Dersin İçeriği

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