Dersin Ayrıntıları
YarıyılKoduAdıT+U+LKrediAKTSSon Güncelleme Tarihi
2YBS812VERİ MADENCİLİĞİ VE TEKNİKLERİ2+1+03628.11.2025

 
Dersin Detayları
Dersin Dili Türkçe
Dersin Düzeyi Yüksek Lisans
Bölümü / Programı Yönetim Bilişim Sistemleri Tezli Yüksek Lisans
Öğrenim Türü Örgün Öğretim
Dersin Türü Seçmeli
Dersin Öğretim Şekli Yüz Yüze
Dersin Amacı Dersin amacı, öğrencilere veri madenciliğinin temel yaklaşımları ile ilgili teorik bilgiler vermek ve farklı uygulamalar için uygun veri madenciliği teknikleri seçme ve uygulama yeteneği kazandırmaktır.
Dersin İçeriği Bu ders kapsamında veri madenciliği kavramını ve ilgili kavramlarla birlikte veri ön işleme; tahmin edici yaklaşımlar olan sınıflama ve regresyon ile tanımlayıcı yaklaşımlar olan kümeleme ve birliktelik kuralları işlenmektedir.
Dersin Yöntem ve Teknikleri
Ön Koşulları Yok
Dersin Koordinatörü Yok
Dersi Verenler Dr. Öğr. Üyesi Emin Sertaç Arı https://akbis.osmaniye.edu.tr/@sertacari sertacari@osmaniye.edu.tr
Dersin Yardımcıları Yok
Dersin Staj Durumu Yok

Ders Kaynakları
Kaynaklar Özkan, Yalçın; Veri Madenciliği Yöntemleri; Papatya Yayınevi
Ders Notları Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques (3rd ed.). Waltham, MA: Morgan Kaufmann.


Planlanan Öğrenme Aktiviteleri ve Metodları
Etkinlikler ayrıntılı olarak "Değerlendirme" ve "İş Yükü Hesaplaması" bölümlerinde verilmiştir.

Değerlendirme Ölçütleri
Yarıyıl Çalışmaları Sayısı Katkı
Ara Sınav 1 % 40
Yarıyıl Sonu Sınavı 1 % 60
Toplam :
2
% 100

 
AKTS Hesaplama İçeriği
İş Yükü Sayısı Süre Toplam İş Yükü (Saat)
Ders Süresi 14 3 42
Sınıf Dışı Ç. Süresi 14 10 140
Ara Sınavlar 1 3 3
Yarıyıl Sonu Sınavı 1 3 3
Toplam İş Yükü   AKTS Kredisi : 6 188

 
Dersin Öğrenme Çıktıları: Bu dersin başarılı bir şekilde tamamlanmasıyla öğrenciler şunları yapabileceklerdir:
Sıra NoAçıklama
1 Temel veri madenciliği kavramlarını tanımlayabilir
2 Veri yığınından faydalı bilgiyi bulup çıkarma becerisi kazandırır
3 Eğiticili ve eğiticisiz yöntemler ile sınıflama ve kümeleme bilgi ve becerisi kazanır
4 Birliktelik kurallarını çıkartma ve değerlendirme bilgi ve becerisi kazanır

 
Ders Konuları
HaftaKonuÖn HazırlıkDökümanlar
1 Veri Madenciliğine Giriş
2 Veri Madenciliği Kavramları ve Veri Ön işleme
3 Veri İndirgeme ve Seçme
4 Karar Ağaçları ve Sınıflandırma - ID 3 ve C4.5 Algoritması
5 Sınıflandırma - Twoing ve Gini Algoritması
6 Sınıflandırma - Diğer Algoritmalar
7 Sınıflandırma - K-En Yakın Komşu Algoritması
8 Kümeleme
9 Kümeleme - Uzaklık Ölçümleri
10 Kümeleme - Hiyerarşik Kümeleme Yöntemleri
11 Kümeleme - Hiyerarşik Olmayan Kümeleme Yöntemleri
12 Birliktelik Kuralları - APriori Algoritması
13 İstatistiksel Sınıflandırma Modelleri - Bayes Ağları
14 Optimizasyona Dayalı Sınıflandırma - Destek Vektör Makineleri

 
Sürdürülebilir Kalkınma Amaçları
Dersin Program Çıktılarına Katkısı
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10
Tüm 2 2 4 4 3 2 4 2 1 2
Ö1 2 2 4 4 4 2 4 3 1 3
Ö2 2 2 4 4 3 2 4 2 1 2
Ö3 2 2 4 4 3 2 4 2 1 2
Ö4 2 2 4 4 3 2 4 2 1 2

  Katkı Düzeyi: 1: Çok Düşük 2: Düşük 3: Orta 4: Yüksek 5: Çok Yüksek

  
  https://obs.osmaniye.edu.tr/oibs/bologna/progCourseDetails.aspx?curCourse=241951&curProgID=5764&lang=tr