Veri Madenciliği

Veri Madenciliği ve Yapay Zeka 
Yapay zeka, zeki varlıkları anlamaya çalışan bir disiplindir. Aynı amaç ile iştigal eden felsefe ve 
psikolojiden farkı; sadece anlamaya çalışmak ile yetinmeyip, aynı zamanda zeki varlıklar üretmeye 
çalışmasıdır. 
Yapay zeka da veri madenciliği ve makina öğrenmesi gibi çerçevesi net bir tanımdan yoksundur. Yapay 
zeka için yapılmış olan mevcut tanımlar iki ana grupta toplanabilir; muhakeme yeteneği ve rasyonel 
davranma yeteneği. Yine bu iki tanım da kendi içlerinde insan gibi veya rasyonel olmak şeklinde ikiye 
ayrılır. 
Yapay zeka muhakeme yeteneğine sahip veya zekice davranabilen ve düşünce veya davranış açısından 
insana benzeyen veya rasyonel olabilen makinalar geliştirmek üzerine bir disiplindir. 
Yapay zeka felsefe, matematik (özellikle istatistik), dil bilim, psikoloji ve bilgisayar mühendisliğinin 
ürünlerinden sıkça yararlanır. 
Yapay zeka, bir disiplin olarak makine öğrenmesini içerir. Yapay zeka makine öğrenmesi dışında görüntü 
algılama, robotik gibi bilgisayar bilimleri dışında kalan alanlardaki çalışmaları da kapsar. 
Veri madenciliğinde, sınıflandırma amacıyla kullanılan sinir ağları tekniği yapay zeka alanında yapılan 
çalışmaların ürünüdür. 
Verilen örneklere dikkat edilirse, “veri”nin “bilgi”ye dönüşme işleminin vurgulandığı görülecektir. Bilginin 
kimi yöntemler ile analiz edilmesi ve çıkan sonuçların bir uzman gözüyle yorumlanmasıyla geçmiş 
verilerden gelecek tahminleri yapma işlemi veri madenciliği(data mining) olarak belirtilebilir. 

---

3 
Veri Madenciliği Nedir? 
Basit bir tanım yapmak gerekir ise veri madenciliği, büyük ölçekli veriler arasından bilgiye ulaşma, bilgiyi 
madenleme işidir. Ya da bir anlamda büyük veri yığınları içerisinden gelecek ile ilgili tahminde 
bulunabilmemizi sağlayabilecek bağıntıların bilgisayar programı kullanarak aranmasıdır. Veri madenciliği 
deyimi yanlış kullanılan bir deyim olabileceğinden buna eş değer başka kullanımlar da literatüre 
geçmiştir. Veritabanlarında bilgi madenciliği (knowledge mining from databases), Bilgi çıkarımı 
(knowledge extraction), data/pattern anaysis (veri ve örüntü analizi), veri arkeolojisi gibi.
Bunların arasındaki en popüler kullanım Veritabanlarında Bilgi Keşfi (VBK – Knowledge Discovery From 
Databases – KDD) ‘dir. Alternatif olarak veri madenciliği aslında bilgi keşfi sürecinin bir parçası şeklinde 
kabul görmektedir. Bu adımlar:
1-) Veri Temizleme (gürültülü ve tutarsız verileri çıkarmak)
2-) Veri Bütünleştirme (birçok veri kaynağını birleştirebilmek)
3-) Veri Seçme (Yapılacak olan analiz ile ilgili olan verileri belirlemek )
4-) Veri Dönüşümü (Verinin veri madenciliği tekniğinden kullanılabilecek hale dönüşümünü 
gerçekleştirmek)
5-) Veri Madenciliği (Veri örüntülerini yakalayabilmek için akıllı metotları uygulamak)
6-) Örüntü Değerlendirme (Bazı ölçümlere göre elde edilmiş bilgiyi temsil eden ilginç örüntüleri 
tanımlamak)
7-) Bilgi Sunumu (Madenciliği yapılmış olan elde edilmiş bilginin kullanıcıya sunumunu gerçekleştirmek),
Veri madenciliği adımı, kullanıcı ve bilgi tabanı ile etkileşim halindedir. İlginç örüntüler kullanıcıya 
gösterilir, ve bunun ötesinde istenir ise bilgi tabanına da kaydedilebilir. Buna göre, veri madenciliği 
işlemi, gizli kalmış örüntüler bulunana kadar devam eder. Bir veri madenciliği sistemi, aşağıdaki temel 
bileşenlere sahiptir: 

Veritabanı, veri ambarı ve diğer depolama teknikleri 

---

4 

Veritabanı ya da veri ambarı Sunucusu 

Bilgi Tabanı 

Veri Madenciliği Motoru 

Örüntü Değerlendirme 

Kullanıcı Arayüzü 
Veri madenciliği, eldeki verilerden üstü kapalı, çok net olmayan, önceden bilinmeyen ancak potansiyel 
olarak kullanışlı bilginin çıkarılmasıdır. Bu da; kümeleme, veri özetleme, değişikliklerin analizi, sapmaların 
tespiti gibi belirli sayıda teknik yaklaşımları içerir.
Başka bir deyişle, veri madenciliği, verilerin içerisindeki desenlerin, ilişkilerin, değişimlerin, 
düzensizliklerin, kuralların ve istatistiksel olarak önemli olan yapıların yarı otomatik olarak 
keşfedilmesidir. 
Temel olarak veri madenciliği, veri setleri arasındaki desenlerin ya da düzenin, verinin analizi ve yazılım 
tekniklerinin kullanılması ile ilgilidir. Veriler arasındaki ilişkiyi, kuralları ve özellikleri belirlemekten 
bilgisayar sorumludur. Amaç, daha önceden fark edilmemiş veri desenlerini tespit edebilmektir.
Veri madenciliğini istatistiksel bir yöntemler serisi olarak görmek mümkün olabilir. Ancak veri 
madenciliği, geleneksel istatistikten birkaç yönde farklılık gösterir. Veri madenciliğinde amaç, kolaylıkla 
mantıksal kurallara ya da görsel sunumlara çevrilebilecek nitel modellerin çıkarılmasıdır. Bu bağlamda, 
veri madenciliği insan merkezlidir ve bazen insan – bilgisayar arayüzü birleştirilir. Veri madenciliği sahası, 
istatistik, makine bilgisi, veritabanları ve yüksek performanslı işlem gibi temelleri de içerir.
Veri madenciliği konusunda bahsi geçen geniş verideki geniş kelimesi, tek bir iş istasyonunun belleğine 
sığamayacak kadar büyük veri kümelerini ifade etmektedir. Yüksek hacimli veri ise, tek bir iş 
istasyonundaki ya da bir grup iş istasyonundaki disklere sığamayacak kadar fazla veri anlamındadır. 
Dağıtık veri ise, farklı coğrafi konumlarda bulunan verileri anlatır. 
Veri herhangi bir işleme tabi tutulmadan, gözlem veya ölçüm yöntemleri ile ortamdan elde edilen her 
türlü değerdir [1]. Veri ambarı zaman içerisinde olabildiğince birikmiş verilerin oluşturduğu bir veri 
yığınıdır. Veri ambarı bir zaman boyutu içinde analitik işlemlerin yapılmasını sağlamak için gerekli bilgi 
temelini sağlar [2]. Veri tabanı, belirli bir amaç için ya da son kullanıcıların belirli bir kümesi için verilerin 
bilgi alanları ile organize edilerek gruplanmasını ve verinin saklama, gruplama, erişime sunulması ve 
raporlama gibi manipülasyonlarına olanak veren araçları sağlar. Veri tabanı, bibliyografik veri veya 
sayısal, istatistiksel veri içerebilir [3]. Veri madenciliği büyük miktarda verinin anlamlı örüntüler bulmak 
amacıyla otomatik veya yarı otomatik yöntemler ile işlenmesi olduğunu söyleyebiliriz.
Veri madenciliğinin en çok beslendiği bilimsel disiplinlerin istatistik ve makina öğrenmesi olduğunu 
söyleyebiliriz. Ayrıca yapay zeka alanında yapılan çalışmaların da veri madenciliğine katkıları 
olmaktadır. Çoğu zaman veri madenciliği, makina öğrenmesi ve yapay zeka birbiri yerine kullanılmakla 
birlikte, aslında farklı amaçları olan fakat ortak araçları kullanabilen bilimsel disiplinlerdir. Michael 
Palmer’ın söylediği gibi “Veri, sadece ham petroldür, rafine edilmezse,değeri vardır ama kullanılabilir 
değildir” [4]. Veri madenciliği Şekil 9'da verildiği gibi raporlama [5], modelleme [6], kümeleme [7], karar 

---

5 
destek sistemleri, veri hazırlama [8], istatistiksel yaklaşımlar [9], karar ağaçları [10], yapay zeka [11] gibi 
konularla içi içe çalışmaktadır. 
Şekil 1. Veri madenciliği 
Gelişen ve değişen çevre koşulları, sınırların kalkması ile küreselleşen dünya, farklı pazarlama ve ar-
ge(araştırma geliştirme) yöntemleri “veri”nin değil “bilgi”nin önemini her geçen gün daha da artacak 
şekilde ortaya koymaktadır. İnternetin yaygınlaşması ve kolaylaşması ar-ge ekiplerinin “bilgi”ye 
erişmelerini zorlaştırmaktadır. İnternette arama motorları kullanılarak yapılan araştırmalar çoğu zaman 
istenilenden farklı bir şekilde sonuçlanmaktadır. Tıbbi bir araştırma sonucunda elde edilen verilerin 
yorum
lanıp analiz edilmesiyle bilgiye ulaşılabilmektedir. Büyük bir perakendecinin, fatura bilgilerinden 
müşteri eğilimlerini belirleyip ona göre pazarlama taktikleri üretebilmesi, rakiplerinin önüne geçmesini 
sağlayacaktır. Verilen örneklere dikkat edilirse, “veri”nin “bilgi”ye dönüşme işleminin vurgulandığı 
görülecektir. Bilginin kimi yöntemler ile analiz edilmesi ve çıkan sonuçların bir uzman gözüyle 
yorumlanmasıyla geçmiş verilerden gelecek tahminleri yapma işlemi veri madenciliği (data mining) 
olarak belirt
ilebilir.Basit bir tanım yapmak gerekir ise veri madenciliği, büyük ölçekli veriler arasından 
bilgiye ulaşma, bilgiyi madenleme işidir. Ya da bir anlamda büyük veri yığınları içerisinden gelecek ile 
ilgili tahminde bulunabilmemizi sağlayabilecek bağıntıların bilgisayar programı kullanarak aranmasıdır. 
V
eri madenciliği aslında bilgi keşfi sürecinin bir parçası şeklinde kabul görmektedir. Şekil 10'da veri 
madenciliğine ait adımlar verilmektedir.