|
Dersin Adı
|
Veri Madenciliği
|
|
Kodu
|
Yarıyıl
|
Teori
(saat/hafta)
|
Uygulama/Lab
(saat/hafta)
|
Yerel Kredi
|
AKTS
|
|
IE 343
|
Güz/Bahar
|
3
|
0
|
3
|
5
|
|
Ön-Koşul(lar)
|
| |
IE 234 Başarılı olmak (En az DD notu almış olmak) |
| ve |
IE 261 Başarılı olmak (En az DD notu almış olmak) |
| veya |
MATH 236 Başarılı olmak (En az DD notu almış olmak) |
|
|
Dersin Dili
|
İngilizce
|
|
Dersin Türü
|
Seçmeli
|
|
Dersin Düzeyi
|
Lisans
|
|
Dersin Veriliş Şekli
|
- |
|
Dersin Öğretim Yöntem ve Teknikleri
|
Anlatım / Sunum
|
|
Ulusal Meslek Sınıflandırma Kodu
|
-
|
|
Dersin Koordinatörü
|
|
|
Öğretim Eleman(lar)ı
|
|
|
Yardımcı(ları)
|
- |
|
Dersin Amacı
|
Bu dersin temel amacı veri madenciliği yöntemleri hakkında temel bilgiler vermek ve bu yöntemleri veri madenciliği yazılım programı Weka yardımı ile kullanabilmektir. Ders kapsamında temel makine öğrenmesi ve veri madenciliği yaklaşımları üzerinde durulması hedeflenmektedir. |
|
Öğrenme Çıktıları
|
|
#
|
İçerik
|
PÇ Sub
|
* Katkı Düzeyi
|
|
1
|
2
|
3
|
4
|
5
|
| 1 | Veri dosyalarını Weka’nın Explorer panelini kullanarak açabilecek ve verinin temel karakteristiklerini inceleyebilecektir. | | | | | | | | 2 | Sınıflandırma problemlerini Weka’daki sınıflandırıcıları kullanarak çözebilecek ve çıktıları yorumlayabilecektir. | | | | | | | | 3 | Veri filtrelemesi yapabilecek ve veriyi görselleştirebilecektir. | | | | | | | | 4 | Naive Bayes, ZeroR, OneR ve Nearest Neihgbor kavramlarını açıklayabilecektir. | | | | | | | | 5 | Doğrusal regresyon, lojistik regresyon ve destek-vektör makineleri modellerini uygulayabilecektir. | | | | | | |
|
|
Ders Tanımı
|
Dersin konuları kapsamında makine öğrenmesi ve veri madenciliği metodları ve prensipleri yer almaktadır. |
|
Dersin İlişkili Olduğu Sürdürülebilir Kalkınma Amaçları
|
|
|
|
Temel Ders |
|
| Uzmanlık/Alan Dersleri |
X
|
| Destek Dersleri |
|
| İletişim ve Yönetim Becerileri Dersleri |
|
| Aktarılabilir Beceri Dersleri |
|
HAFTALIK KONULAR VE İLGİLİ ÖN HAZIRLIK ÇALIŞMALARI
|
Hafta |
Konular |
Ön Hazırlık |
Öğrenme Çıktısı
|
| 1 |
Veri Madenciliğine Giriş, Weka Yazılımı |
Ders notları |
| 2 |
Weka Kurulum, Verilerin yüklenmesi ve görüntülenmesi Sınıflandırma, Sınıflandırıcı oluşturma |
Ders notları |
| 3 |
Filtre Kullanma, Veriyi Görselleştirme |
Ders notları |
| 4 |
Sınıflandırıcıları Değerlendirme, Temel Doğruluk |
Ders notları |
| 5 |
1. Ara Sınav |
|
| 6 |
Çapraz Geçerleme |
Ders notları |
| 7 |
Basit Sınıflandırıcılar, Aşırı Uyum |
Ders notları |
| 8 |
Olasılıkları Kullanma, Karar Ağaçları |
Ders notları |
| 9 |
En Yakın Komşu Algoritması, Weka'yı pratikte kullanma |
Ders notları |
| 10 |
2. Ara Sınav |
|
| 11 |
Sınıflandırma sınırları, Doğrusal Regresyon |
Ders notları |
| 12 |
Regresyon ile Sınıflandırma, Lojistik Regresyon |
Ders notları |
| 13 |
Destek Vektör Makineleri, Kolektif Öğrenme |
Ders notları |
| 14 |
Veri Madenciliği Prosesi, Tuzaklar ve Hatalar, Veri Madenciliği ve Etik |
Ders notları |
| 15 |
Dönemin gözden geçirilmesi |
Ders notları |
| 16 |
Final Sınavı |
|
|
Ders Kitabı
|
Witten, Ian H., Eibe Frank, and A. Mark. "Hall, and Christopher J Pal. 2016. Data Mining: Practical machine learning tools and techniques.", ISBN: 978-0128042915
|
|
Önerilen Okumalar/Materyaller
|
Ders slaytları
|
DEĞERLENDİRME ÖLÇÜTLERİ
|
Yarıyıl Aktiviteleri
|
Sayı |
Katkı Payı % |
LO 1 | LO 2 | LO 3 | LO 4 | LO 5 |
| Katılım |
-
|
-
|
| Laboratuvar / Uygulama |
-
|
-
|
| Arazi Çalışması |
-
|
-
|
| Küçük Sınav / Stüdyo Kritiği |
-
|
-
|
| Portfolyo |
-
|
-
|
| Ödev |
1
|
10
|
| Sunum / Jüri Önünde Sunum |
-
|
-
|
| Proje |
1
|
20
|
| Seminer/Çalıştay |
-
|
-
|
| Sözlü Sınav |
-
|
-
|
| Ara Sınav |
1
|
30
|
| Final Sınavı |
1
|
40
|
| Toplam |
4
|
100
|
| Yarıyıl İçi Çalışmalarının Başarı Notuna Katkısı |
3
|
60
|
| Yarıyıl Sonu Çalışmalarının Başarı Notuna Katkısı |
1
|
40
|
| Toplam |
4 |
100 |
AKTS / İŞ YÜKÜ TABLOSU
|
Yarıyıl Aktiviteleri
|
Sayı |
Süre (Saat) |
İş Yükü |
Teorik Ders Saati
(Sınav haftası dahildir: 16 x teorik ders saati) |
16
|
3
|
48
|
Laboratuvar / Uygulama Ders Saati
(Sınav haftası dahildir. 16 x uygulama/lab ders saati) |
-
|
-
|
-
|
| Sınıf Dışı Ders Çalışması |
14
|
3
|
42
|
| Arazi Çalışması |
-
|
-
|
-
|
| Küçük Sınav / Stüdyo Kritiği |
-
|
-
|
-
|
| Portfolyo |
-
|
-
|
-
|
| Ödev |
-
|
-
|
-
|
| Sunum / Jüri Önünde Sunum |
-
|
-
|
-
|
| Proje |
-
|
-
|
-
|
| Seminer/Çalıştay |
-
|
-
|
-
|
| Sözlü Sınav |
-
|
-
|
-
|
| Ara Sınavlar |
1
|
15
|
15
|
| Final Sınavı |
1
|
30
|
30
|
| |
|
Toplam |
135
|
DERSİN ÖĞRENME ÇIKTILARININ PROGRAM YETERLİLİKLERİ İLE İLİŞKİSİ
|
#
|
PÇ Sub |
Program Yeterlilikleri / Çıktıları
|
* Katkı Düzeyi
|
|
1
|
2
|
3
|
4
|
5
|
|
1 |
Matematik, fen bilimleri ve Endüstri Mühendisliği konularında yeterli bilgi sahibidir; bu alanlardaki kuramsal ve uygulamalı bilgileri, karmaşık Endüstri Mühendisliği problemlerinde kullanır.
|
-
|
X
|
-
|
-
|
-
|
|
2 |
Karmaşık Endüstri Mühendisliği problemlerini saptar, tanımlar, formüle eder ve çözer; bu amaçla uygun analiz ve modelleme yöntemlerini seçer ve uygular.
|
-
|
X
|
-
|
-
|
-
|
|
3 |
Karmaşık bir sistemi, süreci, cihazı veya ürünü gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlar; bu amaçla modern tasarım yöntemlerini uygular.
|
-
|
-
|
-
|
-
|
-
|
|
4 |
Endüstri Mühendisliği uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları geliştirir, seçer ve kullanır.
|
-
|
-
|
-
|
X
|
-
|
|
5 |
Karmaşık Endüstri Mühendisliği problemlerinin veya araştırma konularının incelenmesi için deney tasarlar, deney yapar, veri toplar, sonuçları analiz eder ve yorumlar.
|
-
|
-
|
-
|
X
|
-
|
|
6 |
Endüstri Mühendisliği disiplini içinde ve çok disiplinli takımlarda etkin biçimde çalışır; bireysel çalışma yapar.
|
-
|
-
|
-
|
-
|
-
|
|
7 |
Türkçe sözlü ve yazılı etkin iletişim kurar; etkin rapor yazar ve yazılı raporları anlar, tasarım ve üretim raporları hazırlar, etkin sunum yapar, açık ve anlaşılır talimat verir ve alır.
|
-
|
-
|
-
|
-
|
-
|
|
8 |
Endüstri Mühendisliği uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın Endüstri Mühendisliği alanına yansıyan sorunları hakkında bilgi sahibidir; Endüstri Mühendisliği çözümlerinin hukuksal sonuçlarının farkındadır.
|
-
|
-
|
-
|
-
|
-
|
|
9 |
Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk bilincine sahiptir; Endüstri Mühendisliği uygulamalarında kullanılan standartlar hakkında bilgi sahibidir.
|
-
|
-
|
-
|
-
|
-
|
|
10 |
Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi sahibidir; girişimcilik, yenilikçilik hakkında bilinçlidir; sürdürülebilir kalkınma hakkında bilgi sahibidir.
|
-
|
-
|
-
|
-
|
-
|
|
11 |
Bir yabancı dili kullanarak Endüstri Mühendisliği ilişkili konularda bilgi toplar ve meslektaşları ile iletişim kurar.
|
-
|
-
|
-
|
-
|
-
|
|
12 |
İkinci yabancı dili orta düzeyde kullanır.
|
-
|
-
|
-
|
-
|
-
|
|
13 |
Yaşam boyu öğrenmenin gerekliliği bilincindedir; bilgiye erişir, bilim ve teknolojideki gelişmeleri izler ve kendini sürekli yeniler; insanlık tarihi boyunca oluşan bilgi birikimini Endüstri Mühendisliği alanıyla ilişkilendirir.
|
-
|
-
|
-
|
-
|
-
|
*1 Lowest, 2 Low, 3 Average, 4 High, 5 Highest
