Giriş
I. Veri Madenciliği Sınıflandırma Algoritmaları
1. k-En Yakın Komşu Algoritması 
1.1 k Değeri ve Secimi
1.2 Benzerlik Olcutleri
1.3 Standartlaştırma
1.4 k-En Yakın Komşu Algoritması Calışmaları 
2. Lojistik Regresyon Analizi
2.1 İkili (Binary) Lojistik Regresyon Analizi
2.2 Sıralı (Ordinal) Lojistik Regresyon Analizi
2.3 Cok Kategorili (Multinominal) Lojistik Regresyon Analizi
2.4 Katsayıların Tahmini
2.5 Katsayıların Anlamlılığının Test Edilmesi 
2.6 Modelin Uyum İyiliği, Belirlilik Katsayıları ve Sınıflandırma
2.7 Lojistik Regresyon Analizi Algoritması Calışmaları
3. Naive Bayes Sınıflandırıcısı
3.1 Koşullu Olasılık ve Bayes Teoremi
3.2 Naive Bayes Algoritması
3.3 Naive Bayes Algoritmasında Sıfır Değer Sorunu
3.4 Normal Dağılımlı Naive Bayes     
3.5 Naive Bayes Algoritması Calışmaları
4 Destek Vektör Makineleri
4.1 Doğrusal Sınıflandırma
4.1.1. Hard-Marjin Destek Vektor Makineleri
4.1.2 Soft-Marjin Destek Vektor Makineleri
4.2. Doğrusal Olmayan Sınıflandırma
4.2.1 Kernel Trick
4.2.2 Destek Vektor Makineleri Algoritması Calışmaları
4.5 XGBoost Algoritması
4.5.1. XGBoost Algoritması Calışmaları
II. Eksik Veri
1. Eksik Veri Mekanizmaları 
1.1. Tamamen Rastgele Eksik Olan Veriler (MCAR
1.2. Rastgele Eksik Olan Veriler (MAR
1.3. Rastgele Eksik Olmayan Veriler (MNAR
2. Eksik Veri Çözümlemesinde Kullanılan İmputasyon Yöntemleri
2.1 İstatistik Tabanlı Yaklaşımlar
2.2 Makine Oğrenmesi Tabanlı Yaklaşımlar
III. Eksik Veri Uygulamaları
1. Bank Note Authentification Veri Seti
2. Abalone Veri Seti
3. Occupancy Detection Veri Seti
4. Eksik Veri İçin Simülasyon Çalışması
Sonuç ve Değerlendirme
Kaynaklar