BDA 541 Optimization and SimulationMEF ÜniversitesiAkademik Programlar Büyük Veri Analitiği (İngilizce) (Tezsiz)Öğrenciler için Genel BilgiDiploma EkiErasmus Beyanı
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
Ders: 3 Okuma: 0 Laboratuvar : 0 Diğer: 0
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 Yeterlilikler

Bu 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 OkumalarN/A
Öğretme TeknikleriTersyüz eğitim/Aktif Öğrenme
Ödev ve ProjelerÖğrenciler ders öncesi verilen ödevleri yapmak zorundadır
Laboratuvar ÇalışmasıN/A
Bilgisayar KullanımıÖğrenciler öğrendikleri teknikleri R programı üzerinden uygulayacaklardır
Diğer AktivitelerN/A
Değerlendirme Yöntemleri
Değerlendirme Araçları Sayı Ağırlık
Devam 6 % 18
Küçük Sınavlar 2 % 24
Ödev 6 % 18
Final 1 % 40
TOPLAM % 100
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