Akademik Dersler - Tanıtım

Ders Bilgileri


Ders Kodu - Ders Adı	BİL612 - Veri ve Metin Madenciliği
Ders Türü	Seçmeli Dersler
Ders Dili	Türkçe
Teori + Uygulama	3+0
AKTS	7.5
Öğretim Elemanları	PROFESÖR DOKTOR CİHAN KALELİ
Dersin Veriliş Biçimi	Yüz yüze öğretim, teorik ders anlatımı, uygulamalı örnekler, akademik makale incelemeleri, veri analizi uygulamaları ve dönem projesi çalışmaları.
Dersin Önkoşulları	Programlama bilgisi, temel olasılık ve istatistik bilgisi ile veri tabanı sistemleri konusunda temel bilgiye sahip olunması önerilir.
Önerilen Dersler	Makine Öğrenmesi, Veri Tabanı Yönetim Sistemleri, İstatistiksel Yöntemler, Yapay Zeka.
Zorunlu ya da Önerilen Kaynaklar	J. Han, M. Kamber, J. Pei, Data Mining: Concepts and Techniques, 3rd Edition, Morgan Kaufmann, 2011.I. H. Witten, E. Frank, M. A. Hall, Data Mining: Practical Machine Learning Tools and Techniques, Morgan Kaufmann.C. D. Manning, P. Raghavan, H. Schütze, Introduction to Information Retrieval, Cambridge University Press.
Okuma Listesi	J. Han, M. Kamber, J. Pei, Data Mining: Concepts and Techniques, 3rd Edition, Morgan Kaufmann, 2011.I. H. Witten, E. Frank, M. A. Hall, Data Mining: Practical Machine Learning Tools and Techniques, Morgan Kaufmann.C. D. Manning, P. Raghavan, H. Schütze, Introduction to Information Retrieval, Cambridge University Press.
Değerlendirme	Araştırma odaklı ödevler, akademik makale sunumları, dönem projesi, uygulama çalışmaları, ara sınav ve final sınavı ile değerlendirme yapılır.
Staj & Uygulama	-
Sürdürülebilir Kalkınma Amaçları

Ders İçeriği

Haftalar	Konular
1. hafta	Veri madenciliğine giriş, veri madenciliğinin temel kavramları, bilgi keşfi süreçleri, veri madenciliği uygulama alanları ve güncel araştırma problemleri.
2. hafta	Veri türleri ve veri kümeleri, öznitelik türleri, veri istatistikleri, benzerlik ve uzaklık ölçümleri, veri görselleştirme yöntemleri.
3. hafta	Veri ön işleme yöntemleri, eksik veri analizi, gürültülü veri temizleme, veri dönüşümü, normalizasyon ve veri entegrasyonu.
4. hafta	Veri indirgeme yöntemleri, özellik seçimi, boyut indirgeme, PCA yöntemi, örnekleme teknikleri ve veri sıkıştırma yöntemleri.
5. hafta	Birliktelik kuralı madenciliği, sık örüntü analizi, destek ve güven kavramları, Apriori algoritması ve uygulamaları.
6. hafta	FP-Growth algoritması, kapalı ve maksimum örüntüler, örüntü değerlendirme yöntemleri ve ileri düzey örüntü madenciliği yaklaşımları.
7. hafta	Sınıflandırmaya giriş, karar ağaçları, bilgi kazancı, gain ratio, Gini index ve karar ağacı oluşturma yöntemleri.
8. hafta	Bayes sınıflandırıcıları, Naive Bayes algoritması, K-En Yakın Komşu yöntemi, model değerlendirme ve performans ölçütleri.
9. hafta	Kümeleme analizine giriş, benzerlik ölçütleri, K-Means algoritması, K-Medoid yöntemi ve kümeleme performans değerlendirmesi.
10. hafta	Hiyerarşik kümeleme yöntemleri, yoğunluk tabanlı kümeleme, DBSCAN algoritması ve yüksek boyutlu veri kümelerinde kümeleme.
11. hafta	Metin madenciliğine giriş, metin ön işleme, tokenization, stop-word removal, stemming ve TF-IDF yöntemleri.
12. hafta	Metin sınıflandırma yöntemleri, belge benzerliği, duygu analizi, bilgi erişim sistemleri ve doğal dil işleme uygulamaları.
13. hafta	Büyük veri analitiği, sosyal ağ analizi, web madenciliği, öneri sistemleri ve güncel veri madenciliği araştırma konuları.
14. hafta	Dönem projesi sunumları, akademik makale tartışmaları, güncel araştırma eğilimleri ve ders genel değerlendirmesi.

Öğretim Yöntem ve Teknikleri

Öğretim Yeterlilikleri
Sorgulayan
Soyut analiz ve sentez yapma
Problem çözme
Bilgiyi yönetme
Temel matematik becerileri

Ölçme ve Değerlendirme

Değerlendirme Yöntemi ve Geçme Kriterleri
	Sayısı	Yüzde (%)
1.Ara Sınav	1	25
Ödev	1	25
Dönem Sonu Sınavı	1	50
Toplam (%)		100