| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| Veri Analizi: Modelleme | MIS 305 | | | 2 + 2 | 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. Regresyon modellerinin temel prensiplerini ve varsayımlarını anlayabilir. |
| 2. R kullanarak basit ve çoklu regresyon modellerini tahmin edebilir ve yorumlayabilir. |
| 3. Model parametreleri için hipotez testleri yapabilir ve güven aralıkları oluşturabilir. |
| 4. Uygun fonksiyonel formları seçebilir ve model belirleme sorunlarını ele alabilir. |
| 5. Kategorik bilgileri regresyon modellerine dahil etmek için kukla değişkenleri kullanabilir. |
| 6. Çoklu doğrusal bağlantı, değişen varyans ve otokorelasyon problemlerini tespit edip önlem alabilir. |
| 7. İçsellik sorununu çözmek için araç değişken tahmin tekniklerini uygulayabilir. |
| 8. R kullanarak regresyon modellerini uygulayabilir ve gerçek dünya verilerini analiz edebilir. |
| |
| Dersin Önkoşulları ve Birlikte Alınması Gereken Dersler | Yok |
| Daha Önce Alınmış Olması Önerilen Dersler | Yok |
| |
Dersin Tanımı:
Bu ders, öğrencilere veri analizi ve istatistiksel modelleme tekniklerinin temel prensiplerini tanıtarak, iş dünyası ve ekonomiyle ilgili uygulamalara odaklanmaktadır. Dersin konuları arasında regresyon analizi, model spesifikasyonu, hipotez testleri, klasik varsayımlardan sapmalar ve bunlarla başa çıkma yolları yer almaktadır. Ders, teoriyi pratik uygulamalarla harmanlayarak, öğrencilerin R programı ile veri analiz etme ve yorumlama konusunda temel becerileri geliştirmelerine yardımcı olacak uygulamalı bir öğrenme ortamı sağlamaktadır. |
| |
Üretken Yapay Zeka Kullanımı:
ChatGPT, Copilot, Claude ve Gemini gibi üretken yapay zeka araçları, bu derste tamamlayıcı öğrenme araçları olarak kullanılacaktır. Öğrencilerin, karmaşık kavramları açıklığa kavuşturmak, farklı modelleme yaklaşımlarını (örneğin, doğrusal regresyon vs. araç değişken regresyonu) karşılaştırmak ve istatistiksel analizle ilgili kodlama sorunlarını çözmek için bu gibi yapay zeka araçlarını kullanmaları teşvik edilecektir. Ayrıca, yapay zeka araçları öğrencilere kodlarda hata ayıklama, regresyon çıktılarının yorumlanması ve analizlerindeki hataların belirlenmesi konularında yardımcı olabilecektir. Yapay zeka değerli bir destek mekanizması olarak hizmet etse de, öğrenciler yapay zeka tarafından üretilen çıktıları eleştirel bir şekilde değerlendirmeye ve bağımsız analitik düşünme becerileri geliştirmeye yönlendirilecektir. |
| |
| Dersin İçeriği (Haftalık Konu Dağılımı): |
| |
| Hafta | Konu |
| 1 | Veri Analizi ve Modellemesine Giriş |
| 2 | Basit Doğrusal Regresyon Modeli |
| 3 | EKK Tahmin Edicisi ve Özellikleri |
| 4 | Fonksiyonel Form Seçimi |
| 5 | Çoklu Doğrusal Regresyon Modeli: Tahmin |
| 6 | Çoklu Doğrusal Regresyon Modeli: Çıkarım |
| 7 | Ara Sınav |
| 8 | Kukla Değişkenlerin Kullanımı |
| 9 | Çoklu Doğrusal Bağlantı |
| 10 | Spesifikasyon Hatası |
| 11 | Değişen Varyans |
| 12 | Otokorelasyon |
| 13 | Araç Değişken Tahmini |
| 14 | Konuların Tekrarı ve Problem Çözümü |
| |
| Kaynaklar: |
| (1) Hill, R. C.; Griffiths, W. E. and Lim, G. C. (2018), Principles of Econometrics, 5th edition. Wiley. (ISBN: 978-1118452271).
(2) Colonescu, C. (2016), Principles of Econometrics with R. (https://bookdown.org/ccolonescu/RPoE4/). |
| |
| Diğer Kaynaklar: |
| (1) Griffiths, W. E.; Hill, R. C. and Judge, G. G. (1993), Learning and Practicing Econometrics. Wiley. (ISBN: 978-0471513643).
(2) Wooldridge, J. M. (2020), Introductory Econometrics: A Modern Approach, 7th edition. Cengage Learning. (ISBN: 978-1337558860).
(3) Stock, J. H. and Watson, M. W. (2019), Introduction to Econometrics, 4th edition. Pearson. (ISBN: 978-0134461991). |
| |
| Öğretim Yöntem ve Teknikleri: |
| Öğretim stratejisi, ders anlatımları, problem çözme ve bilgisayar uygulamalarına dayanmaktadır. Öğrencilerin ders içi tartışmalara katılmaları beklenmekte olup, soru sormaları ve görüşlerini paylaşmaları teşvik edilmektedir. Ders sorumlusu, öğrencilerin ders materyaliyle ilgili sorularını yanıtlamak ve onlara yardımcı olmak için düzenli görüşme saatleri düzenleyecektir. |
| |
| Değerlendirme Sistemi: |
| Yöntem | Adet | Katkı (%) |
| Ara Sınav | 1 | %35 |
| Final Sınavı | 1 | %35 |
| Ödev | 1 | %30 |
| |
| 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. | 0 |
| 2 | Örgüt yapısına uygun bilişim sistemleri tasarlamak. | 0 |
| 3 | Yazılım bilgileri edinmek ve etkin bir şekilde kullanabilmek. | 4 |
| 4 | Veri toplama, temizleme ve saklama yöntemlerini öğrenmek. | 4 |
| 5 | Gelecekteki veri ve yazılım gereksinimlerini tahmin edebilmek. | 3 |
| 6 | Firma içindeki veri odaklı yönetim süreçlerini takip etmek. | 4 |
| 7 | "Büyük Veri" kullanarak bilgi elde etme yöntemlerini öğrenmek. | 1 |
| 8 | Bilgi teknolojilerindeki gelişmeleri takip etmek. | 1 |
| 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. | 4 |
| 11 | Bilgi sistemleri arasındaki birlikte çalışabilirliği anlamak. | 0 |
| 12 | İş ortamını anlamak ve değerlendirmek. | 4 |