İleri Veri Madenciliği

AMAÇ

Derste veri madenciliğinin temel yöntemleri, farklı veri madenciliği konularına çözüm olabilecek algoritmalara genel bir yaklaşım sağlamak ve bu algortimaları gerçek problemlere uygulamak.

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

   Use the association rules with KNIME

   Öğretim yöntemi: Tartışma Yöntemi, Soru - Cevap Tekniği, Anlatım Yöntemi

2. 2

   Use the classification methods with KNIME

   Öğretim yöntemi: Tartışma Yöntemi · Değerlendirme: Sözlü Sınav

3. 3

   Use the clustering methods with KNIME

   Öğretim yöntemi: Gösterip Yapma Yöntemi, Örnek Olay Yöntemi, Kavram Haritası Tekniği, Deneyimle Öğrenme Modeli, Anlatım Yöntemi

4. 4

   Apply the data preprocess method with KNIME

   Öğretim yöntemi: Tartışma Yöntemi, Probleme Dayalı Öğrenme Modeli, Deneyimle Öğrenme Modeli, Anlatım Yöntemi · Değerlendirme: Proje Görevi

5. 5

   Use an open source 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

6. 6

   Explain the data mining and its sub-processes

   Öğretim yöntemi: Tartışma Yöntemi, Gösterip Yapma Yöntemi, Anlatım Yöntemi · Değerlendirme: Sözlü Sınav

7. 7

   Explain the learning-based DSSs

   Öğretim yöntemi: Deneyimle Öğrenme Modeli, Anlatım Yöntemi

8. 8

   Explain the knowledge-based DSSs

   Öğretim yöntemi: Anlatım Yöntemi

9. 9

   Explain the clinical and management decision support systems.

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

10. 10

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

    Öğretim yöntemi: Tartışma Yöntemi, Örnek Olay Yöntemi, Soru - Cevap Tekniği, Proje Temelli Öğrenme Modeli, Sorgulama Temelli Öğrenme Modeli, Anlatım Yöntemi

11. 11

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

    Öğretim yöntemi: Örnek Olay Yöntemi, Beyin Fırtınası Tekniği, Deneyimle Öğrenme Modeli, Anlatım Yöntemi

12. 12

    Distinguish the differences between descriptive and predictive methods

    Öğretim yöntemi: Soru - Cevap Tekniği, Anlatım Yöntemi · Değerlendirme: Performans Görevi

13. 13

    Distinguish the appropriate method for a given data mining problem.

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

14. 14

    Explain classification methods

    Öğretim yöntemi: Soru - Cevap Tekniği, Anlatım Yöntemi

15. 15

    Explain clustering methods

    Öğretim yöntemi: Tartışma Yöntemi, Soru - Cevap Tekniği, Anlatım Yöntemi

16. 16

    Explain 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

17. 17

    Describe the data mining process

    Öğretim yöntemi: Tartışma Yöntemi, Örnek Olay Yöntemi, Bireysel Çalışma Yöntemi, Anlatım Yöntemi · Değerlendirme: Ödev

18. 18

    Explain basic concepts, including data, database, data wearehouse, etc

    Öğretim yöntemi: Anlatım Yöntemi

19. 19

    Define data mining and its objectives

    Öğretim yöntemi: Tartışma Yöntemi, Soru - Cevap Tekniği, Anlatım Yöntemi

20. 20

    Explain the basic concepts and processes in data mining

    Öğretim yöntemi: Soru - Cevap Tekniği, Mikro Öğretim Tekniği, 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

• Ders sunum notları ve lab dosyaları (düzenli olarak ders sayfasında paylaşılacaktır) - Veri Madenciliği Teori Uygulama ve Felsefesi, Dr. İlker KÖSE (2015) - Kavram ve Algoritmalarıyla Temel Veri Madenciliği, Dr. Gökhan SİLAHTAROĞLU - Veri Madenciliği Yöntemleri, Dr. Yalçın ÖZKAN - Han Jiawei and Kamber Micheline (2006), 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

• Assist.Prof. Kevser Banu KÖSEKOORDİNATÖR
• Assist.Prof. Kevser Banu KÖSE