İşletme ve Yönetim Bilimleri Fakültesi · İslam İktisadı ve Finans · Lisans
Dersin Amacı
Bu ders, öğrencilere makine öğrenmesi (ML) algoritmalarını, veri modelleme tekniklerini ve uygulamalarını öğretmeyi amaçlamaktadır. Öğrenciler, denetimli ve denetimsiz öğrenme yöntemlerini kullanarak veri setleri üzerinde analiz yapacak, SPSS ve Python ile makine öğrenmesi modellerini uygulayacak ve sonuçları yorumlayacaktır.
Ders İçeriği
Bu ders, makine öğrenmesi algoritmalarını, veri analizi tekniklerini ve modelleme süreçlerini kapsamaktadır. Öğrenciler, SPSS ve Python kullanarak denetimli ve denetimsiz öğrenme modelleri oluşturmayı öğreneceklerdir. Regresyon, sınıflandırma, kümeleme, boyut azaltma, sinir ağları ve doğal dil işleme (NLP) gibi temel makine öğrenmesi teknikleri ele alınacaktır. Ayrıca, model değerlendirme, büyük veri ile makine öğrenmesi ve yapay zeka etiği konularına da odaklanılacaktır.
Zorunlu Kaynaklar
Alpaydın, Ethem. Makine Öğrenmesi: Algoritmalar ve Uygulamalar. 2. Baskı. İstanbul: Boğaziçi Üniversitesi Yayınları, 2020.
Bishop, Christopher M. Pattern Recognition and Machine Learning. New York: Springer, 2006.
Özdamar, Kazım. SPSS ile Veri Madenciliği ve Makine Öğrenmesi. Eskişehir: Nisan Kitabevi, 2021.
Önerilen Kaynaklar
Hastie, Trevor, Tibshirani, Robert, and Friedman, Jerome. The Elements of Statistical Learning. 2nd ed. New York: Springer, 2017.
Dersin Öğrenme Çıktıları
- Makine öğrenmesinin temel kavramlarını ve algoritmalarını kavrayarak farklı veri türleri için uygun modeller oluşturabilecektir.
- SPSS ve Python kullanarak makine öğrenmesi modellerini uygulayabilecek ve veri analizi süreçlerini yürütebilecektir.
- Denetimli ve denetimsiz öğrenme yöntemleri ile sınıflandırma ve tahminleme modelleri oluşturabilecektir.
- Büyük veri ve doğal dil işleme teknikleri kullanarak çeşitli sektörlerde makine öğrenmesi çözümleri geliştirebilecektir.
- Makine öğrenmesi modellerinin performansını değerlendirerek hata oranlarını analiz edebilecektir.
Temel Alan Dağılımı
Öğretim Yöntem ve Teknikleri
Ölçme ve Değerlendirme
AKTS / İş Yükü
| Etkinlik | Sayı | Süre (saat) | Toplam İş Yükü |
|---|---|---|---|
| Ders Süresi (Sınav Haftası Dahil) | 16 | 3 | 48 |
| Sınıf Dışı Ders Çalışma Süresi | 14 | 2 | 28 |
| Ara Sınav | 1 | 2 | 2 |
| Kısa Sınav | 0 | 0 | 0 |
| Ödev | 12 | 3 | 36 |
| Uygulama | 0 | 0 | 0 |
| Final | 1 | 2 | 2 |
Ders Akışı
| Hafta | Konu | Ön Hazırlık |
|---|---|---|
| 1 | Makine Öğrenmesine Giriş: Temel Kavramlar, Algoritma Türleri | Temel okuma, araştırma, analiz. |
| 2 | Veri Ön İşleme: Eksik Veriler, Normalizasyon, Değişken Seçimi | Temel okuma, araştırma, analiz. |
| 3 | Denetimli Öğrenme: Regresyon Analizi (Doğrusal, Lojistik) | Temel okuma, araştırma, analiz. |
| 4 | Denetimli Öğrenme (Sınıflandırma): Karar Ağaçları, SVM, k-NN | Temel okuma, araştırma, analiz. |
| 5 | Denetimsiz Öğrenme: Kümeleme (K-Means, DBSCAN) | Temel okuma, araştırma, analiz. |
| 6 | Boyut Azaltma Teknikleri: Ana Bileşen Analizi (PCA) | Temel okuma, araştırma, analiz. |
| 7 | Sinir Ağları ve Derin Öğrenme: Yapay Sinir Ağları, İleri Beslemeli Ağlar | Temel okuma, araştırma, analiz. |
| 8 | Ara Sınav (Vize) | - |
| 9 | Doğal Dil İşleme (NLP): Metin Madenciliği, Duygu Analizi | Temel okuma, araştırma, analiz. |
| 10 | Öneri Sistemleri: İçerik Tabanlı ve İş Birlikçi Filtreleme | Temel okuma, araştırma, analiz. |
| 11 | Makine Öğrenmesinde Model Değerlendirme: Hata Ölçütleri, Çapraz Doğrulama | Temel okuma, araştırma, analiz. |
| 12 | Büyük Veri ve Makine Öğrenmesi: Hadoop, Spark | Basic reading, research, analysis. |
| 13 | Makine Öğrenmesi Uygulamaları: Finans, Sağlık, Siber Güvenlik | Temel okuma, araştırma, analiz. |
| 14 | Etik Veri Kullanımı ve Yapay Zeka Etiği | Temel okuma, araştırma, analiz. |
| 15 | Makine Öğrenmesinde Güncel Trendler ve Gelecek Perspektifleri | Temel okuma, araştırma, analiz. |
| 16 | Final Sınavı | - |