PAÜ .:. Eğitim Öğretim Bilgi Sistemi

Yazdır

DERS BİLGİLERİ

Ders Kod	Ders Ad	T+U Saat	Yarıyıl	AKTS
CENG 468	VERİ MADENCİLİĞİ	3 + 0	8. Yarıyıl	5

DERS TANIMI

Ders Düzeyi	Lisans
Ders Türü	Seçmeli
Dersin Amacı	Dersin amacı Veri Madenciliği Kavramları, Veri Hazırlama Teknikleri, İstatistiksel Öğrenme Teorisi(Naive Bayes), Kümeleme Metodları (K-Means, hiyerarşik), Karar Ağaçları ve Karar Kuralları, Birliktelik Kurallarını öğretmektir.
Ders İçeriği	Veri Madenciliğine Giriş / Veri Madenciliği Kavramları / Veri Hazırlama Teknikleri / Veri İndirgeme / Sınıflamada İstatistiksel Yöntemler (Naïve Bayes) / Kümeleme Yöntemleri (K-Means Algoritması) / Kümeleme Yöntemleri / Hiyerarşik Yöntemler / Karar Ağaçları ve Kuralları / Birliktelik Kuralları / Yapay Sinir Ağları
Ders Ön Koşul	Dersin ön koşulu yok.
Ders Yan Koşul	Dersin yan koşulu yok.
Öğretim Sistemi	Yüz Yüze

DERS ÖĞRENME KAZANIMLARI

1	veri madenciliği hakkında uygulama yapma yeteneği

DERS ÖĞRENME KAZANIMININ PROGRAM YETERLİLİKLERİNE KATKISI

No	PY 01	PY 02	PY 03	PY 04	PY 05	PY 06	PY 07	PY 08	PY 09	PY 10	PY 11	PY 12
ÖK 001	3	3	3	3	3	3	3	3	3	3	3	3
Ara Toplam	3	3	3	3	3	3	3	3	3	3	3	3
Katkı	3	3	3	3	3	3	3	3	3	3	3	3

AKTS / İŞ YÜKÜ TABLOSU

Etkinlik	Sayısı	Süresi (Saat)	Toplam İş Yükü (Saat)
Ders Süresi(14 hafta/teorik+uygulama)	14	3	42
Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme)	14	2	28
Arasınavlar(hazırlık süresi dahil)	1	30	30
Yarıyıl Sonu Sınavı(hazırlık süresi dahil)	1	30	30
Toplam İş Yükü Dersin AKTS Kredisi			130 5

DERS ŞUBELERİ

Dönem seçiniz :

	Ders Dönemi	Şube No	Dersi Veren Öğretim Elemanı
Detay	2023-2024 Güz	1	SERDAR İPLİKÇİ

Yazdır

Ders Şube Detayları

Dersin Kodu	Dersin Ad	Saat (T+P)	Şube No	Öğretim Dili	Şube Dönemi
CENG 468	VERİ MADENCİLİĞİ	3 + 0	1	Türkçe	2023-2024 Güz

Öğretim Elemanı	E-Posta	İç Hat	Ders Yeri	Devam Zorunluluğu
Prof. Dr. SERDAR İPLİKÇİ	iplikci@pau.edu.tr		MUH A0435	Dersin Devam Yüzdesi : %70

Amaç		Dersin amacı Veri Madenciliği Kavramları, Veri Hazırlama Teknikleri, İstatistiksel Öğrenme Teorisi(Naive Bayes), Kümeleme Metodları (K-Means, hiyerarşik), Karar Ağaçları ve Karar Kuralları, Birliktelik Kurallarını öğretmektir.
İçerik		Veri Madenciliğine Giriş / Veri Madenciliği Kavramları / Veri Hazırlama Teknikleri / Veri İndirgeme / Sınıflamada İstatistiksel Yöntemler (Naïve Bayes) / Kümeleme Yöntemleri (K-Means Algoritması) / Kümeleme Yöntemleri / Hiyerarşik Yöntemler / Karar Ağaçları ve Kuralları / Birliktelik Kuralları / Yapay Sinir Ağları

Haftalık Konu Başlıkları

Hafta	Konular
1	VERİ MADENCİLİĞİNE GİRİŞ
2	VERİ MADENCİLİĞİ YAKLAŞIMLARI ve UYGULAMALARI
3	SIK ÖĞESETİ MADENCİLİĞİ - Sık Öğeseti Madenciliğine Giriş
4	SIK ÖĞESETİ MADENCİLİĞİ - Apriori Algoritması
5	SIK ÖĞESETİ MADENCİLİĞİ - Apriori Algoritması
6	SIK ÖĞESETİ MADENCİLİĞİ - ECLAT Algoritması
7	SIK ÖĞESETİ MADENCİLİĞİ - ECLAT Algoritması
8	SIK ÖĞESETİ MADENCİLİĞİ - H-mine Algoritması
9	SIK ÖĞESETİ MADENCİLİĞİ - H-mine Algoritması
10	SIK ÖĞESETİ MADENCİLİĞİ - FPtree Algoritması
11	SIK ÖĞESETİ MADENCİLİĞİ - FPtree Algoritması
12	İLİŞKİSEL KURAL ÇIKARIMI - İlişkisel Kurallar
13	İLİŞKİSEL KURAL ÇIKARIMI - Güven
14	İLİŞKİSEL KURAL ÇIKARIMI - İlgi

Materyaller

Materyal belirtilmemiştir.

Kaynaklar

Kaynaklar	Kaynak Dili
Data Mining Concepts and Techniques	English

Ders Değerlendirme Sistemi

Değerlendirme Yöntemi	Katkı Yüzdesi (%)	Değerlendirme Yöntemi Ad
Dönem Sonu Sınavı	50	Dönem Sonu Sınavı
Ara Sınav	50	Ara Sınav

T+U : Teorik + Pratik
PY: Program Yeterlilikleri
ÖK: Ders Öğrenme Kazanımları

Aday Öğrenci