| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| Veri Analitiği II | MIS 302 | 3 | 2 | 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. Uygun veri analitiği yöntemini belirlemek |
| 2. Verinin hatalar için kontrol edilmesi ve doğru yöntemi kullanarak temizlenmesinin sağlanması |
| 3. Segmentasyon için güdümlü (supervised) ve güdümsüz (unsupervised) öğrenme yöntemlerinin kullanılması |
| 4. Veri analitiği yönteminin çıktıları ile işletme karlılığı arasındaki ilişkinin kurulması |
| 5. Performans ölçümünün değerlendirilmesi |
| |
| Dersin Önkoşulları ve Birlikte Alınması Gereken Dersler | Yok |
| Daha Önce Alınmış Olması Önerilen Dersler | Yok |
| |
Dersin Tanımı:
Bu ders iki-semester için tasarlanan veri analitiği dersinin ikinci parçasını oluşturmaktadır. Dönem içinde işlenecek bazı konular şu şekilde sıralanabilir: benzerlik yöntemleri, kümeleme, boyut azaltıcı yöntemler, metin madenciliği ve duygu analizi |
| |
| Dersin İçeriği (Haftalık Konu Dağılımı): |
| |
| Hafta | Konu |
| 1 | Öğrenilen veri analitiği yöntemlerinin gözden geçirilmesi |
| 2 | Benzerlik, en yakın komşu (NN) yöntemi |
| 3 | Benzerlik, en yakın komşu (NN) yöntemi |
| 4 | Güdümsüz (unsupervised) segmentasyon: Kümeleme |
| 5 | Güdümsüz (unsupervised) segmentasyon: Kümeleme |
| 6 | Güdümsüz (unsupervised) segmentasyon: Kümeleme |
| 7 | Boyut azaltma yöntemleri |
| 8 | Boyut azaltma yöntemleri |
| 9 | Metin madenciliği ve duygu analizi |
| 10 | Metin madenciliği ve duygu analizi |
| 11 | Diğer veri analitiği yöntemleri |
| 12 | Diğer veri analitiği yöntemleri |
| 13 | Grup projeleri |
| 14 | Grup projeleri |
| |
| Kaynaklar: |
| F. Provost and T. Fawcett , Data Science for Business, O'Reilly Media, 2013 (or latest version), 1449361323 |
| |
| 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 Exam | 1 | %35 |
| Group Project | 1 | %25 |
| Classroom Participation | 1 | %10 |
| |
| Ders İşbaşı Eğitimi (iş yerinde eğitim) Gerektiriyor mu? |
| Gerektirmiyor |