Dersin İçeriği

 Veri Ambarı, Tanımı, Özellikleri, Mimarisi, OLTP, OLAP  Veri Madenciliğinin Tanımı, Tarihçesi, Neden Veri Madenciliği?,  Veri Madenciliğinin Uygulama Alanları, Faydaları  Veri Madenciliğinin Diğer Disiplinler ile İlişkisi  Veri Madenciliği Süreci, Problemin Tanımlanması  Verinin Hazırlanması, Veri Toplama, Veri Önişleme, Veri Temizleme  Veri Birleştirme (Bütünleştirme), Veri İndirgeme,  Veri Dönüştürme, Min-Maks Normalleştirme, Z-Skor Normalleştirme, Onluk Ölçüde Normalleştirme  Modelin Kurulması ve Değerlendirilmesi, Modelin Kullanılması, Modelin İzlenmesi  Veri Madenciliği Modelleri, Tahmin Edici Modeller, Tanımlayıcı Modeller  Sınıflandırma, Tanımı ve Amacı, Sınıflandırma Yöntemleri  Karar Ağaçları, Dallanma Kriterleri, Entropi, Gini İndeksi, Towing İndeksi, Ağaç Budama Kuralları,  Karar Ağacı Algoritmaları, ID3, C4.5, CART, CHAID, SLIQ, QUEST  Mesafeye Dayalı Yöntemler, K-En Yakın Komşu  İstatistiğe Dayalı Algoritmalar, Regresyon, Bayes/Navie Bayes  Kümeleme, Tanımı ve Amacı  Benzerlik ve Uzaklık kavramı, Öklid Uzaklığı, Manhattan Uzaklığı, Minkowski Uzaklığı  Kümeleme Yöntemleri, Hiyerarşik Kümeleme Yöntemleri, En Yakın Komşu (Tek Bağlantı) Algoritması, En Uzak Komşu (Tam Bağlantı) Algoritması  Hiyerarşik Olmayan Kümeleme Yöntemleri, K-Means (K-Ortalama) Algoritması, K-Medoids Algoritması  Birliktelik Kuralı, tanımı ve amacı, Market Sepeti Analizi, Tanımı ve Amacı, Destek ve Güven Ölçütleri, Apriori Algoritması  Veri Madenciliğinin Diğer Yöntemler ile Karşılaştırılması  Diğer Yöntemler, Yapay Sinir Ağları, Genetik Algoritmalar, Destek Vektör Makineleri