TÜRKÇE
ENGLISH
Genel Bilgi
| Birim | FEN-EDEBİYAT FAKÜLTESİ |
| YAPAY ZEKA VE MAKİNE ÖĞRENMESİ PR. (İNGİLİZCE) | |
| Kod | YZZ211 |
| Ad | Introduction to Data Mining |
| Dönem | 2026-2027 Eğitim-Öğretim Yılı |
| Yarıyıl | 3. Yarıyıl |
| Süre (T+U) | 3-0 (T-U) (17 Hafta) |
| AKTS | 6 AKTS |
| Yerel Kredi | 3 Yerel Kredi |
| Eğitim Dil | İngilizce |
| Seviye | Lisans Dersi |
| Tür | Normal |
| Etiket | AE Alan Eğitimi Dersleri Z Zorunlu |
| Öğretim Şekli | Yüz Yüze Öğretim |
| Bilgi Paketi Koordinatörü | Dr. Öğr. Üyesi Kasım ZOR |
| Dersin Öğretim Elemanı |
Dr. Öğr. Üyesi Kasım ZOR
(Güz)
(A Grubu)
(Sor. Öğr. Ele.)
|
Dersin Amacı / Hedefi
Bu ders, veri madenciliğinin temel kavramlarını, algoritmalarını ve uygulamalarını tanıtmayı amaçlamaktadır. Öğrenciler, anlamlı örüntüler keşfetmek amacıyla veriyi nasıl inceleyeceklerini, ön işlemeden geçireceklerini ve analiz edeceklerini öğrenecek; gerçek dünya veri kümelerine temel veri madenciliği tekniklerini uygulayarak pratik deneyim kazanacaklardır. Ders, makine öğrenmesi ve derin öğrenme alanlarındaki devam dersleri için gerekli olan algoritmik ve kavramsal altyapıyı oluşturmak üzere tasarlanmıştır.
Dersin İçeriği
Veri Madenciliğine Giriş, Veri (Veri Türleri, Veri Kalitesi, Veri Ön İşleme), Sınıflandırma (Karar Ağacı Oluşturma, Model Değerlendirme, Aşırı Öğrenme, Karışıklık Matrisi, Doğruluk, Kesinlik, Duyarlılık, kNN), Birliktelik Analizi (Destek, Güven, Apriori Algoritması, Kural Üretimi, Örnek Vaka Çalışması: Pazar Sepeti Analizi), Kümeleme Analizi (K-ortalama Algoritması, Hiyerarşik Kümeleme, DBSCAN'e Giriş), Anomali Tespiti (İstatistiksel ve Mesafe Tabanlı Yaklaşımlar), Topluluk Yöntemlerine Giriş ve Bitirme Projesi Sunumları.
Dersin Ön Koşulu
Dersin ön koşulu bulunmamaktadır.
Kaynaklar
Pang-Ning Tan, Michael Steinbach, Anuj Karpatne, and Vipin Kumar, Introduction to Data Mining, 2nd Ed., Pearson, 2019.
Notlar
Jiawei Han, Jian Pei, and Hanghang Tong, Data Mining: Concepts and Techniques, 4th Ed., Elsevier, 2023. Michael Hahsler, An R Companion for Introduction to Data Mining, 1st Ed., 2025. Galit Shmueli, Peter C. Bruce, Inbal Yahav, Nitin R. Patel, and Kenneth C. Lichtendahl, Jr., Data Mining for Business Analytics: Concepts, Techniques, and Applications in R, 1st Ed., Wiley, 2018. Galit Shmueli, Peter C. Bruce, Peter Gedeck, and Nitin R. Patel, Data Mining for Business Analytics: Concepts, Techniques, and Applications in Python, 1st Ed., Wiley, 2020. Di Wu, Data Mining with Python: Theory, Application, and Case Studies, 1st Ed., CRC Press, 2024.
Dersin Öğrenme Çıktıları
| Sıra | Dersin Öğrenme Çıktıları |
|---|---|
| ÖÇ01 | Veri madenciliği sürecini açıklar ve sınıflandırma, birliktelik analizi, kümeleme ve anomali tespiti gibi temel veri madenciliği görevlerini birbirinden ayırt eder. |
| ÖÇ02 | Veri kalitesi sorunlarını belirler ve ham veriyi analize hazır hale getirmek için temel veri ön işleme tekniklerini uygular. |
| ÖÇ03 | Karar ağacı ve kNN sınıflandırıcılarını kurar; modellerin başarımını karışıklık matrisi, doğruluk, kesinlik, duyarlılık ve F1-puanı metriklerini kullanarak değerlendirir. |
| ÖÇ04 | Birliktelik kuralları türetmek amacıyla Apriori algoritmasını uygular ve pazar sepeti analizi gibi uygulamalarda bu kuralların pratik geçerliliğini ve önemini yorumlar. |
| ÖÇ05 | K-ortalama ve hiyerarşik kümeleme yöntemlerini uygular ve karşılaştırır; DBSCAN kullanarak yoğunluk tabanlı kümelemenin temel ilkelerini açıklar. |
| ÖÇ06 | Anomali tespiti için temel istatistiksel ve mesafe tabanlı yaklaşımları açıklar ve uygular. |
| ÖÇ07 | Topluluk öğrenmesi yöntemlerinin temel mantığını açıklar ve bu yöntemlerin sonraki makine öğrenmesi konularıyla olan ilişkisini tanımlar. |
| ÖÇ08 | Gerçek dünya veri kümesi üzerinde veri ön işleme, modelleme, değerlendirme ve sonuçların yorumlanması adımlarını kapsayan uçtan uca bir veri madenciliği projesi tasarlar, uygular ve sunar. |
Program Öğrenme Çıktıları ile İlişkisi
| Sıra | Tür | Program Öğrenme Çıktıları | Duzey |
|---|---|---|---|
| PÖÇ01 | Bilgi - Kuramsal, Olgusal | Bilgisayar Bilimleri temel kavramları, algoritmalar ve veri yapıları hakkında geniş bir bilgi yelpazesi kazandırır. | 4 |
| PÖÇ02 | Bilgi - Kuramsal, Olgusal | Yazılım geliştirme, programlama dilleri ve veritabanı yönetimi gibi temel bilgisayar konularını öğrenir. | 3 |
| PÖÇ03 | Bilgi - Kuramsal, Olgusal | Veri bilimi, yapay zeka ve makine öğrenimi gibi ileri düzey bilgisayar alanlarını anlar. | 5 |
| PÖÇ04 | - | Bilgisayar ağları, siber güvenlik ve veritabanı tasarımı gibi konularda bilgi edinir. | |
| PÖÇ05 | Beceriler - Bilişsel, Uygulamalı | Algoritmaları tasarlama, uygulama ve analiz etme becerilerini geliştirir. | 5 |
| PÖÇ06 | Beceriler - Bilişsel, Uygulamalı | Farklı programlama dillerini etkili bir şekilde kullanabilme yeteneği kazanır | 3 |
| PÖÇ07 | Beceriler - Bilişsel, Uygulamalı | Veri analizi, veritabanı yönetimi ve büyük veri işleme becerilerini öğrenir. | 5 |
| PÖÇ08 | Beceriler - Bilişsel, Uygulamalı | Yazılım geliştirme projelerinde çalışarak pratik deneyim kazanır. | 4 |
| PÖÇ09 | Yetkinlikler - Bağımsız Çalışabilme ve Sorumluluk Alabilme Yetkinliği | Ekip içinde işbirliği yapma ve iletişim becerilerini güçlendirir. | |
| PÖÇ10 | Yetkinlikler - Alana Özgü Yetkinlik | Teknolojik yeniliklere açık bir zihniyet kazandırır. | |
| PÖÇ11 | Yetkinlikler - Öğrenme Yetkinliği | Sürekli öğrenme ve kendini geliştirme yetkinliğini teşvik eder. | |
| PÖÇ12 | Yetkinlikler - İletişim ve Sosyal Yetkinlik | Karmaşık sorunları çözme yeteneği geliştirir. | 5 |
Haftalık Akış
| Hafta | Konu | Ön Hazırlık | Yöntemler |
|---|---|---|---|
| 1 | Ders Tanıtımı ve Kapsam, Veri Madenciliğine Giriş | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 2 | Veri | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 3 | Veri - 2 | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 4 | Sınıflandırma | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 5 | Sınıflandırma - 2 | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 6 | Sınıflandırma - 3 | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 7 | Birliktelik Analizi | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 8 | Ara Sınav | Geçmiş konuların tekrarı | Ölçme Yöntemleri: Yazılı Sınav |
| 9 | Birliktelik Analizi - 2 | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 10 | Birliktelik Analizi - 3 | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 11 | Kümeleme Analizi | Ders notlarının okunması | Öğretim Yöntemleri: Soru-Cevap, Anlatım, Tartışma |
| 12 | Kümeleme Analizi - 2 | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 13 | Anomali Tespiti | Ders notlarının okunması | Öğretim Yöntemleri: Soru-Cevap, Anlatım, Tartışma |
| 14 | Topluluk Yöntemlerine Giriş | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Soru-Cevap, Tartışma |
| 15 | Bitirme Projesi Sunumları | Uygulama ve sunma | Ölçme Yöntemleri: Sözlü Sınav, Proje / Tasarım, Performans Değerlendirmesi |
| 16 | Final Sınavı | Geçmiş konuların tekrarı | Ölçme Yöntemleri: Yazılı Sınav |
| 17 | Final Sınavı | Geçmiş konuların tekrarı | Ölçme Yöntemleri: Yazılı Sınav |
Öğrenci İş Yükü - AKTS
| Çalışmalar | Sayısı | Süresi (Saat) | İş Yükü (Saat) |
|---|---|---|---|
| Ders ile İlgili Çalışmalar | |||
| Ders (Sınav haftaları dahil değildir) | 14 | 3 | 42 |
| Sınıf Dışı Ders Çalışma (Ön çalışma, pekiştirme) | 14 | 3 | 42 |
| Değerlendirmeler ile İlgili Çalışmalar | |||
| Ödev, Proje, Diğer | 1 | 60 | 60 |
| Ara Sınavlar (Yazılı, Sözlü, vs.) | 1 | 3 | 3 |
| Yarıyıl/Yıl Sonu/Final Sınavı | 1 | 3 | 3 |
| Toplam İş Yükü (Saat) | 150 | ||
| Toplam İş Yükü / 25 (s) | 6,00 | ||
| AKTS | 6 AKTS | ||