| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| Veri Analizi: Tahmin | MIS 306 | 3 | 2 | 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. Understand the basic components and properties of time series data (trend, seasonality, randomness) |
| 2. Use R programming to import, manipulate, and visualize time series data |
| 3. Decompose time series into components |
| 4. Apply basic forecasting methods such as average, naive, and seasonal models |
| 5. Apply exponential smoothing techniques |
| 6. Build and evaluate ARIMA models for forecasting |
| 7. Compare forecasting models using error metrics such as MAE, RMSE, and MAPE |
| 8. Interpret model outputs and communicate forecasting results effectively |
| |
| Dersin Önkoşulları ve Birlikte Alınması Gereken Dersler | Yok |
| Daha Önce Alınmış Olması Önerilen Dersler | Yok |
| |
Dersin Tanımı:
Bu ders, zaman serisi verilerini analiz etme ve öngörü (tahmin) yapma süreçlerine giriş niteliğindedir. Ders kapsamında öğrencilere zaman serisi grafiklerinin oluşturulması, serilerin ayrıştırılması, üstel düzeltme ve ARIMA modelleri gibi temel öngörü yöntemleri tanıtılır. Ayrıca regresyon tabanlı zaman serisi modelleme yaklaşımları ve model karşılaştırma kriterleri de ele alınmaktadır. Dersin uygulama kısmı R programlama dili kullanılarak yürütülmektedir. Ders, öğrencilerin istatistiksel öngörü yöntemlerini anlamalarını, uygun modelleri seçmelerini ve gerçek veri setleri üzerinde analiz yapabilmelerini amaçlamaktadır. Aynı zamanda, gelecekteki veri bilimi ve analitik temelli dersler için bir temel oluşturur. |
| |
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 | Introduction to forecasting and R |
| 2 | Date and Time in R |
| 3 | Time series graphics |
| 4 | Time series decomposition |
| 5 | The forecaster’s toolbox |
| 6 | Exponential smoothing |
| 7 | Exponential smoothing |
| 8 | Autocorrelation, partial autocorrelation |
| 9 | AR, MA, ARMA Models |
| 10 | AR, MA, ARMA Models |
| 11 | ARIMA models |
| 12 | ARIMA models |
| 13 | Forecasting with ARIMA models |
| 14 | Group Presentations |
| |
| Kaynaklar: |
| Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: principles and practice. OTexts. |
| |
| Diğer Kaynaklar: |
| Jonathan D. Cryer and Kung-Sik Chan, “Time Series Analysis with Applications in R”, second edition, Springer
Shumway, Robert H., Stoffer, David S, “Time Series Analysis and Its Applications, With R Examples”, third edition, Springer
Tsay, R. S. Analysis of financial time series 3rd Edition. John Wiley & Sons. |
| |
| 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 (%) |
| Ödev | 3 | %30 |
| Ara Sınav | 1 | %20 |
| Dönem Ödevi (Sunumu) | 1 | %20 |
| Final Sınavı | 1 | %20 |
| Ders 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. | 0 |
| 2 | Örgüt yapısına uygun bilişim sistemleri tasarlamak. | 0 |
| 3 | Yazılım bilgileri edinmek ve etkin bir şekilde kullanabilmek. | 3 |
| 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. | 0 |
| 7 | "Büyük Veri" kullanarak bilgi elde etme yöntemlerini öğrenmek. | 0 |
| 8 | Bilgi teknolojilerindeki gelişmeleri takip etmek. | 2 |
| 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. | 2 |
| 11 | Bilgi sistemleri arasındaki birlikte çalışabilirliği anlamak. | 0 |
| 12 | İş ortamını anlamak ve değerlendirmek. | 0 |