Ders Kodu: | MIS304 | ||||
Ders İsmi: | Veri Bilimi 4 | ||||
Ders Yarıyılı: | Güz | ||||
Ders Kredileri: |
|
||||
Öğretim Dili: | English | ||||
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, makine öğrenmesi modellerinin kurgulanması ve bir veri analiz dili yardımıyla matematiksel arka planı ile birlikte yürütülmesini öğretmektir. |
Dersin İçeriği: | Verinin bir işletme varlığı olarak rolünü belirlemek, öngörücü modellemenin ilkelerini anlamak, farklı veri bilimi yöntemlerinin işletme karar vermesini nasıl destekleyebileceğini anlamak, işletme problemlerini çözmek için temel veri analitik tekniklerini öğrenmek, büyük verilerin özelliklerini ve sınırlarını anlamak, kazanmak veri analitik araçlarını kullanma konusunda bazı deneyimler. |
Bu dersi başarıyla tamamlayabilen öğrenciler;
1) Klasik makine öğrenmesi yöntemlerini tanır 2) R veya Python kullanarak model üretme sürecini açıklar 3) Birden fazla algoritma kullanarak model oluşturur 4) Modelleri kıyaslar, performanslı olanı seçer |
Hafta | Konu | Ön Hazırlık |
1) | Derse Giriş – Temel Kavramlar- Bütün Bir Döneme Öğrenilecek İçerikler ve Ölçme Değerlendirme Faaliyetleri Bağlamında Bakış | |
2) | Regresyon kavramı, Lineer ve Logistic regresyon | |
3) | Regresyon kavramı, Lineer ve Logistic regresyon | |
4) | Regresyon kavramı, Lineer ve Logistic regresyon | |
5) | Bayezyen yöntemler, Naive Bayes | |
6) | Bayezyen yöntemler, Naive Bayes | |
7) | Komşuluk, similarity kavramı, KNN | |
8) | Destek Vektör Makineleri | |
9) | Destek Vektör Makineleri | |
10) | Destek Vektör Makineleri | |
11) | Yapay Sinir Ağları | |
12) | Yapay Sinir Ağları | |
13) | CV Yöntemlerle yeniden model kurma | |
14) | Distruptive Kavramlar | |
15) | Final SInavı |
Ders Notları / Kitaplar: | Ek kaynak ihtiyacı bulunmamaktadır. - There is no need for additional resources. |
Diğer Kaynaklar: | Ek kaynak ihtiyacı bulunmamaktadır. - There is no need for additional resources. |
Course Learning Outcomes | 1 |
2 |
3 |
4 |
---|---|---|---|---|
Program Kazanımları |
Etkisi Yok | 1 En Düşük | 2 Orta | 3 En Yüksek |
Dersin Program Kazanımlarına Etkisi | Katkı Payı |
Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
Küçük Sınavlar | 1 | % 20 |
Ara Sınavlar | 1 | % 35 |
Final | 1 | % 45 |
Toplam | % 100 | |
YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 55 | |
YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 45 | |
Toplam | % 100 |
Aktiviteler | Aktivite Sayısı | Aktiviteye Hazırlık | Aktivitede Harçanan Süre | Aktivite Gereksinimi İçin Süre | İş Yükü | ||
Ders Saati | 14 | 0 | 2 | 28 | |||
Uygulama | 14 | 0 | 3 | 42 | |||
Küçük Sınavlar | 1 | 10 | 10 | ||||
Ara Sınavlar | 1 | 15 | 2 | 17 | |||
Final | 1 | 20 | 2 | 22 | |||
Toplam İş Yükü | 119 |