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 Kuruluşlarda karşılaşılan güvenlik sorunlarına güvenlik protokolünü ve araçlarını anlayabilirler ve uygulayabilirler,
2. P02 Güvenlik sorunlarıyla mücadele etmek için güvenlik yazılımı tasarlayabilirler,
3. P03 Bilgisayar odaklı zorluklar için güvenlik çözümlerini tanımlayabilir, kategorize edebilir ve geliştirebilirler
4. P04 Bilgisayar güvenliği projelerinin yönetiminde özerklik ve sorumluluk gösterebilirler
5. P05 Bilgisayar teknolojisi güvenliğinde en son kavramları takip edebilirler
6. P06 Gerçekçi kısıtlamalar içinde istenen güvenlik ihtiyaçlarını karşılamak için bir hesaplama sistemi tasarlayabilir, uygulayabilir ve değerlendirebilirler
7. P07 Bilgisayar sistemlerinin güvenliğini sağlamak için gerekli olan uygun güvenlik tekniklerini, protokolleri, becerileri ve araçları kullanabilirler
8. P08 Profesyonel, etik, yasal, güvenlik ve sosyal konuları ve sorumlulukları anlayabilirler
9. P09 Profesyonel ortamla uyumlu ekip çalışmasında etkili işbirliği becerilerini uygulayabilirler
10. P10 Bir kuruluşta güvenli bir operasyonu kolaylaştırmak için uygun güvenlik teknolojisi ve tekniklerini uygulayabilirler

Pç-Dç Matrisi