Skip to main content
Anasayfa

Ders Detayı

Ders Tanımı

DersKoduYarıyılT+U SaatKrediAKTS
VERİ ANALİZİ: TAHMİN VE ÖNGÖRÜMIS3222316Bahar Dönemi2+235
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin Diliİngilizce
Dersin SeviyesiLisans
Dersin TürüZorunlu
Dersin Koordinatörü
Dersi Verenler
Dersin Yardımcıları
Dersin AmacıBu 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 İçeriğiBu 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 KazanımlarıÖğretim YöntemleriÖlçme 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

SıraKonularÖn Hazırlık
1Veri Bilimine ve Veri Analizine Giriş
2Veri Ön İşleme ve Keşifsel Veri Analizi (EDA)
3Temel İstatistik ve Olasılık
4 Denetimli Öğrenmeye Giriş, Doğrusal Regresyon
5Çoklu Regresyon, Polinomal Regresyon
6Denetimsiz Öğrenmeye Giriş
7Lojistik Regresyon
8Ara sınav
9KNN Algoritması
10Destek Vektör Makineleri (SVM)
11Karar Ağaçları
12Naive Bayes Algoritması
13Model Değerlendirme ve Seçimi
14Denetimsiz Öğrenmeye Giriş Kümeleme ve Boyut İndirgeme
15Denetimsiz Öğrenmeye Giriş Kümeleme ve Boyut İndirgeme
16Genel 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
NoProgram Yeterliliği Katkı Düzeyi
12345
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 DüzeyiMutlak Değerlendirme
Ara Sınavın Başarıya Oranı 40
Genel Sınavın Başarıya Oranı 60
Toplam 100
AKTS / İşyükü Tablosu
EtkinlikSayıSüresi (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

DersKoduYarıyılT+U SaatKrediAKTS
VERİ ANALİZİ: TAHMİN VE ÖNGÖRÜMIS3222316Bahar Dönemi2+235
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin Diliİngilizce
Dersin SeviyesiLisans
Dersin TürüZorunlu
Dersin Koordinatörü
Dersi Verenler
Dersin Yardımcıları
Dersin AmacıBu 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 İçeriğiBu 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 KazanımlarıÖğretim YöntemleriÖlçme 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

SıraKonularÖn Hazırlık
1Veri Bilimine ve Veri Analizine Giriş
2Veri Ön İşleme ve Keşifsel Veri Analizi (EDA)
3Temel İstatistik ve Olasılık
4 Denetimli Öğrenmeye Giriş, Doğrusal Regresyon
5Çoklu Regresyon, Polinomal Regresyon
6Denetimsiz Öğrenmeye Giriş
7Lojistik Regresyon
8Ara sınav
9KNN Algoritması
10Destek Vektör Makineleri (SVM)
11Karar Ağaçları
12Naive Bayes Algoritması
13Model Değerlendirme ve Seçimi
14Denetimsiz Öğrenmeye Giriş Kümeleme ve Boyut İndirgeme
15Denetimsiz Öğrenmeye Giriş Kümeleme ve Boyut İndirgeme
16Genel 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
NoProgram Yeterliliği Katkı Düzeyi
12345
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 DüzeyiMutlak Değerlendirme
Ara Sınavın Başarıya Oranı 40
Genel Sınavın Başarıya Oranı 60
Toplam 100

Sayısal Veriler

Öğrenci Başarı Durumu

Bilgi / Destek Butonu