İŞLETME
Lisans	TYYÇ: 6. Düzey	QF-EHEA: 1. Düzey	EQF-LLL: 6. Düzey

Ders Tanıtım Bilgileri

Ders Kodu	Ders Adı	Yarıyıl	Teorik	Pratik	Kredi	AKTS
COP3231	Doğuş Teknoloji Makine Öğrenmesine Giriş	Bahar Güz	3	0	3	6

Bu katalog bilgi amaçlıdır, dersin açılma durumu, ilgili bölüm tarafından yarıyıl başında belirlenir.

Temel Bilgiler

Öğretim Dili:	English
Dersin Türü:	Departmental Elective
Dersin Seviyesi:	LİSANS
Dersin Veriliş Şekli:	Hibrit
Dersin Koordinatörü:	Prof. Dr. ELİF OKAN
Opsiyonel Program Bileşenleri:	Yok
Dersin Amacı:	Bu ders, gözetimli öğrenme ve gözetimsiz öğrenme dahil olmak üzere Makine Öğrenimindeki kavram ve algoritmalara genel bir bakış sunmayı amaçlamaktadır. Gerçek dünya sorunlarının üstesinden gelmek için son zamanlardaki yaklaşımların yanı sıra temel konuların derinlemesine anlaşılması sağlanacaktır. Makine öğrenmesi kavramlarının katılımcılar tarafından anlaşılmasıyla birlikte de sektör bazlı uygulamalar gerçekleştirilecektir.

Öğrenme Kazanımları

Bu dersi başarıyla tamamlayabilen öğrenciler;
1) İstatistiksel düşünme ve analitik bakış açı kazanma
2) Gizli kalıpları ortaya çıkararak tanımlayıcı veri analizini anlama
3) Gelecekteki eğilimleri tahmin etmek için temel makine öğrenme yöntemlerini anlama
4) Makine öğrenmesinin pratik uygulamalarda kullanılması ve uygulanabilirliğinin denetlenmesi
5) İncelenen makine öğrenmesi yöntemlerinin uygulanabilirliğinin denetlenmesi
6) Makine öğrenmesinin farklı endüstrilerde uygulanması ile ilgili bilgi sahibi olma
7) Python makine öğrenmesi programlaması hakkında farkındalık sahibi olma

Dersin İçeriği

Katılımcılara, Makine Öğrenmesi alanındaki yeni gelişmeler ve uygulamaların yanı sıra temel ilke ve kavramlar da tanıtacaklardır. Makine Öğrenmesi Problemlerini çözmek için gerekli olan matematiksel ve istatistiksel konularda sağlam bir temel oluşturacaklardır. Ders kapsamında Python programlama dili öğretilecek olup, dilin temellerinin yanında veri analizine yönelik olarak, python dili içerisinde bulunan bazı kütüphaneler (NumPy, SciPy, Pandas, Matplotlib, Scikit-learn) anlatılacak. Öğrenciler, günümüz endüstri düzeyindeki uygulamalarında yaygın olarak kullanılan, Makine Öğrenmesindeki temel teknikleri ve algoritmaları öğrenecek, bir çok alanda gerçekleştirelecek uygulamalı çalışmalarla aracılığıyla da Makine Öğrenmesi modeli eğitiminde deneyim kazanacaklardır. Ayrıca öğrenciler Makine Öğrenmesi yaklaşımlarını 5 farklı sektörde göreceklerinden, endüstriye atılmadan önce dahi, bu algoritmaların farklı sektörlerde kullanımıyla birlikte önemli alan bilgisi de edineceklerdir.

Haftalık Ayrıntılı Ders İçeriği

Hafta	Konu	Ön Hazırlık
1)	Yapısal programlamaya giriş: temel programlama teknikleri, değişken, döngü, koşullar ve fonksiyon gibi temel kavramlara giriş ve uygulamaları
2)	Veri yapılarına giriş: temel Veri yapılarının çalışma mantığı ve kullanım alanları, diziler, listeler, yığın, sıra, ağaçlar, haritalar, v.b. kavramlar. Nesne Yönelimli programlamaya giriş: Nesne, kalıtım, kapsülleme, çok şekillilik v.b. kavramlar.
3)	Makine Öğrenimi Kavramlarına Giriş ve Sektörler Özelinde Son Uygulamaları - Matematiksel Temeller & İstatistiksel Düşünme
4)	Keşifsel Veri Analizi: -Veri Analizi ve Görselleştirme - Veri Sorunlarının Ele Alınması, - Keşifsel Veri Analizi uygulaması
5)	Makine Öğrenmesi Algoritmaları: Makine Öğrenmesi Algoritmalarına Genel Bakış, -Gözetimli Öğrenme: Sınıflandırma
6)	Vaka Çalışması: Finans Sektörü Uygulaması
7)	Makine Öğrenmesi Algoritmaları: - Gözetimli Öğrenme: Regresyon Vize
8)	Vaka Çalışması: Enerji Sektörü Uygulaması
9)	Makine Öğrenmesi Algoritmaları: - Topluluk Öğrenmesi Yöntemleri
10)	Vaka Çalışması: Otomotiv Sektörü Uygulaması
11)	Makine Öğrenmesi Algoritmaları: - Model Validasyonu
12)	Vaka Çalışması: Yeme & İçme Sektörü Uygulaması
13)	Makine Öğrenmesi Algoritmaları: - Gözetimsiz Öğrenme, Yapay Sinir Ağlarına Giriş.
14)	Vaka Çalışması: Medya Sektörü Uygulaması

Kaynaklar

Ders Notları / Kitaplar:	• Python for Data Analysis, 2nd Edition Data Wrangling with Pandas, NumPy, and IPython, William McKinney, 2017 • Pandas for Everyone: Python Data Analysis, Daniel Y. Chen, 2017 • Building Machine Learning Systems with Python , Willi Richert, Luis Pedro Coelho , 2013 • Learning scikit-learn: Machine Learning in Python Paperback – November 25, 2013, Raúl Garreta, Guillermo Moncecchi
Diğer Kaynaklar:

Değerlendirme Sistemi

Yarıyıl İçi Çalışmaları	Aktivite Sayısı	Katkı Payı
Projeler	1	% 20
Ara Sınavlar	1	% 30
Final	1	% 50
Toplam		% 100
YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI		% 30
YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI		% 70
Toplam		% 100

AKTS / İş Yükü Tablosu

Aktiviteler	Aktivite Sayısı	Süre (Saat)	İş Yükü
Ders Saati	14	3	42
Sınıf Dışı Ders Çalışması	5	14	70
Proje	1	42	42
Ara Sınavlar	1	2	2
Final	1	2	2
Toplam İş Yükü			158

Program ve Öğrenme Kazanımları İlişkisi

Etkisi Yok	1 En Düşük	2 Düşük	3 Orta	4 Yüksek	5 En Yüksek

	Dersin Program Kazanımlarına Etkisi	Katkı Payı
1)	Sorun tespit etmek ve doğru soruları sorabilmek
2)	Problem çözme becerisine sahip olmak ve bunun için gerekli analitik yaklaşımları geliştirebilmek
3)	Teorik yaklaşımları ve karşı argümanları tüm detayları ile kavramak
4)	Yaşam boyu öğrenme farkındalığını kazanmak ve lisans üstü eğitime başlayacak yeterliliğe sahip olmak
5)	Proje planlamasında teorik kavramları uygulayabilmek
6)	Farklılıkları kabul ederek etkin iletişim kurabilmek ve uyumlu takım çalışması yürütmek
7)	İş ortamında verimlilik oranını arttırmak
8)	Belirsizlik karşısında yenilikçi ve yaratıcı çözüm üretmek
9)	İş hayatında mevcut fırsat ve tehditleri anlamaya yönelik araştırma yaparak bilgi toplayabilmek
10)	Küreselleşmenin iş ve toplum hayatının üzerindeki etkileri bilerek karar almak
11)	Dijital çağın yetkinliklerine sahip olmak, gerekli teknolojiyi kullanabilmek
12)	En az bir yabancı dili akademik ve günlük iletişimde kullanabilmek
13)	Yönetici nitelik ve yetkinliklerine sahip olmak
14)	İş hayatındaki faaliyetlerinin hukuksal ve etik sonuçlarını bilerek karar almak
15)	İş ve akademik hayatta herhangi bir konuyu eleştirel ele alarak düşüncelerini ifade edebilmek