DERS TANITIM ve UYGULAMA BİLGİLERİ
Dersin AdıKoduYarıyılT+U+L (saat/hafta)Türü (Z / S)Yerel KrediAKTS
Veri Madenciliği
| CE 514
| Güz
| 03+00+00
| Seçmeli
| 3
| 7.5
|
Akademik Birim:
|
|
Öğrenim Türü:
| Örgün eğitim
|
Ön Koşullar
| İstatistik
|
Öğrenim Dili:
| İngilizce
|
Dersin Düzeyi:
| Yüksek Lisans
|
Dersin Koordinatörü:
| Taner ARSAN
|
Dersin Amacı:
| Veri Madenciliğinin amacı veri yığınından faydalı bilgiyi bulup çıkartmaktır ve keşfedilen bilgiyi kullanarak mevcut durumu açıklamaya yardımcı olmak ve gelecekteki oluşumları tahmin etmektir.
|
Dersin İçeriği:
| Otomatik veri analizi ve organizasyonel karar verme proseslerine destek verme amacıyla iç ve dış kaynaklardan bilgi çıkarma. Farklı uygulamaları araştırma, metodolojiler, teknikler ve modeller. Sınıflandırma, Karar Ağaçları, Birliktelik Kuralları, Kümeleme. Bu ders gerçek hayattan alınan geniş veri setleriyle , Weka Veri Madenciliği yazılımı kullanılarak vaka analizi yapma ile sonlanır.
|
Dersin Öğrenme Çıktıları (ÖÇ):
|
|
Dersin Öğrenme Yöntem ve Teknikleri
| Sınıfta yüzyüze yapılan dersler, ödevler, proje, vize ve final sınavları
|
HAFTALIK PROGRAM
ZORUNLU ve ÖNERİLEN OKUMALAR
1: Data Mining ? Concepts, Models, Methods and Algorithms, Mehmed Kantardzic, ISBN:0-471-22852-2: Data Mining , J. Han ? M. Kamber, Morgan-Kaufman, Academic Press, 2001, ISBN: 1-55860-901-6
DİĞER KAYNAKLAR
DEĞERLENDİRME SİSTEMİ
Yarıyıl İçi ÇalışmalarıSayıKatkı Payı (%)
Total:
| 0
| 0
|
İŞ YÜKÜ HESAPLAMASI
EtkinliklerSayısıSüresi (saat)Toplam İş Yükü (saat)
Toplam İş Yükü (saat):
| 0
|
PROGRAM YETERLİLİKLERİ (PY) ve ÖĞRENME ÇIKTILARI (ÖÇ) İLİŞKİSİ
#
| PY1
| PY2
| PY3
| PY4
| PY5
| PY6
| PY7
| PY8
| PY9
| PY10
| PY11
| PY12
|
Dersin AdıKoduYarıyılT+U+L (saat/hafta)Türü (Z / S)Yerel KrediAKTS
Veri Madenciliği
| CE 514
| Güz
| 03+00+00
| Seçmeli
| 3
| 7.5
|
Akademik Birim:
|
|
Öğrenim Türü:
| Örgün eğitim
|
Ön Koşullar
| İstatistik
|
Öğrenim Dili:
| İngilizce
|
Dersin Düzeyi:
| Yüksek Lisans
|
Dersin Koordinatörü:
| Taner ARSAN
|
Dersin Amacı:
| Veri Madenciliğinin amacı veri yığınından faydalı bilgiyi bulup çıkartmaktır ve keşfedilen bilgiyi kullanarak mevcut durumu açıklamaya yardımcı olmak ve gelecekteki oluşumları tahmin etmektir.
|
Dersin İçeriği:
| Otomatik veri analizi ve organizasyonel karar verme proseslerine destek verme amacıyla iç ve dış kaynaklardan bilgi çıkarma. Farklı uygulamaları araştırma, metodolojiler, teknikler ve modeller. Sınıflandırma, Karar Ağaçları, Birliktelik Kuralları, Kümeleme. Bu ders gerçek hayattan alınan geniş veri setleriyle , Weka Veri Madenciliği yazılımı kullanılarak vaka analizi yapma ile sonlanır.
|
Dersin Öğrenme Çıktıları (ÖÇ):
|
|
Dersin Öğrenme Yöntem ve Teknikleri
| Sınıfta yüzyüze yapılan dersler, ödevler, proje, vize ve final sınavları
|
HAFTALIK PROGRAM
ZORUNLU ve ÖNERİLEN OKUMALAR
1: Data Mining ? Concepts, Models, Methods and Algorithms, Mehmed Kantardzic, ISBN:0-471-22852-2: Data Mining , J. Han ? M. Kamber, Morgan-Kaufman, Academic Press, 2001, ISBN: 1-55860-901-6
DİĞER KAYNAKLAR
DEĞERLENDİRME SİSTEMİ
Yarıyıl İçi ÇalışmalarıSayıKatkı Payı (%)
Total:
| 0
| 0
|
İŞ YÜKÜ HESAPLAMASI
EtkinliklerSayısıSüresi (saat)Toplam İş Yükü (saat)
Toplam İş Yükü (saat):
| 0
|
PROGRAM YETERLİLİKLERİ (PY) ve ÖĞRENME ÇIKTILARI (ÖÇ) İLİŞKİSİ
#
| PY1
| PY2
| PY3
| PY4
| PY5
| PY6
| PY7
| PY8
| PY9
| PY10
| PY11
| PY12
|