsel veri analizi (EDA): dağılımlar ve görselleştirme temelleri
4Veri temizleme: eksik değerler, tekrarlar, aykırı değerler
5Öznitelik hazırlama: kodlama (encoding), ölçekleme, eğitim/test bölme
6Denetimli öğrenmeye giriş: hedef-öznitelik, temel (baseline) modeller, overfitting sezgisi
7Sınıflandırma I: k-NN, Naive Bayes (kavram + uygulama)
8Ara Sınav
9Sınıflandırma II: Karar ağaçları (yorumlanabilirlik)
10Değerlendirme: karmaşıklık matrisi, precision/recall/F1; dengesiz veri
11Regresyon: lineer regresyon; MAE/MSE; hata analizi
12Kümeleme I: k-Means; k seçimi
13Kümeleme II: silhouette; kümeleri karşılaştırma
14Birliktelik kuralları: support/confidence/lift; sepet analizi
15Dönem gözden geçirme, özetleme ve kapanış
16Genel 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
NoProgram Yeterliliği Katkı Düzeyi
12345
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 DüzeyiMutlak Değerlendirme
Ara Sınavın Başarıya Oranı 40
Genel Sınavın Başarıya Oranı 60
Toplam 100

Sayısal Veriler

Öğrenci Başarı Durumu

Bilgi / Destek Butonu