Yazılım Mühendisliği / seçmeli havuz

YZM387 · Veri Madenciliği ve Bilgi Keşfi

T+U+Li 3+0+0 · Kredi 3 · AKTSi 6 (müfredatta 6) · Seçmeli · kategori: regular · sitede son güncelleme 08.06.2026
Kural denetimii
geçti: 38kaldı: 3muaf: 0değerlendirilemedi: 1
İçerik uyumu (YZ)i
Henüz çalıştırılmadı.
Öğrenme çıktıları (YZ)i
Henüz çalıştırılmadı.
Kaynak ve ÖP uyumu (YZ)i
Henüz çalıştırılmadı.

Kural denetimi: geçmeyen kontroller (3)

KuralAlanÖnemGerekçeMevcutBeklenenÖneri
R2 Haftalık plan
duplicate_topics · tr
weekly_topics düşükAynı konu metni birden fazla haftada birebir tekrarlanıyor.1 tekrar: 'python ile model geliştirme ve test etme' x2en çok 0 tekrarTekrarlanan haftaların konusunu ayrıştırın ya da alt başlık ekleyin.
R7 Kaynaklar
year_present · tr
references düşükKaynakların çoğunda yayın yılı yazılmamış.0/2 kaynakta yayın yılı varen az %50Kaynaklara yayın yılı (ve baskı bilgisi) ekleyin.
R7 Kaynaklar
bibliographic_form · tr
references düşükBazı kaynak satırları künye olamayacak kadar kısa (yazar, eser adı, yıl eksik).1 yetersiz künye: ['Ders Notları']0 yetersiz künyeKaynakları yazar, eser adı, yayınevi ve yıl içerecek şekilde yazın.

Kaynak güncelliği (Modül D)i

Yalnızca sayfadaki yayın yıllarından hesaplanır. İçeriğin alanın güncel kapsamıyla karşılaştırılması güvenilir referans doküman gerektirdiği için değerlendirilemedi; model bilgisine dayalı güncellik iddiası üretilmez.

2 kaynak · 0 tanesinde yıl var · en yeni — · 10 yıldan eski 0
—Uygulamalı Veri Madenciliği - Didem Gürleyikkaynaklar
—Ders Notlarıders notları

Orijinal bilgi paketi

Ad
Data Mining and Knowledge Discovery
Amaç
The aim of this course is to teach data mining methods used to extract meaningful patterns, relationships and predictive models on large and complex data sets. It is aimed for students to gain competence in developing data-based decision support systems by applying data preprocessing, clustering, classification, regression, relationship rule mining, text mining and performance evaluation techniques.
İçerik
Data mining, clustering, classification, prediction, pattern extraction, current data mining tools, text mining, sentiment analysis, python programming.
Yöntem ve teknikler
The theoretical information provided is supported by Python-based applications and laboratory studies on sample data sets. Students gain the following skills through individual and group studies, assignments, mini projects and a term project
Ön koşul
None
Öğretim dili
Turkish

Öğrenme çıktıları

  1. Ability to explain and apply basic data mining concepts, processes and data preprocessing techniques
  2. Ability to perform analysis by applying basic data mining algorithms such as clustering, classification and regression with the Python programming language.
  3. Ability to evaluate and compare the success of developed models using performance metrics
  4. Ability to discover frequent patterns and relationships on datasets using association rule mining and Apriori algorithm
  5. Ability to perform advanced data analysis applications such as text mining and sentiment analysis using up-to-date tools and Python libraries

Değerlendirme

Mid-terms1%40
Final examination1%60

AKTS iş yükü (180 saat → tabloda 6 AKTS)

Course Duration14 × 342 saat
Hours for off-the-c.r.stud14 × 342 saat
Assignments10 × 440 saat
Mid-terms1 × 22 saat
Laboratory15 × 230 saat
Project1 × 2020 saat
Final examination1 × 44 saat

Haftalık konular

1Introduction to Data Mining
2Data Types, Preprocessing
3Clustering
4Classification
5Performance metrics
6Developing and testing models with Python
7Developing and testing models with Python
8Midterm Exam
9Regression
10Association Rule and Pattern Extraction
11Current Technologies in Data Mining
12Text Mining and Sentiment Analysis
13Project Presentations
14Final Exam