LİSE TÜRÜ VE LİSE MEZUNİYET BAŞARISININ, KAZANILAN FAKÜLTE İLE İLİŞKİSİNİN VERİ MADENCİLİĞİ TEKNİĞİ İLE ANALİZİ

Yıl 2007, Cilt: 10 Sayı: 2, 441 - 454, 18.02.2010

Y. Ziya Ayık Abdülkadir Özdemir Uğur Yavuz

Öz

Kurumların veritabanı boyutlarının, her gün üretmekte oldukları bilgi
miktarındaki büyük artışlar ile binlerce Terabaytı aştığını söyleyebiliriz. Buna
paralel olarak bilgisayar teknolojisinin sürekli gelişiyor ve ucuzluyor olması
miktarı gittikçe artan bu verinin saklanabilmesine imkân sağlamaktadır. Ancak
söz konusu verilerin tek başlarına bir anlam oluşturmadıkları bilinmektedir.
Veriler ancak belirli bir amaç doğrultusunda işlendikleri takdirde anlam
kazanabilmektedirler. Günümüzde veritabanlarındaki anlamsız verilerden anlamlı
ve kullanılabilir bilgiler elde etmede önemli bir tekniğin Veri Madenciliği olduğu
genel kabul görmektedir.
Bu çalışmada, Atatürk Üniversitesi öğrencilerinin mezun oldukları lise türleri ve
lise mezuniyet dereceleri ile kazandıkları fakülteler arasındaki ilişki, veri
madenciliği teknikleri kullanılarak incelenmiştir. Elde edilen sonuçların,
üniversitemizi sonraki yıllarda tercih edecek öğrenci profilinin belirlenmesine
yardımcı olacağı düşüncesindeyiz.

Anahtar Kelimeler

Veri madenciliği, veritabanlarında bilgi keşfi, mineset

Kaynakça

• Akpınar Haldun, (2000), Veritabanlarında Bilgi Keşfi ve Veri Madenciliği, İ.Ü. İşletme Fakültesi Dergisi, c:29, 1-22
• Alpaydın Ethem, (2000), Zeki Veri Madenciliği: Ham Veriden Altın Bilgiye Ulaşma Yöntemleri, Bilişim2000, 1-5
• Babadağ Kadir, (2006), Zeki Veri Madenciliği: Ham Veriden Altın Bilgiye Ulaşma Yöntemleri, Industrial Application Software, 85-87
• Berry Michael and Linoff Gordon, (1999), Mastering Data Mining: The Art and Science of Customer Relationship Management, John Wiley & Sons, 1st Ed.
• Bigus Joseph, (1996), Data Mining With Neural Networks: Solving Business Problems from Application Development to Decision Support, McGrawHill Text.
• Chen Ming, Hun Jiawei and Yu Philip, (1996), Data Mining: An Overwiev From a Database Perspective and Knowledge Discovery, IEEE Transaction on Knowledge and Data Engineering, Vol:8, No:6 866
• Curtarolo Stefano and Morgan Dane, (2003), Predicting Crystal Structures with Data Mining of Quantum Calculations , Phys. Rev. Lett. 91, in pres.
• Edelstein Herbert, (1999), Introduction to Data Mining and Knowledge Discovery, Two Crows Corporation.
• Glymour Clark and Madigan David, (1997), Statistical Themes and Lessons for Data ining; Data Mining and Knowledge Discovery1,11-28
• Han Jiawei and Kamber Micheline, (2000), Data Mining Concepts and Techniques, Morgan Kaufmann Publishers, 1st Ed., San Francisco, USA Jing Luan, (2002), Data Mining and Its Applications in Higher Education, New Dırectıons For Instıtutıonal Research, no. 113.
• Kecman Vojislav, (2001), Learning and Soft Computing: Support Vector Machines, Neural Networks, and Fuzzy Logic Models, The MIT Press, Cambridge.
• Vahaplar Alper ve İnceoğlu Mustafa, (2001), Veri Madenciliği ve Elektronik Ticaret, VII. Türkiye’de İnternet Konferansı, 1–3 Kasım 2001
• Zaki Mohammed, (2003), Introduction to Data Mining, Springer Verlag.
• Zhang Dongsong and Zhou Lina, (2004), Discovering Golden Nuggets: Data Mining in Financial Application, IEEE Transactions on Systems, Applications and Reviews, Vol: 34, No:4, 513-515
• Data Warehousing Information Center - http://www.dwinfocenter.org Information Discovery Inc. – http://www.datamining.com
• SPSS Inc. Extend Your Data Mining Capabilities with Advanced Analysis. www.spss.com
• SAS Institute Inc. The Data Mining Challenge: Turning Raw Data Into Business Gold. www.sas.com/software