| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| İşletmeler için Veri Analitiği | MAN 445 | | | 3 + 0 | 3 | 5,00 |
| |
| Ders Bilgileri |
| Dersin Öğretim Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Zorunlu |
| Dersin Veriliş Biçimi | Yüz Yüze |
| |
Dersin Öğrenme Kazanımları:
Bu dersi başarı ile tamamlayan öğrenciler: |
| 1. Veri işleme becerisi kazanabilecektir |
| 2. Veri madenciliği tekniklerini algoritmik seviyede öğrenecektir. |
| 3. Karar problemlerinin çözümünde veri analitiği tekniklerini kullanabilecektir |
| 4. Özel durumları tespit edebilecek ve bunlara ilişkin özgün algoritmalar hazırlayabilecektir |
| 5. Veri madenciliği problemlerini çözmek için bilgisayar paketlerini kullanabilecektir. |
| |
| Dersin Önkoşulları ve Birlikte Alınması Gereken Dersler | Yok |
| Daha Önce Alınmış Olması Önerilen Dersler | Yok |
| |
Dersin Tanımı:
Derste işletmecilikte veri analitiği yöntemleri incelenmektedir. Dersin konuları şunlardan oluşmaktadır: Veri-analitiği yaklaşımı; işletme problemleri ve veri bilimi çözümleri; R programlamaya giriş; gözetimli ve gözetimsiz veri madenciliği; entropi ve bilgi kazanımı; öznitelik seçimi; sınıflandırma ağacı oluşturma; lojistik regresyon; destek-vektör makinaları; aşırı uygunluk ve bundan korunma; çapraz-doğrulama; en-yakın-komşu metodu; hiyerarşik kümeleme; k-means kümeleme; hata matrisi; model performansının görselleştirilmesi; kanıt ve olasılık; metin madenciliği; N-gram dizileri; temel birleşen analizi; veri esaslı nedensel akıl yürütme. |
| |
| Dersin İçeriği (Haftalık Konu Dağılımı): |
| |
| Hafta | Konu |
| 1 | Veri Analitiğine Giriş |
| 2 | Veri Madenciliği Görevleri |
| 3 | R Programlama Uygulamaları |
| 4 | R Programlama Uygulamaları |
| 5 | Gözetimli ve Gözetimsiz Veri Madenciliği; Entropi Ve Bilgi Kazanımı; Öznitelik Seçimi |
| 6 | Sınıflandırma Ağacı Oluşturma; |
| 7 | Vize sınavı |
| 8 | Destek-Vektör Makinaları |
| 9 | Lojistik Regresyon |
| 10 | En-Yakın-Komşu Metodu |
| 11 | Hiyerarşik Kümeleme; K-Means Kümeleme; |
| 12 | Grup Proje Çalışması |
| 13 | Grup Proje Çalışması |
| 14 | Grup Proje Çalışması |
| |
| Kaynaklar: |
| F. Provost and T. Fawcett (2013) Data Science for Business O'Reilly Media ISBN 1449361323 |
| |
| Diğer Kaynaklar: |
| I. H. Witten (2016) Data Mining: Practical Machine Learning Tools and Techniques Morgan Kaufmann ISBN 0128042915 |
| |
| Öğretim Yöntem ve Teknikleri: |
| Anlatım, problem çözümleri, örnek olay çalışması, soru-cevap, tartışma gibi çeşitli öğretim yaklaşımları kullanılmaktadır. |
| |
| Değerlendirme Sistemi: |
| Yöntem | Adet | Katkı (%) |
| Ara sınav | 1 | %30 |
| Final Sınavı | 1 | %50 |
| Ödev | 1 | %20 |
| |
| Ders İşbaşı Eğitimi (iş yerinde eğitim) Gerektiriyor mu? |
| Gerektirmiyor |