Hafta |
Konu |
Ön Hazırlık |
1) |
. Hangi Veri Madenciliğini Motive Edersiniz? Neden Önemlidir?
• Peki, Veri Madenciliği Nedir?
• Veri Madenciliği - Ne Tür Veri Üzerine uygulanır?
• Veri Madenciliği İşlevsellikleri-Ne Türlü Modeller Olabilir? |
Kitabın 1.bölümünün okunması
J.Han and M.Kamber, Data Mining Concept and Techniques, Morgan Kaufmann Publishers, 2011 |
2) |
• Veri nedir?
•Öznitellikler.
• Nitelik türleri.
• Ayrık ve sürekli değişkenler.
• Veri kümesinin türleri.
•Kayıt verileri.
•Veri matrisi.
• Belge verileri.
•Işlem verileri.
• Grafik verileri.
• Kimyasal veriler.
• Sipariş edilen veriler.
• Neden veri ön işleme tabi tutuluyor?
• Veriler neden kirlidir?
• Veri önişleme neden önemlidir?
• Veri kalitesinin çok boyutlu ölçümü.
• Veri önişlemede başlıca görevler.
•Veri kalitesi.
•Gürültü, ses.
• Aykırı. |
Kitabın 2.bölümünün okunması
J.Han and M.Kamber, Data Mining Concept and Techniques, Morgan Kaufmann Publishers, 2011 |
3) |
•Kayıp veriler.
• Çift veri.
• Verilerin tanımlayıcı özelliklerinin madenciliği.
• Merkezi eğilimi ölçmek.
• Simetrik ve çarpık veriler.
• Normal dağılım eğrisinin özellikleri.
• Histogram analizi.
• Pozitif ve negatif korelasyonlu veriler.
• İlişkili olmayan veriler.
•Veri temizleme.
• Kayıp veriler nasıl ele alınır?
• Gürültülü veriler nasıl ele alınır?
• Basit ayrıklaştırma yöntemleri: Binning.
• Regresyon.
•Küme analizi.
• Süreç olarak veri temizleme.
• Toplama.
• Örnekleme.
• Örnekleme türleri.
•Örnek boyut. |
Kitabın 2.bölümünün okunması
J.Han and M.Kamber, Data Mining Concept and Techniques, Morgan Kaufmann Publishers, 2011 |
4) |
• Sınıflandırma.
• Sınıflandırma işlemini açıklamak.
• Sınıflandırma örnekleri.
• Sınıflandırma teknikleri.
• Bir karar ağacı örneği.
• Karar ağacına bir başka örnek.
• Test verilerine model uygulama.
• Karar ağacı oluşturma.
• Konular: veri hazırlama.
• Konular: sınıflandırma yöntemlerinin değerlendirilmesi.
• Karar ağacı çıkarımı için algoritma (ID3 / C4.3).
• Öznitelik seçim ölçeği: Bilgi kazancı.
• Karar ağacı örneği. |
Kitabın 8.bölümünün okunması
J.Han and M.Kamber, Data Mining Concept and Techniques, Morgan Kaufmann Publishers, 2011 |
5) |
• Sayısal değişkenler ve eksik değerler.
• Aşırı uydurma ve ağaç budama.
• Temel karar ağacı iyileştirme.
• Model değerlendirmesi.
• Performans değerlendirme metrikleri.
• Doğruluk sınırı.
• Maliyet matrisi.
• Doğruluk hesaplanması.
• Maliyete duyarlı önlemler.
• Model değerlendirmesi.
• Performans değerlendirme yöntemleri.
• Tahmin yöntemleri.
• ROC (Alıcı İşletim Karakteristiği).
• Örnek Temelli Sınıflandırma.
• En yakın komşu sınıflandırması.
• k-En yakın komşu algoritması örneği. |
Kitabın 8 ve 9.bölümünün okunması
J.Han and M.Kamber, Data Mining Concept and Techniques, Morgan Kaufmann Publishers, 2011 |
6) |
• Kümeleme analizi nedir?
• Kümeleme analizi uygulamaları.
• Kümeleme analizi ne değildir?
• Kümeleme kavramı belirsiz olabilir.
• Kümeleme türleri.
• Giriş verilerinin özellikleri önemlidir.
• Kümeleme algoritmaları.
•Hiyerarşik kümeleme.
. Aglomeratif kümeleme algoritması.
• Küme uzaklığı ölçüleri.
• Tek link (min) hiyerarşik kümeleme.
• Tek link (min) hiyerarşik kümeleme örneği. |
Kitabın 10.bölümünün okunması
J.Han and M.Kamber, Data Mining Concept and Techniques, Morgan Kaufmann Publishers, 2011 |
7) |
•Komple link (maks.) Hiyerarşik kümeleme örneği.
• K-ortalama algoritması
• Başlangıçtaki centroid'lerin seçilmesinin önemi.
• K-ortalama algoritmasının kısıtları.
• k-ortalama algoritmasının sınırlamalarını aşmak.
• K-ortalama örneği |
Kitabın 10.bölümünün okunması
Data Mining Concept and Techniques
J.Han and M.Kamber
@2012| Morgan Kaufmann Publishers
ISBN 978-0-12-381479-1
|
8) |
Arasınav1 |
J.Han and M.Kamber, Data Mining Concept and Techniques, Morgan Kaufmann Publishers, 2011 |
9) |
Birliktelik kuralı madenciliği
• Sık öğe seti
•Birliktelik kuralı
• Birliktelik kuralı madenciliği
. Apriori algoritması
• Apriori algoritması örneği |
Kitabın 6.bölümünün okunması
J.Han and M.Kamber, Data Mining Concept and Techniques, Morgan Kaufmann Publishers, 2011 |
10) |
• İstatistiksel sınıflandırma modelleri.
• Bayes teoremi ve sınıflandırıcı.
• Bayes sınıflandırıcı örneği.
•Sürekli değişkenler. |
Kitabın 6.bölümünün okunması
J.Han and M.Kamber, Data Mining Concept and Techniques, Morgan Kaufmann Publishers, 2011 |
11) |
• Metin ve web madenciliği.
• Doğal dil işleme.
• Konuşma parçasının etiketlenmesi.
• Sözcük mantıktan anlam ayrılığı.
• Metin veritabanları ve IR.
• İndeksleme teknikleri.
• Metin veri madenciliği türleri.
• Metin sınıflandırması.
• Belge kümelemesi.
• Metin sınıflandırması.
• Sınıflandırma yöntemleri.
• Vektör uzayı modeli. |
J.Han and M.Kamber, Data Mining Concept and Techniques, Morgan Kaufmann Publishers, 2011 |
12) |
Arasınav2 |
J.Han and M.Kamber, Data Mining Concept and Techniques, Morgan Kaufmann Publishers, 2011 |
13) |
Proje sunumları |
J.Han and M.Kamber, Data Mining Concept and Techniques, Morgan Kaufmann Publishers, 2011 |
14) |
Proje sunumları |
J.Han and M.Kamber, Data Mining Concept and Techniques, Morgan Kaufmann Publishers, 2011 |
15) |
Final sınavı |
J.Han and M.Kamber, Data Mining Concept and Techniques, Morgan Kaufmann Publishers, 2011 |
|
Dersin Program Kazanımlarına Etkisi |
Katkı Payı |
1) |
Matematik, fen bilimleri ve kendi dalları ile ilgili mühendislik konularında yeterli bilgi birikimi; bu alanlardaki kuramsal ve uygulamalı bilgileri mühendislik problemlerini modelleme ve çözme için uygulayabilme becerisi. |
|
2) |
Karmaşık mühendislik problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi. |
|
3) |
Karmaşık bir sistemi, süreci, cihazı veya ürünü gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlama becerisi; bu amaçla modern tasarım yöntemlerini uygulama becerisi. (Gerçekçi kısıtlar ve koşullar tasarımın niteliğine göre, ekonomi, çevre sorunları, sürdürülebilirlik, üretilebilirlik, etik, sağlık, güvenlik, sosyal ve politik sorunlar gibi ögeleri içerirler.) |
|
4) |
Mühendislik uygulamaları için gerekli olan modern teknik ve araçları geliştirme, seçme ve kullanma becerisi; bilişim teknolojilerini etkin bir şekilde kullanma becerisi. |
|
5) |
Karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisi. |
|
6) |
Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi; bireysel çalışma becerisi. |
|
7) |
Türkçe sözlü ve yazılı etkin iletişim kurma becerisi; en az bir yabancı dil bilgisi; etkin rapor yazma ve yazılı raporları anlama, tasarım ve üretim raporları hazırlayabilme, etkin sunum yapabilme, açık ve anlaşılır talimat verme ve alma becerisi. |
|
8) |
Yaşam boyu öğrenmenin gerekliliği bilinci; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi. |
|
9) |
Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk bilinci; mühendislik uygulamalarında kullanılan standartlar hakkında bilgi. |
|
10) |
Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi. |
|
11) |
Mühendislik uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın mühendislik alanına yansıyan sorunları hakkında bilgi; mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık. |
|
12) |
otomotiv mühendisliği uygulamalarına yönelik türevsel denklemleri de içerecek biçimde, ileri matematik bilgisi; istatistik ve lineer cebir konularına aşinalık; kimya, matematiğe dayalı fizik, dinamik, yapısal mekanik, malzemelerin yapıları ve özellikleri, akışkanlar mekaniği, ısı transferi, üretim süreçleri, elektronik ve kontrol, taşıt elemanları tasarımı, taşıt dinamiği, taşıt tahrik ve güç sistemleri, otomotiv alanındaki teknik mevzuat ve taşıt doğrulama testleri konularında bilgi; bu bilgilerin çok disiplinli otomotiv problemlerinin çözümüne yönelik olarak birleştirilmesi ve uygulanması becerisi; kuramsal, deneysel ve benzetim yöntemleri ile bilgisayar destekli tasarım tekniklerinin otomotiv mühendisliği alanında kullanımı becerisi; taşıt tasarımı ve imalatı alanlarında çalışabilme becerisi. |
|