Kodu | Dersin Adı | Yarıyıl | Süresi(T+U) | Kredisi | AKTS Kredisi |
---|---|---|---|---|---|
YBS208 | VERİ VE METİN MADENCİLİĞİ | 4 | 3 | 3 | 6 |
DERS BİLGİLERİ |
|
---|---|
Dersin Öğretim Dili : | Türkçe |
Dersin Düzeyi | LİSANS, TYY: + 6.Düzey, EQF-LLL: 6.Düzey, QF-EHEA: 1.Düzey |
Dersin Türü | Zorunlu |
Dersin Veriliş Şekli | - |
Dersin Koordinatörü | Dr.Öğr.Üyesi DİDEM TETİK KÜÇÜKELÇİ |
Dersi Veren Öğretim Üyesi/Öğretim Görevlisi | |
Ders Ön Koşulu | Yok |
AMAÇ VE İÇERİK |
|
---|---|
Amaç: | Çağdaş veri madenciliği altında bulunan belirli algoritmaları ve bu algoritmaların nasıl kullanıldıklarını öğrenmek, Veri madenciliği uygulamaları geliştirmek, Veri biliminin geleceğini tartışmaktır. |
İçerik: | Öngörü(prediction) veya tahmin önemli bir bilimsel çalışma olarak makine öğrenmesinin veya genelleştirilmiş adı ile veri madenciliğinin temel konusudur. Günümüzün dijital çağında enformasyon ve bilgi elde etmek için istatistik teknikler ve makine öğrenmesi kullanılır. Makine öğrenmesi 1950’li yıllarda başlayan yapay zekâ konusunun uzantısında son evre olarak geliştirilmiştir Makine öğrenmesi, veri madenciliği şemsiyesi altında danışmanlı (supervised) ve danışmansız (unsupervised) öğrenme algoritmalarını içerir. Veri madenciliği dersi kapsamında metin madenciliği konuları ve iş akışları sistematiğine bağlı kalarak işletme ve farklı sektörlerin uygulamaları ele alınacaktır. Uygulama aracı olarak Python Programlama Dili kullanılacaktır. |
DERSİN ÖĞRENME ÇIKTILARI (Öğrenciler, bu dersi başarı ile tamamladıklarında aşağıda belirtilen bilgi, beceri ve/veya yetkinlikleri gösterirler.) |
---|
Veri madenciliği hakkında bilinmesi gereken teknik ve temel kavramları (Modelleme, istatistik, programlama vb.) öğrenir. |
Temel makine öğrenimi algoritmalarını kullanabilir. |
Veri madenciliği yazılımlarını (ağırlıklı olarak Python Programlama Dili, Sqlite Veritabanı) kullanabilir. |
Veri madenciliği alanında projeler geliştirebilir. |
Öğrendikleri Numpy, Pandas vb. kütüphaneler ve araçlar yardımıyla Veri analizi yapabilir, uygulayabilir. |
Veri görselleştirme (Matplotlib vb.) yöntemlerini uygulayabilir. |
Sqlite Veritabanı aracıyla kütüphane projesi, sınıfların kullanılması ve veritabanı işlemlerini gerçekleştirebilir. |
SoccerLeaugeSalaries Analizi gibi uygulanan örnek analizler aracılığıyla çeşitli veri setleri üstünde analizler yapabilir. |
Sınıflandırma algoritmalarının analiz sonuçlarından çıkarım yapar. |
Gruplama algoritmalarını vakalar üzerinde uygular. |
Geleceği öngörmek ve proaktif olmak rekabette üstün olmaktır.” veri madenciliği verilerdeki ilişkileri yakalayarak gizli kalmış anlamlı ve faydalı bilgiyi ortaya çıkarır. Özellikle belirsizlik taşıyan geleceği öngörmek iş hayatında rekabet üstünlüğü sağlarken proaktif olarak problemlerin önüne geçilebilecektir |
HAFTALIK DERS KONULARI VE ÖNGÖRÜLEN HAZIRLIK ÇALIŞMALARI |
|||
---|---|---|---|
Hafta | Ön Hazırlık | Konular | Yöntem |
1 | - | Ders Bilgisi (Syllabus) ve Veri ve Metin Madenciliğine Giriş | Ders İçeriği Okuma |
2 | Literatür Okuması | Veri ve Metin Madenciliği İçin Temel Kavramlar | Sınıf-içi Alıştırmalar |
3 | Literatür Okuması | Veri Bilimi İçin Gerekli Programların Kurulum ve Kullanımı (Anaconda-Python-Jupyter Notebook, Paycharm, SublimeText Editor, IDLE) | Sınıf-içi Alıştırmalar |
4 | Literatür Okuması | Veri Tipleri, Temel Operatörler, Karakter Dizileri-Stringler, Veri Tipi Dönüşümleri | Sınıf-içi Alıştırmalar |
5 | Literatür Okuması | Liste Veri Tipleri, Print Fonksiyonu, Format Fonksiyonu, Tuple-Demet Veri Tipleri,Dict-Sözlük_Veri Tipleri | Sınıf-içi Alıştırmalar |
6 | Literatür Okuması | Input Fonksiyonu, 18. Kodlama Egzersizi - Temel Python Objeleri ve Veri Yapıları-Egzersizler | Sınıf-içi Alıştırmalar |
7 | Literatür Okuması | Mantıksal Değerler ve Karşılaştırma Operatörleri, Mantıksal Bağlaçlar, Koşullu Durum Blokları - If - Elif ve Else Blokları, Egzersizler | Sınıf-içi Alıştırmalar |
8 | - | ARA SINAV | - |
9 | Literatür Okuması | Döngü Yapıları, Range Fonksiyonu, Break Continue İfadeleri, List Comprehension, Egzersizler | Sınıf-içi Alıştırmalar |
10 | Literatür Okuması, Ödev | Dosya İşlemleri | Sınıf-içi Alıştırmalar |
11 | Literatür Okuması, Ödev | Sqlite Veritabanı, Tablolara Veri Ekleme-Veri Çekme, Silme, Güncelleme | Sınıf-içi Alıştırmalar |
12 | Literatür Okuması, Ödev | Veri Analizi Numpy | Sınıf-içi Alıştırmalar |
13 | Literatür Okuması, Ödev | Veri Analizi Pandas | Sınıf-içi Alıştırmalar |
14 | Literatür Okuması, Ödev | SoccerLeaugeSalaries Analizi | Sınıf-içi Alıştırmalar |
15 | Literatür Okuması, Ödev | Veri Görselleştirme Matplotlib | Sınıf-içi Alıştırmalar |
16 | - | FİNAL | - |
17 | - | FİNAL | - |
KAYNAKLAR |
---|
Veri madenciliği : kavram ve algoritmaları. Yazar Silahtaroğlu, Gökhan. Yayıncı: İstanbul : Papatya, 2020.Baskı: 4. |
Python Eğitim Seti (3 Kitap) Mustafa Başer, Mustafa Murat Coşkun, Volkan Taşçı DİKEYEKSEN YAYINCILIK |
İş zekası ve veri madenciliği. Yazar Şeker, Şadi Evren. Cinius YayınlarıEğitim. Yayıncı: İstanbul : Cinius Yayınları, 2013. |
Özkan, Y. (2016). Veri Madenciliği, İstanbul: Papatya. |
Oğuzlar, A. (2011). Temel metin madenciliği. Dora Yayıncılık. |
ÖLÇME VE DEĞERLENDİRME |
|||
---|---|---|---|
Yarıyıl İçi Yapılan Çalışmaların Ölçme ve Değerlendirmesi | Etkinlik Sayısı | Katkı Yüzdesi | Açıklama |
(0) Etkisiz | (1) En Düşük | (2) Düşük | (3) Orta | (4) İyi | (5) Çok İyi |
---|---|---|---|---|---|
0 | 1 | 2 | 3 | 4 | 5 |
KNOWLEDGE | |||||||
---|---|---|---|---|---|---|---|
Theoretical | |||||||
Program Yeterlilikleri/Çıktıları | Katkı Düzeyi | ||||||
0 | 1 | 2 | 3 | 4 | 5 | ||
1 |
Define concepts such as management, manager and leader.
|
4 | |||||
2 |
Analyze the accuracy, reliability and validity of the new information obtained from the data.
|
5 |
KNOWLEDGE | |||||||
---|---|---|---|---|---|---|---|
Factual | |||||||
Program Yeterlilikleri/Çıktıları | Katkı Düzeyi | ||||||
0 | 1 | 2 | 3 | 4 | 5 | ||
1 |
Report the obtained data.
|
5 | |||||
2 |
Prepare software and projects related with the field.
|
5 |
SKILLS | |||||||
---|---|---|---|---|---|---|---|
Cognitive | |||||||
Program Yeterlilikleri/Çıktıları | Katkı Düzeyi | ||||||
0 | 1 | 2 | 3 | 4 | 5 | ||
1 |
Use the appropriate resources for data analysis related with the field.
|
5 | |||||
2 |
Analyze the work processes.
|
5 |
SKILLS | |||||||
---|---|---|---|---|---|---|---|
Practical | |||||||
Program Yeterlilikleri/Çıktıları | Katkı Düzeyi | ||||||
0 | 1 | 2 | 3 | 4 | 5 | ||
1 |
Manage projects as part of a team.
|
5 | |||||
2 |
Apply the material, techniques and analyzes in relation with the subject for project and work flows.
|
5 |
OCCUPATIONAL | |||||||
---|---|---|---|---|---|---|---|
Autonomy & Responsibility | |||||||
Program Yeterlilikleri/Çıktıları | Katkı Düzeyi | ||||||
0 | 1 | 2 | 3 | 4 | 5 | ||
1 |
Fulfill responsibility with a focus on result in individual and team studies.
|
5 |
OCCUPATIONAL | |||||||
---|---|---|---|---|---|---|---|
Learning to Learn | |||||||
Program Yeterlilikleri/Çıktıları | Katkı Düzeyi | ||||||
0 | 1 | 2 | 3 | 4 | 5 | ||
1 |
Recognizes what he/she knows about his/her field or not.
|
5 | |||||
2 |
Act the theoretical knowledge in real life with learning to learn approach.
|
5 | |||||
3 |
Apply different methods and techniques with an innovative approach in his/her research.
|
5 |
OCCUPATIONAL | |||||||
---|---|---|---|---|---|---|---|
Communication & Social | |||||||
Program Yeterlilikleri/Çıktıları | Katkı Düzeyi | ||||||
0 | 1 | 2 | 3 | 4 | 5 | ||
1 |
Apply the results obtained in accordance with voluntarism and social responsibility projects.
|
5 | |||||
2 |
Establish a healthy contact with colleagues
|
3 | |||||
3 |
Share the analyzes and obtained results with colleagues.
|
3 | |||||
4 |
Cooperate with colleagues at international level with the help of foreign language competency.
|
3 |
OCCUPATIONAL | |||||||
---|---|---|---|---|---|---|---|
Occupational and/or Vocational | |||||||
Program Yeterlilikleri/Çıktıları | Katkı Düzeyi | ||||||
0 | 1 | 2 | 3 | 4 | 5 | ||
1 |
Behave in accordance with ethical values regarding the collection, analysis and reporting of data.
|
4 | |||||
2 |
Participate the design of work processes and systems with full quality.
|
5 | |||||
3 |
Cooperate with other employees for the continuation of sustainability in the profession.
|
4 |
DERSİN İŞ YÜKÜ VE AKTS KREDİSİ |
|||
---|---|---|---|
Öğrenme-Öğretme Etkinlikleri İş Yükü | |||
Öğrenme-Öğretme Etkinlikleri | Etkinlik(hafta sayısı) | Süresi(saat sayısı) | Toplam İş Yükü |
Ders | 14 | 3 | 42 |
Derse Ön Hazırlık ve Ders Sonrası Pekiştirme | 13 | 2 | 26 |
Arazi Çalışması | 0 | 0 | 0 |
Grup Çalışması / Ödevi | 0 | 0 | 0 |
Laboratuvar | 0 | 0 | 0 |
Okuma | 0 | 0 | 0 |
Ödev | 0 | 0 | 0 |
Proje Hazırlama | 0 | 0 | 0 |
Seminer | 0 | 0 | 0 |
Staj | 0 | 0 | 0 |
Teknik Gezi | 0 | 0 | 0 |
Web Tab. Öğrenme | 0 | 0 | 0 |
Uygulama | 6 | 2 | 12 |
Yerinde Uygulama | 0 | 0 | 0 |
Mesleki Faaliyet | 0 | 0 | 0 |
Sosyal Faaliyet | 0 | 0 | 0 |
Tez Hazırlama | 0 | 0 | 0 |
Alan Çalışması | 0 | 0 | 0 |
Rapor Yazma | 0 | 0 | 0 |
Final Sınavı | 1 | 1 | 1 |
Final Sınavı Hazırlığı | 7 | 5 | 35 |
Ara Sınav | 1 | 1 | 1 |
Ara Sınav Hazırlığı | 6 | 6 | 36 |
Kısa Sınav | 0 | 0 | 0 |
Kısa Sınav Hazırlığı | 0 | 0 | 0 |
TOPLAM | 48 | 0 | 153 |
Genel Toplam | 153 | ||
Toplam İş Yükü / 25.5 | 6 | ||
Dersin AKTS(ECTS) Kredisi | 6,0 |