İLERİ VERİ MADENCİLİĞİ

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: 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 *, Bireysel Çalışma Yöntemi, Deneyimle Öğrenme Modeli

2. 2

   Use the classification methods with KNIME

   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 * · Değerlendirme: Sözlü Sınav

3. 3

   Use the clustering methods with KNIME

   Öğretim yöntemi: Tartışma Yöntemi, Problem Çözme Yöntemi, Benzetim/Simülasyon Tekniği, Proje Temelli Öğrenme Modeli, Deneyimle Öğrenme Modeli

4. 4

   Apply the data preprocess method with KNIME

   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 *, Probleme Dayalı Öğrenme Modeli, Proje Temelli Öğrenme Modeli, Deneyimle Öğrenme Modeli · Değerlendirme: Proje Görevi

5. 5

   Use an open source 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

6. 6

   Explain the data mining and its sub-processes

   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 *, Tartışma Yöntemi, Deneyimle Öğrenme Modeli · Değerlendirme: Sözlü Sınav

7. 7

   Explain the learning-based DSSs

   Öğretim yöntemi: Proje Temelli Öğrenme Modeli, Deneyimle Öğrenme Modeli

8. 8

   Explain the knowledge-based DSSs

   Öğretim yöntemi: Deneyimle Öğrenme Modeli

9. 9

   Explain the clinical and management decision support systems.

   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

10. 10

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

    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, Beyin Fırtınası Tekniği, Kavram Haritası Tekniği, Deneyimle Öğrenme Modeli

11. 11

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

    Öğretim yöntemi: Problem Çözme Yöntemi, Soru - Cevap Tekniği, Proje Temelli Öğrenme Modeli, Deneyimle Öğrenme Modeli

12. 12

    Distinguish the differences between descriptive and predictive methods

    Öğretim yöntemi: Bireysel Çalışma Yöntemi, Deneyimle Öğrenme Modeli · Değerlendirme: Performans Görevi

13. 13

    Distinguish the appropriate method for a given data mining 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

14. 14

    Explain classification methods

    Öğretim yöntemi: Bireysel Çalışma Yöntemi, Deneyimle Öğrenme Modeli

15. 15

    Explain clustering methods

    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 *, Bireysel Çalışma Yöntemi, Deneyimle Öğrenme Modeli

16. 16

    Explain 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

17. 17

    Describe the data mining process

    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, Örnek Olay Yöntemi, Deneyimle Öğrenme Modeli · Değerlendirme: Ödev

18. 18

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

    Öğretim yöntemi: Deneyimle Öğrenme Modeli

19. 19

    Define data mining and its objectives

    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 *, Bireysel Çalışma Yöntemi, Deneyimle Öğrenme Modeli

20. 20

    Explain the basic concepts and processes in data mining

    Öğretim yöntemi: Bireysel Çalışma Yöntemi, Deney yapma Tekniği, 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

• 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