Veri Madenciliği

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: Soru - Cevap Tekniği, Mikro Öğretim Tekniği, Anlatım Yöntemi · Değerlendirme: Klasik Yazılı Sınav

2. 2

   Define data mining and its objectives.

   Öğretim yöntemi: Soru - Cevap Tekniği, Anlatım Yöntemi · Değerlendirme: Klasik Yazılı Sınav

3. 3

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

   Öğretim yöntemi: Soru - Cevap Tekniği, Anlatım Yöntemi · Değerlendirme: Klasik Yazılı Sınav

4. 4

   Describe the data mining process.

   Öğretim yöntemi: Soru - Cevap Tekniği, Anlatım Yöntemi · Değerlendirme: Klasik Yazılı Sınav

5. 5

   Describes common data mining methods.

   Öğretim yöntemi: Örnek Olay Yöntemi, Bireysel Çalışma Yöntemi, Soru - Cevap Tekniği, Mikro Öğretim Tekniği, Deneyimle Öğrenme Modeli, Ters-yüz Edilmiş Sınıf Modeli, Anlatım Yöntemi · Değerlendirme: Klasik Yazılı Sınav

6. 6

   Understands the clustering method.

   Öğretim yöntemi: Soru - Cevap Tekniği, Anlatım Yöntemi · Değerlendirme: Klasik Yazılı Sınav

7. 7

   Defines classification methods.

   Öğretim yöntemi: Soru - Cevap Tekniği, Anlatım Yöntemi · Değerlendirme: Klasik Yazılı Sınav

8. 8

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

   Öğretim yöntemi: Tartışma Yöntemi, Örnek Olay Yöntemi, Soru - Cevap Tekniği, Sorgulama Temelli Öğrenme Modeli, Deneyimle Öğrenme Modeli, Anlatım Yöntemi · Değerlendirme: Klasik Yazılı Sınav

9. 9

   Distinguish the differences between descriptive and predictive methods.

   Öğretim yöntemi: Soru - Cevap Tekniği, Deneyimle Öğrenme Modeli, Anlatım Yöntemi · Değerlendirme: Klasik Yazılı Sınav

10. 10

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

    Öğretim yöntemi: Soru - Cevap Tekniği, Deneyimle Öğrenme Modeli, Anlatım Yöntemi · 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: Soru - Cevap Tekniği, Deneyimle Öğrenme Modeli, Anlatım Yöntemi · Değerlendirme: Klasik Yazılı Sınav

12. 12

    Defines clinical and management decision support systems and their types.

    Öğretim yöntemi: Bireysel Çalışma Yöntemi, Mikro Öğretim Tekniği, Sorgulama Temelli Öğrenme Modeli, İşbirlikli Öğrenme Modeli, Deneyimle Öğrenme Modeli, Anlatım Yöntemi · Değerlendirme: Klasik Yazılı Sınav

13. 13

    Defines knowledge-based DSS.

    Öğretim yöntemi: Soru - Cevap Tekniği, Anlatım Yöntemi · Değerlendirme: Klasik Yazılı Sınav

14. 14

    Defines supervised KDs.

    Öğretim yöntemi: Soru - Cevap Tekniği, Anlatım Yöntemi · Değerlendirme: Klasik Yazılı Sınav

15. 15

    Defines the concept and processes of data mining.

    Öğretim yöntemi: Soru - Cevap Tekniği, Anlatım Yöntemi · Değerlendirme: Klasik Yazılı Sınav

16. 16

    It uses a data mining tool (KNIME).

    Öğretim yöntemi: Bireysel Çalışma Yöntemi, Soru - Cevap Tekniği, Proje Temelli Öğrenme Modeli, Sorgulama Temelli Öğrenme Modeli, İşbirlikli Öğrenme Modeli, Deneyimle Öğrenme Modeli, Ters-yüz Edilmiş Sınıf Modeli, Anlatım Yöntemi · Değerlendirme: Ödev, Proje Görevi

17. 17

    Apply the data preprocess method with KNIME.

    Öğretim yöntemi: Problem Çözme Yöntemi, Soru - Cevap Tekniği, Mikro Öğretim Tekniği, Ters-yüz Edilmiş Sınıf Modeli, Anlatım Yöntemi · Değerlendirme: Ödev, Proje Görevi

18. 18

    Use the clustering methods with KNIME.

    Öğretim yöntemi: Soru - Cevap Tekniği, Sorgulama Temelli Öğrenme Modeli, Ters-yüz Edilmiş Sınıf Modeli, Anlatım Yöntemi · Değerlendirme: Klasik Yazılı Sınav, Ödev, Proje Görevi

19. 19

    Use the classification methods with KNIME.

    Öğretim yöntemi: Soru - Cevap Tekniği, Ters-yüz Edilmiş Sınıf Modeli, Anlatım Yöntemi · Değerlendirme: Klasik Yazılı Sınav, Ödev

20. 20

    Use the association rules with KNIME.

    Öğretim yöntemi: Soru - Cevap Tekniği, Deneyimle Öğrenme Modeli, Anlatım Yöntemi · 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