| Ders Adı | Kodu | Yerel Kredi | AKTS | Ders (saat/hafta) | Uygulama (saat/hafta) | Laboratuar (saat/hafta) |
|---|---|---|---|---|---|---|
| İşletmeciler İçin Veri Analizi | ISL5149 | 3 | 7.5 | 3 | 0 | 0 |
| Önkoşullar | Yok |
|---|
| Yarıyıl | Güz, Bahar |
|---|
| Dersin Dili | Türkçe |
|---|---|
| Dersin Seviyesi | Yüksek Lisans |
| Dersin Türü | |
| Ders Kategorisi | Uzmanlık/Alan Dersleri |
| Dersin Veriliş Şekli | Yüz yüze |
| Dersi Sunan Akademik Birim | İşletme Bölümü |
|---|---|
| Dersin Koordinatörü | Beyza ÖZKÖK |
| Dersi Veren(ler) | Beyza ÖZKÖK |
| Asistan(lar)ı |
| Dersin Amacı | Bu dersin öncelikli amacı, öğrencilere veri analizi konusunda temel bilgilerin verilmesidir. Ders kapsamında veri analizi ile ilgili temel kavram ve yöntemlerin öğretilmesi hedeflenmektedir. İşletme yönetimi perspektifinden istatistiksel öğrenme yöntemlerini kullanarak veri analitiğinin temelleri ele alınacaktır. |
|---|---|
| Dersin İçeriği | Veri İşleme, Veri Görselleştirme, Doğrusal ve Doğrusal Olmayan Regresyon, Sınıflandırma Algoritmaları |
| Ders Kitabı / Malzemesi / Önerilen Kaynaklar |
|
| Opsiyonel Program Bileşenleri | Yok |
Ders Öğrenim Çıktıları
- Makine öğrenmesine ilişkin temel kavramları (sınıflandırma, regresyon, kümeleme vb.) tanımlayabilir ve iş problemlerine uygun algoritmaları seçebilir.
- İşletme verilerini analiz edebilmek için veri ön işleme, özellik seçimi ve modelleme süreçlerini uygulayabilir.
- Denetimli ve denetimsiz öğrenme yöntemlerini kullanarak iş dünyasına yönelik öngörülerde bulunabilir.
- Makine öğrenmesi modellerinin başarı düzeyini değerlendirebilir ve modelin doğruluğunu artırmak için iyileştirme stratejileri geliştirebilir.
- Python gibi programlama dillerini kullanarak makine öğrenmesi uygulamaları geliştirebilir.
Ders Öğrenim Çıktısı & Program Çıktısı Matrisi
| DÖÇ-1 | DÖÇ-2 | DÖÇ-3 | DÖÇ-4 | DÖÇ-5 | |
| PÇ-1 | - | - | - | - | - |
| PÇ-2 | - | - | - | - | - |
| PÇ-3 | - | - | - | - | - |
| PÇ-4 | - | - | - | - | - |
| PÇ-5 | - | - | - | - | - |
| PÇ-6 | - | - | - | - | - |
| PÇ-7 | - | - | - | - | - |
| PÇ-8 | - | - | - | - | - |
| PÇ-9 | - | - | - | - | - |
| PÇ-10 | - | - | - | - | - |
| PÇ-11 | - | - | - | - | - |
Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları
| Hafta | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Python İle Veri Analizine Giriş | Jake VanderPlas - Python Data Science Handbook – Chapter 1 |
| 2 | Veri okuryazarlığı | Andre Lessa - Python developer's handbook - Chapter 1 |
| 3 | Pandas İle Veri Manipülasyonu | Jake VanderPlas - Python Data Science Handbook – Chapter 3 |
| 4 | Matplotlib İle Veri Görselleştirme | Jake VanderPlas - Python Data Science Handbook – Chapter 4 |
| 5 | Veri Ön İşleme | Jose Manuel Magallanes Reyes - Introduction to Data Science for Social and Policy Research_ Collecting and Organizing Data with R and Python – Chapter 5 |
| 6 | Veri bilimi için istatistik | (Wiley and SAS Business Series) Roger Hoerl, Ron D. Snee - Statistical Thinking_ Improving Business Performance- Chapter 2 |
| 7 | Sklearn İle Basit ve Çoklu Doğrusal Regresyon Modelleri | Jake VanderPlas - Python Data Science Handbook |
| 8 | Ara Sınav 1 | |
| 9 | Sklearn İle Doğrusal Olmayan Regresyon Modeli (Lojistik Regresyon) | Jake VanderPlas - Python Data Science Handbook |
| 10 | Sklearn İle Doğrusal Olmayan Regresyon Modeli (Destek Vektör Regresyonu / KNN) | Jake VanderPlas - Python Data Science Handbook |
| 11 | Regresyon Modelleri Uygulaması | Jake VanderPlas - Python Data Science Handbook |
| 12 | Sklearn İle Naive Bayes Sınıflandırma Modeli | Jake VanderPlas - Python Data Science Handbook |
| 13 | Sklearn İle Yapay Sinir Ağları Sınıflandırma Modeli | Jake VanderPlas - Python Data Science Handbook |
| 14 | Sklearn İle K Means Sınıflandırma Modeli | Jake VanderPlas - Python Data Science Handbook |
| 15 | Sunumlar | |
| 16 | Final |
Değerlendirme Sistemi
| Etkinlikler | Sayı | Katkı Payı |
|---|---|---|
| Devam/Katılım | ||
| Laboratuar | ||
| Uygulama | ||
| Arazi Çalışması | ||
| Derse Özgü Staj | ||
| Küçük Sınavlar/Stüdyo Kritiği | ||
| Ödev | 1 | 30 |
| Sunum/Jüri | ||
| Projeler | ||
| Seminer/Workshop | ||
| Ara Sınavlar | 1 | 30 |
| Final | 1 | 40 |
| Dönem İçi Çalışmaların Başarı Notuna Katkısı | ||
| Final Sınavının Başarı Notuna Katkısı | ||
| TOPLAM | 100 | |
AKTS İşyükü Tablosu
| Etkinlikler | Sayı | Süresi (Saat) | Toplam İşyükü |
|---|---|---|---|
| Ders Saati | 14 | 3 | |
| Laboratuar | |||
| Uygulama | 2 | 3 | |
| Arazi Çalışması | |||
| Sınıf Dışı Ders Çalışması | 14 | 8 | |
| Derse Özgü Staj | |||
| Ödev | 1 | 10 | |
| Küçük Sınavlar/Stüdyo Kritiği | |||
| Projeler | |||
| Sunum / Seminer | 2 | 9 | |
| Ara Sınavlar (Sınav Süresi + Sınav Hazırlık Süresi) | 1 | 17 | |
| Final (Sınav Süresi + Sınav Hazırlık Süresi) | 1 | 20 | |
| Toplam İşyükü : | |||
| Toplam İşyükü / 30(s) : | |||
| AKTS Kredisi : | |||
| Diğer Notlar | Yok |
|---|
