| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| İşletmeler İçin Veri Analitiği | İVA 510 | 5 | 9 | 3 + 0 | 3 | 7,50 |
| |
| Ders Bilgileri |
| Dersin Öğretim Dili | Türkçe |
| Dersin Seviyesi | Yüksek Lisans |
| Dersin Türü | Seçmeli |
| Dersin Veriliş Biçimi | Yüz Yüze |
| |
Dersin Öğrenme Kazanımları:
Bu dersi başarı ile tamamlayan öğrenciler: |
| |
| Dersin Önkoşulları ve Birlikte Alınması Gereken Dersler | Yok |
| Daha Önce Alınmış Olması Önerilen Dersler | Yok |
| |
Dersin Tanımı:
Bilişim teknolojilerindeki hızlı ilerleme işletmelerin yüksek hacimli veriye (big data) ulaşmalarını kolaylaştırmış, ama aynı zamanda yüksek hacimli verinin analiz edilmesi ile işletme karlılığını pozitif etkileyecek uygulanabilir kararlara dönüştürülmesi gerekliliğini de ortaya çıkarmıştır. Bu ders özellikle yüksek hacimli veri kullanılan işletmeler için gerekli veri bilimi araçlarını öğrenci ile buluşturmaktadır. Bu tekniklerin teorisi ile birlikte uygulamaları R-programı ile yapılacaktır. Dersin kapsamında entropi ve bilgi kazancı, sınıflandırma ve regresyon ağaçları, destek vektör makinesi (support vector machine), k-NN, lojistik regresyon ve kümeleme yöntemleri olmaktadır. Bu ders için öğrenciler yüksek hacimli veri kullanarak bir uygulama projesi de hazırlayacaklardır. |
| |
| Dersin İçeriği (Haftalık Konu Dağılımı): |
| |
| Hafta | Konu |
| 1 | Veri analitiği nedeir? İşletmeler için önemi nedir? |
| 2 | Veri analitiğ Yöntemleri, uygulama örnekleri |
| 3 | Modellemeye giriş |
| 4 | Sınıflandırma; segmentasyon |
| 5 | Sınıflandırma uygulaması |
| 6 | Linear Olasılık Modeli (LPM); Lojistik/probit regresyon |
| 7 | Lojistik regresyon uygulaması |
| 8 | Benzerlik yöntemleri |
| 9 | Benzerlik Yöntemleri uygulaması |
| 10 | Kümeleme yöntemleri |
| 11 | Kümeleme yöntemleri uygulaması |
| 12 | Boyut azaltıcı yöntemler |
| 13 | Boyut azaltıcı yöntemler uygulaması |
| 14 | Proje sunumları |
| |
| Kaynaklar: |
| (1) F. Provost and T. Fawcett, O'Reilly Inc. 1st ed., Data Science for Business.
(2) I. H. Witten, E. Frank, M. A. Hall,, Morgan Kaufmann Pub, 3rd ed., Data Mining Practical Machine Learning Tools and Techniques, 2011.
(3) Ders notları
|
| |
| Diğer Kaynaklar: |
| |
| |
| Öğretim Yöntem ve Teknikleri: |
| Teorik ve Uygulama birlikte yürütülecektir. |
| |
| Değerlendirme Sistemi: |
| Yöntem | Adet | Katkı (%) |
| Ara sınav | 1 | %30 |
| Final Sınavı | 1 | %30 |
| Proje | 1 | %20 |
| Ödev | 4 | %20 |
| |
| Ders İşbaşı Eğitimi (iş yerinde eğitim) Gerektiriyor mu? |
| Gerektirmiyor |