| School/Faculty/Institute | Faculty of Economics, Administrative and Social Sciences | ||||
| Course Code | ECON 442 | ||||
| Course Title in English | Machine Learning in Decision Making | ||||
| Course Title in Turkish | Karar Verme Sürecinde Makine Öğrenimi Yöntemleri | ||||
| Language of Instruction | EN | ||||
| Type of Course | Laboratory Work | ||||
| Level of Course | Seçiniz | ||||
| Semester | Bahar | ||||
| Contact Hours per Week |
|
||||
| Estimated Student Workload | 135 hours per semester | ||||
| Number of Credits | 5 ECTS | ||||
| Grading Mode | Standard Letter Grade | ||||
| Pre-requisites |
ECON 337 - R Programming for Social Sciences |
||||
| Expected Prior Knowledge | Basics of R programming and statistics | ||||
| Co-requisites | None | ||||
| Registration Restrictions | ECON 337 | ||||
| Overall Educational Objective | Learn the basics of Machine Learning tools and basic data-handling procedures. | ||||
| Course Description | In this course, students will learn how to solve business problems effectively by using machine learning. This course is an introductory level course. | ||||
| Course Description in Turkish | Bu derste öğrenciler, makine öğrenimini kullanarak iş problemlerini etkili bir şekilde çözmeyi öğreneceklerdir. Bu ders başlangıç seviyesinde bir derstir. |
Course Learning Outcomes and CompetencesUpon successful completion of the course, the learner is expected to be able to:1) R programlama dilinin temel konularina hakim olmak ve makina öğrenmesi araçlarını öğrenmek 2) Verileri görsel yöntemler kullanarak analiz etme 3) Makine öğrenmesinde kullanılan temel yönetemlerin öğrenilmesi ve uygulanması 4) Makine öğrenmesi modelleri kullanarak model oluşturma ve analiz etme |
| Program Learning Outcomes/Course Learning Outcomes | 1 | 2 | 3 | 4 |
|---|---|---|---|---|
| 1) Psikolojideki başlıca kavramlar, teorik perspektifler, deneysel bulgular ve tarihsel eğilimler hakkında kapsamlı bilgi edinilmesi. | ||||
| 2) Psikolojide temel araştırma yöntemlerini, ayrıca araştırma tasarımı, veri analizi ve veri yorumlama anlama ve uygulama becerisi. | ||||
| 3) Davranış ve zihinsel süreçlerle ilgili problemleri çözmek için eleştirel ve yaratıcı düşünme, şüpheci sorgulama ve bilimsel bir yaklaşım kullanma yetkinliği. | ||||
| 4) Psikolojik ilke, beceri ve değerleri kişisel, sosyal ve örgütsel bağlamlarda anlama ve uygulama becerisi. | ||||
| 5) Psikoloji disipliniyle bağlantılı olan kanıtları değerlendirme, belirsizliği tolere etme ve diğer değerleri yansıtma becerisi. | ||||
| 6) Mesleki etik standartların içselleştirilmesi ve yayılması. | ||||
| 7) Psikoloji ve diğer sosyal bilimler alanlarında bilgi edinme amacıyla bilgi teknolojileri, bilgisayar ve diğer teknolojileri kullanma konusunda yetkinlik gösterme. | ||||
| 8) Psikoloji bilimi bilgisini Türkçe ve en azından CEFR B2 düzeyinde İngilizce olmak üzere çeşitli formatlarda etkili bir şekilde iletme becerisi. | ||||
| 9) Sosyokültürel ve uluslararası çeşitliliğin karmaşıklığını tanıma, anlama ve buna saygı gösterme. | ||||
| 10) Yaşam boyu öğrenme, araştırma ve kendini geliştirme ihtiyacını tanıma ve bu doğrultuda beceriler geliştirme. | ||||
| 11) Psikolojik teori ve literatüre dayanarak eleştirel hipotezler oluşturma ve bu hipotezleri test etmek için çalışmalar tasarlama becerisi. | ||||
| 12) Bağımsız olarak bilgi edinme ve kendi öğrenimini planlama becerisi. | ||||
| 13) Yazılı çalışmaların ve sunumların netliği ve düzeni konusunda ileri düzeyde yetkinlik gösterme. |
| N None | S Supportive | H Highly Related |
| Program Outcomes and Competences | Level | Assessed by | |
| 1) | Psikolojideki başlıca kavramlar, teorik perspektifler, deneysel bulgular ve tarihsel eğilimler hakkında kapsamlı bilgi edinilmesi. | N | |
| 2) | Psikolojide temel araştırma yöntemlerini, ayrıca araştırma tasarımı, veri analizi ve veri yorumlama anlama ve uygulama becerisi. | N | |
| 3) | Davranış ve zihinsel süreçlerle ilgili problemleri çözmek için eleştirel ve yaratıcı düşünme, şüpheci sorgulama ve bilimsel bir yaklaşım kullanma yetkinliği. | H | Exam,HW,Participation |
| 4) | Psikolojik ilke, beceri ve değerleri kişisel, sosyal ve örgütsel bağlamlarda anlama ve uygulama becerisi. | N | |
| 5) | Psikoloji disipliniyle bağlantılı olan kanıtları değerlendirme, belirsizliği tolere etme ve diğer değerleri yansıtma becerisi. | N | |
| 6) | Mesleki etik standartların içselleştirilmesi ve yayılması. | N | |
| 7) | Psikoloji ve diğer sosyal bilimler alanlarında bilgi edinme amacıyla bilgi teknolojileri, bilgisayar ve diğer teknolojileri kullanma konusunda yetkinlik gösterme. | N | |
| 8) | Psikoloji bilimi bilgisini Türkçe ve en azından CEFR B2 düzeyinde İngilizce olmak üzere çeşitli formatlarda etkili bir şekilde iletme becerisi. | N | |
| 9) | Sosyokültürel ve uluslararası çeşitliliğin karmaşıklığını tanıma, anlama ve buna saygı gösterme. | S | Participation |
| 10) | Yaşam boyu öğrenme, araştırma ve kendini geliştirme ihtiyacını tanıma ve bu doğrultuda beceriler geliştirme. | S | HW,Participation |
| 11) | Psikolojik teori ve literatüre dayanarak eleştirel hipotezler oluşturma ve bu hipotezleri test etmek için çalışmalar tasarlama becerisi. | N | |
| 12) | Bağımsız olarak bilgi edinme ve kendi öğrenimini planlama becerisi. | S | Exam,HW |
| 13) | Yazılı çalışmaların ve sunumların netliği ve düzeni konusunda ileri düzeyde yetkinlik gösterme. | H | Exam,HW |
| Prepared by and Date | NAROD ERKOL , February 2024 |
| Course Coordinator | MUHAMMED ABDULLAH ALTUNDAL |
| Semester | Bahar |
| Name of Instructor | Dr. Öğr. Üyesi NAROD ERKOL |
| Hafta | Konu |
| 1) | R programlama dilini kullanarak makine öğrenmesine giriş |
| 2) | Veri yapıları: Vektörler ve matrisler |
| 3) | Veri yapıları I: Veri şemaları, listeler, döngüler |
| 4) | Veri görselleştirme |
| 5) | Doğrusal regresyon ve sınıflandırma modelleri oluşturma |
| 6) | Doğrusal modeller oluşturma |
| 7) | Ara sınav |
| 8) | Makine Öğrenmesinde Temel Kavramlar: Yanlılık/Varyans Dengesi ve Çapraz Doğrulama |
| 9) | Karar ağacı modelleri kullanarak model oluşturma ve doğrulama |
| 10) | Karar ağacı modelleri kullanarak model oluşturma ve doğrulama |
| 11) | Rastgele orman algoritması ve modellerı kullanarak model oluşturma ve doğrulama |
| 12) | Destek vektör algoritmaları kullanarak model oluşturma ve doğrulama |
| 13) | Makine öğrenmesi uygulaması: satış ve talep tahmini |
| 14) | Makine öğrenimi uygulaması: pazarlama stratejisini geliştirme |
| 15) | Final sınavı |
| Required/Recommended Readings | Tibshirani, R., James, G., Witten, D., & Hastie, T. (2013). An Introduction to Statistical Learning with Applications in R. New York: Springer. | |||||||||||||||
| Teaching Methods | Active Learning Flipped Learning | |||||||||||||||
| Homework and Projects | Pre class and in class assignments | |||||||||||||||
| Laboratory Work | Yes | |||||||||||||||
| Computer Use | Yes | |||||||||||||||
| Other Activities | NA | |||||||||||||||
| Assessment Methods |
|
|||||||||||||||
| Course Administration |
erkoln@mef.edu.tr 02123953670 Course Instructor: Asst. Prof. Narod Erkol (erkoln@mef.edu.tr) Attendance/participation: Students are expected to prepare for the lecture via pre-class assignments, videos and reading materials. Students are responsible to follow the announcements, course materials available on Blackboard system. Formal use of e-mails: Students are expected to use their @mef accounts for email traffic. The instructor is only responsible for the information sent/received through Blackboard system and emails using @mef account. The course instructor assumes that any information sent through email will be received in 24 hours, unless a system problem occurs. Grading and evaluation: Evaluation will be based on the student learning outcomes. It is strongly recommended to complete all the work in a timely fashion. Late submissions will not be accepted. Missing projects: No make up unless a legitimate proof of absence is presented. Missing final exam: Faculty regulations. Academic integrity: All students of MEF University are expected to be honest and comply with academic integrity. Students are expected to do their own work and neither give nor receive unauthorized assistance. Disciplinary action will be taken in case of suspicion. Improper behavior, academic dishonesty and plagiarism: Law on Higher Education Article 54. Important: If the learner cannot collect at least 30 points from the activities other than the final exam, they can not take the final exam and will get an FZ grade. |
|||||||||||||||
| Activity | No/Weeks | Calculation | |||
| No/Weeks per Semester | |||||
| Laboratuvar | 24 | 120 | |||
| Ödevler | 6 | 72 | |||
| Ara Sınavlar | 2 | 34 | |||
| Final | 2 | 44 | |||
| Total Workload | 270 | ||||
| Total Workload/25 | 10.8 | ||||
| ECTS | 5 | ||||