Endüstri Mühendisliği
Dersin Ayrıntıları
KTO KARATAY ÜNİVERSİTESİ
Mühendislik ve Doğa Bilimleri Fakültesi
Endüstri Mühendisliği Programı
Ders Bolognaları
Mühendislik ve Doğa Bilimleri Fakültesi
Endüstri Mühendisliği Programı
Ders Bolognaları
| Ders Kodu | Ders Adı | Yıl | Dönem | Yarıyıl | T+U+L | Kredi | AKTS |
|---|---|---|---|---|---|---|---|
| 15271740 | Veri Madenciliği | 4 | Güz | 7 | 3+0+0 | 0 | 5 |
| Dersin Türü | Seçmeli |
| Dersin Düzeyi | Lisans (TYYÇ: 6. Düzey / QF-EHEA: 1. Düzey / EQF-LLL: 6. Düzey) |
| Dersin Dili | Türkçe |
| Yöntem ve Teknikler | - |
| Dersin Veriliş Şekli | Yüz Yüze |
| Ön Koşullar | - |
| Dersin Koordinatörü | Prof. Dr. Murat DARÇIN |
| Dersi Veren(ler) | - |
| Yardımcı(lar) | - |
Dersin İçeriği
Veri madenciliği kavramları, Veri önişleme, Temel bileşen analizi, Kümeleme, Sınıflandırma, Kestirim, K-en yakın komşu algoritması, Karar ağaçları, Yapay sinir zekaları, Birliktelik kuralları
Dersin Amacı
Büyük veri setlerinde gömülü örüntüleri ve düzenlilikleri bulabilme ve ham veriden yararlı bilgi çıkarabilme yeteneği geliştirmek
Dersin Alan Öğretimini Sağlamaya Yönelik Katkısı
| Temel Meslek Dersleri | |
| Uzmanlık / Alan Dersleri | X |
| Destek Dersleri | |
| Aktarılabilir Beceri Dersleri | |
| Beşeri, İletişim ve Yönetim Becerileri Dersleri |
Dersin Öğrenim Kazanımlarının Program Kazanımları ile Olan İlişkileri
| İlişki Düzeyleri | ||||
| En Düşük | Düşük | Orta | Yüksek | En Yüksek |
| 1 | 2 | 3 | 4 | 5 |
| # | Program Yeterlilikleri | Düzey |
|---|---|---|
| P5 | Endüstri Mühendisliği alanındaki karmaşık problemlerin veya disipline özgü araştırma konularının incelenmesi için deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisi | 5 |
Dersin Öğrenim Kazanımları
| Bu dersin başarılı bir şekilde tamamlanmasıyla öğrenciler şunları yapabileceklerdir: | |||
|---|---|---|---|
| No | Öğrenme Çıktıları | Prog. Yet. İlişkisi | Ölçme Yöntemi ** |
| Ö1 | Veri madenciliği tanımı, süreçlerini ve uygulama örneklerin öğrenir. | P.5.23 | 1 |
| Ö2 | Temel veri madenciliği tekniklerini veri setlerinde uygulayabilir. | P.5.24 | 1 |
| Ö3 | Kullanılan tekniklerin sonuçlarını doğru bir şekilde analiz eder ve model performansını değerlendirir. | P.5.25 | 1 |
| Ö4 | Veri madenciliği konularında karşılaşılan veri güvenliği ve etik kurallar hakkında bilgi sahibi olurlar. | P.5.26 | 1 |
| ** Yazılı Sınav: 1, Sözlü Sınav: 2, Ev Ödevi: 3, Lab./Sınav: 4, Seminer/Sunum: 5, Dönem Ödevi: 6, Uygulama: 7 | |||
Dersin Haftalık İçeriği
| Hafta | Konu |
|---|---|
| 1 | Veri Madenciliğine Giriş |
| 2 | Veri Tipleri/Veri Kalitesi/Veri önişleme |
| 3 | Benzerlik ölçütleri/Veri keşfi |
| 4 | Sınıflandırma – Temel Kavramlar/Karar Ağaçları |
| 5 | Sınıflandırma – Yakın Komşu Sınıflandırıcı/Naive Bayes |
| 6 | Sınıflandırma – Yapay Sinir Ağları |
| 7 | Sınıflandırma – Destek Vektör Makinesi/Sınıflandırma Performansı Değerlendirmesi |
| 8 | Ara Sınav |
| 9 | Kümeleme - Temel Kavramlar/Merkez Tabanlı Kümeleme |
| 10 | Kümeleme - Hiyerarşik Kümeleme |
| 11 | Kümeleme – Yoğunluk Tabanlı Kümeleme/Kümeleme Performansı Değerlendirmesi |
| 12 | Birliktelik Analizi |
| 13 | Basit ve Çoklu Doğrusal Regresyon |
| 14 | Basit ve Çoklu Doğrusal Regresyon |
| 15 | Final sınavına hazırlık |
Ders Kitabı veya Malzemesi
| Kaynaklar | Larose, D.T. (2005). Discovering Knowledge in Data: An Introduction to Data Mining. Wiley Interscience. |
| Shumeli, G., Patel, N.R., Bruce, P.C. (2012). Data Mining for Business Intelligence: Concepts, Techniques and Application in Microsoft Excel with XLMiner. E & B Plus. |
Değerlendirme Yöntemi ve Geçme Kriterleri
| Yarıyıl Çalışmaları | Sayısı | Katkı (%) |
|---|---|---|
| Devam | - | - |
| Laboratuvar | - | - |
| Uygulama | - | - |
| Alan Çalışması | - | - |
| Derse Özgü Staj (Varsa) | - | - |
| Ödev | - | - |
| Sunum | - | - |
| Projeler | - | - |
| Seminer | - | - |
| Kısa sınav (Quiz) | - | - |
| Dinleme | - | - |
| Ara Sınavlar | 1 | 40 (%) |
| Yarıyıl Sonu Sınavı | 1 | 60 (%) |
| Toplam | 100 (%) | |
AKTS / Çalışma Yükü Tablosu
| Etkinlik | Sayı | Süre | Toplam İş Yükü (Saat) |
|---|---|---|---|
| Ders Hafta Sayısı ve Saati | 14 | 3 | 42 |
| Sınıf Dışı Ders Çalışma Süresi (Ön çalışma, Kütüphane, Pekiştirme) | 14 | 3 | 42 |
| Ara Sınav | 1 | 30 | 30 |
| Kısa Sınav | 0 | 0 | 0 |
| Ödev | 0 | 0 | 0 |
| Uygulama | 0 | 0 | 0 |
| Laboratuvar | 0 | 0 | 0 |
| Proje | 0 | 0 | 0 |
| Atölye | 0 | 0 | 0 |
| Sunum/Seminer Hazırlama | 0 | 0 | 0 |
| Alan Çalışması | 0 | 0 | 0 |
| Dönem Sonu Sınavı | 1 | 36 | 36 |
| Diğer | 0 | 0 | 0 |
| Toplam İş Yükü: | 150 | ||
| Toplam Yük / 30 | 5 | ||
| Dersin AKTS Kredisi: | 5 | ||
Ders - Öğrenme Çıktıları İlişkisi
| İlişki Düzeyleri | ||||
| En Düşük | Düşük | Orta | Yüksek | En Yüksek |
| 1 | 2 | 3 | 4 | 5 |
| # | Öğrenme Çıktıları | P5 |
|---|---|---|
| Ö1 | Veri madenciliği tanımı, süreçlerini ve uygulama örneklerin öğrenir. | 5 |
| Ö2 | Temel veri madenciliği tekniklerini veri setlerinde uygulayabilir. | 5 |
| Ö3 | Kullanılan tekniklerin sonuçlarını doğru bir şekilde analiz eder ve model performansını değerlendirir. | 5 |
| Ö4 | Veri madenciliği konularında karşılaşılan veri güvenliği ve etik kurallar hakkında bilgi sahibi olurlar. | 5 |