DERSİN GENEL BİLGİLERİ

Ders Kodu	Ders Adı	Yıl	Yarıyıl	Teorik	Pratik	Kredi	AKTS
BVA5103	Veri Madenciliği	1	Güz	1	2	2	6

Dersin Türü:	Zorunlu
Dersin Düzeyi:	Önlisans      TYYÇ:5. Düzey      QF-EHEA:Kısa Düzey      EQF-LLL:5. Düzey
Dersin Öğretim Dili:	Türkçe
Dersin Ön/Yan Koşulu:	Yoktur
Dersin Veriliş Şekli:	Yüz yüze
Dersin Koordinatörü:	Öğretim Görevlisi ÖZGE DEMİR
Dersin Öğretim Eleman(lar)ı:	Öğretim Görevlisi ÖZGE DEMİR
Dersin Kategorisi:	Mesleki Alan

BÖLÜM II: DERSİN TANITIMI

Dersin Amacı ve İçeriği

Dersin Amacı:

Bu ders, büyük veri ortamlarında saklanan karmaşık ve büyük hacimli verilerden anlamlı bilgilerin ortaya çıkarılmasına yönelik veri madenciliği yöntemlerini kapsar. Sınıflandırma, kümeleme, birliktelik kuralları çıkarımı, anomali tespiti ve boyut indirgeme gibi temel veri madenciliği tekniklerinin yanı sıra, bu tekniklerin büyük veri platformlarında nasıl uygulandığı da ele alınır. Uygulamalarda Python (pandas, scikit-learn, mlxtend vb.) ve açık kaynak veri madenciliği araçları (Weka, RapidMiner) kullanılır.

Dersin İçeriği:

Büyük veri kaynaklarından anlamlı bilgi ve desenler ortaya çıkarmak için kullanılan temel yöntem, algoritma ve uygulamaları öğretmeyi amaçlar.

Dersin Öğrenme Çıktıları (DÖÇ)

Ders Öğrenme Çıktıları (DÖÇ), dersi başarı ile tamamlayan öğrencilerin kendilerinden sahip olmaları beklenen bilgi, beceri ve yetkinlikleri ifade eder. Bu bağlamda, bu ders için tanımlanmış olan Ders Öğrenme Çıktıları aşağıda verilmektedir.

Bilgi (Kuramsal ve/veya olgusal bilgi olarak tanımlanmıştır.)

1) Büyük veri teknolojileri ile veri madenciliğini ilişkilendirebilmekte.

Beceriler (Bilişsel ve/veya uygulama becerileri olarak tanımlanmıştır.)

1) Veri madenciliği süreçlerini ve tekniklerini anlayarak uygulayabilmekte.

2) Veri madenciliği tekniklerini karar destek sistemlerine entegre edebilmekte.

Yetkinlikler ("Bağımsız Çalışabilme", "Sorumluluk Alabilme", "Öğrenme", "İletişim ve Sosyal" ve "Alana Özgü" yetkinlikler olarak tanımlanmıştır.)

1) Sınıflandırma, kümeleme ve birliktelik analizi gibi yöntemleri veriye uygun olarak seçebilmekte.

2) Gerçek veri setleri üzerinde Python kullanarak analiz gerçekleştirebilmekte.

Haftalık Ders Planı

Hafta	Konu	Materyal Paylaşımı *
		Ön Hazırlık	Pekiştirme
1)	Veri Madenciliğine Giriş	Veri Madenciliği Teknikleri ve Uygulamaları Kavram – Teori – Modeller, Yöntem Prof. Dr. Filiz Ersöz, Data Mining Practical Machine Learning Tools and Techniques, Second Edition Oluşturan: Ian H. Witten, Eibe Frank · 2005
2)	İstatistiksel yöntemler	Veri Madenciliği Teknikleri ve Uygulamaları Kavram – Teori – Modeller, Yöntem Prof. Dr. Filiz Ersöz, Data Mining Practical Machine Learning Tools and Techniques, Second Edition Oluşturan: Ian H. Witten, Eibe Frank · 2005
3)	Veri Dönüştürme ve Normalize Etme	Veri Madenciliği Teknikleri ve Uygulamaları Kavram – Teori – Modeller, Yöntem Prof. Dr. Filiz Ersöz, Data Mining Practical Machine Learning Tools and Techniques, Second Edition Oluşturan: Ian H. Witten, Eibe Frank · 2005
4)	Keşifsel Veri Analizi (EDA)	Veri Madenciliği Teknikleri ve Uygulamaları Kavram – Teori – Modeller, Yöntem Prof. Dr. Filiz Ersöz, Data Mining Practical Machine Learning Tools and Techniques, Second Edition Oluşturan: Ian H. Witten, Eibe Frank · 2005
5)	Sınıflandırma Yöntemleri	Veri Madenciliği Teknikleri ve Uygulamaları Kavram – Teori – Modeller, Yöntem Prof. Dr. Filiz Ersöz, Data Mining Practical Machine Learning Tools and Techniques, Second Edition Oluşturan: Ian H. Witten, Eibe Frank · 2005
6)	Sınıflandırma Yöntemleri	Veri Madenciliği Teknikleri ve Uygulamaları Kavram – Teori – Modeller, Yöntem Prof. Dr. Filiz Ersöz, Data Mining Practical Machine Learning Tools and Techniques, Second Edition Oluşturan: Ian H. Witten, Eibe Frank · 2005
7)	Kümeleme	Veri Madenciliği Teknikleri ve Uygulamaları Kavram – Teori – Modeller, Yöntem Prof. Dr. Filiz Ersöz, Data Mining Practical Machine Learning Tools and Techniques, Second Edition Oluşturan: Ian H. Witten, Eibe Frank · 2005
8)	Ara Sınav
9)	Kümeleme	Veri Madenciliği Teknikleri ve Uygulamaları Kavram – Teori – Modeller, Yöntem Prof. Dr. Filiz Ersöz, Data Mining Practical Machine Learning Tools and Techniques, Second Edition Oluşturan: Ian H. Witten, Eibe Frank · 2005
10)	Kümeleme	Veri Madenciliği Teknikleri ve Uygulamaları Kavram – Teori – Modeller, Yöntem Prof. Dr. Filiz Ersöz, Data Mining Practical Machine Learning Tools and Techniques, Second Edition Oluşturan: Ian H. Witten, Eibe Frank · 2005
11)	Birliktelik Kuralları	Veri Madenciliği Teknikleri ve Uygulamaları Kavram – Teori – Modeller, Yöntem Prof. Dr. Filiz Ersöz, Data Mining Practical Machine Learning Tools and Techniques, Second Edition Oluşturan: Ian H. Witten, Eibe Frank · 2005
12)	Anomali Tespiti	Veri Madenciliği Teknikleri ve Uygulamaları Kavram – Teori – Modeller, Yöntem Prof. Dr. Filiz Ersöz, Data Mining Practical Machine Learning Tools and Techniques, Second Edition Oluşturan: Ian H. Witten, Eibe Frank · 2005
13)	Model Değerlendirme	Veri Madenciliği Teknikleri ve Uygulamaları Kavram – Teori – Modeller, Yöntem Prof. Dr. Filiz Ersöz, Data Mining Practical Machine Learning Tools and Techniques, Second Edition Oluşturan: Ian H. Witten, Eibe Frank · 2005
14)	Final Projesi Sunumları

*Bu alan öğrencilerin ders öncesi hazırlık ve sonrası dersi pekiştirme için paylaşılan ders materyallerini içerir.

Ders İçin Zorunlu/Önerilen Kaynaklar

Ders Notları / Kitaplar:
Diğer Kaynaklar:

DERS ÖĞRENME ÇIKTILARI - PROGRAM ÖĞRENME ÇIKTILARI İLİŞKİSİ

Ders - Program Öğrenme Kazanım İlişkisi

Ders Öğrenme Çıktıları (DÖÇ)	1	4	2	3	5
Program Öğrenme Çıktıları (PÖÇ)
1) Matematik, istatistik ve olasılık konularındaki temel kavramları açıklar; bu bilgileri veri analizi, modelleme ve sonuçların yorumlanmasında uygular.
2) Algoritma tasarım ilkelerini açıklar ve en az bir programlama dili kullanarak problem çözmeye yönelik yazılımlar geliştirir.
3) Makine öğrenmesi ve veri madenciliği algoritmalarını karşılaştırır, uygun yöntemi seçer ve gerçek veri üzerinde uygular.
4) Büyük veri platformları, dağıtık sistemler ve bulut bilişim mimarilerini kullanarak veri işleme süreçlerini gerçekleştirir.
5) Doğal dil işleme tekniklerini metin verisi üzerinde uygular ve temel düzeyde NLP tabanlı uygulamalar geliştirir.
6) Farklı veri kaynaklarını analiz eder, anlamlı çıktılara dönüştürür ve uygun görselleştirme araçlarıyla sunar.
7) Karar destek sistemlerini kullanarak veri temelli karar modelleri oluşturur.
8) Endüstriyel ve sektörel problemlere yönelik optimizasyon modelleri kurar ve çözümler üretir.
9) Mesleki uygulamalarda etik ilkeler, veri güvenliği ve sosyal sorumluluk çerçevesinde hareket eder.
10) Alanındaki güncel teknolojik gelişmeleri takip eder, ekip çalışmasına etkin katılır ve yaşam boyu öğrenme bilinci geliştirir.

BÖLÜM III: DERSİN PROGRAM ÖĞRENME ÇIKTILARI İLE İLİŞKİSİ

Dersin Program Öğrenme Çıktılarına Katkı Düzeyi

Etkisi Yok	1 En Düşük	2 Düşük	3 Orta	4 Yüksek	5 En Yüksek

	Program Öğrenme Çıktıları	Katkı Oranı (1-5)
1)	Matematik, istatistik ve olasılık konularındaki temel kavramları açıklar; bu bilgileri veri analizi, modelleme ve sonuçların yorumlanmasında uygular.	4
2)	Algoritma tasarım ilkelerini açıklar ve en az bir programlama dili kullanarak problem çözmeye yönelik yazılımlar geliştirir.	1
3)	Makine öğrenmesi ve veri madenciliği algoritmalarını karşılaştırır, uygun yöntemi seçer ve gerçek veri üzerinde uygular.	5
4)	Büyük veri platformları, dağıtık sistemler ve bulut bilişim mimarilerini kullanarak veri işleme süreçlerini gerçekleştirir.	1
5)	Doğal dil işleme tekniklerini metin verisi üzerinde uygular ve temel düzeyde NLP tabanlı uygulamalar geliştirir.	1
6)	Farklı veri kaynaklarını analiz eder, anlamlı çıktılara dönüştürür ve uygun görselleştirme araçlarıyla sunar.	2
7)	Karar destek sistemlerini kullanarak veri temelli karar modelleri oluşturur.	1
8)	Endüstriyel ve sektörel problemlere yönelik optimizasyon modelleri kurar ve çözümler üretir.	1
9)	Mesleki uygulamalarda etik ilkeler, veri güvenliği ve sosyal sorumluluk çerçevesinde hareket eder.	1
10)	Alanındaki güncel teknolojik gelişmeleri takip eder, ekip çalışmasına etkin katılır ve yaşam boyu öğrenme bilinci geliştirir.

BÖLÜM IV: DERSİN ÖĞRENME VE ÖĞRETME YÖNTEMLERİ İLE ÖLÇME VE DEĞERLENDİRME YÖNTEMLERİ

Dersin Öğrenme ve Öğretme Yöntemleri

(Üniversitemiz genelinde kullanılan tüm öğrenme ve öğretme yöntemleri sistematik olarak yönetilmektedir. Akademik birimlerden gelen talepler doğrultusunda bölüm/programların öğrenme ve öğretme yöntemleri ilgili kurullarımız tarafından değerlendirilmekte ve uygun bulunursa, üniversite havuzunda toplanmaktadır. Bölüm ve programlar, kendileri için program tasarımlarına uygun olan yöntemleri bu havuzdan seçebilmektedirler. Benzer şekilde, dersler için kullanılması uygun görülen yöntemler de programlar düzeyinde belirlenmiş olan yöntemler arasından seçilebilmektedir.)

Programa Genelinde Kullanılan Öğrenme ve Öğretme Yöntemleri	Ders İçin Kullanılan Öğrenme ve Öğretme Yöntemleri

Dersin Ölçme ve Değerlendirme Yöntemleri

(Üniversitemiz genelinde kullanılan tüm ölçme ve değerlendirme yöntemleri sistematik olarak yönetilmektedir. Akademik birimlerden gelen talepler doğrultusunda bölüm/programların ölçme ve değerlendirme yöntemleri ilgili kurullarımız tarafından değerlendirilmekte ve uygun bulunursa, üniversite havuzunda toplanmaktadır. Bölüm ve programlar, kendileri için program tasarımlarına uygun olan yöntemleri bu havuzdan seçebilmektedirler. Benzer şekilde, dersler için kullanılması uygun görülen yöntemler de programlar düzeyinde belirlenmiş olan yöntemler arasından seçilebilmektedir.)

Programa Genelinde Kullanılan Ölçme ve Değerlendirme Yöntemleri	Ders İçin Kullanılan Ölçme ve Değerlendirme Yöntemleri

Dersin Ölçme ve Değerlendirme Yöntemlerinin Başarı Notuna Katkısı

Ölçme ve Değerlendirme Yöntemleri	Uygulama Sayısı / Yarıyıl	Katkı Oranı
Projeler	1	% 15.00
Ara Sınavlar	1	% 35.00
Yarıyıl Sonu Sınavı	1	% 50.00
Toplam		% 100
YARIYIL İÇİ ÖLÇME VE DEĞERLENDİRME YÖNTEMLERİNİN BAŞARI NOTUNA KATKI ORANI		% 50
YARIYIL SONU SINAVININ BAŞARI NOTUNA KATKI ORANI		% 50
Toplam		% 100

BÖLÜM V: DERSİN İŞ YÜKÜ VE AKTS KREDİSİ

ÖĞRENME VE ÖĞRETME ETKİNLİKLERİ İŞ YÜKÜ
Öğrenme ve Öğretme Etkinlikleri	Etkinlik Sayısı/Yarıyıl	Süresi (saat)	Toplam İş Yükü
Ders	14	3	42
Laboratuvar	0	0	0
Uygulama	0	0	0
Derse Özgü Staj	0	0	0
Arazi Çalışması	0	0	0
Sınıf Dışı Ders Çalışması	14	1	14
Sunum / Seminer	0	0	0
Proje	0	0	0
Ödevler	1	15	15
Öğrenme ve Öğretme Etkinlikleri Toplam İş Yükü	-	-	71
ÖLÇME VE DEĞERLENDİRME ETKİNLİKLERİ İŞ YÜKÜ
Ölçme ve Değerlendirme Etkinlikleri	Etkinlik Sayısı/Yarıyıl	Süresi (saat)	Toplam İş Yükü
Kısa Sınav	0	0	0
Ara Sınavlar	1	36	36
Yarıyıl Sonu Sınavı	1	46	46
Ölçme ve Değerlendirme Etkinlikleri Toplam İş Yükü	-	-	82
TOPLAM İŞ YÜKÜ (Öğrenme ve Öğretme + Ölçme ve Değerlendirme Etkinlikleri)			153
DERSİN AKTS KREDİSİ (Toplam İş Yükü/25.5 Saat)			6