Ders Detayı
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| VERİ ANALİZİ: TAHMİN VE ÖNGÖRÜ | MIS3222316 | Bahar Dönemi | 2+2 | 3 | 5 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Zorunlu |
| Dersin Koordinatörü | |
| Dersi Verenler | |
| Dersin Yardımcıları | |
| Dersin Amacı | Bu dersin amacı, veri analizi ve makine öğrenmesi alanında temel kavramları tanıtarak öğrencilerin denetimli ve denetimsiz öğrenme yöntemlerini anlamalarını sağlamaktır. Öğrencilerin doğrusal regresyon, sınıflandırma algoritmaları, kümeleme ve boyut indirgeme gibi temel makine öğrenmesi tekniklerini hem teorik hem de uygulamalı olarak öğrenmeleri hedeflenmektedir. Ayrıca öğrencilerin model değerlendirme ve seçim yöntemlerini kullanarak gerçek veri setleri üzerinde öngörü ve tahmin yapabilme becerisi kazanmaları amaçlanmaktadır. |
| Dersin İçeriği | Bu ders; Veri Bilimine ve Veri Analizine Giriş,Veri Ön İşleme ve Keşifsel Veri Analizi (EDA),Temel İstatistik ve Olasılık, Denetimli Öğrenmeye Giriş, Doğrusal Regresyon ,Çoklu Regresyon, Polinomal Regresyon,Denetimsiz Öğrenmeye Giriş,Lojistik Regresyon ,Ara sınav,KNN Algoritması ,Destek Vektör Makineleri (SVM),Karar Ağaçları,Naive Bayes Algoritması ,Model Değerlendirme ve Seçimi,Denetimsiz Öğrenmeye Giriş Kümeleme ve Boyut İndirgeme,Denetimsiz Öğrenmeye Giriş Kümeleme ve Boyut İndirgeme,Genel Sınav; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| Veri analizi ve makine öğrenmesinin temel kavramlarını açıklar. | ||
| Veri ön işleme ve keşifsel veri analizi (EDA) tekniklerini uygulayarak veri setlerini analize hazır hale getirir. | ||
| Doğrusal, çoklu ve polinomal regresyon modellerini kurar ve sonuçlarını yorumlar. | ||
| Sınıflandırma algoritmalarını (lojistik regresyon, KNN, SVM, karar ağaçları, Naive Bayes) temel düzeyde uygular. | ||
| Kümeleme ve boyut indirgeme yöntemlerini kullanarak veri analizi yapar, modelleri değerlendirir ve uygun modeli seçer. |
| Öğretim Yöntemleri: | |
| Ölçme Yöntemleri: |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Veri Bilimine ve Veri Analizine Giriş | |
| 2 | Veri Ön İşleme ve Keşifsel Veri Analizi (EDA) | |
| 3 | Temel İstatistik ve Olasılık | |
| 4 | Denetimli Öğrenmeye Giriş, Doğrusal Regresyon | |
| 5 | Çoklu Regresyon, Polinomal Regresyon | |
| 6 | Denetimsiz Öğrenmeye Giriş | |
| 7 | Lojistik Regresyon | |
| 8 | Ara sınav | |
| 9 | KNN Algoritması | |
| 10 | Destek Vektör Makineleri (SVM) | |
| 11 | Karar Ağaçları | |
| 12 | Naive Bayes Algoritması | |
| 13 | Model Değerlendirme ve Seçimi | |
| 14 | Denetimsiz Öğrenmeye Giriş Kümeleme ve Boyut İndirgeme | |
| 15 | Denetimsiz Öğrenmeye Giriş Kümeleme ve Boyut İndirgeme | |
| 16 | Genel Sınav |
| Kaynak |
| 1. Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (2nd ed.). O'Reilly Media. 2. Uğuz, S. (2019). Makine Öğrenmesi Teorik Yönleri ve Python Uygulamaları ile Bir Yapay Zeka Ekolü. Nobel Akademik Yayıncılık. 3. McKinney, W. (2022). Python for Data Analysis (3rd ed.). O'Reilly Media. 4. Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques (3rd ed.). Morgan Kaufmann. 5. Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Bilişim sistemleri, işletme süreçleri ve veri analitiği alanındaki temel kavramları açıklar. | X | |||||
| 2 | İşletme süreçlerini analiz ederek karar destek sistemleri tasarlar. | ||||||
| 3 | Veri analizi yöntemlerini kullanarak karar süreçlerini destekleyen sonuçlar üretir. | X | |||||
| 4 | İstatistiksel ve analitik yöntemler kullanarak işletme problemlerine yönelik tahmin ve modelleme yapar. | X | |||||
| 5 | İş süreçlerini bilgi sistemleri ile entegre edecek çözümler geliştirir. | ||||||
| 6 | Analiz sonuçlarını teknik ve teknik olmayan paydaşlara etkili biçimde sunar. | X | |||||
| 7 | İşletme ve bilgi sistemleri projelerini planlar ve yönetir. | ||||||
| 8 | Karmaşık iş problemlerini analitik yaklaşımlar kullanarak çözer. | X | |||||
| 9 | Bilgi teknolojileri, yazılım ve analitik araçları kullanarak iş süreçlerine yönelik uygulamalar geliştirir. | X | |||||
| 10 | Bilgi sistemleri ve siber güvenlik risklerini analiz ederek uygun önlemler tasarlar. | ||||||
| 11 | Veri gizliliği, etik ve bilgi güvenliği ilkelerine uygun hareket eder. | ||||||
| 12 | Alanındaki güncel gelişmeleri izleyerek mesleki yetkinliğini sürekli geliştirir. | X | |||||
| 13 | Alanıyla ilgili konularda yabancı dil kullanarak iletişim kurar. | X | |||||
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 40 | |
| Genel Sınavın Başarıya Oranı | 60 | |
| Toplam | 100 | |
| AKTS / İşyükü Tablosu | ||||||
| Etkinlik | Sayı | Süresi (Saat) | Toplam İş Yükü (Saat) | |||
| Toplam İş Yükü (Saat) | 0 | |||||
| Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(0/30) | 0 | |||||
| Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır. | ||||||
Dersin Detaylı Bilgileri
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| VERİ ANALİZİ: TAHMİN VE ÖNGÖRÜ | MIS3222316 | Bahar Dönemi | 2+2 | 3 | 5 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Zorunlu |
| Dersin Koordinatörü | |
| Dersi Verenler | |
| Dersin Yardımcıları | |
| Dersin Amacı | Bu dersin amacı, veri analizi ve makine öğrenmesi alanında temel kavramları tanıtarak öğrencilerin denetimli ve denetimsiz öğrenme yöntemlerini anlamalarını sağlamaktır. Öğrencilerin doğrusal regresyon, sınıflandırma algoritmaları, kümeleme ve boyut indirgeme gibi temel makine öğrenmesi tekniklerini hem teorik hem de uygulamalı olarak öğrenmeleri hedeflenmektedir. Ayrıca öğrencilerin model değerlendirme ve seçim yöntemlerini kullanarak gerçek veri setleri üzerinde öngörü ve tahmin yapabilme becerisi kazanmaları amaçlanmaktadır. |
| Dersin İçeriği | Bu ders; Veri Bilimine ve Veri Analizine Giriş,Veri Ön İşleme ve Keşifsel Veri Analizi (EDA),Temel İstatistik ve Olasılık, Denetimli Öğrenmeye Giriş, Doğrusal Regresyon ,Çoklu Regresyon, Polinomal Regresyon,Denetimsiz Öğrenmeye Giriş,Lojistik Regresyon ,Ara sınav,KNN Algoritması ,Destek Vektör Makineleri (SVM),Karar Ağaçları,Naive Bayes Algoritması ,Model Değerlendirme ve Seçimi,Denetimsiz Öğrenmeye Giriş Kümeleme ve Boyut İndirgeme,Denetimsiz Öğrenmeye Giriş Kümeleme ve Boyut İndirgeme,Genel Sınav; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| Veri analizi ve makine öğrenmesinin temel kavramlarını açıklar. | ||
| Veri ön işleme ve keşifsel veri analizi (EDA) tekniklerini uygulayarak veri setlerini analize hazır hale getirir. | ||
| Doğrusal, çoklu ve polinomal regresyon modellerini kurar ve sonuçlarını yorumlar. | ||
| Sınıflandırma algoritmalarını (lojistik regresyon, KNN, SVM, karar ağaçları, Naive Bayes) temel düzeyde uygular. | ||
| Kümeleme ve boyut indirgeme yöntemlerini kullanarak veri analizi yapar, modelleri değerlendirir ve uygun modeli seçer. |
| Öğretim Yöntemleri: | |
| Ölçme Yöntemleri: |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Veri Bilimine ve Veri Analizine Giriş | |
| 2 | Veri Ön İşleme ve Keşifsel Veri Analizi (EDA) | |
| 3 | Temel İstatistik ve Olasılık | |
| 4 | Denetimli Öğrenmeye Giriş, Doğrusal Regresyon | |
| 5 | Çoklu Regresyon, Polinomal Regresyon | |
| 6 | Denetimsiz Öğrenmeye Giriş | |
| 7 | Lojistik Regresyon | |
| 8 | Ara sınav | |
| 9 | KNN Algoritması | |
| 10 | Destek Vektör Makineleri (SVM) | |
| 11 | Karar Ağaçları | |
| 12 | Naive Bayes Algoritması | |
| 13 | Model Değerlendirme ve Seçimi | |
| 14 | Denetimsiz Öğrenmeye Giriş Kümeleme ve Boyut İndirgeme | |
| 15 | Denetimsiz Öğrenmeye Giriş Kümeleme ve Boyut İndirgeme | |
| 16 | Genel Sınav |
| Kaynak |
| 1. Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (2nd ed.). O'Reilly Media. 2. Uğuz, S. (2019). Makine Öğrenmesi Teorik Yönleri ve Python Uygulamaları ile Bir Yapay Zeka Ekolü. Nobel Akademik Yayıncılık. 3. McKinney, W. (2022). Python for Data Analysis (3rd ed.). O'Reilly Media. 4. Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques (3rd ed.). Morgan Kaufmann. 5. Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Bilişim sistemleri, işletme süreçleri ve veri analitiği alanındaki temel kavramları açıklar. | X | |||||
| 2 | İşletme süreçlerini analiz ederek karar destek sistemleri tasarlar. | ||||||
| 3 | Veri analizi yöntemlerini kullanarak karar süreçlerini destekleyen sonuçlar üretir. | X | |||||
| 4 | İstatistiksel ve analitik yöntemler kullanarak işletme problemlerine yönelik tahmin ve modelleme yapar. | X | |||||
| 5 | İş süreçlerini bilgi sistemleri ile entegre edecek çözümler geliştirir. | ||||||
| 6 | Analiz sonuçlarını teknik ve teknik olmayan paydaşlara etkili biçimde sunar. | X | |||||
| 7 | İşletme ve bilgi sistemleri projelerini planlar ve yönetir. | ||||||
| 8 | Karmaşık iş problemlerini analitik yaklaşımlar kullanarak çözer. | X | |||||
| 9 | Bilgi teknolojileri, yazılım ve analitik araçları kullanarak iş süreçlerine yönelik uygulamalar geliştirir. | X | |||||
| 10 | Bilgi sistemleri ve siber güvenlik risklerini analiz ederek uygun önlemler tasarlar. | ||||||
| 11 | Veri gizliliği, etik ve bilgi güvenliği ilkelerine uygun hareket eder. | ||||||
| 12 | Alanındaki güncel gelişmeleri izleyerek mesleki yetkinliğini sürekli geliştirir. | X | |||||
| 13 | Alanıyla ilgili konularda yabancı dil kullanarak iletişim kurar. | X | |||||
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 40 | |
| Genel Sınavın Başarıya Oranı | 60 | |
| Toplam | 100 | |