1. LİSANS
  2. MÜHENDİSLİK FAKÜLTESİ
  3. ENDÜSTRİ MÜHENDİSLİĞİ BÖLÜMÜ
  4. 255 ENDÜSTRİ MÜHENDİSLİĞİ
Ders Bilgileri Ders Öğrenme Kazanımları Dersin Program Yeterlilikerine Katkısı AKTS / İş Yükü Tablosu Ders Şubeleri
Yazdır

DERS BİLGİLERİ
Ders KodDers AdT+U SaatYarıyılAKTS
CENG 468VERİ MADENCİLİĞİ3 + 07. Yarıyıl5

DERS TANIMI
Ders Düzeyi Lisans
Ders Türü Seçmeli
Dersin Amacı Dersin amacı Veri Madenciliği Kavramları, Veri Hazırlama Teknikleri, İstatistiksel Öğrenme Teorisi(Naive Bayes), Kümeleme Metodları (K-Means, hiyerarşik), Karar Ağaçları ve Karar Kuralları, Birliktelik Kurallarını öğretmektir.
Ders İçeriği Veri Madenciliğine Giriş / Veri Madenciliği Kavramları / Veri Hazırlama Teknikleri / Veri İndirgeme / Sınıflamada İstatistiksel Yöntemler (Naïve Bayes) / Kümeleme Yöntemleri (K-Means Algoritması) / Kümeleme Yöntemleri / Hiyerarşik Yöntemler / Karar Ağaçları ve Kuralları / Birliktelik Kuralları / Yapay Sinir Ağları
Ders Ön Koşul Dersin ön koşulu yok.
Ders Yan Koşul Dersin yan koşulu yok.
Öğretim Sistemi Yüz Yüze

DERS ÖĞRENME KAZANIMLARI
1veri madenciliği hakkında uygulama yapma yeteneği

DERS ÖĞRENME KAZANIMININ PROGRAM YETERLİLİKLERİNE KATKISI
Derslerin program öğrenme kazanımına katkısı girilmemiş.

AKTS / İŞ YÜKÜ TABLOSU
EtkinlikSayısıSüresi (Saat)Toplam İş Yükü (Saat)
Ders Süresi(14 hafta/teorik+uygulama)14342
Ödevler4624
Arasınavlar(hazırlık süresi dahil)11010
Yarıyıl Sonu Sınavı(hazırlık süresi dahil)11414
Sunum / Seminer (hazırlık süresi dahil)11414
Rapor / Proje (hazırlık süresi dahil)12626
Toplam İş Yükü

Dersin AKTS Kredisi





130

5
DERS ŞUBELERİ
 Dönem seçiniz :   


 Ders DönemiŞube NoDersi Veren Öğretim Elemanı
Detay 2022-2023 Bahar1DUYGU TOPALOĞLU


Yazdır

Ders Şube Detayları
Dersin Kodu Dersin Ad Saat (T+P) Şube No Öğretim Dili Şube Dönemi
CENG 468 VERİ MADENCİLİĞİ 3 + 0 1 Türkçe 2022-2023 Bahar
Öğretim Elemanı  E-Posta  İç Hat  Ders Yeri Devam Zorunluluğu
Öğr. Gör. DUYGU TOPALOĞLU dtopaloglu@pau.edu.tr MUH A0425 Dersin Devam Yüzdesi : %70
Amaç Dersin amacı Veri Madenciliği Kavramları, Veri Hazırlama Teknikleri, İstatistiksel Öğrenme Teorisi(Naive Bayes), Kümeleme Metodları (K-Means, hiyerarşik), Karar Ağaçları ve Karar Kuralları, Birliktelik Kurallarını öğretmektir.
İçerik Veri Madenciliğine Giriş / Veri Madenciliği Kavramları / Veri Hazırlama Teknikleri / Veri İndirgeme / Sınıflamada İstatistiksel Yöntemler (Naïve Bayes) / Kümeleme Yöntemleri (K-Means Algoritması) / Kümeleme Yöntemleri / Hiyerarşik Yöntemler / Karar Ağaçları ve Kuralları / Birliktelik Kuralları / Yapay Sinir Ağları
Haftalık Konu Başlıkları
HaftaKonular
1 Tanıtım dersi, veri madenciliği nedir?Python Giriş,
2 Python Giriş,Veri çeşitleri, temel istatistiksel hatırlatmalar
3 Numpy Kütüphanesi Tanıtım, NumPy array, özellikleri (Veri Manüpülasyonu)
4 Pandas Kütüphanesi Tanıtım, Dış kaynaklı veri okuma
5 Veri görselleştirme Matplotlib Kütüphanesi
6 Keşifçi Veri Analizi (Exploratory Data Analysis)
7 Vize
8 Özellik Çıkarımı (Feature Engineering)
9 Basit tavsiye sistemleri
10 İşbirlikçi filtreleme yöntemleri 1
11 İşbirlikçi filtreleme yöntemleri 2
12 İşbirlikçi filtreleme yöntemleri 3
13 Proje Sunumları
14 Dönem sonu sınavı
Materyaller
Materyal belirtilmemiştir.
Kaynaklar
Ders Değerlendirme Sistemi
Değerlendirme YöntemiKatkı Yüzdesi (%)Değerlendirme Yöntemi Ad
Dönem Sonu Sınavı50Dönem Sonu Sınavı
Ara Sınav25Ara Sınav
Proje25Proje
T+U : Teorik + Pratik
PY: Program Yeterlilikleri
ÖK: Ders Öğrenme Kazanımları