| İŞLETME MÜHENDİSLİĞİ | |||||
| Lisans | TYYÇ: 6. Düzey | QF-EHEA: 1. Düzey | EQF-LLL: 6. Düzey | ||
| Ders Kodu | Ders Adı | Yarıyıl | Teorik | Pratik | Kredi | AKTS |
| MAT1008 | Matematiksel Veri Analizi | Bahar | 2 | 2 | 3 | 5 |
| Bu dersin açılması ilgili bölüm tarafından yarıyıl başında belirlenir |
| Öğretim Dili: | En |
| Dersin Türü: | Must Course |
| Dersin Seviyesi: | LİSANS |
| Dersin Veriliş Şekli: | Hibrit |
| Dersin Koordinatörü: | Dr. Öğr. Üyesi MÜRÜVVET ASLI AYDIN |
| Dersin Amacı: | Bu derste, Python dilini kullanarak veri tabanındaki örüntüleri ve düzenlilikleri keşfetmek ve tahminlerde bulunmak için kullanılan veri madenciliği ve hesaplama algoritmaları tartışılacaktır. Denetimli ve denetimsiz öğrenme yaklaşımları, regresyon, model bulma ve küme analizine odaklanacaktır. |
|
Bu dersi başarıyla tamamlayabilen öğrenciler; Bu dersi tamamladığında öğrenci; 1) Python yazılımında programlama, 2) Veri Bilimi ile çözülebilen problemleri anlama ve bu problemlere istatistiksel olarak bakabilme, 3) Farklı veri kaynaklarından veri toplama, öznitelik oluşturma 4) Öznitelik seçme yöntemleri 5) Denetimsiz öğrenme teknikleri ile ilgili temel bilgileri alma, 6) Denetimli öğrenme ve regresyon tekniklerinin temellerini anlama, 7) Denetimli sınıflandırma tekniklerinin temellerini anlama, 8) Hata Analizi ve ölçümlerini anlama 9) Model seçimi tekniklerini anlama konusunda bilgi sahibi olacaktır. |
| 1,020 / 5,000 Translation results "Bu derste verilerden faydalı bilgiler toplamak için gerekli makine öğrenmesi algoritmaları öğretilecektir. Veriyi en iyi ifade edecek en önemli özellikleri seçen temel bileşenler yöntemi dikkate alınarak özdeğerlerin ve özvektörlerin matematiksel temeli verilecektir. İstatistiksel öğrenmenin temeli olan regresyon analizi ile tahmin problemleri üzerinde durulacaktır.Denetimli öğrenme yöntemleri olan karar ağaçları, destek vektör makineleri, sinir ağları algoritmaları matematiksel çıkarımları ile gözden geçirilecek ve python kütüphaneleri kullanılarak veri tabanlarında uygulamaları yapılacaktır. Denetimli öğrenme altında kümeleme yöntemlerinden biri olan k-ortalama değer algoritması veri tabanları üzerinde test edilecektir. Model seçim tekniklerinden biri olan çapraz doğrulama algoritmaları, denetimli ve denetimsiz öğrenme yöntemleriyle veri tabanlarında kullanılacaktır. Hata analizi, ROC eğrileri ve karışıklık matrisleri makine öğrenmesi algoritmalarında test edilecektir. |
| Hafta | Konu | Ön Hazırlık | |
| 1) | Veri Madenciliğine Giriş | ||
| 2) | İstatistiksel Öğrenme | ||
| 3) | Lineer Regresyon | ||
| 4) | Sınıflandırma | ||
| 5) | Sınıflandırma (Devam ediyor) | ||
| 6) | Yeniden Örnekleme Yöntemleri | ||
| 7) | Lineer Model Seçme ve Regularizasyon Yöntemleri | ||
| 8) | Ağaç Tabanlı Yöntemler | ||
| 9) | VİZE | ||
| 10) | Ağaç Tabanlı Yöntemler Devam ediyor | ||
| 11) | Destek Vektör Makineleri | ||
| 12) | Denetimsiz Öğrenme | ||
| 13) | Denetimsiz Öğrenme Devam ediyor | ||
| 14) | Sinir Ağları | ||
| Ders Notları: | Elements of Statistical Learning (2nd edition), Hastie, Tibshirani and Friedman (2009). Springer-Verlag. 763 pages. |
| Diğer Kaynaklar: | Elements of Statistical Learning (2nd edition), Hastie, Tibshirani and Friedman (2009). Springer-Verlag. 763 pages. |
| Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
| Devam | 28 | % 0 |
| Laboratuar | 28 | % 0 |
| Uygulama | % 0 | |
| Arazi Çalışması | % 0 | |
| Derse Özgü Staj | % 0 | |
| Küçük Sınavlar | 3 | % 15 |
| Ödev | 3 | % 15 |
| Sunum | % 0 | |
| Projeler | % 0 | |
| Seminer | % 0 | |
| Ara Sınavlar | 1 | % 30 |
| Ara Juri | % 0 | |
| Final | 1 | % 40 |
| Rapor Teslimi | % 0 | |
| Juri | % 0 | |
| Bütünleme | % 0 | |
| Toplam | % 100 | |
| YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 60 | |
| YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 40 | |
| Toplam | % 100 | |
| Aktiviteler | Aktivite Sayısı | Süre (Saat) | İş Yükü |
| Ders Saati | 14 | 2 | 28 |
| Laboratuvar | 14 | 2 | 28 |
| Uygulama | 0 | 0 | 0 |
| Derse Özgü Staj | 0 | 0 | 0 |
| Arazi Çalışması | 0 | 0 | 0 |
| Sınıf Dışı Ders Çalışması | 14 | 1 | 14 |
| Sunum / Seminer | 0 | 0 | 0 |
| Proje | 0 | 0 | 0 |
| Ödevler | 3 | 5 | 15 |
| Küçük Sınavlar | 3 | 5 | 15 |
| Ara Juri | 0 | 0 | 0 |
| Ara Sınavlar | 1 | 10 | 10 |
| Rapor Teslimi | 0 | 0 | 0 |
| Juri | 0 | 0 | 0 |
| Final | 1 | 10 | 10 |
| Toplam İş Yükü | 120 | ||
| Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
| Dersin Program Kazanımlarına Etkisi | Katkı Payı | |
| 1) | Matematik, fen bilimleri ve İşletme mühendisliği disiplinine özgü konularda yeterli bilgi birikimi; bu alanlardaki kuramsal ve uygulamalı bilgileri, karmaşık mühendislik problemlerinde kullanabilme becerisi. | |
| 2) | Karmaşık işletme mühendisliği problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi. | |
| 3) | Karmaşık bir sistemi, süreci, cihazı veya ürünü gerçekçi kısıtlar ve koşullar altında ve istenen gereksinimleri karşılayacak biçimde tasarlama becerisi; bu amaçla modern tasarım yöntemlerini uygulama becerisi. | |
| 4) | İşletme Mühendisliğinde karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları geliştirme, seçme ve kullanma becerisi; bilişim teknolojilerini etkin bir biçimde kullanma becerisi. | |
| 5) | İşletme Mühendisliği uygulamalarında karşılaşılan karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisi. | |
| 6) | Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışma becerisi; bireysel çalışma becerisi. | |
| 7) | İngilizce ve Türkçe sözlü ve yazılı etkin iletişim kurma becerisi; etkin rapor yazma ve yazılı raporları anlama, yönetim ve üretim raporları hazırlayabilme, etkin sunum yapabilme, açık ve anlaşılır talimat verme ve alma becerisi. | |
| 8) | Yaşam boyu öğrenmenin gerekliliği bilinci; bilgiye erişebilme ve bilim ve teknolojideki gelişmeleri izleyerek kendini sürekli yenileme becerisi. | |
| 9) | Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk bilinci; mühendislik uygulamalarında kullanılan standartlar hakkında bilgi. | |
| 10) | Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi. | |
| 11) | Mühendislik uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın mühendislik alanına yansıyan sorunları hakkında bilgi; mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık. | |
| 12) | Etkin ve verimli yönetme ve/veya liderlik becerisi. |