VERİ MADENCİLİĞİ

AMAÇ

Öğrencileri temel veri madenciliği teknikleri ve uygulamalarıyla tanıştırmak ve bunlara dahil olmalarını sağlamaktır

İÇERİK

Bu ders; Veri Madenciliğine Giriş ve Temel Kavramlar,Veri Madenciliği Süreci ,Verinin keşfi ve görselleştirme ,Nitelik seçimi ve veri dönüştürme ,Kümeleme Yöntemleri ,Uygulama: Kümeleme ,Sınıflama Yöntemleri-Karar Ağaçları ,Uygulama: Sınıflama,Uygulama: Sınıflama,Birliktelik Kuralı Analizi,Uygulama: Birliktelik kuralı analizi,Uygulama: Problem odaklı veri madenciliği,Dönem sonu proje sunumları,Dönem sonu proje sunumları; konularını içermektedir.

1. 1

   Understands the basic concepts and processes related to data mining.

   Öğretim yöntemi: Bireysel Çalışma Yöntemi, Deney yapma Tekniği, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav

2. 2

   Define data mining and its objectives.

   Öğretim yöntemi: Bireysel Çalışma Yöntemi, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav

3. 3

   Understands data, database, data warehouse and related basic concepts.

   Öğretim yöntemi: Bireysel Çalışma Yöntemi, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav

4. 4

   Describe the data mining process.

   Öğretim yöntemi: Bireysel Çalışma Yöntemi, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav

5. 5

   Describes common data mining methods.

   Öğretim yöntemi: Problem Çözme Yöntemi, Örnek Olay Yöntemi, Bireysel Çalışma Yöntemi, Deney yapma Tekniği, Proje Temelli Öğrenme Modeli, Deneyimle Öğrenme Modeli, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav

6. 6

   Understands the clustering method.

   Öğretim yöntemi: Bireysel Çalışma Yöntemi, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav

7. 7

   Defines classification methods.

   Öğretim yöntemi: Bireysel Çalışma Yöntemi, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav

8. 8

   Distinguishes which data mining method to use in a given problem.

   Öğretim yöntemi: Öğretme – öğrenme yöntem ve stratejileri, öğrencilerin kendi kendine çalışma, yaşam boyu öğrenme, gözlem yapma, başkasına öğretme, sunma, eleştirel düşünme, takım çalışması, bilişimden etkin yararlanma gibi becerilerini arttıracak şekilde seçilmektedir. Ayrıca, öğretim tarzının farklı kabiliyetleri olan öğrencileri destekleyecek biçimde olmasına dikkat edilir. Programında kullanılan eğitim-öğretim metotları aşağıdaki listede verilmiştir **: Eğitim - Öğretim Yöntemleri *, Problem Çözme Yöntemi, Bireysel Çalışma Yöntemi, Kavram Haritası Tekniği, Proje Temelli Öğrenme Modeli, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav

9. 9

   Distinguish the differences between descriptive and predictive methods.

   Öğretim yöntemi: Bireysel Çalışma Yöntemi, Proje Temelli Öğrenme Modeli, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav

10. 10

    Propose a correct (supervised/unsupervised) method for a given data mining problem.

    Öğretim yöntemi: Bireysel Çalışma Yöntemi, Proje Temelli Öğrenme Modeli, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav, Kısa Sınav

11. 11

    Interpret the most possible methods for a given data set with respect to the data types and pattern.

    Öğretim yöntemi: Bireysel Çalışma Yöntemi, Proje Temelli Öğrenme Modeli, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav

12. 12

    Defines clinical and management decision support systems and their types.

    Öğretim yöntemi: Örnek Olay Yöntemi, Deney yapma Tekniği, Kavram Haritası Tekniği, Sorgulama Temelli Öğrenme Modeli, Proje Temelli Öğrenme Modeli, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav

13. 13

    Defines knowledge-based DSS.

    Öğretim yöntemi: Bireysel Çalışma Yöntemi, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav

14. 14

    Defines supervised KDs.

    Öğretim yöntemi: Bireysel Çalışma Yöntemi, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav

15. 15

    Defines the concept and processes of data mining.

    Öğretim yöntemi: Bireysel Çalışma Yöntemi, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav

16. 16

    It uses a data mining tool (KNIME).

    Öğretim yöntemi: Örnek Olay Yöntemi, Bireysel Çalışma Yöntemi, Beyin Fırtınası Tekniği, Kavram Haritası Tekniği, Sorgulama Temelli Öğrenme Modeli, Proje Temelli Öğrenme Modeli, Deneyimle Öğrenme Modeli, Deneyimle Öğrenme Modeli · Değerlendirme: Ödev, Proje Görevi

17. 17

    Apply the data preprocess method with KNIME.

    Öğretim yöntemi: Tartışma Yöntemi, Bireysel Çalışma Yöntemi, Deney yapma Tekniği, Deneyimle Öğrenme Modeli, Deneyimle Öğrenme Modeli · Değerlendirme: Ödev, Proje Görevi

18. 18

    Use the clustering methods with KNIME.

    Öğretim yöntemi: Bireysel Çalışma Yöntemi, Kavram Haritası Tekniği, Deneyimle Öğrenme Modeli, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav, Ödev, Proje Görevi

19. 19

    Use the classification methods with KNIME.

    Öğretim yöntemi: Bireysel Çalışma Yöntemi, Deneyimle Öğrenme Modeli, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav, Ödev

20. 20

    Use the association rules with KNIME.

    Öğretim yöntemi: Bireysel Çalışma Yöntemi, Proje Temelli Öğrenme Modeli, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav

HAFTALIK PLAN

1. HAFTA 1

   Veri Madenciliğine Giriş ve Temel Kavramlar

   Ön hazırlık: Temel veri tabanı kavramları

2. HAFTA 2

   Veri Madenciliği Süreci

   Ön hazırlık: SQL'in DML olarak kullanımı, işlemsel SQL, veri ambarı mimarileri, neden veri dönüştürme yaparız, vb

3. HAFTA 3

   Verinin keşfi ve görselleştirme

   Ön hazırlık: Veri görselleştirmede grafik türleri ve grafiğin öğeleri (boyut, ölçüt, vb.)

4. HAFTA 4

   Nitelik seçimi ve veri dönüştürme

   Ön hazırlık: Veri türleri, veri genelleştirme ve özelleştirme

5. HAFTA 5

   Kümeleme Yöntemleri

   Ön hazırlık: Kümelemede temel yöntemler: Hiyerarşik Kümeleme, Kitle Merkezi Tabanlı Kümeleme, Yoğunluk Tabanlı Kümeleme, Dağılım Tabanlı Kümeleme

6. HAFTA 6

   Uygulama: Kümeleme

   Ön hazırlık: KNIME kullanımı ile ilgili pratikler

7. HAFTA 7

   Sınıflama Yöntemleri-Karar Ağaçları

   Ön hazırlık: Sınıflama ile kümeleme arasındaki temel farklar, bir karar ağacı nasıl oluşturulur ve karar ağacı algoritmaları (ID 3, C4.5, vb.)

8. HAFTA 8

   Uygulama: Sınıflama

   Ön hazırlık: KNIME kullanımı ile ilgili pratikler

9. HAFTA 9

   Uygulama: Sınıflama

   Ön hazırlık: KNIME kullanımı ile ilgili pratikler

10. HAFTA 10

    Birliktelik Kuralı Analizi

    Ön hazırlık: Market sepeti analizi

11. HAFTA 11

    Uygulama: Birliktelik kuralı analizi

    Ön hazırlık: KNIME kullanımı ile ilgili pratikler

12. HAFTA 12

    Uygulama: Problem odaklı veri madenciliği

    Ön hazırlık: Kümeleme, karar ağacı, birliktelik kuralı analizi

13. HAFTA 13

    Dönem sonu proje sunumları

    Ön hazırlık: Nitelik seçimi, veri dönüştürme, veri madenciliği uygulaması ve sonuçların değerlendirilmesini kapsayan bir proje sunumu

14. HAFTA 14

    Dönem sonu proje sunumları

    Ön hazırlık: Nitelik seçimi, veri dönüştürme, veri madenciliği uygulaması ve sonuçların değerlendirilmesini kapsayan bir proje sunumu

DEĞERLENDİRME

• Ara Sınavın Başarıya Oranı50%
• Genel Sınavın Başarıya Oranı50%

İŞ YÜKÜ

KAYNAKLAR

• Data Mining: Concepts and Techniques, Morgan Kaufmann Publisher San Francisco - Pang-Ning Tan, Michael Steinbach, Vipin Kumar, Introduction to Data Mining, Addison Wesley, (2005)

ÖĞRETİM ELEMANLARI

• Prof.Dr. Reda ALHAJJKOORDİNATÖR
• Prof.Dr. Reda ALHAJJ