Akademik Dersler - İçerik

Veri madenciliği ile ilgili temel tanımları yapabilecek ve temel veri madenciliği problemlerini açıklayabilecektir.
Veri madenciliği ile ilgili temel kavramları açıklar.
Temel veri madenciliği problemlerini açıklar.
Veri kümesi hazırlayarak üzerinde çeşitli analizler yapabilecektir.
Veri hazırlama işlemlerinin yapar
Veri ön işlem adımlarını uygular.
Özet istatistikleri oluşturur.
verileri görselleştirerek yorumlar
Çok boyutlu veri analizleri yapar.
Sınıflandırma ile ilgili temel kavramları açıklayabilecek ve çeşitli sınıflandırma tekniklerini kullanabilecektir.
Sınıflandırma ile ilgili temel kavramları açıklar.
Model başarılarını değerlendirir (Hatalı Sınıflandırma Matrisi, doğruluk oranı, aşırı öğrenme, eksik öğrenme, F-skoru, kesinlik, duyarlılık)
Sinir Ağları.
Lojistik Regresyon.
Karar Ağaçları.
Destek Vektör Makineleri.
Matematiksel programlama yaklaşımlarını kullanabilir.
Kümeleme ile ilgili temel kavramları açıklayabilecek, K-Ortalamalar yöntemi ile kümeleme analizi yapabilecektir.
Kümeleme analizi ile ilgili temel kavramları açıklar.
K-ortalamalar yöntemini kullanır
KNN algoritmalarını kümeleme için kullanı
Kümeleme problemini optimizasyon problemi olarak modeller.
Veri madenciliği problemlerini Python programlama dilini kullanarak çözer.