| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| Veri Analitiği II | MIS 314 | | | 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. Uygun veri analitiği yöntemini belirlemek |
| 2. Verinin hatalar için kontrol edilmesi ve doğru yöntemi kullanarak temizlenmesinin sağlanması |
| 3. Segmentasyon için güdümlü (supervised) ve güdümsüz (unsupervised) öğrenme yöntemlerinin kullanılması |
| 4. Veri analitiği yönteminin çıktıları ile işletme karlılığı arasındaki ilişkinin kurulması |
| 5. Performans ölçümünün değerlendirilmesi |
| |
| Dersin Önkoşulları ve Birlikte Alınması Gereken Dersler | Yok |
| Daha Önce Alınmış Olması Önerilen Dersler | Yok |
| |
Dersin Tanımı:
Bu ders iki sömestr için tasarlanan veri analitiği dersinin ikinci parçasını oluşturmaktadır. Dönem içinde işlenecek konular arasında, ilk veri analitiğinin ilk dersinde verilen bazı temel derslerin özeti ile regresyon analizinin değerlendirmeleri ve verilerin özelliklerine göre çıkacak sorunlar ve çözümleri, destek vektör makineleri, benzerlik ölçümleri, kümeleme, ve boyut azaltıcı yöntemler gibi konular işlenecektir. |
| |
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 | Giriş, Yazılım Programı ve Paketler |
| 2 | Gözden Geçirme: Doğrusal Regresyon |
| 3 | Gözden Geçirme: Logistic Regresyon |
| 4 | Regresyon Değerlendirmeleri |
| 5 | Verinin Temel Özellikleri ve Regresyon Modellerinde Çıkacak Sorunlar |
| 7 | Çarpraz Doğrulama ve Bootsrap Yaklaşımı |
| 8 | Model Seçimleri |
| 9 | Boyut azaltma yöntemleri |
| 10 | Destek Vektör Makineleri |
| 11 | Destek Vektör Makineleri |
| 12 | Benzerlik Ölçümleri: Genel Tartışma |
| 13 | Güdümsüz (unsupervised) segmentasyon: Kümeleme |
| 14 | Grup projeleri |
| 15 | Grup projeleri |
| |
| Kaynaklar: |
| F. Provost and T. Fawcett , Data Science for Business, O'Reilly Media, 2013 (or latest version), 1449361323
An Introduction to Statistical Learning, Gareth James, Daniela Witten, Trevor Hastie, and Robert Tibshirani, 2nd Ed
|
| |
| Diğer Kaynaklar: |
| Jiawei Han, Micheline Kamber, and Jian Pei, Data Mining: Concepts and Techniques , Morgan Kaufmann, 2012 (or latest), 9780123814791
I. H. Witten, Data Mining: Practical Machine Learning Tools and Techniques Morgan, Kaufmann, 2016 (or latest version), 0128042915 |
| |
| 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 (%) |
| Midterm Exam | 1 | %30 |
| Final Sınavı | 1 | %35 |
| Grup Projesi | 1 | %25 |
| Sınıf Katılımı | 1 | %10 |
| |
| 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. | 3 |
| 2 | Örgüt yapısına uygun bilişim sistemleri tasarlamak. | 3 |
| 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. | 3 |
| 7 | "Büyük Veri" kullanarak bilgi elde etme yöntemlerini öğrenmek. | 4 |
| 8 | Bilgi teknolojilerindeki gelişmeleri takip etmek. | 1 |
| 9 | Bir kuruluşun bilgi teknolojileri ve veri problemlerini anlamak ve değerlendirmek. | 4 |
| 10 | Veri toplama, yorumlama, analiz etme ve yayma süreçlerinde bilimsel, sosyal ve etik standartları korumak. | 3 |
| 11 | Bilgi sistemleri arasındaki birlikte çalışabilirliği anlamak. | 1 |
| 12 | İş ortamını anlamak ve değerlendirmek. | 2 |