Ders Tanımı
Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
---|---|---|---|---|---|
SAĞLIKTA VERİ MADENCİLİĞİ | - | Bahar Dönemi | 2+0 | 2 | 6 |
Ders Programı |
Ön Koşul Dersleri | |
Önerilen Seçmeli Dersler |
Dersin Dili | Türkçe |
Dersin Seviyesi | Yüksek Lisans |
Dersin Türü | Programa Bağlı Seçmeli |
Dersin Koordinatörü | Dr.Öğr.Üye. Pakize YİĞİT |
Dersi Verenler | Dr.Öğr.Üye. Pakize YİĞİT |
Dersin Yardımcıları | |
Dersin Amacı | Derste veri madenciliğinin temel yöntemleri, farklı veri madenciliği konularına çözüm olabilecek algoritmalara genel bir yaklaşım sağlamak ve bu algortimaları gerçek problemlere uygulamak. |
Dersin İçeriği | Bu ders; Veri Madenciliğine Giriş ve Temel Kavramlar,Veri Madenciliği Süreci,Verinin keşfi ve görselleştirme,Verinin keşfi ve görselleştirme,Nitelik seçimi ve veri dönüştürme,Kümeleme Yöntemleri ,Uygulama: Kümeleme,Sınıflama Yöntemleri-Karar Ağaçları,Uygulama: Sınıflama ,Uygulama: Sınıflama ,10.Birliktelik Kuralı Analizi ,Uygulama: Birliktelik kuralı analizi,Uygulama: Problem odaklı veri madenciliği,Dönem sonu proje sunumları,Dönem sonu proje sunumları; konularını içermektedir. |
Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
.2. Veri, veri tabanı, veri ambarı ve bunlarla ilgili temel kavramları açıklar | ||
1. Veri madenciliği ile ilgili temel kavram ve süreçleri açıklayabilecektir | 16, 18, 9 | A |
1.1. Veri madenciliğini ve görevlerini tanımlar | ||
1.3. Veri madenciliği sürecini ifade eder | ||
2. Yaygın veri madenciliği yöntemlerini açıklayabilecektir. | 13, 14, 16, 18, 6, 8, 9 | A |
2.1. Kümeleme yöntemini açıklar | ||
2.2. Sınıflama yöntemlerini açıklar | ||
3. Verilen bir problemde hangi veri madenciliği yönteminin kullanılacağını ayırt edebilecektir. | 10, 13, 14, 16, 4, 6, 9 | A |
3.1. Tanımlayıcı ya da tahmin edici yöntemlerin farkını ayırt eder. | ||
3.2. Verilen bir problemde öğreticili/öğreticisiz yöntemlerden hangisinin kullanılması gerektiğini ayırt eder | ||
3.3. Verilen problemdeki veri setinin yapısına bakarak hangi yöntemin daha etkin olacağını yorumlar | ||
4. Klinik ve yönetim karar destek sistemlerini ve türlerini açıklayabilecektir. | 14, 16, 18, 2, 4, 5, 6, 8, 9 | E |
4.1. Bilgi tabanlı KDS’leri açıklar | ||
4.2. Öğrenmeli (supervised) KD’leri açıklar | ||
4.3. Veri madenciliği kavramını ve süreçlerini açıklar | ||
5. Bir veri madenciliği aracını (KNIME) kullanabilecektir | ||
5.1. KNIME ile veri hazırlama süreçlerini uygular | ||
5.2. KNIME ile kümeleme yöntemlerini kullanır | ||
5.3. KNIME ile sınıflama yöntemlerini kullanır | ||
5.4. KNIME ile elde edilen grafikleri yorumlar |
Öğretim Yöntemleri: | 10: Tartışma Yöntemi, 13: Örnek Olay Yöntemi, 14: Bireysel Çalışma Yöntemi, 16: Soru - Cevap Tekniği , 18: Mikro Öğretim Tekniği , 2: Proje Temelli Öğrenme Modeli, 4: Sorgulama Temelli Öğrenme Modeli, 5: İşbirlikli Öğrenme Modeli, 6: Deneyimle Öğrenme Modeli, 8: Ters-yüz Edilmiş Sınıf Modeli, 9: Anlatım Yöntemi |
Ölçme Yöntemleri: | A: Klasik Yazılı Sınav, E: Ödev |
Ders Akışı
Sıra | Konular | Ön Hazırlık |
---|---|---|
1 | Veri Madenciliğine Giriş ve Temel Kavramlar | Temel veri tabanı kavramları |
2 | Veri Madenciliği Süreci | SQL'in DML olarak kullanımı, işlemsel SQL, veri ambarı mimarileri, neden veridönüştürme yaparız, vb |
3 | Verinin keşfi ve görselleştirme | Veri görselleştirmede grafik türleri ve grafiğin öğeleri (boyut, ölçüt, vb.) |
3 | Verinin keşfi ve görselleştirme | Veri görselleştirmede grafik türleri ve grafiğin öğeleri (boyut, ölçüt, vb.) |
4 | Nitelik seçimi ve veri dönüştürme | Veri türleri, veri genelleştirme ve özelleştirme |
5 | Kümeleme Yöntemleri | Kümelemede temel yöntemler: Hiyerarşik Kümeleme, Kitle Merkezi Tabanlı Kümeleme, Yoğunluk Tabanlı Kümeleme, Dağılım Tabanlı Kümeleme |
6 | Uygulama: Kümeleme | KNIME kullanımı ile ilgili pratikler |
7 | Sınıflama Yöntemleri-Karar Ağaçları | Sınıflama ile kümeleme arasındaki temel farklar, bir karar ağacı nasıl oluşturulur ve karar ağacı algoritmaları (ID 3, C4.5, vb.) |
8 | Uygulama: Sınıflama | KNIME kullanımı ile ilgili pratikler |
9 | Uygulama: Sınıflama | KNIME kullanımı ile ilgili pratikler |
10 | 10.Birliktelik Kuralı Analizi | Market sepeti analizi |
11 | Uygulama: Birliktelik kuralı analizi | KNIME kullanımı ile ilgili pratikler |
12 | Uygulama: Problem odaklı veri madenciliği | Kümeleme, karar ağacı, birliktelik kuralı analizi |
13 | Dönem sonu proje sunumları | Nitelik seçimi, veri dönüştürme, veri madenciliği uygulaması ve sonuçların değerlendirilmesini kapsayan bir proje sunumu |
14 | Dönem sonu proje sunumları | Nitelik seçimi, veri dönüştürme, veri madenciliği uygulaması ve sonuçların değerlendirilmesini kapsayan bir proje sunumu |
Kaynak |
Ders sunum notları ve lab dosyaları (düzenli olarak ders sayfasında paylaşılacaktır) - Veri Madenciliği Teori Uygulama ve Felsefesi, Dr. İlker KÖSE (2015) - Kavram ve Algoritmalarıyla Temel Veri Madenciliği, Dr. Gökhan SİLAHTAROĞLU - Veri Madenciliği Yöntemleri, Dr. Yalçın ÖZKAN - Han Jiawei and Kamber Micheline (2006), Data Mining: Concepts and Techniques, Morgan Kaufmann Publisher San Francisco - Pang-Ning Tan, Michael Steinbach, Vipin Kumar, Introduction to Data Mining, Addison Wesley, (2005) |
Dersin Program Yeterliliklerine Katkısı
Dersin Program Yeterliliklerine Katkısı | |||||||
No | Program Yeterliliği | Katkı Düzeyi | |||||
1 | 2 | 3 | 4 | 5 |
Değerlendirme Sistemi
Katkı Düzeyi | Mutlak Değerlendirme | |
Ara Sınavın Başarıya Oranı | 50 | |
Genel Sınavın Başarıya Oranı | 50 | |
Toplam | 100 |
AKTS / İşyükü Tablosu | ||||||
Etkinlik | Sayı | Süresi (Saat) | Toplam İş Yükü (Saat) | |||
Ders Saati | 0 | 0 | 0 | |||
Rehberli Problem Çözme | 0 | 0 | 0 | |||
Problem Çözümü / Ödev / Proje / Rapor Tanzimi | 0 | 0 | 0 | |||
Okul Dışı Diğer Faaliyetler | 0 | 0 | 0 | |||
Proje Sunumu / Seminer | 0 | 0 | 0 | |||
Kısa Sınav (QUİZ) ve Hazırlığı | 0 | 0 | 0 | |||
Ara Sınav ve Hazırlığı | 0 | 0 | 0 | |||
Genel Sınav ve Hazırlığı | 0 | 0 | 0 | |||
Performans Görevi, Bakım Planı | 0 | 0 | 0 | |||
Toplam İş Yükü (Saat) | 0 | |||||
Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(0/30) | 0 | |||||
Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır. |
Dersin Detaylı Bilgileri
Ders Tanımı
Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
---|---|---|---|---|---|
SAĞLIKTA VERİ MADENCİLİĞİ | - | Bahar Dönemi | 2+0 | 2 | 6 |
Ders Programı |
Ön Koşul Dersleri | |
Önerilen Seçmeli Dersler |
Dersin Dili | Türkçe |
Dersin Seviyesi | Yüksek Lisans |
Dersin Türü | Programa Bağlı Seçmeli |
Dersin Koordinatörü | Dr.Öğr.Üye. Pakize YİĞİT |
Dersi Verenler | Dr.Öğr.Üye. Pakize YİĞİT |
Dersin Yardımcıları | |
Dersin Amacı | Derste veri madenciliğinin temel yöntemleri, farklı veri madenciliği konularına çözüm olabilecek algoritmalara genel bir yaklaşım sağlamak ve bu algortimaları gerçek problemlere uygulamak. |
Dersin İçeriği | Bu ders; Veri Madenciliğine Giriş ve Temel Kavramlar,Veri Madenciliği Süreci,Verinin keşfi ve görselleştirme,Verinin keşfi ve görselleştirme,Nitelik seçimi ve veri dönüştürme,Kümeleme Yöntemleri ,Uygulama: Kümeleme,Sınıflama Yöntemleri-Karar Ağaçları,Uygulama: Sınıflama ,Uygulama: Sınıflama ,10.Birliktelik Kuralı Analizi ,Uygulama: Birliktelik kuralı analizi,Uygulama: Problem odaklı veri madenciliği,Dönem sonu proje sunumları,Dönem sonu proje sunumları; konularını içermektedir. |
Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
.2. Veri, veri tabanı, veri ambarı ve bunlarla ilgili temel kavramları açıklar | ||
1. Veri madenciliği ile ilgili temel kavram ve süreçleri açıklayabilecektir | 16, 18, 9 | A |
1.1. Veri madenciliğini ve görevlerini tanımlar | ||
1.3. Veri madenciliği sürecini ifade eder | ||
2. Yaygın veri madenciliği yöntemlerini açıklayabilecektir. | 13, 14, 16, 18, 6, 8, 9 | A |
2.1. Kümeleme yöntemini açıklar | ||
2.2. Sınıflama yöntemlerini açıklar | ||
3. Verilen bir problemde hangi veri madenciliği yönteminin kullanılacağını ayırt edebilecektir. | 10, 13, 14, 16, 4, 6, 9 | A |
3.1. Tanımlayıcı ya da tahmin edici yöntemlerin farkını ayırt eder. | ||
3.2. Verilen bir problemde öğreticili/öğreticisiz yöntemlerden hangisinin kullanılması gerektiğini ayırt eder | ||
3.3. Verilen problemdeki veri setinin yapısına bakarak hangi yöntemin daha etkin olacağını yorumlar | ||
4. Klinik ve yönetim karar destek sistemlerini ve türlerini açıklayabilecektir. | 14, 16, 18, 2, 4, 5, 6, 8, 9 | E |
4.1. Bilgi tabanlı KDS’leri açıklar | ||
4.2. Öğrenmeli (supervised) KD’leri açıklar | ||
4.3. Veri madenciliği kavramını ve süreçlerini açıklar | ||
5. Bir veri madenciliği aracını (KNIME) kullanabilecektir | ||
5.1. KNIME ile veri hazırlama süreçlerini uygular | ||
5.2. KNIME ile kümeleme yöntemlerini kullanır | ||
5.3. KNIME ile sınıflama yöntemlerini kullanır | ||
5.4. KNIME ile elde edilen grafikleri yorumlar |
Öğretim Yöntemleri: | 10: Tartışma Yöntemi, 13: Örnek Olay Yöntemi, 14: Bireysel Çalışma Yöntemi, 16: Soru - Cevap Tekniği , 18: Mikro Öğretim Tekniği , 2: Proje Temelli Öğrenme Modeli, 4: Sorgulama Temelli Öğrenme Modeli, 5: İşbirlikli Öğrenme Modeli, 6: Deneyimle Öğrenme Modeli, 8: Ters-yüz Edilmiş Sınıf Modeli, 9: Anlatım Yöntemi |
Ölçme Yöntemleri: | A: Klasik Yazılı Sınav, E: Ödev |
Ders Akışı
Sıra | Konular | Ön Hazırlık |
---|---|---|
1 | Veri Madenciliğine Giriş ve Temel Kavramlar | Temel veri tabanı kavramları |
2 | Veri Madenciliği Süreci | SQL'in DML olarak kullanımı, işlemsel SQL, veri ambarı mimarileri, neden veridönüştürme yaparız, vb |
3 | Verinin keşfi ve görselleştirme | Veri görselleştirmede grafik türleri ve grafiğin öğeleri (boyut, ölçüt, vb.) |
3 | Verinin keşfi ve görselleştirme | Veri görselleştirmede grafik türleri ve grafiğin öğeleri (boyut, ölçüt, vb.) |
4 | Nitelik seçimi ve veri dönüştürme | Veri türleri, veri genelleştirme ve özelleştirme |
5 | Kümeleme Yöntemleri | Kümelemede temel yöntemler: Hiyerarşik Kümeleme, Kitle Merkezi Tabanlı Kümeleme, Yoğunluk Tabanlı Kümeleme, Dağılım Tabanlı Kümeleme |
6 | Uygulama: Kümeleme | KNIME kullanımı ile ilgili pratikler |
7 | Sınıflama Yöntemleri-Karar Ağaçları | Sınıflama ile kümeleme arasındaki temel farklar, bir karar ağacı nasıl oluşturulur ve karar ağacı algoritmaları (ID 3, C4.5, vb.) |
8 | Uygulama: Sınıflama | KNIME kullanımı ile ilgili pratikler |
9 | Uygulama: Sınıflama | KNIME kullanımı ile ilgili pratikler |
10 | 10.Birliktelik Kuralı Analizi | Market sepeti analizi |
11 | Uygulama: Birliktelik kuralı analizi | KNIME kullanımı ile ilgili pratikler |
12 | Uygulama: Problem odaklı veri madenciliği | Kümeleme, karar ağacı, birliktelik kuralı analizi |
13 | Dönem sonu proje sunumları | Nitelik seçimi, veri dönüştürme, veri madenciliği uygulaması ve sonuçların değerlendirilmesini kapsayan bir proje sunumu |
14 | Dönem sonu proje sunumları | Nitelik seçimi, veri dönüştürme, veri madenciliği uygulaması ve sonuçların değerlendirilmesini kapsayan bir proje sunumu |
Kaynak |
Ders sunum notları ve lab dosyaları (düzenli olarak ders sayfasında paylaşılacaktır) - Veri Madenciliği Teori Uygulama ve Felsefesi, Dr. İlker KÖSE (2015) - Kavram ve Algoritmalarıyla Temel Veri Madenciliği, Dr. Gökhan SİLAHTAROĞLU - Veri Madenciliği Yöntemleri, Dr. Yalçın ÖZKAN - Han Jiawei and Kamber Micheline (2006), Data Mining: Concepts and Techniques, Morgan Kaufmann Publisher San Francisco - Pang-Ning Tan, Michael Steinbach, Vipin Kumar, Introduction to Data Mining, Addison Wesley, (2005) |
Dersin Program Yeterliliklerine Katkısı
Dersin Program Yeterliliklerine Katkısı | |||||||
No | Program Yeterliliği | Katkı Düzeyi | |||||
1 | 2 | 3 | 4 | 5 |
Değerlendirme Sistemi
Katkı Düzeyi | Mutlak Değerlendirme | |
Ara Sınavın Başarıya Oranı | 50 | |
Genel Sınavın Başarıya Oranı | 50 | |
Toplam | 100 |