Biçen, PelinFırat, Ümit Oktay2025-03-152025-03-1520031303-63192791-7614https://hdl.handle.net/11411/9677İşletme ve bilimsel içerikli veri tabanlarının gün geçtikçe büyümesi, veri tabanlarında bulunan verinin analiz edilmesini ve yorumlanmasını zorlaştırdı. Bu noktada, veri tabanı analiz sürecini otomatikleştirecek yeni nesil tekniklere ve araçlara ihtiyaç duyulmaya başlandı. Bu anlamda, bu teknikler ve araçlar veri tabanlarında bilgi keşfi ve veri madenciliği teknikleri olarak bilinen ve çok hızlı gelişen bir alana konu oldular. Bu çalışmada, ilk olarak veri tabanlarında bilgi keşfi madenciliği kavramları daha sonra da veri madenciliği modelleri açıklanmıştır. Uygulama aşamasında, günümüz işletme dünyasında çok sık karşılaşılan müşterilerin kredi taleplerinin değerlendirilmesi ve karlılık durumlarına göre müşterilerin bölümlendirilmesi problemi, veri madenciliği sınıflandırma ve tahmin modelleri uygulanarak çözümlenmiştir. Çözüm sürecinde, SAS Enterprise Miner madenciliği paketi kullanılmıştır.|The explosive growth of many business and scientific databases has far exceeded the ability to interpret the data. At this point, there was a creating need for a new generation of tools and techniques for automated databases analysis. The tools and techniques are the subject of the rapidly emerging field of knowledge discovery in databases and data mining Techniques. In this research, first of all data mining and knowledge discovery in databases concepts and then data mining models were explained. In the second part, credit scoring and customer segmentation problem that was steadily encountered in current business world was solved with predictive and classification data mining modeling techniques in the solution period, SAS Enterprise Miner data mining package was used.trinfo:eu-repo/semantics/openAccessVeri Tabanlarında Bilgi KeşfiVeri MadenciliğiTahmin ModelleriSınıflandırmaRegresyon AnaliziKarar AğaçlarıKümeleme AnaliziK- Ortalamalar AlgoritmasıMultinomial Regresyon AnaliziKnowledge Discovery in DatabasesData MiningPredictive ModelingClassificationRegression AnalysisDecision TreesClusteringK-Means AlgorithmMultinomial Regression AnalysisConference Object15021352