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 552 | ||||
| Ders Adı İngilizce | Model Building and Validation | ||||
| Ders Adı Türkçe | Model Kurma ve Doğrulama | ||||
| Öğretim Dili | EN | ||||
| Ders Türü | Ters-Yüz Öğrenme | ||||
| Dersin Düzeyi | Orta | ||||
| Dönem | Yaz Okulu | ||||
| Haftalık İletişim Saatleri |
|
||||
| Tahmini Öğrenci İş Yükü | Dönem boyunca 185 saat | ||||
| Ders Kredileri | 7.5 AKTS | ||||
| Değerlendirme | Standart Harf Notu | ||||
| Ön Koşul | Yok | ||||
| Yan Koşul | Yok | ||||
| Beklenen Ön Bilgi | Yok | ||||
| Kayıt Kısıtlamaları | Sadece Yüksek Lisans Öğrencileri | ||||
| Genel Eğitim Hedefi | |||||
| Ders Açıklaması | Bu ders öğrencilere verileri kullanarak gerçek dünyayla ilgili soruları yanıtlamaya sıfırdan nasıl başlayabileceklerini öğretecektir. Model oluşturma süreci, veri toplamanın yollarını oluşturmayı, ilgili iş sorularını yanıtlamak için verilerde neyin önemli olduğunu anlamayı ve bunlara dikkat etmeyi, anlayış kazanmak ve yapmak için istatistiksel, matematiksel veya bir simülasyon modeli bulmayı içerir. |
Ders Öğrenme Çıktıları ve YeterliliklerBu dersi başarıyla tamamlayabilen öğrenciler:1) QMV Sürecini Anlamak 2) Sorgulama Fazını Anlamak 3) Modelleme fazında model kurgulamaya giriş 4) Model Doğrulama Fazını Anlamak |
| Program Öğrenme Çıktıları/Ders Öğrenme Çıktıları | 1 | 2 | 3 | 4 |
|---|---|---|---|---|
| 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. | N | |
| 2) | Makine öğrenimiyle ilgili istatistik, hesaplama ve bilgisayar bilimi alanlarında derinlemesine teorik ve pratik bilgi uygulanmıştır. | N | |
| 3) | Makine öğreniminde kullanılan analiz ve modelleme yöntemleri ve bunların sınırlamaları hakkında kapsamlı bilgi. | N | |
| 4) | Analitik, modelleme ve deneye dayalı keşifsel araştırma tasarlama ve gerçekleştirme; bu süreçte karşılaşılan karmaşık durumlara çözümler üretme ve sonuçları yorumlama becerisi. | N | |
| 5) | Analitik süreci ve sonuçlarını makine öğrenimi alanı içinde veya dışında ulusal ve uluslararası platformlarda hem sözlü hem de yazılı olarak tanımlayabilme. | N | |
| 6) | Makine öğrenimi, işleme, kullanım, yorumlama ve yayma aşamaları ve ilgili tüm mesleki faaliyetlerle ilgili sosyal, bilimsel ve etik değerlerin farkında olma. | N | |
| 7) | Makine öğrenimi alanındaki yeni ve ortaya çıkan uygulamalar hakkında profesyonel farkındalık ve bunların kullanımlarını gösterme becerisi. | N | |
| 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. | N | |
| 10) | Makine öğrenimi uygulamalarının sosyal ve çevresel yönlerini anlama. | N |
| Hazırlayan ve Tarih | , |
| Ders Koordinatörü | ÖZGÜR ÖZLÜK |
| Dönem | Yaz Okulu |
| Dersi Veren(ler) | Dr. Öğr. Üyesi ŞİRİN ÖZLEM |
Ders İçeriği
| Hafta | Konu |
| 1) | Temel kavramlar (temel eda ve model doğrulama ile basit bir örnek) |
| 2) | Temel kavramlar (temel eda ve model doğrulama ile basit bir örnek) |
| 3) | Python ile Doğrusal Regresyon modeli oluşturma (eda, özellik mühendisliği ve çapraz doğrulama ile daha ayrıntılı bir örnek) |
| 4) | Python ile Doğrusal Regresyon modeli oluşturma (eda, özellik mühendisliği ve çapraz doğrulama ile daha ayrıntılı bir örnek) |
| 5) | Python ile Ağaç Tabanlı Regresyon modeli oluşturma (model ayarlama, model değerlendirme, zaman serisi verilerinin çapraz doğrulanması ile bir örnek) |
| 6) | Python ile Ağaç Tabanlı Regresyon modeli oluşturma (model ayarlama, model değerlendirme, zaman serisi verilerinin çapraz doğrulanması ile bir örnek) |
| 7) | Python ile Güçlendirilmiş Ağaç Sınıflandırıcı modeli oluşturma (roc_auc, metrikler, karışıklık matrisi ile bir örnek) |
| 8) | Python ile Güçlendirilmiş Ağaç Sınıflandırıcı modeli oluşturma (roc_auc, metrikler, karışıklık matrisi ile bir örnek) |
| 9) | Python ile MLP modeli oluşturma (sinir ağlarıyla temel bir uygulama örneği) |
| 10) | Python ile MLP modeli oluşturma (sinir ağlarıyla temel bir uygulama örneği) |
| 11) | Değerlendirmesi, Yorumlanması ve Açıklanabilirliği (özellik önemlerini, şeklini, farklı model çıktılarının karşılaştırılması ile bir örnek) |
| 12) | Değerlendirmesi, Yorumlanması ve Açıklanabilirliği (özellik önemlerini, şeklini, farklı model çıktılarının karşılaştırılması ile bir örnek) |
| 13) | Bir modeller topluluğu oluşturmak (çeşitlilik kontrolü, topluluklar, yığınlar) |
| 14) | Bir modeller topluluğu oluşturmak (çeşitlilik kontrolü, topluluklar, yığınlar) |
| 15) | Proje/Sunum Dönemi |
| 16) | Proje/Sunum Dönemi |
| Gerekli/Tavsiye Edilen Okumalar | James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning (Vol. 6). New York: springer. http://www-bcf.usc.edu/~gareth/ISL/ ● Stanford University Professor Andrew Ng’s Class Notes http://www.holehouse.org/mlclass/ ● Udacity Online Course : Model Building and Validation https://classroom.udacity.com/courses/ud919 | |||||||||||||||
| Öğretme Teknikleri | Dersler okumalar ve powerpoint sunumları şeklinde biçimlendirilecektir; bunlar Blackboard veya Google Drive'da mevcut olacak | |||||||||||||||
| Ödev ve Projeler | Ödev ve projeler | |||||||||||||||
| Laboratuvar Çalışması | Yok | |||||||||||||||
| Bilgisayar Kullanımı | Gerekli | |||||||||||||||
| Diğer Aktiviteler | Yok | |||||||||||||||
| Değerlendirme Yöntemleri |
|
|||||||||||||||
| Ders Yönetimi |
02123953600 |
|||||||||||||||
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 | 1.5 | 49 | |||
| Laboratuvar | 14 | 2 | 1.5 | 49 | |||
| Proje | 1 | 30 | 3 | 33 | |||
| Ödevler | 9 | 2 | 4 | 54 | |||
| Toplam İş Yükü | 185 | ||||||
| Toplam İş Yükü/25 | 7.4 | ||||||
| AKTS | 7.5 | ||||||