Bu dersin amacı, veri bilimindeki temel kavramları öğrencilere tanıtmak ve sınıflandırma, regresyon, kümeleme, derin öğrenme, tahmin, büyük veri analizi gibi veri bilimi yaklaşımlarının gerçek dünya örneklerine nasıl adapte edilebileceğini göstermektir.
Ön Koşullar
-
Eş Koşullar
-
Özel Koşullar
-
Öğretim Üyeleri
Prof. Dr. Ayça Çakmak Pehlivanlı
Asistanlar
Ders Gün,Saat ve Yeri
Salı, 16.00-18:45, @CATS
Görüşme Saatleri ve Yeri
Çarşamba, 13.00-14.00, e-posta ile randevu alarak (a.pehlivanli@iku.edu.tr), @CATS çevrimiçi
Öğretim Yöntem ve Teknikleri
-Anlatım,
-Soru-Cevap,
-Tartışma,
-Örnek Olay
-Alıştırma ve Uygulama,
-Gösteri,
-Problem Çözme
Temel Kaynaklar
- Pang-Ning Tan, Michael Steinbach, Vipin Kumar, Introduction to Data Mining, Addison-Wesley, 2006, ISBN -13: 978032132136
- R. O. Duda, P. E. Hart, D. G. Stork, Pattern Classification, 2nd Edition, Wiley Interscience, 2001
- Tom Mitchell. Machine Learning. McGraw Hill, 1997
- James, G., Witten, D., Hastie, T., Tibshirani, R., An introduction to statistical learning, 2013.
- Murphy, K.P., Machine Learning a probabilistic perspective, MIT Press, 2012.
- Han, J., Kamber, M., Data mining concepts and techniques, Morgan Kaufmann, 2006.
- Alpaydın, E., Introduction to machine learning, MIT Press, 2004.
- Norman, G.R., Streiner, D.L., PDQ statistics, Pmph Usa, 2003.
Diğer Kaynaklar
-
Haftalık Ders Programı
Hafta
Dersin İçeriği
Öğretim Yöntem ve Teknikleri
1. Hafta
Veri analizine giriş ve dersin tanıtımı
Sözlü anlatım
2. Hafta
Temel kavramlar, öğrenme kavramı, veri biliminde kullanılan yazılım ve araçlar
Sözlü anlatım
3. Hafta
Tanımlayıcı veri analizi; veri ölçekleri ,veri önişleme, büyük veri kavramı
Sözlü anlatım
4. Hafta
Sayısal veriyi görselleştirme, kategorik veriyi tanımlama ve görselleştirme
Sözlü anlatım
5. Hafta
Tanımlayıcı istatistikler, verinin özetlenmesi
Sözlü anlatım
6. Hafta
Çıkarımsal veri analizi, istatistiksel yöntemler
Sözlü anlatım, ödev 1
7. Hafta
Basit doğrusal regresyon ve uygulamaları
Sözlü anlatım
8. Hafta
Çok değişkenli regresyon ve uygulamaları
9. Hafta
Basit sınıflandırma yöntemleri,
Karar Ağaçları ve Uygulamaları
Sözlü anlatım, ödev 1 teslim
10. Hafta
Basit sınıflandırma yöntemleri,
Naive Bayes ve Uygulamaları
Sözlü anlatım
11. Hafta
Değerlendirme yöntemleri, ileri sınıflama algoritmaları ve uygulamaları (SVM)
Sözlü anlatım, ödev 2
12. Hafta
Kümeleme, hiyerarşik kümeleme algoritmaları,
k-means, en yakın komşuluk
Sözlü anlatım
13. Hafta
İleri kümeleme yöntemleri ve uygulamaları
(SOM), Özellik seçimi, veri boyut indirgeme teknikleri ve uygulamaları
Sözlü anlatım, ödev 2 teslim
14. Hafta
Genel tekrar, vaka çalışmaları, uygulamalar
Sözlü anlatım ödev 3
15. Hafta
Final sınavı
16. Hafta
Final sınavı
17. Hafta
Final sınavı
Değerlendirme Ölçütleri
Ölçüt Tipleri
Adet
Yüzdesi(%)
Ara sınav(lar)
1
40
Derse Devam / Katılım
1
5
Final
1
55
ÖÇ-1
Farklı veri kaynaklarından toplanan farklı verileri bütünleştirip, tek bir forma getirebilecekler, temel veri temizliği yapabilecekler.
ÖÇ-2
Ellerindeki verinin ne anlama geldiğini ve nasıl kullanılabileceğini anlayacak ve ellerindeki veriyi sınıflandırma, regresyon, kümeleme, derin öğrenme, tahmin gibi makine öğrenmesi teknikleriyle ve istatistiksel yöntemlerle modelleyebilecekler.
ÖÇ-3
Ellerindeki veriye görselleştirme prosedürlerini uygulayabilecek ve buldukları sonuçlara yorum yapabilecekler.
ÖÇ-4
Gerçek dünyada karşılaştıkları problemleri verileri üzerinden tanımlayabilecekler.
ÖÇ-5
Gerçek dünyada karşılaştıkları problemleri çözmek için en uygun makine öğrenmesi tekniklerini seçebilecekler.
Program Çıktıları
PÇ-1
PÇ-1: Yönetim süreçleri ve Yöneticilik konularında bilgi birikimi
PÇ-2
PÇ-2: Mühendislik problemlerinin çözümü için gereken yöntem ve yetkinlikler ile ilgili bilgi birikimi ve uygulama becerisi
PÇ-3
PÇ-3: Üretim ve hizmet sektörlerinin gelişen alanlarına yönelik bilgi birikimi
