VERİ VE METİN MADENCİLİĞİ DERS TANITIM VE UYGULAMA BİLGİLERİ

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