| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| İşletme ve Ekonomi için Makine Öğrenimi | MIS 403 | 4 | 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. Tahminsel ve nedensel modellerin farklarının anlaşılması |
| 2. Regularizasyon konusunun anlaşılması |
| 3. Ridge, Lasso ve Elastic-Net modellerinin uygulanması |
| 4. Açıklayıcı seçimi: temel yaklaşımlar |
| 5. Boosting yönteminin uygulanması |
| 6. Bagging yönteminin uygulanması |
| |
| Dersin Önkoşulları ve Birlikte Alınması Gereken Dersler | Yok |
| Daha Önce Alınmış Olması Önerilen Dersler | Yok |
| |
Dersin Tanımı:
Son yıllarda makine öğrenmesi teknikleri, Ekonomi, Finans ve Yönetim gibi farklı alanlardaki problemlerin çözümünde başarıyla uygulanmaktadır. Bu ders, Yönetim Bilişim Sistemleri programı öğrencilerine bu teknikleri tanıtmayı, temel kavramları öğretmeyi ve her bir tekniğin güçlü ve zayıf yönlerini tartışmayı amaçlamaktadır. Ders kapsamında, sınıflandırma, regresyon ve kümeleme gibi yaygın kullanılan makine öğrenmesi yöntemleri ele alınacaktır. Dersin sonunda öğrenciler, temel makine öğrenmesi algoritmaları hakkında bilgi sahibi olacak ve bu yöntemleri çeşitli gerçek dünya problemlerine uygulayabilecek düzeye ulaşacaklardır. |
| |
| Dersin İçeriği (Haftalık Konu Dağılımı): |
| |
| Hafta | Konu |
| 1 | Veri ve Modeller |
| 2 | Araştırıcı veri analizi |
| 3 | Gözden geçirme: Regresyon yaklaşımları |
| 4 | Regularizasyon: Ridge Regresyonu |
| 5 | Regularizasyon: Lasso Regresyonu |
| 6 | Regularizasyon: Elastic-net |
| 7 | Açıklayıcı Seçimi: Temel yaklaşımlar |
| 8 | Polinom Regresyonu |
| 9 | Spline Regresyonu |
| 10 | Rassal Orman |
| 11 | Boosting |
| 12 | Değişkenlerin göreli Önemi |
| 13 | Grup projeleri |
| 14 | Grup projeleri |
| |
| Kaynaklar: |
| An Introduction to Statistical Learning, Gareth James, Daniela Witten, Trevor Hastie, and Robert Tibshirani, 2nd Ed |
| |
| Diğer Kaynaklar: |
| The Elements of Statistical Learning, Trevor Hastie, Robert Tibshirani, Jerome Friedman, 2nd Ed. Practical Data Science with R, N. Zumel and J. Mount, 2nd Ed. |
| |
| 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 (%) |
| Aktiviteler | 4 | %40 |
| Ders Katılımı | 1 | %10 |
| Dönem Ödevi (Sunumu) | 1 | %30 |
| Final Sınavı | 1 | %20 |
| |
| Ders İşbaşı Eğitimi (iş yerinde eğitim) Gerektiriyor mu? |
| Gerektirmiyor |