Sosyal Ağ Analizi ve Veri Madenciliği

Ders Kodu: 
BTSM 502
Ders Dönemi: 
Bahar
Ders Tipi: 
Zorunlu
Teori Saati: 
3
Uygulama Saati: 
0
Kredi: 
3
AKTS: 
10
Dersin Amacı: 
Veri madenciliği, büyük ölçekli veriler arasından bilgiye ulaşma, gizli örüntüleri yakalama sürecidir. Büyük veri içerisinden gelecekle ilgili tahminde bulunabilmemizi, birliktelik, benzerlik ve farklılıkları oluşturan etmenlerin ortaya çıkarılmasını sağlayan bir süreçtir. Bu dersin amacı da veri madenciliği yöntemlerinin amaçlarının kavranması ve veri madenciliği yazılımları ile analizlerin yapılarak örüntülerin bulunmasıdır.
Dersin İçeriği: 

Veri Madenciliği Kavramları, Veri Ön-İşleme Süreçleri, İstatistiksel Öğrenme Teorisi(Naive Bayes) , Kümeleme Metodları (K-Means, X-Means, hiyerarşik), Karar Ağaçları ve Karar Kuralları, Birliktelik Kuralları, Metin Madenciliği, Sosyal Ağ Analizi

Dersin Öğretim Yöntemleri: 
1. Anlatım 2. Örnek Olay 3. Tartışma 4. Gösteri 5. Grup çalışması 6. Mikroöğretim 7. Problem Çözme
Dersin Ölçme Yöntemleri: 
A. Yazılı sınav B. Çoktan seçmeli test C. Boşluk doldurma D. Doğru -Yanlış E. Sözlü sınav F. Portfolyo G. Performans H. Rapor

Dikey Sekmeler

Dersin Öğrenme Çıktıları

Dersin Öğrenme Çıktıları Program Öğrenme Çıktıları Öğretim Yöntemleri Ölçme Yöntemleri
1) Veri madenciliği kavramlarını söyler, kullanım alanlarını örneklendirir. 11 1, 2 F, H
2) Veri Ön-İşleme sürecinin önemini söyler, Ön-işleme adımlarını sayar, ön-işleme adımlarını örnek veride uygular  11 1, 2, 3 F, H
3) Danışmanlı ve Danışmansız Öğrenme Yöntemleri arasındaki farkı bilir, örnek verir. 10, 11 2, 4, 7 F, H
4) Naive Bayes yöntemini bilir, bir sınıflandırma örneği gösterir.  10, 11 2, 4, 7 A, F, G
5) Karar Ağaçları ile sınıflandırma yapar. 11, 4 2, 4, 7 A, F, G
6) Birliktelik kuralları ile öneri sistemi simülasyonu yapar 11, 4 2, 4, 7 A, F, G
7) Metin madenciliğini kullanarak, sosyal medya mesajlarının duygu analizini yapar. 11 2, 3, 5 A, F, G
8) Sosyal medya mesajlarına sosyal ağ analizi yöntemlerini uygular.  11, 4 2, 4, 5 A, F, G

Dersin Akışı

DERS AKIŞI
Hafta Konular Ön Hazırlık
1 Temel Kavramlar Kavramların araştırılması
2 Veri Ön-İşleme Süreçleri Ön-İşleme süreçlerinin araştırılması, Kitap Bölüm: İlgili kitap bölümü
3 Veri Madenciliği Yöntemleri Danışmanlı ve Danışmansız öğrenmenin araştırılması
4 Karar Ağaçları İlgili kitap bölümü ve Makaleler
5 KNN Algoritması ve Random Forest İlgili kitap bölümü ve Makaleler
6 Naive Bayes ve Yapay Sinir Ağları İlgili kitap bölümü ve Makaleler
7 RVM ve SVM İlgili kitap bölümü ve Makaleler
8 K-Medoid ve K-Means İlgili kitap bölümü ve Makaleler
9 Fuzzy c-Means ve Kohenen Map İlgili kitap bölümü ve Makaleler
10 Metin Madenciliği Metin benzerliği ile ilgili araştırma, intihal yazılımlarının çalışma prensipleri
11 Duygu Analizi Duygu analizi ile ilgili güncel makaleler
12 Temal Graf Bilgisi ve Ağ Ölçütleri Sosyal ağ analizi ile ilgili güncel makaleler
13 Ağ Modelleri ve Topluluk Analizi Sosyal ağ analizi ile ilgili güncel makaleler
14 Ağ Analizi ve Ağ Görselleştirme Sosyal ağ analizi ile ilgili güncel makaleler

Kaynaklar

KAYNAKLAR
Kitaplar Han, J., Pei, J., & Kamber, M. (2011). Data mining: concepts and techniques. Elsevier.

 

Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann.

Diğer Kaynaklar Barga, R., Fontama, V., Tok, W. H., & Cabrera-Cordon, L. (2015). Predictive analytics with Microsoft Azure machine learning. Apress.

Hofmann, M., & Klinkenberg, R. (Eds.). (2013). RapidMiner: Data mining use cases and business analytics applications. CRC Press.

Chappell, D. (2015). Introducing Azure Machine Learning. A GUIDE FOR TECHNICAL PROFESSIONALS, Sponsored by Microsoft Corporation.

Materyal Paylaşımı

MATERYAL PAYLAŞIMI 
Dökümanlar  
Ödevler 1) Araştırma yapmak istediği bir konu ile ilgili veriye ulaşır.

2) Ulaştığı veride, veri ön-işleme süreçlerini çalıştırır.

3) Sınıflama yöntemlerini kullanarak bir tahmin modeli oluşturur ve performans değerlendirme ölçüleri ile modelini güçlendirir.

4) Kümeleme yöntemlerini kullanarak, verisindeki benzer öğeleri tartışır.

5) Twitter mesajlarındaki duygu analizini inceler.

6) Twitter mesajlarında sosyal ağ analizi görselleştirmesi yapar.

Sınavlar  

Değerlendirme Sistemi

DEĞERLENDİRME SİSTEMİ
YARIYIL İÇİ ÇALIŞMALARI Sayısı Katkı Yüzdesi
Ara Sınav 1 30
Kısa Sınav    
Final Sınavı 1 40
Ödev 1 30
Toplam   100
Finalin Başarıya Oranı   40
Yıl içinin Başarıya Oranı   60
Toplam   100

Dersin Program Çıktılarına Katkısı

DERSİN PROGRAM ÇIKTILARINA KATKISI
No Program Öğrenme Çıktıları Katkı Düzeyi
1 2 3 4 5  
1 Öğrenme öğretme sürecinin değişkenlerini bilmek ve uygun tasarımlar yapmak.     X      
2 Niteliksel ve niceliksel bilimsel araştırma yöntemlerini öğrenerek, alanında araştırma yapmak ve sonuçları yazılı olarak sunmak.         X  
3 Bilgiye ulaşma, bilgiyi paylaşma, profesyonel gelişim ve veri analizi için internet ve teknolojiyi nasıl kullanacağını bilmek         X  
4 Sosyal medya üzerindeki bilişsel ve psikolojik bağlantıları incelemek   X        
5 Mesleğinin gerektirdiği niteliklere sahip olmak ve bunları sürekli geliştirmek için gerekli becerilere sahip olmak.       X    
6 Bilimsel ilke ve teknikleri kullanarak değerlendirme becerisine sahip olmak. X          
7 Sosyal, kültürel ve toplumsal sorumluluklarını kavramak ve kendi alanında işe uygun biçimde kullanmak. X          
8 İhtiyaca yönelik projeler geliştirmek ve proje yönetim süreçlerine hakim olmak.       X    

AKTS İş Yükü Tablosu

AKTS / İŞ YÜKÜ TABLOSU
Etkinlik SAYISI Süresi
(Saat)
Toplam
İş Yükü
(Saat)
Ders Süresi (Sınav haftası dahildir: 16x toplam ders saati) 16 3 48
Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme) 16 4 64
Ara Sınav 1 12 12
Kısa Sınav - - -
Ödev 1 12 12
Final 1 20 20
Toplam İş Yükü     156
Toplam İş Yükü / 25 (s)     6,24
Dersin AKTS Kredisi     6