Endüstri Mühendisliği

IE 343 | Ders Tanıtım Bilgileri

Dersin Adı

Data Mining

Kodu	Yarıyıl	Teori (saat/hafta)	Uygulama/Lab (saat/hafta)	Yerel Kredi	AKTS
IE 343	SPRING	3	0	3	5

Ön-Koşul(lar)	Successfully completed IE 234 (with a minimum grade of DD) and IE 261 (with a minimum grade of DD) or successfully completed MATH 236 (with a minimum grade of DD).
Dersin Dili	English
Dersin Türü	ELECTIVE_COURSE
Dersin Düzeyi	Lisans
Dersin Veriliş Şekli	Face-To-Face
Dersin Öğretim Yöntem ve Teknikleri	Lecture / Presentation
Ulusal Meslek Sınıflandırma Kodu	-
Dersin Koordinatörü	Dr. Öğr. Üyesi Kutluhan Erol
Öğretim Eleman(lar)ı	Dr. Öğr. Üyesi Kutluhan Erol
Yardımcı(ları)	-

Dersin Amacı

The main objective of this course is to provide fundamental knowledge about data mining methods and to enable students to use these methods with the help of data mining software tools. The course aims to focus on basic machine learning and data mining approaches.

Öğrenme Çıktıları

Bu dersi başarıyla tamamlayabilen öğrenciler;

Ad	Açıklama	PC Alt	* Katkı Düzeyi
Ad	Açıklama	PC Alt	1	2	3	4	5
LO1	Students will be able to analyse the fundamental characteristics of data mining.			X
LO2	Students will be able to explain the fundamental concepts related to classification problems.			X
LO3	Students will be able to analyse classification problems using appropriate solution methods.				X
LO4	Students will be able to develop descriptive and solution-oriented models for association and clustering problems.				X
LO5	Students will be able to solve data mining problems using the Python programming language.				X

Ders Tanımı

The course topics include methods and principles of machine learning and data mining.

Dersin İlişkili Olduğu Sürdürülebilir Kalkınma Amaçları

Dersin Kategorisi	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	Introduction to Data Mining	Lecture Notes	LO1
2	Data Preprocessing, Data Types, Data Preparation	Lecture Notes	LO1
3	Data Preprocessing, Data Types, Data Preparation	Lecture Notes	LO1
4	Classification: Basic Concepts and Techniques	Lecture Notes	LO2
5	Classification: Overfitting	Lecture Notes	LO2
6	Classification: Rule-Based Classifiers, Nearest Neighbor Classifiers	Lecture Notes	LO3
7	Classification: Bayesian Classifiers, Artificial Neural Networks	Lecture Notes	LO3
8	Midterm		LO3
9	Classification: Support Vector Machines, Ensemble Methods	Lecture Notes	LO3
10	Association Analysis: Basic Concepts and Algorithms	Lecture Notes	LO4
11	Association Analysis: Advanced Concepts	Lecture Notes	LO4
12	Clustering Analysis: Basic Concepts and Algorithms	Lecture Notes	LO4
13	Clustering Analysis: Additional Topics and Algorithms	Lecture Notes	LO5
14	Anomaly Detection	Lecture Notes	LO5
15	Review	Lecture Notes	LO5
16	Final Exam		LO5

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	-

DEĞERLENDİRME ÖLÇÜTLERİ

Yarıyıl Aktiviteleri	Sayı	Katkı Payı %	LO1	LO2	LO3	LO4	LO5
Ödev	3	15	X	X
Proje	1	25			X	X	X
Ara Sınav	1	30	X	X	X
Final Sınavı	1	30		X	X	X	X
Toplam	6	100

AKTS / İŞ YÜKÜ TABLOSU

Yarıyıl Aktiviteleri	Sayı	Süre (Saat)	İş Yükü
Katılım	-	-	-
Teorik Ders Saati	16	3	48
Laboratuvar / Uygulama Ders Saati	-	-	-
Sınıf Dışı Ders Çalışması	14	3	42
Arazi Çalışması	-	-	-
Küçük Sınav / Stüdyo Kritiği	-	-	-
Portfolyo	-	-	-
Ödev	1	15	15
Sunum / Jüri Önünde Sunum	-	-	-
Proje	1	25	25
Seminer/Çalıştay	-	-	-
Sözlü Sınav	-	-	-
Ara Sınavlar	1	10	10
Final Sınavı	1	10	10
		Toplam	150