Marmara Üniversitesi
Marmara Üniversitesi Eğitim-Öğretim Bilgi Sistemi

Veri Madenciliği, İstatistik ve Bilgisayar Bilimi arayüzünde dinamik ve hızlı büyüyen bir alandır. Milyonlarca hatta milyarlarca gözlem içeren devasa veri kümelerinin ortaya çıkması, bu alan için birincil itici gücü sağlar. Bu tür veri kümeleri, örneğin, büyük ölçekli perakendecilik, telekomünikasyon, astronomi, hesaplamalı biyoloji ve internet ticaretinde ortaya çıkar. Bu ölçekteki verilerin analizi, heyecan verici yeni hesaplamalı ve istatistiksel zorluklar sunar. This course will provide an overview of current research in data mining and will be suitable for graduate students from many disciplines. The prerequisites for the class are basic computing proficiency as well as knowledge of elementary concepts in probability and statistics. Some of the topics to be covered are classisfication trees, linear regression, logistic regression, overfitting and clustering techniques.

-

Veri Analitik Düşünme İş Sorunları ve Veri Bilimi Çözümleri Tahmin Edici Modellemeye Giriş Sınıflandırma Ağaçları Verilere Bir Model Uydurma - Doğrusal Regresyon Verilere Bir Model Uydurma - Lojistik Regresyon ve SVM'ler Aşırı Uyum ve Kaçınılması Benzerlik ve En Yakın Komşular Kümeleme İyi Bir Model Nedir? Model Performansını Görselleştirme Kanıtlar ve Olasılıklar

Ders notları, sunum dosyaları

-

İngilizce

Data Science for Business, Foster Provost & Tom Fawcett, O'Reilly

https://mimoza.marmara.edu.tr/~falkaya/mis7144

• Öğrenci veri analitik düşünme ve öngörücü modellemeyi bilir.
• Öğrenci, denetlenen öğrenme ile denetlenmeyen öğrenme arasında ayrım yapar.
• Öğrenci doğrusal regresyon, lojistik regresyon, SVM'ler ve sınıflandırma ağaçlarının temellerini bilir.
• Öğrenci benzerliği, en yakın komşuları ve kümelemeyi bilir
• Öğrenci aşırı uyumu ve kaçınmayı, karışıklık matrisini ve değerlendirme ölçütlerini bilir.