Lecture Notes

Yapay Zeka ve Veri Madenciliği Ders Notları

  1. Yapay Zekaya Giriş
  2. Makine Öğrenmesine Giriş
  3. Makine Öğrenmesi Algoritmaları
  4. Veri Özellikleri ve Veri Önişlem
  5. Verinin Keşfedilmesi
  6. Sınıflandırma: Temel Kavramlar ve Karar Ağaçları
  7. Sınıflandırma: Sınıflandırma Algoritmaları
  8. Regresyon Analizi Giriş
  9. Lojistik Regresyon ve Uygulama
  10. Yapay Sinir Ağları Giriş
  11. Çok Katmanlı Algılayıcı (Multi Layer Perceptron) Ağları
  12. Destek Vektör Makineleri
  13. Birliktelik Kuralları Madenciliği
  14. Kümeleme Analizi
  15. Makine Öğrenmesi Sistem Tasarımı
  16. Makine Öğrenmesi Sistemleri için Tavsiyeler

Önemli Not:

Ders notlarının hazırlanmasında “Introduction to Data Mining, Pang-Ning Tan, Michigan State
University, Michael Steinbach, University of Minnesota, Vipin Kumar, University of Minnesota, Publisher:Addison-Wesley” isimli kaynaktan faydalanılmıştır. Konuyla ilgili olarak yazarlar bilgilendirilmiş ve izinleri alınmıştır. Kaynağa sadık kalınmakla birlikte çeviri, yorumlama ve kaynağı zenginleştirme kısmı bana aittir. Saygılarımla bildirmek isterim. Doç. Dr. Hidayet Takcı