İSTİNYE ÜNİVERSİTESİ BİLGİ PAKETİ / DERS KATALOĞU
| Veri Bilimi (YL) (Tezli) (İngilizce) | |||||
| Yüksek Lisans | TYYÇ: 7. Düzey | QF-EHEA: 2. Düzey | EQF-LLL: 7. Düzey | ||
Ders Genel Tanıtım Bilgileri
| Ders Kodu: | DATS5020 | ||||
| Ders İsmi: | İşletmelerde Veri Bilimi ve Yapay Zeka Uygulamaları | ||||
| Ders Yarıyılı: | Bahar | ||||
| Ders Kredileri: |
|
||||
| Öğretim Dili: | İngilizce | ||||
| Ders Koşulu: | |||||
| Ders İş Deneyimini Gerektiriyor mu?: | Hayır | ||||
| Dersin Türü: | Bölüm/Program Seçmeli | ||||
| Dersin Seviyesi: |
|
||||
| Dersin Veriliş Şekli: | E-Öğrenme | ||||
| Dersin Koordinatörü: | Doç. Dr. ŞEBNEM ÖZDEMİR | ||||
| Dersi Veren(ler): | |||||
| Dersin Yardımcıları: |
Dersin Amaç ve İçeriği
| Dersin Amacı: | Bu dersin amacı, öğrencilere makine öğreniminin bir iş ortamında nasıl kullanılabileceğine dair kapsamlı bir anlayış sağlamaktır. Öğrenciler, makine öğrenimi algoritmalarının pratik uygulamalarına maruz kalacak ve gerçek dünyadaki iş problemlerini çözmek için bu teknikleri uygulamayı öğreneceklerdir. Dersin sonunda öğrenciler, çeşitli iş senaryoları için uygun makine öğrenimi yöntemlerini seçme, model performansını optimize etme ve nicel bulguları stratejik iş kararlarına dönüştürme konusunda yetkin olacaklardır. |
| Dersin İçeriği: | 1. İş bağlamında makine öğrenimi kavramlarına ve algoritmalarına genel bakış. 2. Veri ön işleme, özellik mühendisliği ve veri görselleştirme teknikleri. 3. İş dünyasında karar verme sürecinde regresyon ve sınıflandırma için denetimli öğrenme modelleri. 4. Müşteri segmentasyonu, pazar sepeti analizi ve anomali tespiti için denetimsiz öğrenme. 5. İş uygulamaları için makine öğrenimi modellerinin ve dağıtım stratejilerinin değerlendirilmesi. |
Öğrenme Kazanımları
|
Bu dersi başarıyla tamamlayabilen öğrenciler;
1) Makine öğrenimi çözümlerine yönelik fırsatları belirlemek için iş sorunlarını eleştirel bir şekilde analiz eder. 2) Veri kümelerini makine öğrenimine hazırlamak için veri ön işleme ve özellik mühendisliğini etkili bir şekilde uygulayabilme. 3) Çağdaş yazılım araçlarını kullanarak makine öğrenimi modellerini geliştirme ve ayarlama. 4) Makine öğrenimi modellerinin sonuçlarını yorumlama ve bir iş kitlesine iletme. 5) Bir iş altyapısı içinde makine öğrenimi modeli dağıtım stratejileri tasarlama ve uygulama. |
Ders Akış Planı
| Hafta | Konu | Ön Hazırlık |
| 1) | Makine Öğrenimine giriş ve iş dünyasındaki önemi. | |
| 2) | Veri toplama, ön işleme ve görselleştirme teknikleri. | |
| 3) | Doğrusal regresyon modellerini ve iş uygulamalarını keşfetme. | |
| 4) | Müşteri tahmini ve elde tutma stratejileri için sınıflandırma modelleri. | |
| 5) | Karmaşık iş kararları için karar ağaçları ve topluluk yöntemleri. | |
| 6) | Pazar segmentasyonu için denetimsiz öğrenme teknikleri. | |
| 7) | Model seçimi, çapraz doğrulama ve hiperparametre ayarlama. | |
| 8) | Ara Sınav. | |
| 9) | İş uygulamalarında sinir ağları ve derin öğrenme. | |
| 10) | Müşteri geri bildirim analizi için Doğal Dil İşleme (NLP). | |
| 11) | Dinamik iş stratejisi geliştirme için takviyeli öğrenme. | |
| 12) | Model değerlendirme metrikleri ve model yorumlanabilirliği. | |
| 13) | İş makine öğreniminde etik hususlar ve önyargı azaltma. | |
| 14) | Modellerin üretime dağıtılması, izlenmesi ve bakımı. | |
| 15) | İş dünyasında başarılı makine öğrenimi uygulamalarına ilişkin vaka çalışmaları. | |
| 16) | Final Sınavı. |
Kaynaklar
| Ders Notları / Kitaplar: | "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" by Aurélien Géron. |
| Diğer Kaynaklar: | Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking 1st Edition by Foster Provost (Author), Tom Fawcett (Author) |
Ders - Program Öğrenme Kazanım İlişkisi
| 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. | 3 | 3 | 3 | 3 | 3 |
| 2) Bu programı başarıyla tamamlayan öğrenciler, Uygulama sonuçlarının toplum-kültür-hukuk üzerindeki etkilerini bilir. | 3 | 3 | 3 | 3 | 3 |
| 3) Bu programı tamamlayan öğrenciler; Uygulama süreçlerindeki matematiği ve kodu tanır | 3 | 3 | 3 | 3 | 3 |
| 4) Bu programı tamamlayan öğrenciler; Veri bilimindeki süreçlerin çıktı ve birey üzerindeki etkilerini açıklar | 3 | 3 | 3 | 3 | 3 |
| 5) Bu programı başarıyla tamamlayan öğrenciler, Bir bütün olarak veri bilimiyle oluşan içgörü-öngörü ve uzgörüyü belli bir disiplin/vaka karşında anlar. | 3 | 3 | 3 | 3 | 3 |
Ders - Öğrenme Kazanımı İlişkisi
| 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 | 3 |
| 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 |
Ölçme ve Değerlendirme
| Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
| Ara Sınavlar | 1 | % 40 |
| Final | 1 | % 60 |
| Toplam | % 100 | |
| YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 40 | |
| YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 60 | |
| Toplam | % 100 | |
İş Yükü ve AKTS Kredisi Hesaplaması
| Aktiviteler | Aktivite Sayısı | İş Yükü |
| Ders Saati | 14 | 42 |
| Ara Sınavlar | 7 | 49 |
| Final | 8 | 71 |
| Toplam İş Yükü | 162 | |