| Müfredat Adı | Ders Kodu | Ders Adı | Ders Türü | Dönem | AKTS | Teorik | Uygulama |
| 2022 İşletme Yönetimi (İngilizce) - Pazarlama | STAT4095 | Data Mining | Seçmeli | 7 | 5,00 | 3 | 0 |
Marmara Üniversitesi
Marmara Üniversitesi Eğitim-Öğretim Bilgi Sistemi
Programlar Hakkında Bilgi
Lisans - İşletme Fakültesi - Uluslararası İşletme Yönetimi (İngilizce) (UOLP-ABD North Carolina Üniversitesi (UNCW))
Dersin İçeriği
Dersin Amacı
Bu ders, veri madenciliğinin temellerini ve onu iş bağlamında etkin bir şekilde nasıl kullanacağını öğrenmek isteyen İşletme öğrencileri için tasarlanmıştır. Öğrenciler, kümeleme, karar ağaçları ve ilişkilendirme kuralları gibi çeşitli teknikleri kullanar
Öğrenim Türü
-
Dersin İçeriği
Ders, öğrencilere veri madenciliğinin iş bağlamında etkin bir şekilde nasıl kullanılacağını öğretir. Öğrenciler, kümeleme, karar ağaçları ve birliktelik kuralları gibi tekniklerle büyük veri kümelerini analiz etmeyi öğreneceklerdir. Ek olarak, öğrenciler
Planlanan Öğrenme Aktiviteleri ve Metodları
Ders anlatımı, soru çözümü, ödevler, derse katılım.
Staj Durumu
-
Dersin Sunulduğu Dil
İngilizce
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
1. Jiawei Han, Micheline Kamber, Data Mining 2. Mehmed Kantardzic, Data Mining 3. Yalçın Özkan, Veri Madenciliği Yöntemleri, Papatya Yayıncılık 4. Gökhan Silahtaroğlu, Kavram ve Algoritmalarıyla Temel Veri Madenciliği, Papatya Yayıncılık 5. Gülser Acar Dondurmacı, Ayşe Çınar, Yönetim Bilişim Sistemleri, Papatya Yayıncılık, Eylül 2014
Dersin Web Sayfası
Yok
Öğrenme Çıktıları
- Veritabanı kavramını anlar
- Veritabanı Yönetim Sistemleri ve kullanımları hakkında bilgi sahibi olur
- Kümeleme, karar ağaçları ve birliktelik kuralları gibi veri madenciliği tekniklerini iş bağlamında etkili bir şekilde uygular
- Pazar araştırması, müşteri segmentasyonu ve dolandırıcılık tespiti için büyük veri kümelerini analiz eder ve yorumlar
- Çeşitli iş ortamlarında pratik kullanım için veri madenciliğinde güçlü bir temele sahip olur
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Teorik |
|---|---|
| 1 | Temel Kavramlar |
| 2 | Veri Tabanı Sistemleri |
| 3 | Veri Tabanı Yönetim Sistemleri , OLTP, OLAP |
| 4 | Veri Üzerinde Ön İşlemler |
| 5 | Veri Madenciliği Yöntemleri |
| 6 | Sınıflandırma ve Karar Ağaçları |
| 7 | Sınıflandırma Algoritmaları (ID3, C4.5) |
| 8 | Ara Sınav Haftası |
| 9 | Sınıflandırma ve İlişki Ağaçları |
| 10 | Twoing ve Gini Algoritmaları |
| 11 | Kümeleme |
| 12 | Hiyerarşik ve Hierarşik Olmayan Kümeleme |
| 13 | Birliktelik Kuralları |
| 14 | Apriori Algoritması |
| 15 | Apriori Algoritması |
| 16 | Ders Çalışma Haftası |
| 17 | Yarı Yıl Sonu Sınavı |
Değerlendirme
| Değerlendirme | Değer |
|---|---|
| Yarıyıl (Yıl) İçi Etkinlikleri | 50 |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 50 |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Değer |
| Final Sınavı | 100 |
Öğrenci İş Yükü Hesabı
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Proje ve Hazırlığı | 1 | 10 | 10 |
| Ödev ve Hazırlığı | 2 | 30 | 60 |
| Arasınav ve Hazırlığı | 1 | 20 | 20 |
| Kısa Sınav ve Hazırlığı | 1 | 30 | 30 |