Bilgi Paketi / Ders Kataloğu
| Ekonomi | |||||
| Lisans | Programın Süresi: 4 | Kredi Sayısı: 240 | TYYÇ: 6. Düzey | QF-EHEA: 1. Düzey | EQF: 6. Düzey |
Ders Genel Tanıtım Bilgileri
| Yüksekokul/Myo/Fakülte/Enstitü | Mühendislik Fakültesi | ||||||
| Ders Kodu | AI 366 | ||||||
| Ders Adı İngilizce | Business Intelligence | ||||||
| Ders Adı Türkçe | İş Zekası | ||||||
| Öğretim Dili | EN | ||||||
| Ders Türü | Ters-Yüz Öğrenme | ||||||
| Dersin Düzeyi | Seçiniz | ||||||
| Dönem | Güz | ||||||
| Haftalık İletişim Saatleri |
|
||||||
| Tahmini Öğrenci İş Yükü | Dönem boyunca 150 saat | ||||||
| Ders Kredileri | 6 AKTS | ||||||
| Değerlendirme | Standart Harf Notu | ||||||
| Ön Koşul | Yok | ||||||
| Yan Koşul | Yok | ||||||
| Beklenen Ön Bilgi | Yok | ||||||
| Kayıt Kısıtlamaları | Sadece Lisans Öğrencileri | ||||||
| Genel Eğitim Hedefi | Veri toplama, veri modelleme, ETL/ELT süreçleri, analiz ve etkileşimli panoları kapsayan uçtan uca İş Zekası (Business Intelligence - BI) çözümlerini tasarlayıp uygulayabilme yeteneğine sahip olmak; ham veriyi, veri odaklı kararlar almayı destekleyecek eyleme dönüştürülebilir içgörülere çevirebilmek; aynı zamanda yönetişim, gizlilik, güvenlik ve etik konuları dikkate alabilmek. | ||||||
| Ders Açıklaması | Bu ders, karar destek süreçleri için İş Zekası (BI) ve analitik prensiplerini, yöntemlerini ve araçlarını tanıtır. Öğrenciler; veri toplama ve bütünleştirme, analitik veri modelleme (ör. boyutsal modelleme), ETL/ELT süreçleri, raporlama ve etkileşimli gösterge panoları geliştirme konularını öğrenir. Ders kapsamında, tanımlayıcı–tahmine dayalı–kuralcı analitiğin BI bağlamındaki temelleri, veri madenciliğine giriş ve AI/ML çıktılarının BI raporlarına entegre edilmesi de ele alınır. Dönem projesinde ekipler gerçekçi bir vaka için uçtan uca BI çözümü geliştirir. |
Ders Öğrenme Çıktıları ve YeterliliklerBu dersi başarıyla tamamlayabilen öğrenciler:1) İş zekâsının (Business Intelligence) organizasyonel karar alma süreçlerindeki rolünü tanımlamak; 2) Veri ambarları veya veri marketleri (data marts) için analitik veri modelleri tasarlamak; 3) Analitik raporlama için veriyi hazırlamak ve SQL sorgularını optimize etmek; 4) Bir BI aracı kullanarak etkileşimli panolar ve raporlar geliştirmek; 5) Temel öngörücü (predictive) ve veri madenciliği tekniklerini uygulamak; 6) İş zekâsı yönetişimi, gizlilik ve etik ilkeleri değerlendirmek; 7) Bir ekip içinde uçtan uca iş zekâsı çözümü sunmak. |
| Program Öğrenme Çıktıları/Ders Öğrenme Çıktıları | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
|---|---|---|---|---|---|---|---|
| 1) Ekonomi konusunda geniş bir anlayışa sahip olup, diğer sosyal bilimler ve matematikle derin bir etkileşime sahip olmak. | |||||||
| 2) Farklı ekonomi alanlarının etkileşimlerini anlama konusunda bilgi ve beceriler sergilemek | |||||||
| 3) Mikroekonomik ve makroekonomik teoriyi anlamak | |||||||
| 4) Ekonomik kavramları karmaşık sorunları çözmek ve karar verme yeteneğini geliştirmek için uygulamak. | |||||||
| 5) Farklı ekonomik sistemleri analiz etmek için nicel teknikler kullanmak. | |||||||
| 6) Teorik bilgileri, Türk ve küresel ekonomilere ilişkin sorunları analiz etmek için uygulamak. | |||||||
| 7) Ekonomik verileri işlemek ve değerlendirmek için istatistiksel araçlar ve yaygın yazılım programları konusunda yetkinlik göstermek. | |||||||
| 8) Ekonomik analizin tüm aşamalarında - veri toplama, yorumlama ve bulguları yayma - bilimsel ve etik değerlere göre davranmak. | |||||||
| 9) Bilimsel bilgileri alışverişinde yazılı ve sözlü İngilizceyi etkili bir şekilde kullanmak (en az CEFR B2 seviyesinde). | |||||||
| 10) Bireysel ve profesyonel etik davranış sergiler ve sosyal sorumluluk taşımak. | |||||||
| 11) Yüksek derecede özerklikle daha ileri çalışmalar için gerekli öğrenme becerilerini sergilemek. |
Program Sonuçları ve Yeterliliklerle İlişkisi
| N Yok | S Destekleyici | H Çok İlgili |
| Program Çıktıları ve Yeterlilikler | Düzey | Değerlendirme | |
| 1) | Ekonomi konusunda geniş bir anlayışa sahip olup, diğer sosyal bilimler ve matematikle derin bir etkileşime sahip olmak. | N | |
| 2) | Farklı ekonomi alanlarının etkileşimlerini anlama konusunda bilgi ve beceriler sergilemek | N | |
| 3) | Mikroekonomik ve makroekonomik teoriyi anlamak | N | |
| 4) | Ekonomik kavramları karmaşık sorunları çözmek ve karar verme yeteneğini geliştirmek için uygulamak. | N | |
| 5) | Farklı ekonomik sistemleri analiz etmek için nicel teknikler kullanmak. | N | |
| 6) | Teorik bilgileri, Türk ve küresel ekonomilere ilişkin sorunları analiz etmek için uygulamak. | N | |
| 7) | Ekonomik verileri işlemek ve değerlendirmek için istatistiksel araçlar ve yaygın yazılım programları konusunda yetkinlik göstermek. | N | |
| 8) | Ekonomik analizin tüm aşamalarında - veri toplama, yorumlama ve bulguları yayma - bilimsel ve etik değerlere göre davranmak. | H | |
| 9) | Bilimsel bilgileri alışverişinde yazılı ve sözlü İngilizceyi etkili bir şekilde kullanmak (en az CEFR B2 seviyesinde). | H | |
| 10) | Bireysel ve profesyonel etik davranış sergiler ve sosyal sorumluluk taşımak. | H | |
| 11) | Yüksek derecede özerklikle daha ileri çalışmalar için gerekli öğrenme becerilerini sergilemek. | H |
| Hazırlayan ve Tarih | İLKER BEKMEZCİ , February 2026 |
| Ders Koordinatörü | TUBA AYHAN |
| Dönem | Güz |
| Dersi Veren(ler) |
Ders İçeriği
| Hafta | Konu |
| 1) | İş zekâsına giriş ve derse genel bir bakışı |
| 2) | Verinin bir varlık olarak önemi; veri kalitesi; OLTP vs. OLAP; analitik SQL |
| 3) | Betimleyici analiz; veri görselleştirme; KPI tasarımı; BI araçlarına giriş |
| 4) | Veri ambarı kavramları; boyutsal modelleme; yıldız şeması (star schema) |
| 5) | ETL/ELT süreçleri; veri entegrasyonu; veri marketi (data mart) tasarımı |
| 6) | Semantik modeller; analitik hesaplamalar; performans optimizasyonu |
| 7) | BI için öngörücü analiz; veri madenciliği süreci; değerlendirme metrikleri |
| 8) | Öngörücü analiz yöntemleri; sınıflandırma ve regresyon |
| 9) | Öngörücü analiz yöntemleri; sınıflandırma ve regresyon |
| 10) | Metin ve web analitiği; BI’da yapılandırılmamış veri |
| 11) | Önerisel analiz; optimizasyon ve simülasyon kavramları |
| 12) | Büyük veri ve modern BI mimarileri |
| 13) | BI’da güvenlik, gizlilik ve etik |
| 14) | BI’daki gelecekteki eğilimler ve dersin genel değerlendirmesi |
| 15) | Final Sınavı / Proje / Sunum Dönem |
| 16) | Final Sınavı / Proje / Sunum Dönem |
| Gerekli/Tavsiye Edilen Okumalar | Gerekli 1) Sharda, R., Delen, D., Turban, E. “Business Intelligence, Analytics, and Data Science: A Managerial Perspective” (latest available edition) 2) Selected lecture notes, lab handouts, and tool documentation provided via LMS. | ||||||
| Öğretme Teknikleri | Aktif öğrenme tekniği olarak ‘ters yüz sınıf’ kullanılan ders/iletişim saatleri | ||||||
| Ödev ve Projeler | Dönem projesi | ||||||
| Laboratuvar Çalışması | |||||||
| Bilgisayar Kullanımı | |||||||
| Diğer Aktiviteler | |||||||
| Değerlendirme Yöntemleri |
|
||||||
| Ders Yönetimi |
bekmezcii@mef.edu.tr 5th Floor Rules for attendance: Minimum 70% attendance is required for lectures. Missing a midterm: You are expected to be present without exception and to plan any travel around these dates accordingly. Medical emergencies are of course excluded if accompanied by a doctor’s note. A note indicating that you were seen at the health center on the day of the exam is not a sufficient documentation of medically excused absence from the exam. The note must say that you were medically unable to take the exam. Provided that proper documents of excuse are presented, a make-up exam will be given for each missed midterm. If you fail to take the exam on the assigned day and do not have a valid excuse, you will be given zero (0) on the exam. Employment interviews, employer events, weddings, vacations, etc. are not excused absences. Missing a final: Faculty regulations. Inappropriate conduct, academic dishonesty and plagiarism are subject to Law on Higher Education Article 54. |
||||||
AKTS Öğrenci İş Yükü Tahmini
| AKtivite | Hafta Sayısı | Saat | Hesaplama | ||||
| Yarıyıl Başına Hafta Sayısı | Etkinliğe Hazırlık | Etkinliğin Kendisinde Harcanan | Etkinlik Gereksinimlerini Tamamlama | ||||
| Ders Saati | 14 | 2 | 3 | 1 | 84 | ||
| Proje | 1 | 20 | 4 | 24 | |||
| Ara Sınavlar | 1 | 15 | 2 | 17 | |||
| Final | 1 | 22 | 3 | 25 | |||
| Toplam İş Yükü | 150 | ||||||
| Toplam İş Yükü/25 | 6.0 | ||||||
| AKTS | 6 | ||||||