T.C. İstanbul Okan Üniversitesi BİLGİ PAKETİ / DERS KATALOĞU
| Bilişim Sistemleri (YL) (Tezsiz) (İngilizce) | |||||
| Yüksek Lisans | TYYÇ: 7. Düzey | QF-EHEA: 2. Düzey | EQF-LLL: 7. Düzey | ||
Ders Genel Tanıtım Bilgileri
| Ders Kodu: | EBIS517 | ||||||||
| Ders İsmi: | Data Mining | ||||||||
| Ders Yarıyılı: |
Güz Bahar |
||||||||
| Ders Kredileri: |
|
||||||||
| Öğretim Dili: | EN | ||||||||
| Ders Koşulu: | |||||||||
| Ders İş Deneyimini Gerektiriyor mu?: | Hayır | ||||||||
| Dersin Türü: | Bölüm Seçmeli | ||||||||
| Dersin Seviyesi: |
|
||||||||
| Dersin Veriliş Şekli: | Yüz yüze | ||||||||
| Dersin Koordinatörü: | Dr.Öğr.Üyesi FERİDUN CEMAL ÖZÇAKIR | ||||||||
| Dersi Veren(ler): | |||||||||
| Dersin Yardımcıları: |
Dersin Amaç ve İçeriği
| Dersin Amacı: | Bu ders ile öğrenciler, veritabanlarında bilgi keşfi süreçlerini, veri madenciliği kavramını, yöntemlerini ve sık olarak kullanılan veri madenciliği algoritmalarını öğrenecekler ve bu algoritmaları basit seviyede uygulayacaklardır. |
| Dersin İçeriği: | Veri; enformasyon ve bilgi kavramları; Veri madenciliğine giriş; Veritabanlarında bilgi keşfi (VTBK); Veritabanları; OLTP; Veri ambarları; Veri küpleri; OLAP; VTBK- veri seçimi; VTBK- veri önişleme (veri temizleme - veri dönüşümü); Sınıflama yöntemleri (karar ağaçları; ID3 ve bayes algoritmaları; vb);Kümeleme yöntemleri (k-means; k-medoids; dbscan algoritmaları; vb); Birliktelik-ilişki kuralları (market sepet; apriori algoritması; vb.); Apriori algoritması ile veri madenciliği çalışması örneklemesi. |
Öğrenme Kazanımları
Bu dersi başarıyla tamamlayabilen öğrenciler;
|
||||||||||||||||||||||||||||||||||
Ders Akış Planı
| Hafta | Konu | Ön Hazırlık |
| 1) | Veri, enformasyon ve bilgi kavramları | Projeksiyon, Bilgisayar |
| 2) | Veri madenciliği kavramı ve veritabanlarında bilgi keşfi süreçlerine giriş | Projeksiyon, Bilgisayar, Kaynak Kitaplar |
| 3) | Veritabanları, veri ambarları, veri modelleri, OLTP ve OLAP | Projeksiyon, Bilgisayar, Kaynak Kitaplar |
| 4) | Veritabanlarında bilgi keşfi süreçleri: Veri seçimi ve Veri önişleme | Projeksiyon, Bilgisayar, Kaynak Kitaplar |
| 5) | Veritabanlarında bilgi keşfi süreçleri: Veri indirgeme | Projeksiyon, Bilgisayar, Kaynak Kitaplar |
| 6) | Veri madenciliği yöntemleri: Sınıflama (Karar ağaçları, Bayes, Naive Bayes) | Projeksiyon, Bilgisayar, Kaynak Kitaplar |
| 7) | Veri madenciliği yöntemleri: Sınıflama (ID3) | Projeksiyon, Bilgisayar, Kaynak Kitaplar |
| 8) | Veri madenciliği yöntemleri: Kümeleme (AGNES, DIANA, K-Means, K-Medoids ve DB-SCAN) | Projeksiyon, Bilgisayar, Kaynak Kitaplar |
| 9) | ARA SINAV | |
| 10) | Veri madenciliği yöntemleri: Birliktelik Kuralı (Destek ve Güven değerleri) | Projeksiyon, Bilgisayar, Kaynak Kitaplar |
| 11) | Veri madenciliği yöntemleri: Birliktelik Kuralı (Market Sepeti) | Projeksiyon, Bilgisayar, Kaynak Kitaplar |
| 12) | Veri madenciliği yöntemleri: Birliktelik Kuralı (Apriori Algoritması) | Projeksiyon, Bilgisayar, Kaynak Kitaplar |
| 13) | Öğrenci Sunumları (Veri Madenciliği Algoritmaları) | Projeksiyon, Bilgisayar, Kaynak Kitaplar |
| 14) | Öğrenci Sunumları (Veri Madenciliği Algoritmaları) | Projeksiyon, Bilgisayar, Kaynak Kitaplar |
Kaynaklar
| Ders Notları / Kitaplar: | Veri Madenciliği Ders Notları - Feridun Özçakır Data Mining Concepts and Tecniques - Jiawei Han, Micheline Kamber – Elsevier 2006 |
| Diğer Kaynaklar: | Principles of Data Mining – Max Bramer - Springer-Verlag London Limited 2007 Data Mining Methods and Models - Daniel T. Larose - John Wiley & Sons - 2006 |
Ders - Program Öğrenme Kazanım İlişkisi
| Ders Öğrenme Kazanımları | 1 |
2 |
3 |
|---|---|---|---|
| Program Kazanımları | |||
Ders - Öğrenme Kazanımı İlişkisi
| Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
| Dersin Program Kazanımlarına Etkisi | Katkı Payı |
Öğrenme Etkinliği ve Öğretme Yöntemleri
Ölçme ve Değerlendirme Yöntemleri ve Kriterleri
| Yazılı Sınav (Açık uçlu sorular, çoktan seçmeli, doğru yanlış, eşleştirme, boşluk doldurma, sıralama) | |
| Ödev | |
| Grup Projesi | |
| Sunum |
Ölçme ve Değerlendirme
| Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
| Devam | 42 | % 5 |
| Sunum | 1 | % 20 |
| Ara Sınavlar | 1 | % 25 |
| Final | 1 | % 50 |
| Toplam | % 100 | |
| YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 50 | |
| YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 50 | |
| Toplam | % 100 | |
İş Yükü ve AKTS Kredisi Hesaplaması
| Aktiviteler | Aktivite Sayısı | Süre (Saat) | İş Yükü |
| Ders Saati | 14 | 3 | 42 |
| Sunum / Seminer | 1 | 10 | 10 |
| Ödevler | 5 | 2 | 10 |
| Küçük Sınavlar | 3 | 1 | 3 |
| Ara Sınavlar | 1 | 2 | 2 |
| Rapor Teslimi | 1 | 4 | 4 |
| Final | 1 | 2 | 2 |
| Toplam İş Yükü | 73 | ||