Ders Genel Tanıtım Bilgileri

Ders Kodu:

MIS304

Ders İsmi:

Veri Bilimi 4

Ders Yarıyılı:

Güz

Ders Kredileri:

AKTS

Öğretim Dili:

İngilizce

Ders Koşulu:

Ders İş Deneyimini Gerektiriyor mu?:

Hayır

Dersin Türü:

Bölüm/Program Seçmeli

Dersin Seviyesi:

Lisans

TYYÇ:6. Düzey

QF-EHEA:1. Düzey

EQF-LLL:6. Düzey

Dersin Veriliş Şekli:

Yüz yüze

Dersin Koordinatörü:

Doç. Dr. ŞEBNEM ÖZDEMİR

Dersi Veren(ler):

Şebnem Özdemir

Dersin Yardımcıları:

Dersin Amaç ve İçeriği

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.

Öğrenme Kazanımları

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

Ders Akış Planı

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

Kaynaklar

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.

Ders - Program Öğrenme Kazanım İlişkisi

Course Learning Outcomes	1	2	3	4
Program Kazanımları

Ders - Öğrenme Kazanımı İlişkisi

Etkisi Yok	1 En Düşük	2 Orta	3 En Yüksek

Dersin Program Kazanımlarına Etkisi

Katkı Payı

Ölçme ve Değerlendirme

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

İş Yükü ve AKTS Kredisi Hesaplaması

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