| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| İşletmeler için Veri Analitiği | MAN 445 | 4 | 1 | 3 + 0 | 3 | 5,00 |
| |
| Ders Bilgileri |
| Dersin Öğretim Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Zorunlu |
| Dersin Veriliş Biçimi | Yüz Yüze |
| |
Dersin Öğrenme Kazanımları:
Bu dersi başarı ile tamamlayan öğrenciler: |
| 1. Veri işleme becerisi kazanabilecektir |
| 2. Veri madenciliği tekniklerini algoritmik seviyede öğrenecektir. |
| 3. Karar problemlerinin çözümünde veri analitiği tekniklerini kullanabilecektir |
| 4. Özel durumları tespit edebilecek ve bunlara ilişkin özgün algoritmalar hazırlayabilecektir |
| 5. Veri madenciliği problemlerini çözmek için bilgisayar paketlerini kullanabilecektir. |
| |
| Dersin Önkoşulları ve Birlikte Alınması Gereken Dersler | Yok |
| Daha Önce Alınmış Olması Önerilen Dersler | Yok |
| |
Dersin Tanımı:
Derste işletmecilikte veri analitiği yöntemleri incelenmektedir. Dersin konuları şunlardan oluşmaktadır: Veri-analitiği yaklaşımı; işletme problemleri ve veri bilimi çözümleri; R programlamaya giriş; gözetimli ve gözetimsiz veri madenciliği; entropi ve bilgi kazanımı; öznitelik seçimi; sınıflandırma ağacı oluşturma; lojistik regresyon; destek-vektör makinaları; aşırı uygunluk ve bundan korunma; çapraz-doğrulama; en-yakın-komşu metodu; hiyerarşik kümeleme; k-means kümeleme; hata matrisi; model performansının görselleştirilmesi; kanıt ve olasılık; metin madenciliği; N-gram dizileri; temel birleşen analizi; veri esaslı nedensel akıl yürütme. |
| |
Üretken Yapay Zeka Kullanımı:
Öğrencilerin, ChatGPT, Gemini 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 | Veri Analitiğine Giriş |
| 2 | Veri Madenciliği Görevleri |
| 3 | R Programlama Uygulamaları |
| 4 | R Programlama Uygulamaları |
| 5 | Gözetimli ve Gözetimsiz Veri Madenciliği; Entropi Ve Bilgi Kazanımı; Öznitelik Seçimi |
| 6 | Sınıflandırma Ağacı Oluşturma; |
| 7 | Vize sınavı |
| 8 | Doğrusal Modellere Giriş |
| 9 | Doğrusal Regresyon Modeli |
| 10 | Lojistik Regresyonu |
| 11 | En-Yakın-Komşu Yöntemi |
| 12 | Grup Proje Çalışması |
| 13 | Grup Proje Çalışması |
| 14 | Grup Proje Çalışması |
| |
| Kaynaklar: |
| F. Provost and T. Fawcett (2013) Data Science for Business O'Reilly Media ISBN 1449361323
Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani (2022) An Introduction to Statistical Learning: with Applications in R, Springer 978-1-0716-1418-1 |
| |
| Diğer Kaynaklar: |
| I. H. Witten (2016) Data Mining: Practical Machine Learning Tools and Techniques Morgan Kaufmann ISBN 0128042915 |
| |
| Öğretim Yöntem ve Teknikleri: |
| Anlatım, problem çözümleri, örnek olay çalışması, soru-cevap, tartışma gibi çeşitli öğretim yaklaşımları kullanılmaktadır. |
| |
| Değerlendirme Sistemi: |
| Yöntem | Adet | Katkı (%) |
| Ara Sınav | 1 | %30 |
| Final Sınavı | 1 | %50 |
| Ödev | 1 | %20 |
| |
| Ders İşbaşı Eğitimi (iş yerinde eğitim) Gerektiriyor mu? |
| Gerektirmiyor |
| |
Dersin Program Yeterlilikleri vs. Öğrenme Kazanımları:
|
| # | Program Yeterlilikleri | Katkı |
| 1 | İşletmelerin faaliyet gösterdikleri ekonomik ve hukuki çevre ile ilgili ayrıntılı bilgiye sahip olur. | 0 |
| 2 | Yönetim-organizasyon, muhasebe, finans, pazarlama, üretim/faaliyet yönetimini kapsayan temel işletmecilik fonksiyonları ile ilgili ayrıntılı teorik altyapı bilgisine sahip olur. | 0 |
| 3 | İşletmecilikte sıklıkla kullanılan sayısal tekniklerle ilgili temel ve orta seviyede bilgi sahibi olur. | 4 |
| 4 | Uzman olmak isteği bir işletmecilik alanında (sayısal yöntemler dahil) derinlemesine bilgi sahibi olur. | 3 |
| 5 | Elde ettiği bilgiyi bir işletmeyi kurmak veya işletmenin tamamını veya bir bölümünü yönetmek için uygulayabilir. | 3 |
| 6 | İşletmecilik problemlerini açıklıkla tanımlamak ve çözüm geliştirmek için kantitatif ve kalitatif yöntemleri uygulayarak veri toplayabilir, verileri düzenleyebilir, verileri analiz edebilir, analiz sonuçlarını yorumlayabilir. | 4 |
| 7 | Analizler, bulgular, çıkarımlar ve tekliflerle ilgili üstleri, ekip elemanları, meslektaşları ve astlarıyla yeterli yazılı ve sözlü iletişimde bulunabilir. | 3 |
| 8 | İşletme ve yönetim alanlarında araştırma yapabilir. | 0 |
| 9 | Ekip çalışması içinde lider veya uzman olarak sorumluluklarını yerine getirebilir. | 0 |
| 10 | Paydaşların ihtiyaçlarını analiz etmek ve bu analizlere dayanarak örgütün amaç ve hedeflerini geliştirmek için örgütün paydaşları ile etkili iletişim kurma becerisini kazanır. | 0 |
| 11 | Kendisinin öğrenme ve kişisel gelişme gereksinimlerini belirleyebilir ve aynı zamanda daha ileri derece programlarını takip edecek kapasiteye ulaşır. | 0 |
| 12 | Bağlı olduğu örgütü değerlendirebilme becerisi kazanır ve edindiği bilgilere eleştirel olarak yaklaşabilir. | 0 |
| 13 | Bölümün öğretim dili olan İngilizceyi en az Avrupa dil portföyü B1 genel düzeyinde kullanabilir. | 0 |
| 14 | İşletmeciliğin gerektirdiği bilişim teknolojilerini Avrupa Bilgisayar Kullanma Lisansı İleri Düzeyi seviyesinde kullanabilir. | 3 |
| 15 | İşletme yöneticisi olarak, kalite farkındalığı, iş sağlığı ve güvenli, hizmet içi eğitim, çevre duyarlılığı, sosyal sorumluluk, sosyal, örgütsel ve iş etiği konularında sorumluluk sahibi olup uygun davranışlar sergiler. | 0 |
| 16 | Bağlı olduğu örgütte yenilik ve sürekli gelişmeyi teşvik edebilir. | 0 |