Ders Detayı
Ders Tanımı
Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
---|---|---|---|---|---|
İŞ ZEKASI VE VERİ MADENCİLİĞİ | BUSD1213566 | Bahar Dönemi | 3+0 | 3 | 9 |
Ders Programı |
Ön Koşul Dersleri | |
Önerilen Seçmeli Dersler |
Dersin Dili | İngilizce |
Dersin Seviyesi | Doktora |
Dersin Türü | Programa Bağlı Seçmeli |
Dersin Koordinatörü | Prof.Dr. Gökhan SİLAHTAROĞLU |
Dersi Verenler | Prof.Dr. Gökhan SİLAHTAROĞLU |
Dersin Yardımcıları | |
Dersin Amacı | Öğrencilere veri tabanlarından veri ambarı yaratarak, bu veri ambarları üzerinde OLAP ve veri madenciliği modellerini kullanarak araştırma becerisi kazandırmak ve veri madenciliği algoritmalarını kod düzeyinde uygulayabilecek bilgi düzeyine getirmektir. |
Dersin İçeriği | Bu ders; Giriş ,Veri Ambarları ve OLAP ,Veri madenciliği görev analizi problem tanımı ,Veri madenciliği görev analizi problem tanımı ,Kümeleme Toplaşımlı ve Bölümlemeli Algoritmalar ,Sınıflandırma İstatistiğe Dayalı algoritmalar ,Sınıflandırma (Mesafeye Dayalı algoritmalar) ,Sınıflandırma Karar Ağaçları ,Dolandırcılık Teşhisi ,Birliktelik Analizi ,Veri madenciliği işletme uygulamalarının bilgisayar yazılımlarıyla denenmesi ,Metin Madenciliği - Sosyal Medya Verisinin Çekilmesi ve İşlenmesi ,Genetik Algoritmalar ve Bulanık Mantık Uygulamaları,Yapay Sinir Ağları; konularını içermektedir. |
Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
1. Veri Tabanından veri ambarı üretir. | 9 | D |
1.1. Veri Madenciliğini açıklar. | ||
1.2. Veri Ambarını tanımlar. | ||
2. Veri Madenciliği Modellerini birbirleriyle ilişkilendirir. | 6, 9 | E |
2.1. Veri Madenciliği Modellerini tanımlar. | ||
2.2. Sınıflandırma Kavramını tanımlar. | ||
2.3 Kümeleme kavramını tanımlar. | ||
2.4. Bağlantı analizi kavramını tanımlar. | ||
3. Sınıflandırma modelini uygular. | 13 | D |
3.1. Denetimli öğrenmeyi tanımlar. | ||
3.2. Sınıf kavramını belirler. | ||
3.3. İstatistiksel algoritmaları sıralar. | ||
3.4. Karar ağaçlarını uygular. | ||
3.5. Karar ağacı algoritmalarını tanımlar. | ||
4. Kümeleme modelini uygular. | 14, 19 | E |
4.1. Denetimsiz Öğrenmeyi tanımlar. | ||
4.2. Kümeleme kavramını açıklar. | ||
4.3. Kümeleme algoritmalarını sıralar. | ||
4.4. K-means algoritmasını uygular. | ||
4.5. Genetik algoritmaları tanımlar. | ||
5. Bağlantı analizi modelini uygular. | 6 | H |
5.1. Bağlantı analizi kurallarını yorumlar. | ||
5.2. Kaldıraç kavramını açıklar. | ||
5.3. İlişki analizi yöntemini uygular. | ||
6. Veri madenciliği Algoritmalarını uygular. | 12 | A, F |
6.1. Sınıflandırma algoritmalarını veriler üzerinde uygular. | ||
6.2. Kümeleme algoritmalarını veriler üzerinde uygular. |
Öğretim Yöntemleri: | 12: Problem Çözme Yöntemi, 13: Örnek Olay Yöntemi, 14: Bireysel Çalışma Yöntemi, 19: Beyin Fırtınası Tekniği, 6: Deneyimle Öğrenme Modeli, 9: Anlatım Yöntemi |
Ölçme Yöntemleri: | A: Klasik Yazılı Sınav, D: Sözlü Sınav, E: Ödev, F: Proje Görevi, H: Performans Görevi |
Ders Akışı
Sıra | Konular | Ön Hazırlık |
---|---|---|
1 | Giriş | |
2 | Veri Ambarları ve OLAP | |
3 | Veri madenciliği görev analizi problem tanımı | |
4 | Veri madenciliği görev analizi problem tanımı | |
5 | Kümeleme Toplaşımlı ve Bölümlemeli Algoritmalar | |
6 | Sınıflandırma İstatistiğe Dayalı algoritmalar | |
7 | Sınıflandırma (Mesafeye Dayalı algoritmalar) | |
8 | Sınıflandırma Karar Ağaçları | |
9 | Dolandırcılık Teşhisi | |
10 | Birliktelik Analizi | |
11 | Veri madenciliği işletme uygulamalarının bilgisayar yazılımlarıyla denenmesi | |
12 | Metin Madenciliği - Sosyal Medya Verisinin Çekilmesi ve İşlenmesi | |
13 | Genetik Algoritmalar ve Bulanık Mantık Uygulamaları | |
14 | Yapay Sinir Ağları |
Kaynak |
Data Mining: Practical Machine Learning Tools and Techniques (Morgan Kaufmann Series in Data Management Systems) Data Mining: Concepts and Techniques (The Morgan Kaufmann Series in Data Management Systems) |
Dersin Program Yeterliliklerine Katkısı
Dersin Program Yeterliliklerine Katkısı | |||||||
No | Program Yeterliliği | Katkı Düzeyi | |||||
1 | 2 | 3 | 4 | 5 | |||
1 | Yönetim alanında teorik bilgileri tanımlar. | X | |||||
1 | Yönetim alanında gerekli en az bir bilgisayar programı kullanır. | X | |||||
1 | Bilimsel etik ve bilimsel sorumluluk ilkeleri benimser. | X | |||||
1 | Yönetim alanında teorik ve uygulamaya yönelik bilgileri kullanır. | X | |||||
2 | Disiplinler arası çalışmalar yürütebilmek için farklı disiplinlerde (ekonomi, finans, sosyoloji, hukuk, işletme) temel bilgileri ve verileri analiz ederek alanında kullanır. | X | |||||
2 | Akademik çalışma yapmak için gerekli olan araştırma becerisine sahip olur. | X | |||||
2 | Yönetim alanında gerekli matematiksel ve istatistiki yöntemleri anlatır. | X | |||||
3 | Zaman yönetimi becerisine sahip olur. | X | |||||
3 | Alanı ile ilgili en az bir bilimsel çalışma yaparak özgün bir yapıt üretebilmesi ya da yorumlayarak alanındaki bilginin sınırlarını genişletir. | X |
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 | 14 | 3 | 42 | |||
Ders Saati | 0 | 0 | 0 | |||
Rehberli Problem Çözme | 5 | 5 | 25 | |||
Rehberli Problem Çözme | 0 | 0 | 0 | |||
Problem Çözümü / Ödev / Proje / Rapor Tanzimi | 12 | 10 | 120 | |||
Okul Dışı Diğer Faaliyetler | 8 | 4 | 32 | |||
Okul Dışı Diğer Faaliyetler | 0 | 0 | 0 | |||
Proje Sunumu / Seminer | 5 | 5 | 25 | |||
Proje Sunumu / Seminer | 0 | 0 | 0 | |||
Kısa Sınav (QUİZ) ve Hazırlığı | 0 | 0 | 0 | |||
Ara Sınav ve Hazırlığı | 1 | 10 | 10 | |||
Ara Sınav ve Hazırlığı | 0 | 0 | 0 | |||
Genel Sınav ve Hazırlığı | 0 | 0 | 0 | |||
Genel Sınav ve Hazırlığı | 1 | 20 | 20 | |||
Performans Görevi, Bakım Planı | 0 | 0 | 0 | |||
Performans Görevi, Bakım Planı | 0 | 0 | 0 | |||
Toplam İş Yükü (Saat) | 274 | |||||
Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(274/30) | 9 | |||||
Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır. |
Dersin Detaylı Bilgileri
Ders Tanımı
Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
---|---|---|---|---|---|
İŞ ZEKASI VE VERİ MADENCİLİĞİ | BUSD1213566 | Bahar Dönemi | 3+0 | 3 | 9 |
Ders Programı |
Ön Koşul Dersleri | |
Önerilen Seçmeli Dersler |
Dersin Dili | İngilizce |
Dersin Seviyesi | Doktora |
Dersin Türü | Programa Bağlı Seçmeli |
Dersin Koordinatörü | Prof.Dr. Gökhan SİLAHTAROĞLU |
Dersi Verenler | Prof.Dr. Gökhan SİLAHTAROĞLU |
Dersin Yardımcıları | |
Dersin Amacı | Öğrencilere veri tabanlarından veri ambarı yaratarak, bu veri ambarları üzerinde OLAP ve veri madenciliği modellerini kullanarak araştırma becerisi kazandırmak ve veri madenciliği algoritmalarını kod düzeyinde uygulayabilecek bilgi düzeyine getirmektir. |
Dersin İçeriği | Bu ders; Giriş ,Veri Ambarları ve OLAP ,Veri madenciliği görev analizi problem tanımı ,Veri madenciliği görev analizi problem tanımı ,Kümeleme Toplaşımlı ve Bölümlemeli Algoritmalar ,Sınıflandırma İstatistiğe Dayalı algoritmalar ,Sınıflandırma (Mesafeye Dayalı algoritmalar) ,Sınıflandırma Karar Ağaçları ,Dolandırcılık Teşhisi ,Birliktelik Analizi ,Veri madenciliği işletme uygulamalarının bilgisayar yazılımlarıyla denenmesi ,Metin Madenciliği - Sosyal Medya Verisinin Çekilmesi ve İşlenmesi ,Genetik Algoritmalar ve Bulanık Mantık Uygulamaları,Yapay Sinir Ağları; konularını içermektedir. |
Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
1. Veri Tabanından veri ambarı üretir. | 9 | D |
1.1. Veri Madenciliğini açıklar. | ||
1.2. Veri Ambarını tanımlar. | ||
2. Veri Madenciliği Modellerini birbirleriyle ilişkilendirir. | 6, 9 | E |
2.1. Veri Madenciliği Modellerini tanımlar. | ||
2.2. Sınıflandırma Kavramını tanımlar. | ||
2.3 Kümeleme kavramını tanımlar. | ||
2.4. Bağlantı analizi kavramını tanımlar. | ||
3. Sınıflandırma modelini uygular. | 13 | D |
3.1. Denetimli öğrenmeyi tanımlar. | ||
3.2. Sınıf kavramını belirler. | ||
3.3. İstatistiksel algoritmaları sıralar. | ||
3.4. Karar ağaçlarını uygular. | ||
3.5. Karar ağacı algoritmalarını tanımlar. | ||
4. Kümeleme modelini uygular. | 14, 19 | E |
4.1. Denetimsiz Öğrenmeyi tanımlar. | ||
4.2. Kümeleme kavramını açıklar. | ||
4.3. Kümeleme algoritmalarını sıralar. | ||
4.4. K-means algoritmasını uygular. | ||
4.5. Genetik algoritmaları tanımlar. | ||
5. Bağlantı analizi modelini uygular. | 6 | H |
5.1. Bağlantı analizi kurallarını yorumlar. | ||
5.2. Kaldıraç kavramını açıklar. | ||
5.3. İlişki analizi yöntemini uygular. | ||
6. Veri madenciliği Algoritmalarını uygular. | 12 | A, F |
6.1. Sınıflandırma algoritmalarını veriler üzerinde uygular. | ||
6.2. Kümeleme algoritmalarını veriler üzerinde uygular. |
Öğretim Yöntemleri: | 12: Problem Çözme Yöntemi, 13: Örnek Olay Yöntemi, 14: Bireysel Çalışma Yöntemi, 19: Beyin Fırtınası Tekniği, 6: Deneyimle Öğrenme Modeli, 9: Anlatım Yöntemi |
Ölçme Yöntemleri: | A: Klasik Yazılı Sınav, D: Sözlü Sınav, E: Ödev, F: Proje Görevi, H: Performans Görevi |
Ders Akışı
Sıra | Konular | Ön Hazırlık |
---|---|---|
1 | Giriş | |
2 | Veri Ambarları ve OLAP | |
3 | Veri madenciliği görev analizi problem tanımı | |
4 | Veri madenciliği görev analizi problem tanımı | |
5 | Kümeleme Toplaşımlı ve Bölümlemeli Algoritmalar | |
6 | Sınıflandırma İstatistiğe Dayalı algoritmalar | |
7 | Sınıflandırma (Mesafeye Dayalı algoritmalar) | |
8 | Sınıflandırma Karar Ağaçları | |
9 | Dolandırcılık Teşhisi | |
10 | Birliktelik Analizi | |
11 | Veri madenciliği işletme uygulamalarının bilgisayar yazılımlarıyla denenmesi | |
12 | Metin Madenciliği - Sosyal Medya Verisinin Çekilmesi ve İşlenmesi | |
13 | Genetik Algoritmalar ve Bulanık Mantık Uygulamaları | |
14 | Yapay Sinir Ağları |
Kaynak |
Data Mining: Practical Machine Learning Tools and Techniques (Morgan Kaufmann Series in Data Management Systems) Data Mining: Concepts and Techniques (The Morgan Kaufmann Series in Data Management Systems) |
Dersin Program Yeterliliklerine Katkısı
Dersin Program Yeterliliklerine Katkısı | |||||||
No | Program Yeterliliği | Katkı Düzeyi | |||||
1 | 2 | 3 | 4 | 5 | |||
1 | Yönetim alanında teorik bilgileri tanımlar. | X | |||||
1 | Yönetim alanında gerekli en az bir bilgisayar programı kullanır. | X | |||||
1 | Bilimsel etik ve bilimsel sorumluluk ilkeleri benimser. | X | |||||
1 | Yönetim alanında teorik ve uygulamaya yönelik bilgileri kullanır. | X | |||||
2 | Disiplinler arası çalışmalar yürütebilmek için farklı disiplinlerde (ekonomi, finans, sosyoloji, hukuk, işletme) temel bilgileri ve verileri analiz ederek alanında kullanır. | X | |||||
2 | Akademik çalışma yapmak için gerekli olan araştırma becerisine sahip olur. | X | |||||
2 | Yönetim alanında gerekli matematiksel ve istatistiki yöntemleri anlatır. | X | |||||
3 | Zaman yönetimi becerisine sahip olur. | X | |||||
3 | Alanı ile ilgili en az bir bilimsel çalışma yaparak özgün bir yapıt üretebilmesi ya da yorumlayarak alanındaki bilginin sınırlarını genişletir. | X |
Değerlendirme Sistemi
Katkı Düzeyi | Mutlak Değerlendirme | |
Ara Sınavın Başarıya Oranı | 50 | |
Genel Sınavın Başarıya Oranı | 50 | |
Toplam | 100 |