BİLGİ PAKETİ / DERS KATALOĞU
| LOJİSTİK YÖNETİMİ | |||||
|---|---|---|---|---|---|
| Kazanılan Yeterlilik | Program Süresi | Toplam Kredi (AKTS) | Öğretim Şekli | Yeterliliğin Düzeyi ve Öğrenme Alanı | |
| LİSANS DERECESİ | 4 | 240 | ÖRGÜN |
TYÇ, TYYÇ, EQF-LLL, ISCED (2011):6. Düzey QF-EHEA:1. Düzey TYYÇ, ISCED (1997-2013): |
|
DERSİN GENEL BİLGİLERİ
| Ders Kodu: | YBS416 | ||||||||
| Ders İsmi: | VERİ MADENCİLİĞİ | ||||||||
| Ders Yarıyılı: | Güz | ||||||||
| Ders Kredileri: |
|
||||||||
| Öğretim Dili: | İngilizce | ||||||||
| Ders Koşulu: | |||||||||
| Ders İş Deneyimini Gerektiriyor mu?: | Hayır | ||||||||
| Dersin Türü: | Bölüm/Program Seçmeli | ||||||||
| Dersin Seviyesi: |
|
||||||||
| Dersin Veriliş Şekli: | Yüz yüze | ||||||||
| Dersin Koordinatörü: | Dr. Öğr. Üyesi Volkan USLAN | ||||||||
| Dersi Veren(ler): | Dr. Öğr. Üyesi Volkan Uslan | ||||||||
| Dersin Yardımcıları: |
Dersin Amaç ve İçeriği
| Dersin Amacı: | Bir veri analistinin bilmesi gereken temel becerileri kazandırmak. Veri işleme teknikleri ve yaklaşımlarını tanıtmak. Veri analizini uygularken uygun araçları uygulayabilmek. Karar verme sürecini iyileştirmek için veri madenciliği tekniklerinin kullanımı ile pratik analitik becerilere sahip olmak. |
| Dersin İçeriği: | Bu ders, öğrencilere büyük veri setlerinden bilgi ve desenler çıkarmak için kullanılan teknikler ve algoritmalar hakkında derinlemesine bilgi sağlamayı amaçlar. Ders, veri temizleme, veri entegrasyonu, veri analizi ve modelleme gibi temel süreçlerin yanı sıra, sınıflandırma, regresyon, kümeleme, ve ilişkisel analiz gibi veri madenciliği yöntemlerini kapsar. |
Öğrenme Kazanımları
|
Bu dersi başarıyla tamamlayabilen öğrenciler;
1) Veri madenciliği kavram ve terimlerini bilir 2) Verileri işler ve bir veri madenciliği görevi gerçekleştirirken kullanılabilecek yöntemleri anlar 3) Veri madenciliği görevi sırasında ortaya çıkabilecek sorunlara çözümler sunar. 4) Uygun veri madenciliği araçlarını kullanır ve göreve bağlı olarak hangi yöntemi kullanacağını bilir. |
Ders Akış Planı
| Hafta | Konu | Ön Hazırlık |
| 1) | Veri madenciliğine giriş | |
| 2) | Python yazılım ortamı kurulum ve tanıtımı (Anaconda, JupyterLab) | |
| 3) | Python Numpy kütüphanesi | |
| 4) | Python Pandas kütüphanesi | |
| 5) | Keşifçi Veri Analizi ve veri Görselleştirme | |
| 6) | Veri Ön İşleme | |
| 7) | Basit Doğrusal Regresyon, Çoklu Doğrusal Regresyon | |
| 8) | Temel Bileşen Regresyonu, ElasticNet Regresyon | |
| 9) | Ridge Regresyon, Lasso Regresyon | |
| 10) | K-En Yakın Komşu (KNN), Destek Vektör Makineleri (SVM) | |
| 11) | Yapay Sinir Ağları(YSA), Random Forest | |
| 12) | Karar Ağaçları (CART), Lojistik Regresyon | |
| 13) | K-Means, Naive Bayes | |
| 14) | CRISP-DM Yöntem Bilimi, Kaggle ortamı |
Kaynaklar
| Ders Notları / Kitaplar: | Introduction to Data Mining (Global Edition), Pang—Ning Tan, Michael Steinbach, Anuj Karpatne, Vipin Kumar, Pearson, 2019, ISBN: 9780273769224 |
| Diğer Kaynaklar: | kaggle.com coursera.com |
Ders - Program Öğrenme Kazanım İlişkisi
| Ders Öğrenme Kazanımları | 1 |
2 |
3 |
4 |
|---|---|---|---|---|
| Program Öğrenme Çıktıları |
Ders - Öğrenme Kazanımı İlişkisi
| Etkisi Yok | 1 En Düşük | 2 Orta | 3 En Yüksek |
| Dersin Program Kazanımlarına Etkisi | Katkı Oranı |
Öğrenme Etkinliği ve Öğretme Yöntemleri
Ölçme ve Değerlendirme Yöntemleri ve Kriterleri
Ölçme ve Değerlendirme
| Yöntemler | Uygulama Sayısı / Yarıyıl | Katkı Oranı |
| Uygulama | 3 | % 15 |
| Projeler | 1 | % 20 |
| Ara Sınavlar | 1 | % 25 |
| Yarıyıl Sonu Sınavı | 1 | % 40 |
| Toplam | % 100 | |
| YARIYIL İÇİ ÖLÇME VE DEĞERLENDİRME YÖNTEMLERİNİN BAŞARI NOTUNA KATKI ORANI | % 60 | |
| YARIYIL SONU SINAVININ BAŞARI NOTUNA KATKI ORANI | % 40 | |
| Toplam | % 100 | |
İş Yükü ve AKTS Kredisi Hesaplaması
| Aktiviteler | Uygulama Sayısı / Yarıyıl | İş Yükü (Saat) |
| Ders | 14 | 28 |
| Laboratuvar | 14 | 14 |
| Uygulama | 14 | 14 |
| Sınıf Dışı Ders Çalışması | 14 | 14 |
| Proje | 14 | 14 |
| Ara Sınavlar | 1 | 15 |
| Yarıyıl Sonu Sınavı | 1 | 25 |
| Toplam İş Yükü | 124 | |