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
Veri Madenciliği ve Bilgi Keşfi
Amaç
Bu dersin amacı, büyük ve karmaşık veri kümeleri üzerinde anlamlı desenler, ilişkiler ve tahmin modelleri çıkarabilmek için kullanılan veri madenciliği yöntemlerini öğretmektir. Öğrencilerin, veri ön işleme, kümeleme, sınıflandırma, regresyon, ilişki kuralları madenciliği, metin madenciliği ve performans değerlendirme tekniklerini uygulayarak veriye dayalı karar destek sistemleri geliştirme yetkinliği kazanmaları amaçlanmaktadır.
İçerik
Veri madenciliği, kümeleme, sınıflandırma, tahmin,desen çıkarma, güncel veri madenciliği toolları, metin madenciliği, duygu analizi, python programlama.
Yöntem ve teknikler
Anlatılan teorik bilgiler, Python tabanlı uygulamalar ve örnek veri setleri üzerinde gerçekleştirilen laboratuvar çalışmaları ile desteklenmektedir. Öğrenciler, bireysel ve grup çalışmaları, ödevler, mini projeler ve dönem projesi kapsamında aşağıdaki becerileri kazanır
Ön koşul
Yok
Öğretim dili
Türkçe

Öğrenme çıktıları

  1. Veri madenciliği temel kavramlarını, süreçlerini ve veri ön işleme tekniklerini açıklayabilme ve uygulayabilme becerisi
  2. Python programlama dili ile kümeleme, sınıflandırma ve regresyon gibi temel veri madenciliği algoritmalarını uygulayarak analiz yapabilme becerisi
  3. Performans metriklerini kullanarak geliştirilen modellerin başarısını değerlendirebilme ve karşılaştırabilme yetkinliği
  4. İlişki kuralları madenciliği ve Apriori algoritması kullanarak veri kümeleri üzerinde sık desen ve ilişkileri keşfetme becerisi
  5. Güncel araçlar ve Python kütüphaneleri kullanarak metin madenciliği ve duygu analizi gibi ileri düzey veri analizi uygulamaları gerçekleştirme yetkinliği

Değerlendirme

Ara Sınav1%40
Yarıyıl Sonu Sınavı1%60

AKTS iş yükü (180 saat → tabloda 6 AKTS)

Ders Süresi14 × 342 saat
Sınıf Dışı Ç. Süresi14 × 342 saat
Ödevler10 × 440 saat
Ara Sınavlar1 × 22 saat
Laboratuvar15 × 230 saat
Proje1 × 2020 saat
Yarıyıl Sonu Sınavı1 × 44 saat

Haftalık konular

1Veri Madenciliğine Giriş
2Veri Tipleri, Ön işleme
3Kümeleme
4Sınıflandırma
5Performans metrikleri
6Python ile model geliştirme ve test etme
7Python ile model geliştirme ve test etme
8Arasınav
9Regresyon
10İlişki Kuralı ve Desen Çıkarma
11Veri Madenciliğinde Güncel Teknolojiler
12Metin Madenciliği ve Duygu Analizi
13Proje Sunumları
14Final Sınavı