| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| Veri Analitiği I | MIS 315 | 3 | 1 | 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) öğrenme yöntemlerinin kullanılması |
| 4. Bir olayın (örneğin, temerrüt riski) tahmin edilmesi |
| 5. Veri analitiği yönteminin çıktıları ile işletme karlılığı arasındaki ilişkinin kurulması |
| 6. Performans ölçümünün değerlendirilmesi |
| |
| Dersin Önkoşulları ve Birlikte Alınması Gereken Dersler | Yok |
| Daha Önce Alınmış Olması Önerilen Dersler | Yok |
| |
Dersin Tanımı:
Bu ders iki-dönem sürecek bir dersin ilk kısmını oluşturmaktadır. ders işletme verisinden bilgi çıkarmak için gereken veri analitiği yöntemlerini öğrencilere öğretme amacındadır. Ortaya çıkarılan bilgi yöneticilere daha etkin karar vermelerinde destek sağlayacak ve özellikle müşterileri tanımalarında, temerrüt ve sahtekarlık risklerini yönetmelerinde, ve müşteri elde etme, elde tutma ve geri kazanmada yardımcı olacaktır. Ders içinde teori ve uygulama birlikte işlenecektir. |
| |
| Dersin İçeriği (Haftalık Konu Dağılımı): |
| |
| Hafta | Konu |
| 1 | Veri analitiğine giriş; Veri analitiği için gereken R fonksiyonları ve paketleri |
| 2 | Veri analitiği görevleri/amaçları ve vaka çalışmaları |
| 3 | Veri ön-işleme |
| 4 | Sınıflandırma ağaçları |
| 5 | Sınıflandırma ağaçları |
| 6 | Regresyon Ağaçları |
| 7 | Doğrusal Regresyon Modeline Giriş |
| 8 | Hibrit yaklaşım: logistik regresyon ve sınıflandırma ağaçları |
| 9 | Sınıflama Regresyonları: Doğrusal, Logistic ve Probit regresyonları |
| 10 | Sınıflama Regresyonları: Doğrusal, Logistic ve Probit regresyonları |
| 11 | K-En Yakın Komşu |
| 12 | K-En Yakın Komşu |
| 13 | Grup projeleri |
| 14 | 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 |