Veri Madenciliği
Büyük veri kümelerinden sınıflandırma, kümeleme ve birliktelik kuralları ile anlamlı örüntüler çıkarmayı; sigorta ve finans örnekleriyle işler.
- Dönem
- Güz dönemi
- Düzey
- Lisans
- Kredi
- 2+0
- Süre
- 16 hafta
Dersin amacı
Öğrencilerin CRISP-DM sürecini izleyerek veriyi hazırlaması, uygun veri madenciliği yöntemini seçip uygulaması ve sonuçları doğru ölçütlerle yorumlaması.
Öğrenme çıktıları
Bu dersi başarıyla tamamlayan öğrenci:
- Veri ön işleme adımlarını uygular ve veri kalitesini değerlendirir.
- Karar ağacı, Naive Bayes, k-NN ve topluluk yöntemleriyle sınıflandırma yapar.
- Kümeleme ve birliktelik kuralı analizlerini uygular ve yorumlar.
- Modelleri çapraz doğrulama ve uygun başarı ölçütleriyle karşılaştırır.
Değerlendirme
| Değerlendirme ölçütü | Katkı |
|---|---|
| Ara sınav (8. hafta) | %40 |
| Yarıyıl sonu sınavı (16. hafta) | %60 |
Kaynaklar
- Jiawei Han, Micheline Kamber, Jian Pei, Data Mining: Concepts and Techniques, Morgan Kaufmann
- Pang-Ning Tan, Michael Steinbach, Anuj Karpatne, Vipin Kumar, Introduction to Data Mining, Pearson
Haftalık izlence
-
1
1. hafta Veri madenciliğine giriş ve CRISP-DM süreci
-
2
2. hafta Veri türleri, nitelikler ve veri kalitesi
-
3
3. hafta Veri ön işleme: temizleme ve bütünleştirme
-
4
4. hafta Veri dönüştürme, normalizasyon ve indirgeme
-
5
5. hafta Benzerlik ve uzaklık ölçüleri
-
6
6. hafta Sınıflandırma: karar ağaçları
-
7
7. hafta Sınıflandırma: Naive Bayes ve k-en yakın komşu
-
8
8. hafta Sınav Ara sınav
-
9
9. hafta Model değerlendirme: çapraz doğrulama ve karışıklık matrisi
-
10
10. hafta Topluluk yöntemleri: bagging, boosting ve rastgele orman
-
11
11. hafta Kümeleme: k-ortalamalar ve k-medoids
-
12
12. hafta Hiyerarşik ve yoğunluk tabanlı kümeleme
-
13
13. hafta Birliktelik kuralları: Apriori ve FP-Growth
-
14
14. hafta Aykırı değer analizi; sigorta ve finans uygulamaları
-
15
15. hafta Proje sunumları
-
16
16. hafta Sınav Yarıyıl sonu sınavı