Ders Adı Veri Madenciliği
Ders Kodu IAT-4259
Dersin Türü Zorunlu
Ders Biriminin Seviyesi Ön Lisans
Yıl 2
Dönem 3.Yarıyıl
AKTS 4
Dersi Veren(ler) Dr. Öğr. Üyesi Birkan BÜYÜKARIKAN
Dersin Yardımcıları -
Ders İşleme Biçimi Yüz Yüze
Önkoşul Dersleri
Dersin İçeriği Veri madenciliğine giriş, Veri Madenciliğinde Kullanılan Güncel Teknoloji ve Araçlar, Veri Madenciliğinde Kullanılan Hazır Programlar, Veri madenciliği süreçleri, Veri madenciliğinde sınıflandırma, Karar Ağaçları ve Karar Kuralların Analizi, Kümeleme ve Benzerlik Ölçüleri, Birliktelik kuralı, Regresyon yöntemleri, Özellik seçme ve Boyut azaltma, Veri Madenciliğinde Web Madenciliği
Dersin Verildiği Diller Türkçe
Dersin Amacı Dersin amacı veri kümesi içerisinden faydalı bilgiyi bulup çıkartmak ve keşfedilen bilgiyi kullanarak mevcut durumu açıklamaya yardımcı olmak ve gelecekteki oluşumları tahmin etmektir.
Ders Yapısı
Temel/Alana Özgü Mesleki Dersler 50
Uzmanlık/Program Dersi 40
Destek Dersi 0
Beceri,İletişim ve Yönetim Becerileri Dersi 0
Aktarılabilir Beceri Dersi 0
Matematik ve Temel Bilimler 10
Temel Eğitim 0
Ders İşleme Şekli
Sınıf Dersi 70
Sınıf Dersi açıklama 1
Problem Saati 0
Problem Saati Açıklama 0
Laboratuvar 30
Laboratuvar Açıklama 4
Diğer 0
Diğer Açıklama 0
No Dersin Kazanımları  
1 Veri madenciliğine ilişkin temel kavramları bilir
2 Veri madenciliği teknikleri ve popüler araçları bilir
3 Ham verileri analiz eder ve bir formata dönüştürmek için veri ön işleme tekniklerini kullanır
4 Sınıflandırma, kümeleme ve birliktelik kuralları gibi temel veri madenciliği yöntemlerini bilir
5 Veri madenciliği modellerinin başarımını ölçmek için uygun performans metriklerini seçer
DERSİN KAZANIMLARI / PROGRAM YETERLİKLERİ İLİŞKİ MATRİSİ
DKPÇ1PÇ2PÇ3PÇ4PÇ5PÇ6PÇ7PÇ8PÇ9PÇ10PÇ11PÇ12PÇ13PÇ14PÇ15
1
2
3
4
5
5-Çok Yüksek İlişkili 4- Yüksek İlişkili 3-Orta İlişkili 2- Zayıf İlişkili 1-İlişkisiz
Hafta Konular  
1 Veri madenciliğine giriş
2 Veri Madenciliğinde Kullanılan Güncel Teknoloji ve Araçlar, Veri Madenciliğinde Kullanılan Hazır Programlar
3 Veri madenciliği süreçleri
4 Veri madenciliği süreçleri
5 Veri madenciliğinde sınıflandırma
6 Veri madenciliğinde sınıflandırma
7 Sınıflandırma Yöntemlerinin Değerlendirilmesi: Performans Metrikleri ve Karışıklık Matrisi
8 Karar Ağaçları ve Karar Kuralların Analizi
9 Kümeleme ve Benzerlik Ölçüleri
10 Kümeleme Yöntemleri
11 Birliktelik kuralı
12 Regresyon Yöntemleri
13 Özellik seçme ve Boyut azaltma
14 Veri Madenciliğinde Web Madenciliği
No Program Çıktısı Katkı Düzeyi
1 Mesleği ile ilgili temel, güncel ve uygulamalı bilgilere sahip olur. 3
2 İş sağlığı ve güvenliği, çevre bilinci ve kalite süreçleri hakkında bilgi sahibi olur. 1
3 Mesleği için güncel gelişmeleri ve uygulamaları takip eder, etkin şekilde kullanır. 2
4 Mesleği ile ilgili bilişim teknolojilerini (yazılım, program, animasyon vb.) etkin kullanır. 3
5 Mesleki problemleri ve konuları bağımsız olarak analitik ve eleştirel bir yaklaşımla değerlendirme ve çözüm önerisini sunabilme becerisine sahiptir. 4
6 Bilgi ve beceriler düzeyinde düşüncelerini yazılı ve sözlü iletişim yolu ile etkin biçimde sunabilir, anlaşılır biçimde ifade eder. 1
7 Alanı ile ilgili uygulamalarda karşılaşılan ve öngörülemeyen karmaşık sorunları çözmek için ekip üyesi olarak sorumluluk alır. 1
8 Kariyer yönetimi ve yaşam boyu öğrenme konularında farkındalığa sahiptir. 1
9 Alanı ile ilgili verilerin toplanması, uygulanması ve sonuçlarının duyurulması aşamalarında toplumsal, bilimsel, kültürel ve etik değerlere sahiptir. 2
10 Bir yabancı dili kullanarak alanındaki bilgileri takip eder ve meslektaşları ile iletişim kurar. 1
11 Ağ yapıları, protokoller ve iletişim prensiplerini açıklar ve uygular. 1
12 Ağ hata ayıklama, sorun giderme ve güvenliğini sağlar. 1
13 Ağ cihazlarının temel programlamasını yapar. 1
14 Alanı ile ilgili matematiksel hesaplamaları yapar. 2
15 Ağ işletim sistemi ve servislerini kurar, kullanır, sorunlarını giderir. 1
Yarıyıl İçi Çalışmaları Sayısı Katkı Payı
Ara Sınav 1 50
Kısa Sınav 0 0
Ödev 0 0
Devam 0 0
Uygulama 1 10
Labaratuvar 1 10
Proje 1 30
Atölye 0 0
Seminer 0 0
Arazi Çalışması 0 0
Sözlü sınav 0 0
Portfolyo 0 0
Doküman İncelemesi 0 0
Performans değerlendirme 0 0
Sunum 0 0
Alan Çalışması 0 0
Vaka Çalışması 0 0
Video Kaydı 0 0
Öz değerlendirme 0 0
Akran Değerlendirme 0 0
Eşleştirme Testleri 0 0
Çoktan seçmeli test 0 0
Kısa Cevaplı test 0 0
Kontrol listeleri 0 0
Dereceleme Ölçekleri 0 0
Zihin Haritalama 0 0
Araştırma yazısı 0 0
Çevrimiçi anket 0 0
Çevrimiçi Kısa sınav 0 0
TOPLAM 100
Yıliçinin Başarıya Oranı 40
Finalin Başarıya Oranı 60
TOPLAM 100
AKTS kredilerinin belirlenmesinde öğrenci işyükü anketlerinden faydalanılmaktadır.
Etkinlik Sayısı Süresi Toplam
Ders Süresi (Sınav Haftaları Hariç) 14 3 42
Sınıf Dışı Ders Çalışma Süresi 10 2 20
Ödevler 0 0 0
Sunum/Seminer 0 0 0
Proje 1 30 30
Laboratuar Çalışması 0 0 0
Arazi ya da Alan Çalışması 0 0 0
Kısa Sınav 0 0 0
Araştırma 0 0 0
Rapor Yazma/Rapor sunumu 0 0 0
Vaka İncelemesi 0 0 0
Staj 0 0 0
Uygulama/Materyal Hazırlama 0 0 0
Tez Çalışması 0 0 0
Ara Sınavlar 1 10 10
Yarıyıl Sonu Sınavı 1 15 15
İşyükü Saati (30) 0
Toplam İşyükü / Saat 117    
Dersin Akts Kredisi 4    
Ders Notu Haftalık ders notları Veri Madenciliği Yöntemleri, Yalçın Özkan, Papatya Yayıncılık, 2016.
Diğer Kaynaklar Haftalık ders notları Veri Madenciliği Yöntemleri, Yalçın Özkan, Papatya Yayıncılık, 2016.
Materyal
Dökümanlar Haftalık ders notları Veri Madenciliği Yöntemleri, Yalçın Özkan, Papatya Yayıncılık, 2016.
Ödevler Seçilen verisetlerinde veri madenciliği uygulamaları
Sınavlar
Materyal Diğer
Planlanmış Öğrenme Faaliyetleri ve Öğretim Yöntemleri











Course Weekly Schedules
Hafta 1 .Hafta
Konu
Haftalık Kapsam ve Hedefler Kapsam:
Bu hafta, veri madenciliği kavramına giriş yapılarak temel terminoloji, veri madenciliğinin amacı ve uygulama alanları ele alınacaktır. Veri madenciliğinin iş dünyasında ve akademik çalışmalardaki rolü vurgulanacaktır.

Hedefler:
1-Veri madenciliğinin tanımını ve önemini anlamak.
2-Veri madenciliği ile ilgili temel kavramları öğrenmek.
3-Veri madenciliğinin kullanım alanlarını ve işlevlerini kavramak.
Haftalık Öğrenme Etkinlikleri/Kaynakları/Videolar Teorik ders ve soru-cevap etkinlikleri
Haftalık Öğrenme Etkinlikleri Açıklama Bu hafta, öğrenciler veri madenciliği kavramını teorik ve pratik açılardan keşfedecekler. Ders kapsamında, veri madenciliğinin tanımı ve tarihçesi hakkında bilgi edinirken, kullanım alanlarına dair örnekler üzerinde durulacaktır. Gerçek hayat uygulamaları, özellikle iş dünyasındaki etkileriyle incelenecek ve temel süreçlere ilişkin genel bir çerçeve çizilecektir.
Haftalık Ölçme-Değerlendirme Etkinlikleri Öz değerlendirme,
Haftalık Ölçme-Değerlendirme Notlandırması/Ödev Teslim Süreleri -
Hafta 2 .Hafta
Konu
Haftalık Kapsam ve Hedefler Kapsam:
Bu hafta, veri madenciliğinde kullanılan güncel teknolojiler, araçlar ve yazılımlar tanıtılacaktır. Python ve R gibi programlama dillerinin yanı sıra WEKA, RapidMiner, KNIME gibi hazır veri madenciliği yazılımları hakkında bilgi verilecektir. Ayrıca, bu araçların temel özellikleri ve kullanım alanları ele alınacaktır.

Hedefler:
1-Veri madenciliği için kullanılan temel teknolojileri ve yazılımları tanımak.
2-Python ve R dillerinin veri madenciliği süreçlerindeki rollerini öğrenmek.
3-WEKA, RapidMiner ve KNIME gibi araçların temel özelliklerini anlamak.
4-Doğru araç seçimi yapabilmek için yazılımların karşılaştırmalı avantajlarını kavramak
Haftalık Öğrenme Etkinlikleri/Kaynakları/Videolar Teorik ders ve soru-cevap etkinlikleri
Haftalık Öğrenme Etkinlikleri Açıklama Bu hafta, veri madenciliğinde sıkça kullanılan teknolojiler ve araçlar üzerine odaklanılacaktır. Dersin ilk kısmında, Python ve R gibi programlama dillerinin veri ön işleme ve modelleme süreçlerindeki rolleri ele alınacaktır. Ardından WEKA, RapidMiner ve KNIME gibi popüler yazılımların tanıtımı yapılacak ve bunlarla örnek veri madenciliği süreçleri uygulanacaktır. Öğrenciler, bu araçların kullanım kolaylıklarını deneyimleyecek ve farklı araçların avantajlarını anlamak için karşılaştırmalar yapacaktır.
Haftalık Ölçme-Değerlendirme Etkinlikleri Öz değerlendirme,
Haftalık Ölçme-Değerlendirme Notlandırması/Ödev Teslim Süreleri -
Hafta 3 .Hafta
Konu
Haftalık Kapsam ve Hedefler Kapsam:
Bu hafta, veri madenciliği süreçlerinin temel aşamaları ele alınacaktır.
Hedefler:
Veri madenciliği süreçlerinin aşamalarını kavramak.
Haftalık Öğrenme Etkinlikleri/Kaynakları/Videolar Teorik ders ve soru-cevap etkinlikleri
Haftalık Öğrenme Etkinlikleri Açıklama Sınıf içi tartışmalarla, süreç aşamalarının önemini ve birbirleriyle ilişkilerini daha iyi kavramaları hedeflenmektedir.
Haftalık Ölçme-Değerlendirme Etkinlikleri Öz değerlendirme,
Haftalık Ölçme-Değerlendirme Notlandırması/Ödev Teslim Süreleri -
Hafta 4 .Hafta
Konu
Haftalık Kapsam ve Hedefler Kapsam:
Bu hafta, veri madenciliği projelerinde kritik bir adım olan veri ön işleme süreçleri ele alınacaktır. Eksik verilerin yönetimi, aykırı değerlerin tespiti ve işlenmesi, veri dönüşümleri, normalizasyon, kategorik değişkenlerin kodlanması ve veri ölçekleme gibi temel teknikler incelenecektir.

Hedefler:
1-Veri ön işlemenin veri madenciliği sürecindeki önemini kavramak.
2-Eksik veri, aykırı değer ve gürültü sorunlarını çözmek için uygun teknikler öğrenmek.
3-Veri ölçekleme, normalizasyon ve kategorik değişken kodlama gibi temel veri dönüşüm tekniklerini uygulayabilmek.
4-Gerçek bir veri seti üzerinde veri ön işleme adımlarını sistematik olarak gerçekleştirme becerisi kazanmak.
Haftalık Öğrenme Etkinlikleri/Kaynakları/Videolar Teorik ders ve örneklerle uygulama
Haftalık Öğrenme Etkinlikleri Açıklama Bu hafta, veri setlerinin daha analiz edilebilir hale getirilmesi için gerçekleştirilen veri ön işleme aşamaları ayrıntılı bir şekilde incelenecektir. Öğrenciler, gerçek veri setleri üzerinde eksik veri doldurma, aykırı değerlerin işlenmesi ve veri dönüşüm tekniklerini uygulama fırsatı bulacaklardır.
Haftalık Ölçme-Değerlendirme Etkinlikleri Ödev, Uygulama, Laboratuvar, Öz değerlendirme,
Haftalık Ölçme-Değerlendirme Notlandırması/Ödev Teslim Süreleri Gerçek bir veri setinde veri ön işleme uygulamalarının gerçekleştirilmesi, bir sonraki hafta dersinde bu sonuçların sunulması için öğrencilerden ödev olarak hazırlanması
Hafta 5 .Hafta
Konu
Haftalık Kapsam ve Hedefler Kapsam:
Veri madenciliğinde sınıflandırma kavramı ve sınıflandırma yöntemleri

Hedef:
Öğrencilerin veri madenciliğinde sınıflandırma ve sınıflandırma algoritmalarının temel kavramlarını anlamaları.
Haftalık Öğrenme Etkinlikleri/Kaynakları/Videolar Teorik ders ve örneklerle uygulama
Haftalık Öğrenme Etkinlikleri Açıklama Sınıflandırma yöntemlerinin uygulanması ve veri setleri üzerinde sınıflandırma problemleri çözülmesi.
Haftalık Ölçme-Değerlendirme Etkinlikleri Laboratuvar, Öz değerlendirme,
Haftalık Ölçme-Değerlendirme Notlandırması/Ödev Teslim Süreleri -
Hafta 6 .Hafta
Konu
Haftalık Kapsam ve Hedefler Kapsam:
Veri madenciliğinde sınıflandırma kavramı ve sınıflandırma yöntemleri

Hedef:
Öğrencilerin veri madenciliğinde sınıflandırma ve sınıflandırma algoritmalarının temel kavramlarını anlamaları.
Haftalık Öğrenme Etkinlikleri/Kaynakları/Videolar Teorik ders ve örneklerle uygulama
Haftalık Öğrenme Etkinlikleri Açıklama Sınıflandırma yöntemlerinin uygulanması ve veri setleri üzerinde sınıflandırma problemleri çözülmesi.
Haftalık Ölçme-Değerlendirme Etkinlikleri Laboratuvar, Öz değerlendirme,
Haftalık Ölçme-Değerlendirme Notlandırması/Ödev Teslim Süreleri -
Hafta 7 .Hafta
Konu
Haftalık Kapsam ve Hedefler Kapsam:
1-Sınıflandırma modellerinin değerlendirilmesinde kullanılan temel performans metrikleri (doğruluk, precision, recall, F1 skoru, AUC, vb.) ve bu metriklerin nasıl hesaplandığı.
2-Karışıklık matrisi (Confusion Matrix) kavramı, nasıl oluşturulduğu ve farklı metriklerle ilişkisi.
3- Sınıflandırma modellerinin performansını analiz etmek için farklı metriklerin bir arada nasıl kullanılacağı ve karar verme sürecindeki rolü.

Hedefler:
1- Öğrencilerin sınıflandırma algoritmalarının değerlendirilmesinde kullanılan metrikleri öğrenmesi ve her bir metriğin neyi temsil ettiğini anlaması.
2- Karışıklık matrisinin ne olduğunu ve sınıflandırma performansını değerlendirmede nasıl kullanıldığını kavramak.
3- Öğrencilerin, bir sınıflandırma modelini değerlendirirken çeşitli metriklerin kombinasyonunun nasıl yorumlanacağını öğrenmeleri.
Haftalık Öğrenme Etkinlikleri/Kaynakları/Videolar Teorik ders ve örneklerle uygulama
Haftalık Öğrenme Etkinlikleri Açıklama Sınıflandırma modelinin performansını analiz etmek için farklı metriklerin bir arada nasıl kullanılacağını tartışma.
Farklı metriklerle model değerlendirme ve örnek bir uygulamada kullanma
Haftalık Ölçme-Değerlendirme Etkinlikleri Ödev, Uygulama, Laboratuvar,
Haftalık Ölçme-Değerlendirme Notlandırması/Ödev Teslim Süreleri Sınıflandırma yöntemlerinin seçilen bir verisetinde kullanılması ve sonuçların metrikler aracılığıyla yorumlanmasını içeren bir ödev: bir sonraki hafta dersinde sonuçların gösterilmesi
Hafta 8 .Hafta
Konu
Haftalık Kapsam ve Hedefler Kapsam:
1-Karar ağaçlarının temel yapısı, bölme kriterleri ve nasıl çalıştığı
2-Karar ağaçlarında kullanılan bölme yöntemleri (Gini, Entropi, ve Information Gain gibi) ve bu yöntemlerin karşılaştırılması.
3-Karar kurallarının çıkarılması ve karar ağaçlarından çıkarılacak kuralların analizi.
4-Overfitting ve pruning (budama) tekniklerinin karar ağaçları üzerindeki etkisi.

Hedefler:
1-Öğrencilerin karar ağaçlarının temel prensiplerini ve algoritmalarını anlamaları.
2-Öğrencilerin farklı bölme yöntemlerinin avantajlarını ve sınıflandırma performansını nasıl etkilediğini öğrenmeleri.
3-Öğrencilerin karar ağaçlarından karar kuralları çıkarmayı ve bu kuralları analiz etmeyi öğrenmeleri.
4-Öğrencilerin karar ağaçlarındaki overfitting sorununu nasıl çözebileceklerini ve budama tekniklerini anlamaları.
Haftalık Öğrenme Etkinlikleri/Kaynakları/Videolar Teorik ders ve örneklerle uygulama
Haftalık Öğrenme Etkinlikleri Açıklama Karar ağaçlarında kullanılan bölme yöntemlerini öğrenme ve karşılaştırma.
Uygulamalı örneklerle farklı bölme yöntemlerinin nasıl çalıştığını görme.
Haftalık Ölçme-Değerlendirme Etkinlikleri Uygulama, Laboratuvar,
Haftalık Ölçme-Değerlendirme Notlandırması/Ödev Teslim Süreleri -
Hafta 9 .Hafta
Konu
Haftalık Kapsam ve Hedefler Kapsam:
1- Kümeleme algoritmalarının temelleri ve kümeleme türleri
2- Benzerlik ölçülerinin tanıtılması
3- Kümeleme sonuçlarının değerlendirilmesi ve uygun kümeleme metriklerinin seçilmesi
4- Kümeleme algoritmalarında uygulanan ön işleme tekniklerinin etkisi

Hedefler:
1- Öğrencilerin kümeleme algoritmalarını öğrenmesi ve her bir algoritmanın ne tür veri kümeleriyle en iyi sonuçları verdiğini anlamaları.
2- Öğrencilerin veri noktaları arasındaki benzerlikleri ölçmek için kullanılan farklı mesafe ve benzerlik ölçülerini öğrenmeleri.
3- Öğrencilerin kümeleme sonuçlarını değerlendirme metriklerini öğrenmesi ve hangi durumlarda hangi metriklerin kullanılacağını anlamaları.
4- Öğrencilerin kümeleme algoritmalarının performansını iyileştirebilmek için gerekli veri ön işleme tekniklerini öğrenmeleri.
Haftalık Öğrenme Etkinlikleri/Kaynakları/Videolar Teorik ders ve örneklerle uygulama
Haftalık Öğrenme Etkinlikleri Açıklama Kümeleme sonuçlarını değerlendirmek için çeşitli metrikleri inceleme.
Kendi kümelenmiş verilerini değerlendirmek için örnek analizler yapma.
Haftalık Ölçme-Değerlendirme Etkinlikleri Uygulama, Laboratuvar,
Haftalık Ölçme-Değerlendirme Notlandırması/Ödev Teslim Süreleri -
Hafta 10 .Hafta
Konu
Haftalık Kapsam ve Hedefler Kapsam:
1-K-means kümeleme algoritması ve çalışma prensibi
2-Hiyerarşik kümeleme (agglomeratif ve bölgesel) ve bunun avantajları
3-DBSCAN (Density-Based Spatial Clustering of Applications with Noise) kümeleme algoritması ve avantajları
4-Kümeleme yöntemlerinin karşılaştırılması ve her birinin kullanım senaryoları

Hedefler:
1-Öğrencilerin K-means algoritmasının nasıl çalıştığını öğrenmesi ve gerçek dünya veri setlerine uygulamaları
2-Öğrencilerin hiyerarşik kümeleme yöntemlerini öğrenmesi ve bu yöntemlerin farklı veri kümeleri üzerindeki etkilerini anlamaları
3-Öğrencilerin DBSCAN algoritmasını anlamaları ve gürültülü verilerle çalışırken avantajlarını kavramaları
4-Öğrencilerin farklı kümeleme yöntemlerinin karşılaştırılmasını yaparak, hangi yöntemin hangi durumlarda daha uygun olduğunu belirlemeleri
Haftalık Öğrenme Etkinlikleri/Kaynakları/Videolar Teorik ders ve örneklerle uygulama
Haftalık Öğrenme Etkinlikleri Açıklama Farklı kümeleme yöntemlerini karşılaştırma.
Uygulama: Çeşitli veri setleri üzerinde hangi kümeleme yönteminin daha etkili olduğunu belirleme.
Haftalık Ölçme-Değerlendirme Etkinlikleri Uygulama, Laboratuvar,
Haftalık Ölçme-Değerlendirme Notlandırması/Ödev Teslim Süreleri -
Hafta 11 .Hafta
Konu
Haftalık Kapsam ve Hedefler Kapsam:
1-Birliktelik kuralı ve temel kavramlar
2- Apriori algoritması ve çalışma prensibi.
3- Birliktelik kurallarının değerlendirilmesi

Hedefler:
1-Öğrencilerin birliktelik kurallarının temel kavramlarını (destek, güven, lift) öğrenmeleri ve bu kavramları veri setlerinde uygulamaları
2-Öğrencilerin Apriori algoritmasını öğrenmesi ve bu algoritmayı kullanarak birliktelik kurallarını çıkarabilmeleri
3-Öğrencilerin çıkarılan birliktelik kurallarının kalitesini değerlendirebilmek için uygun metrikleri öğrenmeleri ve bu metrikleri analiz etmeleri
Haftalık Öğrenme Etkinlikleri/Kaynakları/Videolar Teorik ders ve örneklerle uygulama
Haftalık Öğrenme Etkinlikleri Açıklama Birliktelik kurallarını değerlendirme ve bu kuralların kalitesini metriklerle ölçme.
Çıkarılan kuralların değerlendirilmesi için çeşitli metrikleri uygulama.
Haftalık Ölçme-Değerlendirme Etkinlikleri Uygulama,
Haftalık Ölçme-Değerlendirme Notlandırması/Ödev Teslim Süreleri -
Hafta 12 .Hafta
Konu
Haftalık Kapsam ve Hedefler Kapsam:
1-Regresyon nedir? Temel kavramlar: bağımsız ve bağımlı değişkenler, doğrusal ve doğrusal olmayan ilişkiler
2- Doğrusal regresyon (Linear Regression) ve temel özellikleri
3-Çoklu doğrusal regresyon (Multiple Linear Regression) ve uygulama senaryoları
4- Lojistik regresyon (Logistic Regression) ve sınıflandırma problemlerinde kullanımı
5-Regresyon modellerinin değerlendirilmesi: R-kare, MSE, RMSE ve AIC.
Hedefler:
1-Öğrencilerin regresyonun temel kavramlarını öğrenmesi ve veri setlerinde bağımsız ve bağımlı değişkenler arasındaki ilişkiyi anlamaları.
2-Öğrencilerin doğrusal regresyonun nasıl çalıştığını ve OLS (Ordinary Least Squares) yöntemini öğrenmeleri.
3-Öğrencilerin birden fazla bağımsız değişken ile regresyon modellemesi yapabilmeleri.
4-Öğrencilerin lojistik regresyonun nasıl çalıştığını ve sınıflandırma problemlerine nasıl uygulanacağını öğrenmeleri.
5-Öğrencilerin regresyon modellerinin doğruluğunu ve uygunluğunu değerlendirmeyi öğrenmeleri.
Haftalık Öğrenme Etkinlikleri/Kaynakları/Videolar Teorik ders ve örneklerle uygulama
Haftalık Öğrenme Etkinlikleri Açıklama Regresyon modellerinin değerlendirilmesi için metriklerin kullanılması.
Model performansını ölçme ve değerlendirme.
Haftalık Ölçme-Değerlendirme Etkinlikleri Ödev, Uygulama, Laboratuvar,
Haftalık Ölçme-Değerlendirme Notlandırması/Ödev Teslim Süreleri Regrosyon yöntemlerin verisetlerinde uygulanması ve elde edilen sonuçların sonraki ders haftasında gösterilmesi
Hafta 13 .Hafta
Konu
Haftalık Kapsam ve Hedefler Kapsam:
1-Özellik seçme ve boyut azaltma nedir? Temel kavramlar: özelliklerin önemi, boyut küçültme ve sıkıştırma.
2-Özellik seçme yöntemleri: filtre tabanlı, sarma tabanlı ve gömme tabanlı yöntemler.
3-Özellik seçme ve boyut azaltma yöntemlerinin değerlendirilmesi: Model performansı üzerindeki etkisi.

Hedefler:
1-Öğrencilerin özellik seçme ve boyut azaltma tekniklerini öğrenmeleri ve veri setlerinden gereksiz veya tekrar eden özelliklerin nasıl çıkarılacağını anlamaları.
2-Öğrencilerin farklı özellik seçme yöntemlerini (filtre, sarma, gömme) öğrenmeleri ve uygulamalı olarak bu yöntemleri veri setlerinde kullanmaları.
3-Öğrencilerin özellik seçme ve boyut azaltma tekniklerinin, makine öğrenmesi modellerinin doğruluğu üzerindeki etkilerini değerlendirmeleri.
Haftalık Öğrenme Etkinlikleri/Kaynakları/Videolar Teorik ders ve örneklerle uygulama
Haftalık Öğrenme Etkinlikleri Açıklama Özellik seçme ve boyut azaltma tekniklerinin model performansı üzerindeki etkilerini değerlendirme.
Farklı veri setlerinde özellik seçme ve boyut azaltma yöntemlerinin doğruluğu artırıp artırmadığını gözlemleme.
Haftalık Ölçme-Değerlendirme Etkinlikleri Uygulama, Laboratuvar,
Haftalık Ölçme-Değerlendirme Notlandırması/Ödev Teslim Süreleri -
Hafta 14 .Hafta
Konu
Haftalık Kapsam ve Hedefler Kapsam:
Web madenciliğinin temel kavramları ve türleri
Hedefler:
Web madenciliği türlerini anlamak ve bu yöntemlerin veri madenciliğindeki yerini kavramak.
Haftalık Öğrenme Etkinlikleri/Kaynakları/Videolar Teorik ders ve örneklerle uygulama
Haftalık Öğrenme Etkinlikleri Açıklama Web madenciliği türlerini ve örnek uygulamalarını inceleme.
Haftalık Ölçme-Değerlendirme Etkinlikleri Uygulama, Laboratuvar,
Haftalık Ölçme-Değerlendirme Notlandırması/Ödev Teslim Süreleri -