AKTS - Veri Madenciliği ve Bilgi Keşfi
Veri Madenciliği ve Bilgi Keşfi (MAN332) Ders Detayları
| Ders Adı | Ders Kodu | Dönemi | Saati | Uygulama Saati | Laboratuar Hours | Kredi | AKTS |
|---|---|---|---|---|---|---|---|
| Veri Madenciliği ve Bilgi Keşfi | MAN332 | Alan Seçmeli | 2 | 1 | 0 | 2.5 | 5 |
| Ön Koşul Ders(ler)i |
|---|
| N/A |
| Dersin Dili | İngilizce |
|---|---|
| Dersin Türü | Seçmeli Dersler |
| Dersin Seviyesi | Lisans |
| Ders Verilme Şekli | Yüz Yüze |
| Dersin Öğrenme ve Öğretme Teknikleri | Anlatım, Gösteri, Tartışma, Uygulama-Alıştırma. |
| Dersin Öğretmen(ler)i |
|
| Dersin Amacı | Bu ders, işletmelerde karşılaşılan karmaşık problemlerin çözümüne yönelik olarak, veri madenciliği ve bilgi keşfi alanındaki temel tekniklerin ve kavramların öğretimini amaçlamaktadır. Öğrenciler, bu teknikleri kullanarak büyük veri setlerinden anlamlı bilgiler çıkarmayı ve bu bilgileri stratejik karar alma süreçlerinde nasıl uygulayacaklarını öğrenirler. Ders, veri odaklı iş analitiği becerilerini geliştirmeyi hedeflemektedir. |
| Dersin Eğitim Çıktıları |
Bu dersi başarıyla tamamlayabilen öğrenciler;
|
| Dersin İçeriği | Bu ders, veri madenciliği ve bilgi keşfi alanında temel kavramları ve teknikleri işletme odaklı bir çerçevede tanıtmaktadır. Öğrenciler, veri toplama, ön işleme, keşifsel veri analizi, sınıflandırma, kümeleme ve ilişki kuralları madenciliği gibi konularla tanışacak; bu tekniklerin işletme problemlerine nasıl uygulanabileceğini öğreneceklerdir. |
Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları
| Hafta | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Veri Madenciliğine Giriş - Temel kavramları, veri madenciliği süreç modeli (CRISP-DM) ve aşamaları, Veri türleri, veri kaynakları, işletme dünyasında veri madenciliği örnekleri | Veri madenciliği ve temel kavramları hakkında genel bilgi edinilmeli. |
| 2 | Veri Toplama ve Temel Veri Ön İşleme - Veri toplama yöntemleri ve veri kalitesi, veri temizleme, normalizasyon ve dönüştürme ve uygulama | Veri madenciliği kavramlarına yönelik akademik makale ve projeler incelenmeli. |
| 3 | Keşifsel Veri Analizi (EDA) - Veri görselleştirme araçları, temel istatistiksel analizler, veri özetleme ve uygulama | Veri görselleştirme araçları ve temel istatistiksel analizlerle ilgili kaynaklar incelenmeli |
| 4 | Sınıflandırma Tekniklerine Giriş - Temel sınıflandırma algoritmaları (Karar ağaçları, k-NN), Sınıflandırma performans ölçütleri ve uygulama | Karar ağaçları ve k-NN algoritmalarının temel prensipleri hakkında bilgi edinilmeli. |
| 5 | Kümeleme Tekniklerine Giriş - K-means algoritması, Kümeleme sonuçlarının değerlendirilmesi: Silhouette skoru, müşteri segmentasyonu için kümeleme örnekleri ve uygulama | K-means algoritması ve Silhouette skoru üzerine temel literatürü incelenmeli |
| 6 | İlişki Kuralları Madenciliği - Apriori algoritması, pazar sepeti analizi ve uygulama | Apriori algoritması ve pazar sepeti analizine dair temel kavramlar incelenmeli |
| 7 | Karar Destek Sistemleri ve Veri Madenciliği - Veri madenciliğinin karar destek sistemleriyle entegrasyonu ve işletme stratejileri için veri madenciliği sonuçlarının kullanımı ve uygulama | Karar destek sistemleri ve veri madenciliğinin entegrasyonu ile ilgili makaleleri incelenmeli |
| 8 | Vize Sınavı | İlk 7 haftanın konularına ilişkin sınava hazırlanılmalı |
| 9 | Büyük Veri ve İşletmeler - Büyük veri kavramına giriş: İşletmelerdeki rolü ve önemi, büyük veri teknolojileri hakkında genel bilgi (Hadoop, Spark) ve uygulama | Büyük veri kavramı ve Hadoop, Spark teknolojileri hakkında bilgi edinilmeli |
| 10 | Basit Makine Öğrenimi Teknikleri - Makine öğrenimine giriş: Denetimli ve denetimsiz öğrenme, Basit regresyon ve sınıflandırma modelleri ve uygulama | Denetimli ve denetimsiz öğrenme kavramlarıyla ilgili temel bilgiler incelenmeli |
| 11 | Veri Madenciliği ve Etik - Veri madenciliğinde etik ve veri gizliliği, Veri koruma yasaları hakkında bilgi ve etik veri madenciliği uygulamaları | Veri madenciliğinde etik ve veri gizliliği konuları üzerine okuma yapılmalı |
| 12 | Veri Madenciliği Projesi Başlatma - Veri madenciliği projelerinde planlama ve yönetim, Proje döngüsü, kaynak yönetimi ve risk analizi ve proje konusu seçimi | Veri madenciliği projelerinde planlama ve yönetim hakkında inceleme yapılmalı |
| 13 | Uygulamalı Proje Çalışması için Öğrencilerin seçtiği projeler üzerinde çalışma ve rehberlik, Veri toplama, ön işleme ve analiz adımlarının değerlendirilmesi | Öğrencilerin dönem boyunca hazırladıkları veri madenciliği projelerinin süreçlerinin tamamlanması |
| 14 | Proje Sunumları | Öğrencilerin hazırladıkları veri madenciliği projelerinin sunumu. |
| 15 | Proje Sunumları | Öğrencilerin hazırladıkları veri madenciliği projelerinin sunumu. |
| 16 | Final Sınavı | Ders konularını gözden geçirip final sınavı için hazırlık yapılmalı. |
Kaynaklar
| Ders Kitabı | 1. Galit Shmueli, Peter C. Bruce, Peter Gedeck, Nitin R. Patel , Data Mining for Business Analytics: Concepts, Techniques and Applications in Python, 2019 |
|---|---|
| Diğer Kaynaklar | 2. Andres Fortino, Data Mining and Predictive Analytics for Business Decisions: A Case Study Approach, Mercury Learning and Information, 2023. |
Değerlendirme System
| Çalışmalar | Sayı | Katkı Payı |
|---|---|---|
| Devam/Katılım | 15 | 1 |
| Laboratuar | - | - |
| Uygulama | 8 | 24 |
| Alan Çalışması | - | - |
| Derse Özgü Staj | - | - |
| Küçük Sınavlar/Stüdyo Kritiği | - | - |
| Ödevler | - | - |
| Sunum | 1 | 5 |
| Projeler | 1 | 10 |
| Rapor | - | - |
| Seminer | - | - |
| Ara Sınavlar/Ara Juri | 1 | 20 |
| Genel Sınav/Final Juri | 1 | 25 |
| Toplam | 27 | 85 |
| Yarıyıl İçi Çalışmalarının Başarı Notu Katkısı | 75 |
|---|---|
| Yarıyıl Sonu Çalışmalarının Başarı Notuna Katkısı | 25 |
| Toplam | 100 |
Kurs Kategorisi
| Temel Meslek Dersleri | X |
|---|---|
| Uzmanlık/Alan Dersleri | |
| Destek Dersleri | |
| İletişim ve Yönetim Becerileri Dersleri | |
| Aktarılabilir Beceri Dersleri |
Dersin Öğrenim Çıktılarının Program Yeterlilikleri ile İlişkisi
| # | Program Yeterlilikleri / Çıktıları | Katkı Düzeyi | ||||
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | ||
| 1 | İktisadın temel kavram ve yöntemlerini anlama, açıklama ve kullanma becerilerini edinmek | |||||
| 2 | Makro ekonomik çözümleme becerisi edinmek | |||||
| 3 | Mikro ekonomik çözümleme becerisi edinmek | |||||
| 4 | Yerel, ulusal, bölgesel ve/veya küresel düzeyde iktisat politikalarının oluşturulması ve uygulanmasını anlamak | |||||
| 5 | Ekonomi ve ekonomiyle ilgili konularda farklı yaklaşımları öğrenmek | |||||
| 6 | Ekonomik çözümlemelerde nitel ve nicel araştırma tekniklerini öğrenmek | |||||
| 7 | Modern yazılım, donanım ve/veya diğer teknolojik araçları kullanma becerisini geliştirmek | |||||
| 8 | Disiplin içi ve disiplinler arası takım çalışması becerisini geliştirmek | |||||
| 9 | Eleştirel çözümleme, tartışma ve/veya yaşam boyu öğrenmeyi teşvik ederek açık fikirli olmaya katkıda bulunmak | |||||
| 10 | Çalışma ahlakı ve toplumsal sorumluluk duygusunu geliştirmek | |||||
| 11 | İletişim becerisini geliştirmek | |||||
| 12 | Aşağıda belirtilen alanlardan en az birinde bilgi ve becerileri etkin bir biçimde uygulama yetisini geliştirmek: İktisat politikası, kamu politikası, uluslararası iktisadi ilişkiler, endüstriyel ilişkiler, parasal ve finansal ilişkiler | |||||
ECTS/İş Yükü Tablosu
| Aktiviteler | Sayı | Süresi (Saat) | Toplam İş Yükü |
|---|---|---|---|
| Ders saati (Sınav haftası dahildir: 16 x toplam ders saati) | 16 | 3 | 48 |
| Laboratuar | |||
| Uygulama | 8 | 1 | 8 |
| Derse Özgü Staj | |||
| Alan Çalışması | |||
| Sınıf Dışı Ders Çalışma Süresi | 14 | 1 | 14 |
| Sunum/Seminer Hazırlama | 1 | 2 | 2 |
| Projeler | 1 | 8 | 8 |
| Raporlar | |||
| Ödevler | |||
| Küçük Sınavlar/Stüdyo Kritiği | |||
| Ara Sınavlara/Ara Juriye Hazırlanma Süresi | 1 | 20 | 20 |
| Genel Sınava/Genel Juriye Hazırlanma Süresi | 1 | 25 | 25 |
| Toplam İş Yükü | 125 | ||