Bilgi Paketi / Ders Kataloğu
| Büyük Veri Analitiği (İngilizce) (Tezsiz) | |||||
| Yüksek Lisans | Programın Süresi: 1.5 | Kredi Sayısı: 90 | TYYÇ: 7. Düzey | QF-EHEA: 2. Düzey | EQF: 7. Düzey |
Ders Genel Tanıtım Bilgileri
| Yüksekokul/Myo/Fakülte/Enstitü | Lisansüstü Eğitim Enstitüsü | ||||
| Ders Kodu | BDA 541 | ||||
| Ders Adı İngilizce | Optimization and Simulation | ||||
| Ders Adı Türkçe | Optimizasyon ve Simülasyon | ||||
| Öğretim Dili | EN | ||||
| Ders Türü | Ters-Yüz Öğrenme | ||||
| Dersin Düzeyi | İleri | ||||
| Dönem | Bahar | ||||
| Haftalık İletişim Saatleri |
|
||||
| Tahmini Öğrenci İş Yükü | Dönem boyunca 188 saat | ||||
| Ders Kredileri | 7.5 AKTS | ||||
| Değerlendirme | Standart Harf Notu | ||||
| Ön Koşul | Yok | ||||
| Yan Koşul | Yok | ||||
| Beklenen Ön Bilgi | Temel olasılık bilgisi | ||||
| Kayıt Kısıtlamaları | Lisansüstü ve son sınıf lisans öğrencileri | ||||
| Genel Eğitim Hedefi | Eniyi kararları keşfetmek ve riskli durumları simüle etmek için güçlü analitik teknikleri öğrenmek. | ||||
| Ders Açıklaması | Bu dersin amacı, öğrencilerin optimizasyon ve simülasyon modelleri oluşturmalarına yardımcı olmak ve bu modelleri, varsayımlar, değer sürücüleri ve bir iş durumundaki riskler hakkında fikir vermek için analiz etmektir. Öğrenciler, modelleri, belirsizlik hakkında düşünmek, karar vermeye yönlendirmek ve analitik sonuçları ikna etmek için farklı yollar bulmak için kullanacaklardır. |
Ders Öğrenme Çıktıları ve YeterliliklerBu dersi başarıyla tamamlayabilen öğrenciler:1) optimizasyon ve/veya simülasyonun ne zaman gerekli olduğunu belirler 2) matematiksel prensiplere dayalı bir optimizasyon modeli oluşturur 3) karar vermedeki belirsizliği analiz etmek için simülasyon modeli oluşturur |
| Program Öğrenme Çıktıları/Ders Öğrenme Çıktıları | 1 | 2 | 3 |
|---|---|---|---|
| 1) Lisans derecesi sırasında edinilen beceriler üzerine inşa edilen, makine öğrenimiyle ilgili büyük veri analitiği alanında geliştirilmiş ve derinleştirilmiş bir uzmanlık düzeyi. | |||
| 2) Makine öğrenimiyle ilgili istatistik, hesaplama ve bilgisayar bilimi alanlarında derinlemesine teorik ve pratik bilgi uygulanmıştır. | |||
| 3) Makine öğreniminde kullanılan analiz ve modelleme yöntemleri ve bunların sınırlamaları hakkında kapsamlı bilgi. | |||
| 4) Analitik, modelleme ve deneye dayalı keşifsel araştırma tasarlama ve gerçekleştirme; bu süreçte karşılaşılan karmaşık durumlara çözümler üretme ve sonuçları yorumlama becerisi. | |||
| 5) Analitik süreci ve sonuçlarını makine öğrenimi alanı içinde veya dışında ulusal ve uluslararası platformlarda hem sözlü hem de yazılı olarak tanımlayabilme. | |||
| 6) Makine öğrenimi, işleme, kullanım, yorumlama ve yayma aşamaları ve ilgili tüm mesleki faaliyetlerle ilgili sosyal, bilimsel ve etik değerlerin farkında olma. | |||
| 7) Makine öğrenimi alanındaki yeni ve ortaya çıkan uygulamalar hakkında profesyonel farkındalık ve bunların kullanımlarını gösterme becerisi. | |||
| 8) Çok disiplinli takımlarda lider olarak hareket etme, karmaşık durumlara büyük veri odaklı çözümler geliştirme yeteneği; sorumluluk almak. | |||
| 9) Avrupa Dil Portföyü Genel Seviye B2'de hem sözlü hem de yazılı olarak İngilizce iletişim kurabilme yeteneği. | |||
| 10) Makine öğrenimi uygulamalarının sosyal ve çevresel yönlerini anlama. |
Program Sonuçları ve Yeterliliklerle İlişkisi
| N Yok | S Destekleyici | H Çok İlgili |
| Program Çıktıları ve Yeterlilikler | Düzey | Değerlendirme | |
| 1) | Lisans derecesi sırasında edinilen beceriler üzerine inşa edilen, makine öğrenimiyle ilgili büyük veri analitiği alanında geliştirilmiş ve derinleştirilmiş bir uzmanlık düzeyi. | H | Derse Katılım |
| 2) | Makine öğrenimiyle ilgili istatistik, hesaplama ve bilgisayar bilimi alanlarında derinlemesine teorik ve pratik bilgi uygulanmıştır. | H | Sınav |
| 3) | Makine öğreniminde kullanılan analiz ve modelleme yöntemleri ve bunların sınırlamaları hakkında kapsamlı bilgi. | H | Sınav |
| 4) | Analitik, modelleme ve deneye dayalı keşifsel araştırma tasarlama ve gerçekleştirme; bu süreçte karşılaşılan karmaşık durumlara çözümler üretme ve sonuçları yorumlama becerisi. | H | Ödev |
| 5) | Analitik süreci ve sonuçlarını makine öğrenimi alanı içinde veya dışında ulusal ve uluslararası platformlarda hem sözlü hem de yazılı olarak tanımlayabilme. | S | Ödev |
| 6) | Makine öğrenimi, işleme, kullanım, yorumlama ve yayma aşamaları ve ilgili tüm mesleki faaliyetlerle ilgili sosyal, bilimsel ve etik değerlerin farkında olma. | H | Sınav |
| 7) | Makine öğrenimi alanındaki yeni ve ortaya çıkan uygulamalar hakkında profesyonel farkındalık ve bunların kullanımlarını gösterme becerisi. | S | Ödev |
| 8) | Çok disiplinli takımlarda lider olarak hareket etme, karmaşık durumlara büyük veri odaklı çözümler geliştirme yeteneği; sorumluluk almak. | N | |
| 9) | Avrupa Dil Portföyü Genel Seviye B2'de hem sözlü hem de yazılı olarak İngilizce iletişim kurabilme yeteneği. | S | Ödev |
| 10) | Makine öğrenimi uygulamalarının sosyal ve çevresel yönlerini anlama. | N |
| Hazırlayan ve Tarih | SEMRA AĞRALI , February 2024 |
| Ders Koordinatörü | SEMRA AĞRALI |
| Dönem | Bahar |
| Dersi Veren(ler) | Prof. Dr. SEMRA AĞRALI |
Ders İçeriği
| Hafta | Konu |
| 1) | Optimizasyona Giriş |
| 2) | Doğrusal Programlamanın Temelleri |
| 3) | Doğrusal Programlama |
| 4) | İkili Programlamanın Temelleri |
| 5) | İkili Programlama |
| 6) | Tamsayılı Programlamanın Temelleri |
| 7) | Tamsayılı Programlama |
| 8) | Tamsayılı Programlama Uygulamaları |
| 9) | Simülasyona Giriş |
| 10) | Simülasyon Modelleri I |
| 11) | Simülasyon Modelleri II |
| 12) | Simülasyon Modelleri III |
| 13) | Simülasyon Uygulamaları |
| 14) | Optimizasyon ile Simülasyon |
| Gerekli/Tavsiye Edilen Okumalar | N/A | ||||||||||||||||||
| Öğretme Teknikleri | Tersyüz eğitim/Aktif Öğrenme | ||||||||||||||||||
| Ödev ve Projeler | Öğrenciler ders öncesi verilen ödevleri yapmak zorundadır | ||||||||||||||||||
| Laboratuvar Çalışması | N/A | ||||||||||||||||||
| Bilgisayar Kullanımı | Öğrenciler öğrendikleri teknikleri R programı üzerinden uygulayacaklardır | ||||||||||||||||||
| Diğer Aktiviteler | N/A | ||||||||||||||||||
| Değerlendirme Yöntemleri |
|
||||||||||||||||||
| Ders Yönetimi |
agralis@mef.edu.tr N/A |
||||||||||||||||||
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 | 3 | 3 | 1 | 98 | ||
| Ödevler | 9 | 2 | 1 | 27 | |||
| Ara Sınavlar | 1 | 28 | 2 | 30 | |||
| Final | 1 | 30 | 3 | 33 | |||
| Toplam İş Yükü | 188 | ||||||
| Toplam İş Yükü/25 | 7.5 | ||||||
| AKTS | 7.5 | ||||||