| Ders Adı | Kodu | Yerel Kredi | AKTS | Ders (saat/hafta) | Uygulama (saat/hafta) | Laboratuar (saat/hafta) |
|---|---|---|---|---|---|---|
| İstatistiksel Veri Madenciliği | IST6109 | 3 | 7.5 | 3 | 0 | 0 |
| Önkoşullar | Yok |
|---|
| Yarıyıl | Güz, Bahar |
|---|
| Dersin Dili | İngilizce |
|---|---|
| Dersin Seviyesi | Doktora |
| Dersin Türü | Seçmeli @ İstatistik ABD İstatistik Doktora Programı |
| Ders Kategorisi | Temel Meslek Dersleri |
| Dersin Veriliş Şekli | Yüz yüze |
| Dersi Sunan Akademik Birim | İstatistik Bölümü |
|---|---|
| Dersin Koordinatörü | Ali Hakan Büyüklü |
| Dersi Veren(ler) | Ali Hakan Büyüklü |
| Asistan(lar)ı | Ömer Bilen |
| Dersin Amacı | Veri madenciliği için temel süreçleri kavram ve teknikleri ile öğrencileri teçhiz etmek ve onlara veri madenciliğinin kompleks yapısının algılanmasını sağlanması ile birlikte veri madenciliği literatürünü de kullanarak ileri düzey araştırma ve programlama yetenekleri kazandırılması |
|---|---|
| Dersin İçeriği | Veri madenciliğinin gözden geçirilmesi, veri temizleme, özellik ve alt grupları belirlenmesi, model kurulumu geliştirme ve uygulama, karar ağaçları için alt yapı oluşturma, yapay sinir ağları, kümeleme analizi, birliktelik kuralları, ile birlikte veri madenciliği tekniklerinin bir proje kapsamında uygulanması |
| Ders Kitabı / Malzemesi / Önerilen Kaynaklar |
|
| Opsiyonel Program Bileşenleri | Yok |
Ders Öğrenim Çıktıları
- Öğrenciler veri madenciliğinde ticari ve ticari olmayan paket programları öğrenir,
- Büyük veri kaynaklarına istatistik yöntemlerinin uygulamasında ortaya çıkan problemleri görür,
- Büyük veri setlerinde birlikteliği, sınıflamayı, ve kümelemeyi uygulayabilir,
- R programını büyük veri setlerine uygulayabilir,
- Ticari veri tabanı sistemlerine veri madenciliğini uygulayabilirler.
Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları
| Hafta | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Veri Madenciliği tanımlar | |
| 2 | Veri Analizi | |
| 3 | Verilein Keşfi | |
| 4 | Veri Görselleştirme | |
| 5 | Karar Ağaçları Modelleri | |
| 6 | Yapay Sinir Ağları | |
| 7 | En Yakın-Komşu Modelleri | |
| 8 | Yarıyıl Sınavı | |
| 9 | Sınıflama | |
| 10 | Birliktelik analizi | |
| 11 | Kümeleme analizi | |
| 12 | İleri kümeleme analizleri | |
| 13 | Anormalliklerin keşfi | |
| 14 | Uygulamalar | |
| 15 | Uygulamalar | |
| 16 | Final |
Değerlendirme Sistemi
| Etkinlikler | Sayı | Katkı Payı |
|---|---|---|
| Devam/Katılım | ||
| Laboratuar | ||
| Uygulama | ||
| Arazi Çalışması | ||
| Derse Özgü Staj | ||
| Küçük Sınavlar/Stüdyo Kritiği | ||
| Ödev | ||
| Sunum/Jüri | ||
| Projeler | 1 | 30 |
| Seminer/Workshop | ||
| Ara Sınavlar | 1 | 30 |
| Final | 1 | 40 |
| Dönem İçi Çalışmaların Başarı Notuna Katkısı | ||
| Final Sınavının Başarı Notuna Katkısı | ||
| TOPLAM | 100 | |
AKTS İşyükü Tablosu
| Etkinlikler | Sayı | Süresi (Saat) | Toplam İşyükü |
|---|---|---|---|
| Ders Saati | 14 | 3 | |
| Laboratuar | |||
| Uygulama | |||
| Arazi Çalışması | |||
| Sınıf Dışı Ders Çalışması | 14 | 4 | |
| Derse Özgü Staj | |||
| Ödev | |||
| Küçük Sınavlar/Stüdyo Kritiği | |||
| Projeler | 1 | 70 | |
| Sunum / Seminer | |||
| Ara Sınavlar (Sınav Süresi + Sınav Hazırlık Süresi) | 1 | 20 | |
| Final (Sınav Süresi + Sınav Hazırlık Süresi) | 1 | 30 | |
| Toplam İşyükü : | |||
| Toplam İşyükü / 30(s) : | |||
| AKTS Kredisi : | |||
| Diğer Notlar | Yok |
|---|
