VERİ MADENCİLİĞİ İLKELERİ

Ders Açıklaması

Bu derste, bilgisayarların veri kümelerini örüntüler ve düzenlilikler için aramasını ve tahminler yapmasını sağlayan algoritmalar ve hesaplama paradigmalarının çalışması olan veri madenciliği ele alınmaktadır. Yapılandırılmamış verilerden anlamlı bilgilerin çıkarılmasıyla ilgilenen daha geniş bir süreç olan bilgi keşfi kapsamlı bir şekilde tanıtılır. Ders, tümü bilgi keşfinin adımları olan veri seçimi, temizleme, kodlama, çeşitli istatistiksel ve makine öğrenimi yaklaşımlarının uygulanması ve ortaya çıkan yapıların görselleştirilmesini araştırır. Bu dersi başarıyla tamamlayan öğrencilerin sınıflandırma, kural tabanlı öğrenme, karar ağaçları ve birliktelik kuralları gibi çeşitli veri madenciliği tekniklerini öğrenmeleri beklenir. Ek olarak, öğrencilerin verilerin seçilmesi ve temizlenmesi, verilerdeki "gizli" örüntüler hakkında "öğrenme" için makine öğrenimi yöntemleri ve elde edilen bilgilerin raporlanması ve görselleştirilmesi hakkında bilgi sahibi olmaları beklenmektedir.

VERİ MADENCİLİĞİ İLKELERİ

Değerlendirme Araçları (Aktif Dönem)

Değerlendirme öğesi tanımlanmamış.

Ders çıktıları

Henüz ders çıktısı tanımlanmamış.

Ders Müfredatı

Referans Kitaplar & Ders Materyalleri

1. 01 Introduction to Data Mining, 2nd edition, Pang-Ning Tan, Michael Steinbach, Vipin Kumar, Pearson, 2018

Ders Çıktıları

1. L01 Veri madenciliğinde temel kavramları, terminolojiyi ve süreçleri tanımlayın ve büyük veri kümelerinden anlamlı kalıplar çıkarmadaki rolünü açıklayın. SOLO 2
2. L01 Çeşitli veri türlerini, kaynaklarını ve formatlarını tanımlama, açıklama ve bunların farklı veri madenciliği görevleri için uygunluğunu değerlendirebilme SOLO 3
3. L01 Analiz için gerçek dünya veri kümelerini toplamak ve hazırlamak amacıyla web kazıma tekniklerini uygulamak da dahil olmak üzere uygun veri toplama yöntemlerini uygulayabilme SOLO 4
4. L04 Veri madenciliği uygulamalarıyla ilgili etik, yasal ve gizlilik endişelerini tartışır, değerlendirir ve veri kullanımı için stratejiler formüle eder SOLO 5
5. L05 Veri kalitesini ve model performansını artırmak için temizleme, bütünleştirme, dönüştürme ve indirgeme gibi veri ön işleme işlemlerini gerçekleştirin. SOLO 4
6. L06 Uygun metrikleri kullanarak sınıflandırma algoritmalarını (hem denetlenen hem de denetlenmeyen) uygulayın ve değerlendirin ve veri odaklı sonuçlara ulaşmak için model değerlendirme sonuçlarını yorumlayın. SOLO 5

Program Çıktıları

1. P01 Programlama bilgisini uygulayabilme
2. P02 Değişen komplekslikte software sistem tasarımı
3. P03 Bilgisayar sebepli problemleri belirleme, kategorize etme ve çözüm geliştirme
4. P04 Bilgisayar programcılık projelerinde yöneterek sorumluluk alma
5. P05 Bilgisayar teknolojileri alanında güncel konseptleri takip etmek
6. P06 Gerçekci kısıtlamalara uygun olarak gerekli bilgisayar sistemlerini dizayn etme, uygulama ve değerlendirmek.
7. P07 Bilgisayar kullanımı için gerekli olan teknik, beceri ve araçları kullanabilme
8. P08 Kanıta dayalı karar vermeyi kolaylaştırmak için kurumsal ve çevresel verilerin toplanmasına ve analizine uygun teknolojiler ve teknikler uygulamak
9. P09 Profesyonel ortamla geçerli olan etkili iletişim becerileri uygulamak
10. P10 Profesyonel ortamla geçerli olan etkin işbirliği becerileri uygulamak

Pç-Dç Matrisi