1. Gün

– Veritabanı ve veri madenciliği nedir? 

– Veri (data), Öznitelik (attribute), Nesne (object) kavramları

– Internet üzerinden veri keşfi ve verilerin hazırlanması

· University of California Irvine (UCI) veri setleri

· Türkiye İstatistik Kurumu (TÜİK) verileri

· Dünya Bankası (WorldBank) verileri

· Datamarket kütüphanesi verileri

· T.C. Merkez Bankası verileri

– Verilerin Excel’e aktarılması, temizlenmesi, bütünleştirilmesi

– Kümeleme (clustering) analizi

· Hangi veriler ile kümeleme yapılır?

· Kümeleme için verilerin hazırlanması

· Kümelemede kullanılan yöntemler

– RapidMiner kurulumu ve genel kullanım özellikleri

– RapidMiner örnek uygulamaları

· TÜİK hayvancılık istatistiklerine göre illerin kümelenmesi örneği

o TÜİK üzerinden illere göre hayvan üretim sayılarının Excel’e aktarılması

o Verilerin kümeleme için uygun hale getirilmesi

o RapidMiner ile farklı kümeleme yöntemleri ile sonuçların analizi

· UCI parfüm veri seri üzerinden kümeleme örneği

o 20 farklı parfüm için saniyede bir yapılan 28 farklı koku ölçer verileri

o Benzerlik gösteren parfümlerin kümeleme ile tespiti

– Sınıflandırma (classification) analizi

· Hangi veriler sınıflandırma için uygundur?

· Sınıflandırma için hangi yöntem tercih edilmelidir?

· Sınıflandırma için eğitim ve test verilerinin hazırlanması

· 10 katlı çapraz doğrulama yöntemi nedir?

· Sınıflandırma sonuçlarının doğruluğu için ROC analizi nasıl yapılır?

· Yapay sinir ağları (neural networks) ile sınıflandırma nasıl yapılır?

· Döviz kuru tahmini

· Kayısı üretim tahmini

· İMKB 100 endeks getirileri tahmini 

– Karar ağaçları (decision trees) ile sınıflandırma nasıl yapılır?

· Bilgi Kazancı (information gain) Entropi (entropy) kavramları

· Hava durumuna göre golf oynayabilme kararı örneği

· İstenmeyen E-posta tespitinde karar ağacı örneği

– RapidMiner örnek uygulamaları

· UCI “adult” veri seti ile yılda 50000 dolardan fazla kazananları tahmin etme uygulaması

· UCI “bank marketing” veri seti ile telefon bankacılığı kampanyasında müşterilerin kredi uygunluklarının hesaplanması uygulaması

· UCI “breast cancer” veri seti ile meme kanseri teşhisi uygulaması

· İstenmeyen SMS tespitinde karar ağacı uygulaması

2. Gün

– Birliktelik kuralları, Market-Sepet analizi

· Hangi veriler uygundur?

· Veriler nasıl hazırlanmalıdır?

– Korelasyon, Diskriminant analizi

– Zaman Serisi analizi

· Regresyon ile döviz kuru tahmini

– RapidMiner örnek uygulamaları

· UCI Türkiye öğrenci değerlendirme verilerinden birliktelik kuralları çıkarılması

o Gazi Üniversitesi’nden alınan 5820 adet Likert ölçeği anket verileri

o 3 farklı eğitmen 13 farklı ders için öğrencilerin görüşleri

o Derslerin getirileri

o Eğitmenlerin başarısı

· Doğrusal regresyon ile ısınma yakıtı kullanım miktarlarının tahmin edilmesi

o 42000 kayıtta insanların ortalama yaşı, kişi sayısı, evin büyüklüğü

· Lojistik regresyon ile kalp krizi riskinin tahmin edilmesi

o 690 hastanın yaşı, cinsiyeti, kilosu, kolesterol ve stres düzeyi, stres yönetim eğitimi bilgileri

– Metin madenciliği

· Ne tür metinler analiz edilebilir?

· Hangi algoritmalar metin madenciliğinde kullanılabilir?

– Web madenciliği

· Internet dosyaları nasıl metin dosyaları haline dönüştürülür?

· Bir web sitesinden alınan bilgiler nasıl ayıklanır?

– Veri madenciliğinde yeni eğilimler

– RapidMiner örnek uygulamaları

· Text dosyası analizi

o Bir text dosyasının içeriğini analiz ederek kelimelerin frekansını, yoğunluğunu, benzerliklerini bulmak

o Birliktelik kuralları çıkarmak

· Internet sitesi analizi

o Bir web sitesinin içeriğini analiz etmek

o Twitter verilerini analiz etmek

o Dropbox hesabını kullanmak