Ders AdıKodu Yerel KrediAKTS Ders (saat/hafta)Uygulama (saat/hafta)Laboratuar (saat/hafta)
İstatistiksel Veri MadenciliğiIST610937.5300
ÖnkoşullarYok
YarıyılGüz, Bahar
Dersin Diliİngilizce
Dersin SeviyesiDoktora
Dersin TürüSeçmeli @ İstatistik ABD İstatistik Doktora Programı
Ders KategorisiTemel Meslek Dersleri
Dersin Veriliş ŞekliYüz yüze
Dersi Sunan Akademik Birimİstatistik Bölümü
Dersin KoordinatörüAli Hakan Büyüklü
Dersi Veren(ler)Ali Hakan Büyüklü
Asistan(lar)ıÖmer Bilen
Dersin AmacıVeri 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 İçeriğiVeri 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
  • İnternet kaynakları
  • Han J.and Kamber M., “Data Mining” , Morgan Kaufman Pub. 2001
  • Pyle, D., “Data Preparation For Data Mining” Morgan Kaufman Pub., 1999
  • Torgo, L. 2010, "Data Mining with R: Learning with Case Studies" Chapman and Hall/CRC
Opsiyonel Program BileşenleriYok

Ders Öğrenim Çıktıları

  1. Öğrenciler veri madenciliğinde ticari ve ticari olmayan paket programları öğrenir,
  2. Büyük veri kaynaklarına istatistik yöntemlerinin uygulamasında ortaya çıkan problemleri görür,
  3. Büyük veri setlerinde birlikteliği, sınıflamayı, ve kümelemeyi uygulayabilir,
  4. R programını büyük veri setlerine uygulayabilir,
  5. Ticari veri tabanı sistemlerine veri madenciliğini uygulayabilirler.

Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları

HaftaKonularÖn Hazırlık
1Veri Madenciliği tanımlar
2Veri Analizi
3Verilein Keşfi
4Veri Görselleştirme
5Karar Ağaçları Modelleri
6Yapay Sinir Ağları
7En Yakın-Komşu Modelleri
8Yarıyıl Sınavı
9Sınıflama
10Birliktelik analizi
11Kümeleme analizi
12İleri kümeleme analizleri
13Anormalliklerin keşfi
14Uygulamalar
15Uygulamalar
16Final

Değerlendirme Sistemi

EtkinliklerSayıKatkı Payı
Devam/Katılım
Laboratuar
Uygulama
Arazi Çalışması
Derse Özgü Staj
Küçük Sınavlar/Stüdyo Kritiği
Ödev
Sunum/Jüri
Projeler130
Seminer/Workshop
Ara Sınavlar130
Final140
Dönem İçi Çalışmaların Başarı Notuna Katkısı
Final Sınavının Başarı Notuna Katkısı
TOPLAM100

AKTS İşyükü Tablosu

EtkinliklerSayıSüresi (Saat)Toplam İşyükü
Ders Saati143
Laboratuar
Uygulama
Arazi Çalışması
Sınıf Dışı Ders Çalışması144
Derse Özgü Staj
Ödev
Küçük Sınavlar/Stüdyo Kritiği
Projeler170
Sunum / Seminer
Ara Sınavlar (Sınav Süresi + Sınav Hazırlık Süresi)120
Final (Sınav Süresi + Sınav Hazırlık Süresi)130
Toplam İşyükü :
Toplam İşyükü / 30(s) :
AKTS Kredisi :
Diğer NotlarYok