Bilgi keşfi sürecine genel bakış, genel hatları ile veri madenciliği, veri hazırlama, veri madenciliğii temelleri, ilişki kuralları madenciliği, sınıflandırma ve kestirim, kümeleme analizi, web madenciliği, veri madenciliği uygulamaları, dönem projeleri.

Dersin Amacı

• KDD Sürecini Anlamak: Öğrenciler, veri temizleme ve ön işleme aşamalarından başlayarak keşfedilen örüntülerin yorumlanmasına kadar uzanan Bilgi Keşfi (Knowledge Discovery in Databases – KDD) sürecinin tamamına hâkim olacaklardır.
• Temel Madencilik Algoritmalarını Uygulamak: Öğrenciler, birliktelik kuralı madenciliği, denetimli sınıflandırma ve denetimsiz kümeleme için temel algoritmaları uygulamalı olarak öğrenip kullanabileceklerdir.
• Model Performansını Değerlendirmek: Katılımcılar, modellerin kalitesini precision (kesinlik), recall (duyarlılık) ve silhouette katsayısı gibi endüstri standardı ölçütlerle değerlendirmeyi öğreneceklerdir.
• İstatistiksel Temelleri Uygulamak: Öğrenciler, veri benzerliğini analiz etmek ve farklı tekniklerle boyut indirgeme yapmak için istatistiksel betimlemeler ve uzaklık ölçülerini kullanabileceklerdir.

Kaynakça

Han, J., Pei, J., & Tong, H. (2022). Data mining: concepts and techniques. Morgan kaufmann.

Öğrenme Çıktıları

1. Bilgi keşfi sürecinin adımlarını ve veri madenciliği algoritmalarını öğrenmek

2. Veri madenciliği araçlarını kullanma yeteneğinin kazanmak

3. Bir bilgi keşfi probleminin anlamak, modellemek ve gerçekleştirmek

4. Geliştirilen projeleri yazılı ve sözlü olarak anlatabilmek

Notlandırma

Vize: 20%

Proje: 10%

Ödev: 30%

Final: 40%