| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| Veri Analizi: Modelleme | MIS 305 | | 1 | 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. Model parametreleri için hipotez testleri yapabilir ve güven aralıkları oluşturabilir. |
| 3. Uygun fonksiyonel formları seçebilir ve model belirleme sorunlarını ele alabilir. |
| 4. Çoklu regresyon modellerinin matris gösterimini anlayabilir ve kullanabilir; tahmin ve çıkarım sonuçlarını matris notasyonu ile ifade edebilir. |
| 5. Kategorik bilgileri regresyon modellerine dahil etmek için kukla değişkenleri kullanabilir. |
| 6. Çoklu doğrusal bağlantı, değişen varyans ve otokorelasyon problemlerini tanımlayabilir, açıklayabilir ve sonuçlarını tartışabilir. |
| 7. R kullanarak regresyon modellerini uygulayabilir, tahmin edebilir ve yorumlayabilir; istatistiksel çıkarım, görselleştirme ve gerçek dünya veri setlerinin analizi gerçekleştirebilir. |
| |
| Dersin Önkoşulları ve Birlikte Alınması Gereken Dersler | STAT 206 |
| 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 Edicileri ve Özellikleri |
| 4 | Basit Doğrusal Regresyon Modelinde Çıkarım |
| 5 | Tahmin ve Model Uyumu |
| 6 | Fonksiyonel Form Seçimi |
| 7 | Çoklu Regresyon Analizi: Matris Formülasyonu |
| 8 | Çoklu Regresyon Analizi: Tahmin |
| 9 | Çoklu Regresyon Analizi: Çıkarım |
| 10 | Bileşik Hipotezler ve Genel F-Testi |
| 11 | Kukla Değişkenler |
| 12 | Çoklu Doğrusal Bağlantı |
| 13 | Spesifikasyon Hatası |
| 14 | Değişen Varyans ve Otokorelasyona Genel Bir Bakış |
| |
| 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 AKTS İş Yükü:
|
| # | Aktivite | Adet | Süre (Saat) | İş Yükü |
| 1 | Derslere Katılım (haftalık bazda) | 14 | 3,00 | 42,00 |
| 2 | Laboratuvarlara/Derslere Katılım (haftalık bazda) | 14 | 1,00 | 14,00 |
| 3 | Notların önceden hazırlanması ve son haline getirilmesi (haftalık bazda) | 14 | 1,00 | 14,00 |
| 4 | İlgili materyalin toplanması ve seçilmesi (bir kez) | 1 | 1,00 | 1,00 |
| 5 | İlgili materyalin kendi kendine incelenmesi (haftalık bazda) | 14 | 2,00 | 28,00 |
| 6 | Ev ödevleri | 1 | 8,00 | 8,00 |
| 7 | Sınavlara Hazırlık | 0 | 0,00 | 0,00 |
| 8 | Ara Sınavlara Hazırlık (Sınavların süresi dahil) | 1 | 8,00 | 8,00 |
| 9 | Dönem Ödevi/Vaka Çalışması Raporunun Hazırlanması (sözlü sunum dahil) | 0 | 0,00 | 0,00 |
| 10 | Dönem Projesi/Saha Çalışması Raporunun Hazırlanması (sözlü sunum dahil) | 0 | 0,00 | 0,00 |
| 11 | Final Sınavına Hazırlık (sınav süresi dahil) | 1 | 10,00 | 10,00 |
| |
Dersin Program Yeterlilikleri vs. Öğrenme Kazanımları:
|
| # | Program Yeterlilikleri | Katkı (0-4) |
| 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 |