| Hafta | Konu | Ön Hazırlık | Dökümanlar |
| 1 |
Veri Madenciliğine Giriş
|
Veri madenciliğinin temel kavramları, veri ambarları ve CRISP-DM metodolojisinin aşamaları üzerine okuma yapılması.
|
Ders Slaytları; Veri Madenciliği Temel Kavramları Notları; CRISP-DM Metodolojisi Okumaları
|
| 2 |
Veri Madenciliği Kavramları ve Veri Ön işleme
|
Veri temizleme, veri tümleştirme, veri dönüştürme ve veri setlerindeki eksik değerlerin ele alınması süreçlerinin incelenmesi.
|
Ders Slaytları; Veri Temizleme, Tümleştirme ve Dönüştürme Notları
|
| 3 |
Veri İndirgeme ve Seçme
|
Boyut indirgeme, nitelik (özellik) seçimi yöntemleri ve veri örnekleme tekniklerinin araştırılması.
|
Ders Slaytları; Boyut İndirgeme ve Özellik Seçimi Notları
|
| 4 |
Karar Ağaçları ve Sınıflandırma - ID 3 ve C4.5 Algoritması
|
Karar ağaçlarının matematiksel temelleri, bilgi kazancı (entropy) ve ID3/C4.5 algoritmalarının çalışılması.
|
Ders Slaytları; Entropi ve Bilgi Kazancı Notları
|
| 5 |
Sınıflandırma - Twoing ve Gini Algoritması
|
Sınıflandırma ölçütleri, safsızlık (impurity) ölçümleri ile Twoing ve Gini algoritmalarının işleyişinin incelenmesi.
|
Ders Slaytları; Safsızlık Ölçüleri ve Gini/Twoing Yöntemleri
|
| 6 |
Sınıflandırma - Diğer Algoritmalar
|
Alternatif sınıflandırma ağaçları, budama (pruning) teknikleri ve makine öğrenmesinde aşırı öğrenme (overfitting) sorunlarının gözden geçirilmesi.
|
Ders Slaytları; Budama Teknikleri ve Aşırı Öğrenme Notları
|
| 7 |
Sınıflandırma - K-En Yakın Komşu Algoritması
|
Uzaklık tabanlı sınıflandırma, tembel öğrenme (lazy learning) kavramları ve K-En Yakın Komşu (KNN) algoritmasının çalışılması.
|
Ders Slaytları; Uzaklık Tabanlı Öğrenme ve KNN Uygulamaları
|
| 8 |
Kümeleme
|
Eğitisiz öğrenmenin (unsupervised learning) temelleri, kümeleme kriterleri ve veri bölümleme mantığının araştırılması.
|
Ders Slaytları; Gözetimsiz Öğrenme ve Kümeleme Temelleri
|
| 9 |
Kümeleme - Uzaklık Ölçümleri
|
Benzerlik ölçümleri, kümelemede kullanılan Öklid, Manhattan ve Minkowski uzaklık metriklerinin incelenmesi.
|
Ders Slaytları; Öklid, Manhattan ve Minkowski Mesafe Ölçüleri
|
| 10 |
Kümeleme - Hiyerarşik Kümeleme Yöntemleri
|
Birleştirici ve bölücü hiyerarşik kümeleme yöntemlerinin ve dendrogram (kümeleme ağacı) analizinin çalışılması.
|
Ders Slaytları; Dendrogram Analizi ve Hiyerarşik Kümeleme Yöntemleri
|
| 11 |
Kümeleme - Hiyerarşik Olmayan Kümeleme Yöntemleri
|
Bölümleyici kümeleme algoritmaları, merkez (centroid) seçimi ve K-Means algoritmasının işleyişinin gözden geçirilmesi.
|
Ders Slaytları; K-Means ve Bölümleyici Kümeleme Notları
|
| 12 |
Birliktelik Kuralları - APriori Algoritması
|
Pazar sepeti analizi, destek (support) ve güven (confidence) metrikleri ile Apriori algoritması adımlarının incelenmesi.
|
Ders Slaytları; Market Basket Analysis ve Apriori Algoritması Notları
|
| 13 |
İstatistiksel Sınıflandırma Modelleri - Bayes Ağları
|
Olasılıksal sınıflandırma modelleri, koşullu olasılık ve Naive Bayes / Bayes Ağları üzerine okuma yapılması.
|
Ders Slaytları; Olasılıksal Sınıflandırma ve Naive Bayes Notları
|
| 14 |
Optimizasyona Dayalı Sınıflandırma - Destek Vektör Makineleri
|
Hiperdüzlem seçimi, marjin maksimizasyonu ve Destek Vektör Makineleri (SVM) sınıflandırma mantığının araştırılması.
|
Ders Slaytları; Marjin Maksimizasyonu ve SVM Temelleri
|