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 Gerçek yaşam durumlarındaki zorluklara veri bilimi ilke ve tekniklerini uygulayabilir ve çözümlerini etkin bir şekilde iletebilirler.
2. P02 Teorik fikirlere, etik koda ve temel verilere ilişkin derinlemesine bilgiye dayalı veri analizi metodolojilerini belirleyebilir ve uygulayabilirler.
3. P03 Gerçek hayattaki uygulamalarda bilgi analizi için yol gösterici kavramları ve değerlendirme prosedürlerini analiz edebilirler.
4. P04 İşle ilgili sorunlara belirsiz çözümler bulmak için ilgili veri analizi modellerini tasarlayabilir ve uygulayabilirler.
5. P05 Paralel ve dağıtılmış bilgi işlem ve makine öğrenimi gibi büyük miktarda veriyle karakterize edilen gerçek dünya sorunlarını ele almak için modern bilgi işlem tekniklerinden yararlanabilirler.
6. P06 Her boyuttaki yapılandırılmış ve yapılandırılmamış veri kümesinden kullanılabilir bilgileri verimli bir şekilde üretmek için gereken yazılım araçlarını yapılandırabilir ve yönetebilirler.
7. P07 Karmaşık verilerden yararlı bilgiler elde etmeyi amaçlayan projeleri organize etmek ve tamamlamak için veri bilimi araçlarını ve tekniklerini yönetebilirler.
8. P08 Gerçek dünyadaki sorunları çeşitli açılardan kavrayarak eleştirel ve yaratıcı düşünebilirler ve sorunları işbirliği içinde çözmek için çeşitli ekiplerde çalışabilirler.
9. P09 Veri tabanlı çözümleri kullanıcı ortamına etkin bir şekilde entegre edebilme ve teknik olmayan profesyonellere bu çözümleri keşfetme, görselleştirme ve kullanma konusunda yardımcı olabilirler.
10. P10 Veri sahipliği ve atıf, veri güvenliği ve hassasiyeti ve veri analizinin mahremiyet üzerindeki etkileri gibi konularda mesleki ve etik standartlar kapsamındaki yükümlülüklerini anlayabilirler.

Pç-Dç Matrisi