| Veri Bilimi (YL) (Tezli) | |||||
| Yüksek Lisans | TYYÇ: 7. Düzey | QF-EHEA: 2. Düzey | EQF-LLL: 7. Düzey | ||
| Ders Kodu: | VB5019 | ||||
| Ders İsmi: | İşletmelerde Veri Bilimi ve Yapay Zeka Uygulamaları | ||||
| Ders Yarıyılı: | Bahar | ||||
| Ders Kredileri: |
|
||||
| Öğretim Dili: | Turkish | ||||
| Ders Koşulu: | |||||
| Ders İş Deneyimini Gerektiriyor mu?: | Hayır | ||||
| Dersin Türü: | Bölüm/Program Seçmeli | ||||
| Dersin Seviyesi: |
|
||||
| Dersin Veriliş Şekli: | Yüz yüze | ||||
| Dersin Koordinatörü: | Doç. Dr. ŞEBNEM ÖZDEMİR | ||||
| Dersi Veren(ler): | Şebnem Özdemir | ||||
| Dersin Yardımcıları: |
| Dersin Amacı: | Bu dersin amacı, öğrencilere işletmelerde veri bilimi ve yapay zeka uygulamalarının temel prensiplerini, yöntemlerini ve işletme süreçlerindeki potansiyel faydalarını anlatarak, işletmelerin veriye dayalı kararlar almasını ve yapay zeka teknolojilerini etik ve güvenli bir şekilde kullanmasını sağlamaktır. |
| Dersin İçeriği: | 1. Veri bilimi ve yapay zeka kavramlarının temel prensipleri ve yöntemleri. 2. İşletmelerde veri toplama, veri temizleme ve veri analizi süreçleri. 3. İşletmelerde yapay zeka uygulamalarının kullanım alanları ve potansiyel faydaları. 4. Makine öğrenimi ve derin öğrenme algoritmalarının işletme problemlerine uygulanması. 5. İşletmelerde veri güvenliği ve etik konuları. |
|
Bu dersi başarıyla tamamlayabilen öğrenciler;
1) 1. Öğrenciler, işletmelerde veri bilimi ve yapay zeka uygulamalarının temel kavramlarını ve yöntemlerini anlayacak. 2) 2. Öğrenciler, işletmelerde veri toplama, veri temizleme ve veri analizi süreçlerini uygulayabilecek. 3) 3. Öğrenciler, işletmelerde yapay zeka uygulamalarının kullanım alanlarını ve potansiyel faydalarını değerlendirebilecek. 4) 4. Öğrenciler, makine öğrenimi ve derin öğrenme algoritmalarını işletme problemlerine uygulayabilecek. 5) 5. Öğrenciler, işletmelerde veri güvenliği ve etik konularını anlayacak ve yapay zeka teknolojilerini etik ve güvenli bir şekilde kullanma becerisi kazanacak. |
| Hafta | Konu | Ön Hazırlık |
| 1) | 1. Giriş ve Veri Bilimi Temelleri | Ön Hazırlığa Gerek Duyulmamaktadır. |
| 2) | 2. Veri Toplama ve Veri Temizleme | Ön Hazırlığa Gerek Duyulmamaktadır. |
| 3) | 3. Veri Analizi ve Görselleştirme | Ön Hazırlığa Gerek Duyulmamaktadır. |
| 4) | 4. Makine Öğrenimi Temelleri | Ön Hazırlığa Gerek Duyulmamaktadır. |
| 5) | 5. Denetimli Öğrenme Algoritmaları | Ön Hazırlığa Gerek Duyulmamaktadır. |
| 6) | 6. Denetimsiz Öğrenme Algoritmaları | Ön Hazırlığa Gerek Duyulmamaktadır. |
| 7) | 7. Derin Öğrenme ve Sinir Ağları Konseptleri | Ön Hazırlığa Gerek Duyulmamaktadır. |
| 8) | 8. Vize Sınavı | Ön Hazırlığa Gerek Duyulmamaktadır. |
| 9) | 9. İşletmelerde Yapay Zeka Uygulamaları | Ön Hazırlığa Gerek Duyulmamaktadır. |
| 10) | 10. Doğal Dil İşleme ve Metin Madenciliği | Ön Hazırlığa Gerek Duyulmamaktadır. |
| 11) | 11. Gelişmiş Makine Öğrenimi Teknikleri | Ön Hazırlığa Gerek Duyulmamaktadır. |
| 12) | 12. Veri Güvenliği ve Etik | Ön Hazırlığa Gerek Duyulmamaktadır. |
| 13) | 13. Büyük Veri ve Veritabanı Yönetimi Temelleri | Ön Hazırlığa Gerek Duyulmamaktadır. |
| 14) | 14. Örüntü Tanıma ve Temel Görüntü İşleme | Ön Hazırlığa Gerek Duyulmamaktadır. |
| 15) | 15. İşletmelerde Yapay Zeka Uygulamalarının Geleceği | Ön Hazırlığa Gerek Duyulmamaktadır. |
| 16) | 16. Final Sınavı | Ön Hazırlığa Gerek Duyulmamaktadır. |
| Ders Notları / Kitaplar: | James, G., Witten, D., Hastie, T., & Tibshirani, R. (2017). An Introduction to Statistical Learning: with Applications in R. Springer. |
| Diğer Kaynaklar: | Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer. |
| Course Learning Outcomes | 1 |
2 |
3 |
4 |
5 |
|---|---|---|---|---|---|
| Program Kazanımları | |||||
| 1) Bu programı başarıyla tamamlayan öğrenciler, Veri biliminin teknik uygulamalarının kapsamını ve kullanılabilecek araçları bilir. | 2 | 3 | 3 | 3 | 3 |
| 2) Bu programı başarıyla tamamlayan öğrenciler, Uygulama sonuçlarının toplum-kültür-hukuk üzerindeki etkilerini bilir. | 3 | 3 | 3 | 2 | 3 |
| 3) Bu programı tamamlayan öğrenciler; Uygulama süreçlerindeki matematiği ve kodu tanır | 3 | 2 | 3 | 2 | 3 |
| 4) Bu programı tamamlayan öğrenciler; Veri bilimindeki süreçlerin çıktı ve birey üzerindeki etkilerini açıklar | 3 | 2 | 3 | 2 | 3 |
| 5) Bu programı başarıyla tamamlayan öğrenciler, Bir bütün olarak veri bilimiyle oluşan içgörü-öngörü ve uzgörüyü belli bir disiplin/vaka karşında anlar. | 3 | 2 | 3 | 3 | 3 |
| Etkisi Yok | 1 En Düşük | 2 Orta | 3 En Yüksek |
| Dersin Program Kazanımlarına Etkisi | Katkı Payı | |
| 1) | Bu programı başarıyla tamamlayan öğrenciler, Veri biliminin teknik uygulamalarının kapsamını ve kullanılabilecek araçları bilir. | 3 |
| 2) | Bu programı başarıyla tamamlayan öğrenciler, Uygulama sonuçlarının toplum-kültür-hukuk üzerindeki etkilerini bilir. | 3 |
| 3) | Bu programı tamamlayan öğrenciler; Uygulama süreçlerindeki matematiği ve kodu tanır | 2 |
| 4) | Bu programı tamamlayan öğrenciler; Veri bilimindeki süreçlerin çıktı ve birey üzerindeki etkilerini açıklar | 3 |
| 5) | Bu programı başarıyla tamamlayan öğrenciler, Bir bütün olarak veri bilimiyle oluşan içgörü-öngörü ve uzgörüyü belli bir disiplin/vaka karşında anlar. | 3 |
| Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
| Ara Sınavlar | 1 | % 50 |
| Final | 1 | % 50 |
| Toplam | % 100 | |
| YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 50 | |
| YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 50 | |
| Toplam | % 100 | |
| Aktiviteler | Aktivite Sayısı | İş Yükü |
| Ders Saati | 14 | 28 |
| Ara Sınavlar | 7 | 52 |
| Final | 8 | 68 |
| Toplam İş Yükü | 148 | |