| YAPI İŞLETMESİ (TÜRKÇE, TEZSİZ) | |||||
| Yüksek Lisans | TYYÇ: 7. Düzey | QF-EHEA: 2. Düzey | EQF-LLL: 7. Düzey | ||
| Ders Kodu | Ders Adı | Yarıyıl | Teorik | Pratik | Kredi | AKTS |
| ISL5081 | İşletmeciler için İş Zekası | Güz Bahar |
3 | 0 | 3 | 8 |
| Bu dersin açılması ilgili bölüm tarafından yarıyıl başında belirlenir |
| Öğretim Dili: | Tr |
| Dersin Türü: | Departmental Elective |
| Dersin Seviyesi: | LİSANSÜSTÜ |
| Dersin Veriliş Şekli: | Yüz yüze |
| Dersin Koordinatörü: | Dr. Öğr. Üyesi TUĞCAN DEMİR |
| Dersi Veren(ler): |
Öğ.Gör. ULAŞ ÖNCÜL |
| Dersin Amacı: | Günümüz dünyasında işletmeler için ihtiyaç duyulan tüm veri kendi IT altyapılarında bulunmaktadır. İşlenmeye uygun veya değil olan bu veriler ile şirketlere doğrudan veya dolaylı fayda sağlayacak veri ambarı ve iş zekası ürünlerinin kullanımına dair genel bilgi vermek amaçlanmaktadır. Ders seçimini yapan öğrencilerin teknik bilgilerine göre dersin içeriği değişmekle birlikte dersin esas amacı katılımcılara İş Zekası'nın ne olduğu, şirketler için önemi, yarattığı katkı, İş Zekası projesi geliştirilirken yaşanan zorluklar, yeni trendler ve ilgili ekibin çalışma mantığını öğrenerek daha az efor ile daha çok işin yapılmasını sağlamaktır. |
|
Bu dersi başarıyla tamamlayabilen öğrenciler; İş Zekasının avantaj / dezavantajları Gerçek dünyada yaşanan vakalar Mimari hakkında fikir edinme Karşılaşacakları zorlukların farkındalığının sağlanması Bakış açısı kazandırma |
| İş Zekası Nedir? İş Zekası Ne Değildir İş Zekası projelerinin adımları Veri ambarı mimarisi ETL yazılımları Social BI Nedir Big Data Nedir Mobile BI Nedir İş Zekasının katkıları Case Study Konuk konuşmacı |
| Hafta | Konu | Ön Hazırlık | |
| 1) | İş Zekası Nedir | ||
| 2) | İş Zekası Ne Değildir | ||
| 3) | İş Zekası Mimarileri | ||
| 4) | Veri Ambarı Mimarisi, Normalizasyon - Denormalizasyon yapıları | ||
| 5) | Örnek Veri Ambarı Tasarımı - 1 | ||
| 6) | Örnek Veri Ambarı Tasarımı - 2 | ||
| 7) | Konuk konuşmacı | ||
| 8) | Social Business Intelligence | ||
| 9) | Mobile Business Intelligence | ||
| 10) | Big Data | ||
| 11) | Recommendation Engine, DMX, Machine Learning | ||
| 12) | Reporting Services | ||
| 13) | Analysis Services | ||
| 14) | Gerçek hayatta yaşanılan zorluklar (konuk konuşmacı) | ||
| 15) | İş Zekası Projelerinde Proje Yönetimi | ||
| 16) | Sunum | ||
| Ders Notları: | |
| Diğer Kaynaklar: |
| Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
| Devam | 1 | % 40 |
| Laboratuar | 0 | % 0 |
| Uygulama | 1 | % 5 |
| Arazi Çalışması | 0 | % 0 |
| Derse Özgü Staj | 0 | % 0 |
| Küçük Sınavlar | 0 | % 0 |
| Ödev | 0 | % 0 |
| Sunum | 0 | % 0 |
| Projeler | 1 | % 30 |
| Seminer | 1 | % 5 |
| Ara Sınavlar | 0 | % 0 |
| Ara Juri | 0 | % 0 |
| Final | 0 | % 0 |
| Rapor Teslimi | 1 | % 20 |
| Juri | 0 | % 0 |
| Bütünleme | % 0 | |
| Toplam | % 100 | |
| YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 70 | |
| YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 30 | |
| Toplam | % 100 | |
| Aktiviteler | Aktivite Sayısı | Süre (Saat) | İş Yükü |
| Ders Saati | 0 | 0 | 0 |
| Laboratuvar | 0 | 0 | 0 |
| Uygulama | 0 | 16 | 0 |
| Derse Özgü Staj | 0 | 0 | 0 |
| Arazi Çalışması | 0 | 0 | 0 |
| Sınıf Dışı Ders Çalışması | 0 | 16 | 0 |
| Sunum / Seminer | 0 | 1 | 0 |
| Proje | 0 | 16 | 0 |
| Ödevler | 0 | 0 | 0 |
| Küçük Sınavlar | 0 | 0 | 0 |
| Ara Juri | 0 | 0 | 0 |
| Ara Sınavlar | 0 | 0 | 0 |
| Rapor Teslimi | 0 | 1 | 0 |
| Juri | 0 | 0 | 0 |
| Final | 0 | 0 | 0 |
| Toplam İş Yükü | 0 | ||
| Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
| Dersin Program Kazanımlarına Etkisi | Katkı Payı |