Yazılım Kalitesi ve Modelleme

Maltepe Üniversitesi
Bilgisayar Mühendisliği Bölümü
Çokluortam Veritabanları ve Veri Madenciliği (BİL 416)
GENEL DERS BİLGİLERİ
Öğretim Elemanı
: Yrd.Doç.Dr. T.Tugay BİLGİN
Ofis
: MUH 312
Ofis Saatleri
: Perşembe: 11.00-13.00; Cuma: 14.00-14.50;
Telefon
: 0216 626 10 50 / PBX: 1409
E-Posta
: [email protected]
Sınıf
: 310-312-314
Ders Saatleri
: Çarşamba: 14.00-14.50; Perşembe: 10.10-11.00; Cuma: 15.00-15.50;
Ders Kitabı
: Data Mining, Concepts and Techniques" 2nd Edition Jiawei Han and
Micheline Kamber, ISBN: 978-1-55860- 901-3 The Morgan
Kaufmann Series, 2006.
: Kavram ve Algortimalarıyla Temel Veri Madenciliği, Dr.Gökhan
Yardımcı Kitap
Silahtaroğlu, Papatya Yayıncılık, 2008.
Ön Koşul
: Yok
Dersin Amacı ve Hedefi
Veri madenciliği büyük veri yığınlarındaki gözle görülemeyen ilişkilerin otomatik olarak
ortaya çıkartılması işlemidir. Bu dersin amacı katılımcılarına çeşitli veri madenciliği
tekniklerini tanıtmak ve gerçek hayattaki işletme problemlerinde uygulamalarına dair bilgi
vermektir. Veri içerisinde yer alan gizli bilgi, örüntü ve kuralların tespiti ile verinin nasıl
anlaşılır hale getirilebileceği ve elde edilen bulguların değerlendirme yöntemlerinin
verilmesi bu derste amaçlanmaktadır.
1
DERS İÇERİĞİ
Hafta
1-2
Ders
Veri Madenciliğine Giriş
1.1. Veri Madenciligi Uygulama Alanlari
1.2. Veri Ambarlari ve OLAP
1.3. Veri Madenciligi için Verilerin Hazirlanmasi
1.3.1. Verilerin Temizlenmesi
1.3.2. Verilerin Yeniden Yapilandirilmasi
3-4
Veri Madenciliği Modelleri
2.1. Deger Tahmini Modeli
2.2. Baglanti Analizi (Link Analysis)
2.3. Birliktelik Kurallari (Association Rules)
2.4. Örüntü Tanima
2.5. Ardisik Zaman Örüntüleri
2.6. Dolandiricilik Tespiti
2.7. Kümeleme analizi
5-6-7
Sınıflandırma
3.1. Karar Agaçlari
3.1.1. ID3
3.1.2. C 4.5 ve C 5
3.1.3. CART
3.1.4. SLIQ
3.1.5. SPRINT
3.2. Istatistige Dayali Algoritmalar
3.2.1. Bayesyen Siniflandirma
3.2.2. Regresyon
3.3. Mesafeye Dayali Siniflandirma Algoritmalari
3.3.1. K-En Yakin Komsu
3.4. Yapay Sinir Aglari
3.5. SEE5 Yazilimi
•
2
8-9-10
Birliktelik Kuralları ve İlişki analizi
4.1. AIS Algoritmasi
4.2. SETM Algoritmasi
4.3. Apriori Algoritmasi
4.4. AprioriTid Algoritmasi
4.5. Diger Algoritmalar
4.6. Weka Yazilimi
11-12-13
Kümeleme
5.1. Benzerlik ve Uzaklik
5.2. Kümeleme Analizinin Siniflandirilmasi
5.3. Hiyerarsik Yöntemler
5.3.1. SLINK Algoritmasi ve Tek Baglanti Teknigi
5.3.2. CURE Algoritmasi
5.3.3. CHAMELEON Algoritmasi
5.3.4. BIRCH
5.4. Bölümlemeli (Partitioning) Yöntemler
5.4.1. K- Means (K-Ortalama) Kümeleme
5.4.2. PAM Algoritmasi
5.4.3. CLARA Algoritmasi
5.4.4. CLARANS Algoritmasi
5.5. Yogunluga Dayali Algoritmalar
5.5.1 DBSCAN Algoritmasi
5.5.2. OPTICS Algoritmasi
5.5.3. DENCLUE Algoritmasi
5.6. Grid Temelli Algoritmalar
5.6.1. STING Algoritmasi
3
5.6.2. Dalga Kümeleme (Wave Cluster)
5.6.3. CLIQUE Algoritmasi
5.7. Genetik Algoritmalar
14
Veri madenciliği alanında geliştirilmiş programlar
• Ticari programlar
• Bilimsel Programlar.
PROJE:
Seçilen bir veri madenciliği algoritması kullanılarak bir proje gerçekleştirilecektir.
YOKLAMA VE DERSE KATILIM
•
Dersler katılmak zorunludur. Zamanında sınıfta olmalısınız.
•
Derste sorular sormanız ve tartışmalara katılmanız beklenmektedir.
Derse en az %70 oranında katılmalısınız. Aksi halde dersten kalırsınız. (Sınavlara girme
hakkınız olmayacaktır.)
SINAVLAR
Vize ve Final olmak üzere iki yazılı sınav olacaktır.
NOT DEĞERLENDİRMESİ
Not değerlendirmesi aşağıdaki gibi olacaktır:
Vize 1: 20% [yazılı sınav]
Vize 2: 5% Ödevler + 10 % Proje + 5% Pop-Quiz (Habersiz yapılacak)
Final: 60% [genel yazılı sınav]
4