| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| Veri Analizinde Zeki Teknikler | ISE 506 | 0 | 3 + 0 | 3 | 6 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler | |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | YUKSEK_LISANS |
| Dersin Türü | Seçmeli |
| Dersin Koordinatörü | Dr.Öğr.Üyesi ÖZKAN CANAY |
| Dersi Verenler | Dr.Öğr.Üyesi ÖZKAN CANAY, |
| Dersin Yardımcıları | |
| Dersin Kategorisi | Alanına Uygun Öğretim |
| Dersin Amacı | Bu ders, öğrencilerin veriden anlamlı bilgi üretebilmek için kullanılan modern yapay zekâ ve makine öğrenmesi yöntemlerini tanımasını ve uygulama becerisi kazanmasını amaçlar. Katılımcılar, farklı veri türleri üzerinde zeki teknikleri uygulayarak veriden bilgi çıkarma, yorumlama ve karar süreçlerini destekleme yetkinliği geliştirir. Ders, hem teorik altyapıyı hem de Python tabanlı uygulamaları bütünleştirerek araştırma ve sektör pratiği arasında köprü kurar. |
| Dersin İçeriği | Veri analizi sürecinde kullanılan zeki tekniklerin temelleri, yöntemleri ve uygulamaları ele alınır. Konular arasında veri ön işleme, özellik mühendisliği, denetimli ve denetimsiz öğrenme, derin öğrenme, boyut indirgeme, ansambl yöntemler, anomali tespiti, zaman serisi analizi, açıklanabilirlik, adillik ve MLOps yer alır. Her hafta öğrenciler belirli bir konuyu sunum, makale incelemesi ve uygulama örneğiyle ele alır. Ders boyunca Python ve veri bilimi kütüphaneleri (pandas, scikit-learn, tensorflow vb.) aktif olarak kullanılır. |
| Kalkınma Amaçları |
|---|
|
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | Zekâ, öğrenme ve veri kavramlarını tanımlar; veri analizi sürecinde zeki tekniklerin rolünü açıklar. | Anlatım, Soru-Cevap, | Kısa Cevaplı Testler, |
| 2 | Veriyi çözümler, anlamlandırır ve analiz süreci boyunca uygun ön işleme, özellik çıkarımı ve model seçimi adımlarını uygular. | Proje, Gösterip Yaptırma, | Performans Değerlendirme, |
| 3 | Denetimli, denetimsiz, derin ve birleşik (ansambl) öğrenme yöntemlerini uygular, değerlendirir ve açıklanabilirlik ilkeleriyle yorumlar. | Bireysel Çalışma, Tartışma, | Çoktan Seçmeli Testler, |
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 1 | Doğal Zekadan Yapay Zekaya | |
| 2 | Veri Türleri, Ölçekler ve Veri-Bilgi Dönüşümü | |
| 3 | Python ile Veri İşleme ve Görselleştirme | |
| 4 | Makine Öğrenmesine Giriş | |
| 5 | Denetimli Öğrenme: Regresyon, Karar Ağaçları ve KNN | |
| 6 | Denetimsiz Öğrenme: Kümeleme Yöntemleri | |
| 7 | Derin Öğrenme: Sinir Ağları ve CNN | |
| 8 | Veri Ön İşleme ve Veri Kalitesi | |
| 9 | Özellik Mühendisliği ve Özellik Seçimi | |
| 10 | Model Seçimi, Doğrulama ve Veri Sızıntısı | |
| 11 | Boyut İndirgeme ve Manifold Öğrenme | |
| 12 | Birleşik (Ansambl) ve Hibrit Yöntemler | |
| 13 | Zaman Serisi, Dengesiz Veri ve Anomali Tespiti | |
| 14 | Açıklanabilirlik, MLOps ve Güncel Eğilimler |
| Kaynaklar | |
|---|---|
| Ders Notu | Ders notları öğretim üyesi tarafından paylaşılan slaytlar, Jupyter Notebook örnekleri ve öğrenci sunum dosyalarından oluşur. Her hafta işlenen konulara ait teorik özetler ve uygulama kodları dersin dijital platformunda paylaşılacaktır. |
| Ders Kaynakları | Géron, A. (2023). Scikit-Learn, Keras ve TensorFlow ile Uygulamalı Makine Öğrenmesi (3. Baskı). O’Reilly Media. James, G., Witten, D., Hastie, T. ve Tibshirani, R. (2023). Python Uygulamalarıyla İstatistiksel Öğrenmeye Giriş. Springer Nature. Goodfellow, I., Bengio, Y. ve Courville, A. (2016). Derin Öğrenme. MIT Press. Dr. Özkan Canay, Veri Analizinde Zeki Teknikler ders sunumları ve örnek uygulamalar. Güncel araştırma makaleleri (her hafta öğrenciler tarafından seçilecek ve sunulacaktır). |
| Sıra | Program Çıktıları | Katkı Düzeyi | |||||
|---|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Yaşadığı toplumun bilgi toplumu olmasına katkıda bulunmak, toplumsal, bilimsel, kültürel ve etik sorunlara çözüm sunmak amaçlarıyla alanındaki bilimsel, teknolojik, sosyal veya kültürel ilerlemeleri ulusal ve uluslararası bilimsel ortamlarda (toplantılarda) tanıtır. | ||||||
| 2 | Alanında bilimsel araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşır, alanında güncel teknik ve yöntemler ile bunların kısıtları hakkında kapsamlı bilgiye sahip olup ve elde ettiği bilgiyi değerlendirir, yorumlar ve uygular. | ||||||
| 3 | Alanı ile ilgili problemleri tanımlar ve formüle eder, yeni ve/veya özgün fikir ve yöntemler geliştirir; karmaşık sistem veya süreçleri tasarlar ve tasarımlarında yenilikçi/alternatif çözümler ile gelişmekte olan yenilikçi yöntemleri kullanır. | ||||||
| 4 | Kuramsal, deneysel ve modelleme esaslı araştırmaları tasarlar ve uygular, belirsiz, sınırlı ya da eksik verileri bilimsel yöntemlerle tamamlar; verilerin toplanması, yorumlanması, duyurulması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetir. | ||||||
| 5 | Alanındaki uygulamaların sosyal, çevresel, sağlık, güvenlik, hukuki boyutlarını ve iş hayatı uygulamalarını bilir ve bunların getirdiği kısıtların farkındadır. Disiplin içi ve çok disiplinli takımlarda etkin bir biçimde birlikte ve ya bağımsız çalışabilir ve sorumluluk alır. | ||||||
| # | Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı | PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 |
|---|---|---|---|---|---|---|
| 1 | Zekâ, öğrenme ve veri kavramlarını tanımlar; veri analizi sürecinde zeki tekniklerin rolünü açıklar. | |||||
| 2 | Veriyi çözümler, anlamlandırır ve analiz süreci boyunca uygun ön işleme, özellik çıkarımı ve model seçimi adımlarını uygular. | |||||
| 3 | Denetimli, denetimsiz, derin ve birleşik (ansambl) öğrenme yöntemlerini uygular, değerlendirir ve açıklanabilirlik ilkeleriyle yorumlar. |
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| 1. Performans Görevi (Seminer) | 100 |
| Toplam | 100 |
| 1. Final | 40 |
| 1. Yıl İçinin Başarıya | 60 |
| Toplam | 100 |
| AKTS - İş Yükü Etkinlik | Sayı | Süre (Saat) | Toplam İş Yükü (Saat) |
|---|---|---|---|
| Ders Süresi (Sınav haftası dahildir: 16x toplam ders saati) | 16 | 3 | 48 |
| Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme) | 16 | 1 | 16 |
| Performans Görevi (Seminer) | 1 | 65 | 65 |
| Final | 1 | 10 | 10 |
| Toplam İş Yükü | 139 | ||
| Toplam İş Yükü / 25 (Saat) | 5,56 | ||
| dersAKTSKredisi | 6 | ||