İstanbul Sağlık ve Teknoloji Üniversitesi
| Biyoistatistik (Tezli) | |||||
| Yüksek Lisans | TYYÇ: 7. Düzey | QF-EHEA: 2. Düzey | EQF-LLL: 7. Düzey | ||
Course General Introduction Information
| Ders Kodu: | BYI006 | ||||
| Course Name: | Veri Madenciliği | ||||
| Ders Yarıyılı: | Güz | ||||
| Ders Kredileri: |
|
||||
| Öğretim Dili: | TR | ||||
| Ders Koşulu: | |||||
| Ders İş Deneyimini Gerektiriyor mu?: | Hayır | ||||
| Dersin Türü: | Bölüm Seçmeli | ||||
| Dersin Seviyesi: |
|
||||
| Dersin Veriliş Şekli: | Yüz yüze | ||||
| Dersin Koordinatörü: | Dr.Öğr.Üyesi AYHAN PARMAKSIZ | ||||
| Dersi Veren(ler): | Dr. Öğr. Üyesi Ayhan Parmaksız | ||||
| Dersin Yardımcıları: |
Dersin Amaç ve İçeriği
| Dersin Amacı: | Derste veri madenciliğinin temel mantığı, uygulama alanları, kullandığı kendine özgü yöntemler anlatılacaktır. Veri madenciliğine özgü yöntemleri kullanarak gizli örüntüleri, ilişkileri ve birliktelikleri ortaya çıkarmaktır. Bu amaçla, Tanımlayıcı Veri Madenciliği Yöntemleri, Sınıflama/ Kestirim Yöntemleri, ve Kümele Yöntemleri ayrıntılı olarak anlatılır. Öğrenciler R ve Orange gibi veri madenciliği programlarını kullanarak, bu yöntemleri sağlık alanında uygulama yeteneklerini pekiştirirler. |
| Dersin İçeriği: | - Veri Madenciliğine Giriş, - Veri Hazırlama Teknikleri, Veri Küpleri ve OLAP Teknolojisi'ne Giriş, - Birliktelik Kuralları, - Veri Madenciliğinde Sınıflama Tekniklerine Giriş, - Yapay Sinir Ağları, - Destek Vektör Makinaları, - Karar Ağacı Algoritmaları, - Random Forest, - Veri Madenciliğinde Kümele Analizine Giriş. |
Öğrenme Kazanımları
|
Bu dersi başarıyla tamamlayabilen öğrenciler;
1) Öğrenciler veri madenciliği yazılımlarını kullanır. 2) Öğrenciler büyük veri setlerini kullanarak analizleri gerçekleştirir. 3) Öğrenciler veri madenciliği yöntemlerini kullanrak verideki gizli örüntü ve ilişkileri belirler. 4) Öğrenciler kendi araştırmaları sonucunda elde ettikleri büyük veri setlerini analiz eder. |
Ders Akış Planı
| Hafta | Konu | Ön Hazırlık |
| 1) | Veri Madenciliğine Giriş | |
| 2) | Veri Hazırlama Teknikleri | |
| 3) | Birliktelik Kuralları | |
| 4) | Birliktelik kuralları | |
| 5) | Veri Madenciliğinde Sınıflama Tekniklerine Giriş | |
| 6) | Yapay Sinir Ağları | |
| 7) | Destek Vektör Makinaları | |
| 8) | Karar Ağacı Algoritmaları | |
| 9) | Doğrusal regresyon, Ridge Regresyon, Lasso Regresyon ve Lojistik Regresyon | |
| 10) | Random Forest | |
| 11) | Veri Madenciliğinde Kümele Analizine Giriş | |
| 12) | K means algoritması | |
| 13) | Hiyerarşik kümeleme | |
| 14) | Ödev sunumu |
Kaynaklar
| Ders Notları / Kitaplar: | |
| Diğer Kaynaklar: | 1. Mining: Concepts and Techniques, Jiawei Han and Micheline Kamber, Morgan Kaufmann Publishers, 2006 2. Discovering knowledge in data : an introduction to data mining, Daniel T. Larose, ohn Wiley & Sons, Inc, 2005 3. Lecture Notes In Data Mining, Michaelw Berry Murray Browne, World Scientific Publishing Co. Pte. Ltd.,2006 |
Ders - Öğrenme Kazanımı İlişkisi
| Etkisi Yok | 1 En Düşük | 2 Orta | 3 En Yüksek |
| Dersin Program Kazanımlarına Etkisi | Katkı Payı |
Öğrenme Etkinliği ve Öğretme Yöntemleri
| Anlatım | |
| Ders | |
| Ödev | |
| Soru cevap/ Tartışma | |
| Uygulama (Modelleme, Tasarım, Maket, Simülasyon, Deney vs.) |
Ölçme ve Değerlendirme Yöntemleri ve Kriterleri
| Ödev | |
| Uygulama | |
| Sunum | |
| Raporlama |
Ölçme ve Değerlendirme
| Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
| Final | 1 | % 60 |
| Rapor Teslimi | 1 | % 40 |
| Toplam | % 100 | |
| YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 40 | |
| YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 60 | |
| Toplam | % 100 | |
İş Yükü ve AKTS Kredisi Hesaplaması
| Aktiviteler | Aktivite Sayısı | Aktiviteye Hazırlık | Aktivitede Harçanan Süre | Aktivite Gereksinimi İçin Süre | İş Yükü | ||
| Ders Saati | 14 | 3 | 42 | ||||
| Sunum / Seminer | 3 | 15 | 45 | ||||
| Rapor Teslimi | 1 | 30 | 30 | ||||
| Final | 1 | 40 | 40 | ||||
| Toplam İş Yükü | 157 | ||||||