Data Mining 101, Summaries of Data Mining

Download Data Mining 101 and more Summaries Data Mining in PDF only on Docsity!

Veri Madenciliğine Giriş

BİL 477 - 2021 - 2022 - FALL- INTRODUCTION TO DATA MINING DR. GÖKHAN MEMIŞ

Veri Tabanlarında Bilgi Keşfi

Veri Tabanlarında Bilgi Keşfi, veriden faydalı bilginin keşfedilmesi sürecinin tamamına atıfta

bulunmakta ve veri madenciliği bu sürecin bir adımına karşılık gelmektedir.

VTBK , verinin nasıl depolanıp erişileceğinden, algoritmaların devasa veri setlerine nasıl

ölçeklenebileceğine ve hala etkin olarak çalışmalarına, sonuçların nasıl yorumlanabileceği ve

görselleştirilebileceğine ve bütün insan-makine interaksiyonunun kullanışlı olarak nasıl

modellenip, desteklenebileceğine olmak üzere veriden bilginin keşfinin tüm süreçleri üzerine

odaklanır

BİL 477 - 2021 - 2022 - FALL- INTRODUCTION TO DATA MINING DR. GÖKHAN MEMIŞ

Bilgi Keşfinin Aşamaları

Uygulama alanını inceleme : Konuyla ilgili bilgi ve uygulama amaçları

Amaca uygun veri kümesi oluşturma: Veri seçme

Veri ayıklama ve önişleme : işlemin %70’lik bölümünü oluşturur

Veri azaltma ve veri dönüşümü : incelemede gerekli boyutları (özellikleri) seçme, boyutlar arası

ilişkiyi belirleme, boyut azaltma,

Veri madenciliği tekniği seçme

Sınıflandırma, eğri uydurma, bağıntı kuralları, demetleme

Veri madenciliği algoritmasını seçme

Model değerlendirme ve bilgi sunumu

Bulunan bilginin yorumlanması

BİL 477 - 2021 - 2022 - FALL- INTRODUCTION TO DATA MINING DR. GÖKHAN MEMIŞ

VERİ MADENCİLİĞİ NEDİR?

BİL 477 - 2021 - 2022 - FALL- INTRODUCTION TO DATA MINING DR. GÖKHAN MEMIŞ

VERİ MADENCİLİĞİ NEDİR?

En temel ifadesiyle büyük veri kümelerinde bulunan ve insan algısının çok uzun zaman ve klasik

yöntemlerle çok fazla çaba gerektirerek fark edebileceği faydalı veri paternlerinin bu kümelerden

ayıklanmasıdır.

Veri madenciliği, pek çok analiz aracı kullanımıyla veri içerisinde örüntü ve ilişkileri keşfederek,

bunları geçerli tahminler yapmak için kullanan bir süreçtir.

Veri madenciliği, en basit tanımıyla, veri tabanlarındaki ilişkili örüntüleri OTOMATİK olarak

belirlemektir.

Veri madenciliği veri kümesi içerisinde keşfedilmemiş örüntüleri bulmayı hedefleyen tekniklerdir.

En temel özelliklerinden biri araştırmacının analizi yönlendirmesinden ziyade verinin analizi ve

analisti yönlendirmesidir.

BİL 477 - 2021 - 2022 - FALL- INTRODUCTION TO DATA MINING DR. GÖKHAN MEMIŞ

Veri madenciliğin yapısı

BİL 477 - 2021 - 2022 - FALL- INTRODUCTION TO DATA MINING DR. GÖKHAN MEMIŞ

Veri Madenciliğinin Kullanım Alanları

Finans Sektörü

Haberleşme Sektörü

Sağlık Sektörü

Devlet Uygulamaları

Büyük hacimde veri olan her yerde veri madenciliği kullanılabilir.

BİL 477 - 2021 - 2022 - FALL- INTRODUCTION TO DATA MINING DR. GÖKHAN MEMIŞ

Veri Madenciliğinin Tarihçesi

BİL 477 - 2021 - 2022 - FALL- INTRODUCTION TO DATA MINING DR. GÖKHAN MEMIŞ

Veri Madenciliğinin Tarihçesi

1990’lar Günlük işlemlerden derlenen büyük miktarda verinin nasıl değerlendirilebileceği

sorgulanmaya başlıyor. Bu noktada bahsedilmesi gereken birkaç önemli olay sözkonusu:

1989 , KDD (IJCAI)-89 Veri Tabanlarında Bilgi Keşfi Çalışma Grubu toplantısı

1991 , KDD (IJCAI)-89’un sonuç bildirgesi sayılabilecek ‘Knowledge Discovery in Real Databases:

A Report on the IJCAI-89 Workshop’ makalenin KDD ile ilgili temel tanım ve kavramları ortaya

koyması

BİL 477 - 2021 - 2022 - FALL- INTRODUCTION TO DATA MINING DR. GÖKHAN MEMIŞ

Veri Madenciliğinin Tarihçesi

1992 , Veri Madenciliği konusunda ilk yazılımın geliştirilmesi

1995 , 1. Uluslararası Bilgi Keşfi ve Veri Madenciliği Konferansı’nın (KDD-95) açılış konuşması

2000’ler Veri Ambarları, Veri Madenciliği yaygınlaşıyor. (Son 10 yılda veri depolama ünitelerinin

fiyatlarında sürekli bir düşüş var.)

BİL 477 - 2021 - 2022 - FALL- INTRODUCTION TO DATA MINING DR. GÖKHAN MEMIŞ

Veri Ambarı

Bir veri ambarı çoklu kaynaklardan (farklı veritabanlarından) gelen dataların toplanmasıyla

oluşur. Buradan gelen datalar önce bazı aşamalardan geçer:

• data cleaning
• data integration
• data transformation
• data loading
• data refreshing (periyodik olarak)

Bir çok yerde şubesi olan bir şirketiniz olduğunu düşünün. Bu şirketin İstanbul, İzmir, Ankara

şubelerinin veritabanları yukarıdaki aşamalardan geçer ve veri ambarı oluşturulur.

BİL 477 - 2021 - 2022 - FALL- INTRODUCTION TO DATA MINING DR. GÖKHAN MEMIŞ

VERİ AMBARI MİMARİSİ

BİL 477 - 2021 - 2022 - FALL- INTRODUCTION TO DATA MINING DR. GÖKHAN MEMIŞ

Veri Madenciliği Örnek

BİL 477 - 2021 - 2022 - FALL- INTRODUCTION TO DATA MINING DR. GÖKHAN MEMIŞ

Sonuç

Bir veri madenciliği çalışması için öncelikle çok miktarda kaliteli veri gerekir.

Amaç bu veri içinde saklı, gelecekle ilgili tahmin yapmakta kullanılabilecek kural ve bağıntıların

çıkarılmasıdır.

Böyle bir çalışmanın başarılı olması için uygulama konusundaki uzmanların veri tabanları ve veri

madenciliği konusundaki uzmanlarla beraber çalışması gerekir.

Çalışma uzun sürebilir; zaman ve sabır gerekir.

BİL 477 - 2021 - 2022 - FALL- INTRODUCTION TO DATA MINING DR. GÖKHAN MEMIŞ