Dersin Ayrıntıları
YarıyılKoduAdıT+U+LKrediAKTSSon Güncelleme Tarihi
3VTK222Veri Madenciliği3+0+03323.08.2026

 
Dersin Detayları
Dersin Dili Türkçe
Dersin Düzeyi Ön Lisans
Bölümü / Programı Web Tasarımı ve Kodlama
Öğrenim Türü Örgün Öğretim
Dersin Türü Seçmeli
Dersin Öğretim Şekli Yüz Yüze
Dersin Amacı Bu ders, büyük veri kümelerinden anlamlı örüntülerin ve bilgilerin elde edilmesinde kullanılan temel veri madenciliği kavramlarını, yöntemlerini ve uygulamalarını ele alır.
Dersin İçeriği Veri madenciliğine giriş, veri ön işleme, veri temizleme ve dönüştürme, sınıflandırma, kümeleme, birliktelik kuralları, model değerlendirme, veri görselleştirme ve temel veri madenciliği uygulamaları.
Dersin Yöntem ve Teknikleri Anlatım, soru-cevap, örnek olay, problem çözme, uygulama ve bireysel çalışma
Ön Koşulları Yok
Dersin Koordinatörü Öğr.Gör. Afife ÇİFTCİ OLGUN
Dersi Verenler Öğr.Gör. AFİFE ÇİFTCİ OLGUN
Dersin Yardımcıları Yok
Dersin Staj Durumu Yok

Ders Kaynakları
Kaynaklar Han, J., Kamber, M. & Pei, J. Data Mining: Concepts and Techniques. Morgan Kaufmann.
Tan, P.-N., Steinbach, M., Karpatne, A. & Kumar, V. Introduction to Data Mining. Pearson.
Ders notları ve güncel çevrim içi kaynaklar.
Ders Notları Ders notları ve güncel çevrim içi kaynaklar.

Ders Yapısı
Alan Bilgisi %100

Planlanan Öğrenme Aktiviteleri ve Metodları
Etkinlikler ayrıntılı olarak "Değerlendirme" ve "İş Yükü Hesaplaması" bölümlerinde verilmiştir.

Değerlendirme Ölçütleri
Yarıyıl Çalışmaları Sayısı Katkı
Ara Sınav 1 % 30
Ödev 2 % 10
Proje 1 % 20
Yarıyıl Sonu Sınavı 1 % 40
Toplam :
5
% 100

 
AKTS Hesaplama İçeriği
İş Yükü Sayısı Süre Toplam İş Yükü (Saat)
Ders Süresi 14 3 42
Sınıf Dışı Ç. Süresi 14 1 14
Ödevler 2 4 8
Ara Sınavlar 1 5 5
Proje 1 8 8
Yarıyıl Sonu Sınavı 1 13 13
Toplam İş Yükü   AKTS Kredisi : 3 90

 
Dersin Öğrenme Çıktıları: Bu dersin başarılı bir şekilde tamamlanmasıyla öğrenciler şunları yapabileceklerdir:
Bilgi 
1 Veri madenciliğinin temel kavramlarını ve kullanım alanlarını açıklar.
Beceri 
2 Veri kümelerine uygun veri ön işleme ve dönüştürme adımlarını uygular.
3 Temel sınıflandırma, kümeleme ve birliktelik analizi yöntemlerini açıklar ve uygular.
4 Veri madenciliği modellerinin performansını uygun ölçütlerle değerlendirir.
Yetkinlik 
5 Bir veri madenciliği problemini analiz ederek uygun yöntem ve araçlarla çözüm geliştirir.

 
Ders Konuları
HaftaKonuÖn HazırlıkDökümanlar
1 Veri madenciliğine giriş, temel kavramlar ve kullanım alanları
2 Veri türleri, veri kaynakları ve veri madenciliği süreci
3 Veri ön işleme: veri temizleme ve eksik veriler
4 Veri ön işleme: veri dönüştürme, normalizasyon ve özellik seçimi
5 Keşifsel veri analizi ve veri görselleştirme
6 Sınıflandırmaya giriş ve temel sınıflandırma yöntemleri
7 Karar ağaçları ve sınıflandırma uygulamaları
8 Ara Sınav
9 Kümeleme kavramı ve benzerlik/uzaklık ölçütleri
10 K-Means ve temel kümeleme uygulamaları
11 Hiyerarşik kümeleme yöntemleri
12 Birliktelik kuralları ve Apriori algoritması
13 Model değerlendirme ölçütleri ve sonuçların yorumlanması
14 Veri madenciliği uygulaması / örnek proje çalışması
15 Genel tekrar ve proje değerlendirmesi
16 Final Sınavı
17 Final Sınavı

 
Dersin Program Çıktılarına Katkısı
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12 P13 P14 P15 P16
Bi1 4 4 3 3 3
Be2 3 4 4 4 4 3
Be3 3 5 4 3 4 3 3
Be4 3 4 5 3 4 4 4 3
Ye5 4 5 5 3 3 4 5 4 4

  Katkı Düzeyi: 1: Çok Düşük 2: Düşük 3: Orta 4: Yüksek 5: Çok Yüksek