| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| İşletme ve Ekonomi için Makine Öğrenimi | MIS 403 | | | 3 + 0 | 3 | 5,00 |
| |
| Ders Bilgileri |
| Dersin Öğretim Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | |
| Dersin Veriliş Biçimi | Yüz Yüze |
| |
Dersin Öğrenme Kazanımları:
Bu dersi başarı ile tamamlayan öğrenciler: |
| 1. Tahminsel ve nedensel modellerin farklarının anlaşılması |
| 2. Regularizasyon konusunun anlaşılması |
| 3. Ridge, Lasso ve Elastic-Net modellerinin uygulanması |
| 4. Açıklayıcı seçimi: temel yaklaşımlar |
| 5. Boosting yönteminin uygulanması |
| 6. Bagging yönteminin uygulanması |
| |
| Dersin Önkoşulları ve Birlikte Alınması Gereken Dersler | Yok |
| Daha Önce Alınmış Olması Önerilen Dersler | Yok |
| |
Dersin Tanımı:
Son yıllarda makine öğrenmesi teknikleri, Ekonomi, Finans ve Yönetim gibi farklı alanlardaki problemlerin çözümünde başarıyla uygulanmaktadır. Bu ders, Yönetim Bilişim Sistemleri programı öğrencilerine bu teknikleri tanıtmayı, temel kavramları öğretmeyi ve her bir tekniğin güçlü ve zayıf yönlerini tartışmayı amaçlamaktadır. Ders kapsamında, sınıflandırma, regresyon ve kümeleme gibi yaygın kullanılan makine öğrenmesi yöntemleri ele alınacaktır. Dersin sonunda öğrenciler, temel makine öğrenmesi algoritmaları hakkında bilgi sahibi olacak ve bu yöntemleri çeşitli gerçek dünya problemlerine uygulayabilecek düzeye ulaşacaklardır. |
| |
Üretken Yapay Zeka Kullanımı:
Öğrencilerin, ChatGPT ve Copilot gibi üretken yapay zeka araçlarını, problem çözme konusunda rehberlik almak, kendi çözümlerini yapay zeka tarafından üretilen yanıtlarla karşılaştırmak ve hatalarını tespit etmek için çözümleri adım adım analiz etmek amacıyla kullanmaları teşvik edilecektir. Bu uygulama öğrencilerin eleştirel düşünme ve problem çözme becerilerini geliştirecektir. Yapay zeka öğrenme sürecinde değerli bir destek aracı olarak hizmet etse de, öğrencilerin üretilen çıktıları eleştirel bir bakış açısıyla değerlendirmeleri ve bağımsız analitik düşünme yetilerini güçlendirmeleri teşvik edilecektir.
|
| |
| Dersin İçeriği (Haftalık Konu Dağılımı): |
| |
| Hafta | Konu |
| 1 | Veri ve Modeller |
| 2 | Araştırıcı veri analizi |
| 3 | Gözden geçirme: Regresyon yaklaşımları |
| 4 | Regularizasyon: Ridge Regresyonu |
| 5 | Regularizasyon: Lasso Regresyonu |
| 6 | Regularizasyon: Elastic-net |
| 7 | Açıklayıcı Seçimi: Temel yaklaşımlar |
| 8 | Polinom Regresyonu |
| 9 | Spline Regresyonu |
| 10 | Rassal Orman |
| 11 | Boosting |
| 12 | Değişkenlerin göreli Önemi |
| 13 | Grup projeleri |
| 14 | Grup projeleri |
| |
| Kaynaklar: |
| An Introduction to Statistical Learning, Gareth James, Daniela Witten, Trevor Hastie, and Robert Tibshirani, 2nd Ed |
| |
| Diğer Kaynaklar: |
| The Elements of Statistical Learning, Trevor Hastie, Robert Tibshirani, Jerome Friedman, 2nd Ed. Practical Data Science with R, N. Zumel and J. Mount, 2nd Ed. |
| |
| Öğretim Yöntem ve Teknikleri: |
| Dersler uygulama örnekleri ve vaka çalışmaları işle desteklenerek öğrencilere uygulama alanında tecrübe kazanmaları sağlanacaktır. Sınıf içinde öğrencilerin tartışmalara katılmaları teşvik edilecek ve grup olarak yapılan çalışmalar ve sunumları ile takım çalışması tecrübesi kazanmaları sağlanacaktır |
| |
| Değerlendirme Sistemi: |
| Yöntem | Adet | Katkı (%) |
| Aktiviteler | 4 | %40 |
| Ders Katılımı | 1 | %10 |
| Dönem Ödevi (Sunumu) | 1 | %30 |
| Final Sınavı | 1 | %20 |
| |
| Ders İşbaşı Eğitimi (iş yerinde eğitim) Gerektiriyor mu? |
| Gerektirmiyor |
| |
Dersin Program Yeterlilikleri vs. Öğrenme Kazanımları:
|
| # | Program Yeterlilikleri | Katkı |
| 1 | Bilişim teknolojileri altyapısını öğrenmek ve gelişmeleri takip etmek. | 1 |
| 2 | Örgüt yapısına uygun bilişim sistemleri tasarlamak. | 1 |
| 3 | Yazılım bilgileri edinmek ve etkin bir şekilde kullanabilmek. | 2 |
| 4 | Veri toplama, temizleme ve saklama yöntemlerini öğrenmek. | 4 |
| 5 | Gelecekteki veri ve yazılım gereksinimlerini tahmin edebilmek. | 4 |
| 6 | Firma içindeki veri odaklı yönetim süreçlerini takip etmek. | 2 |
| 7 | "Büyük Veri" kullanarak bilgi elde etme yöntemlerini öğrenmek. | 2 |
| 8 | Bilgi teknolojilerindeki gelişmeleri takip etmek. | 2 |
| 9 | Bir kuruluşun bilgi teknolojileri ve veri problemlerini anlamak ve değerlendirmek. | 3 |
| 10 | Veri toplama, yorumlama, analiz etme ve yayma süreçlerinde bilimsel, sosyal ve etik standartları korumak. | 1 |
| 11 | Bilgi sistemleri arasındaki birlikte çalışabilirliği anlamak. | 0 |
| 12 | İş ortamını anlamak ve değerlendirmek. | 0 |