Lisansüstü Eğitim Enstitüsü · Büyük Veri ve İş Analitiği · Lisansüstü
Dersin Amacı
Öğrencilere veri bilimindeki temel kavramları kazandırmak; veri madenciliğinde kullanılan çeşitli araçlar aracılığıyla pazarlama, finans ve operasyon verileri üzerinde uygulamalı projeler geliştirmelerini ve bu çalışmalar üzerinden yönetsel düzeyde çıkarımlar yapma becerisi edinmelerini sağlamak.
Ders İçeriği
Veri tipleri, temel istatistiklerin gözden geçirilmesi, temel bileşen analizi, doğrusal regresyon ve ilgili konular, sınıflandırma teknikleri, çapraz doğrulama ve bootstrapping ile model geçerliliği, doğrusal olmayan regresyon modelleri, karar ağaçları ve ensemble yöntemleri, destek vektör makineleri, kümeleme, anormallik tespiti, Python/SQL ve Tableau/Power BI kullanımı.
Zorunlu Kaynaklar
Asıl: Ders Notları + Tan, P.N., Steinbach, M., and Kumar V., Introduction to Data Mining, Pearson, 2006
Önerilen Kaynaklar
- James G., Witten, D., Hastie, T., and Tibshirani, R., An Introduction to Statistical Learning, Springer, 2013
- Shmueli G., Bruce P.C., Yahav I., Patel N.R., Kenneth C.L. (2017)
- Data Mining for Business Intelligence: Concepts, Techniques, and Applications in R, Wiley
Dersin Öğrenme Çıktıları
- Pazarlama, finans, operasyon ve müşteri analitiği gibi alanlarda gerçek iş problemlerini çözmek için nicel modelleme ve veri analizi tekniklerini uygulamak.
- İş dünyasında karar verme süreçlerinde yaygın olarak kullanılan istatistiksel ve makine öğrenmesi yöntemlerini gösterebilmek.
- Veri madenciliği ve iş analitiği için sektör standardı araçlar ve programlama dillerini (Python, SQL, Tableau, Power BI) kullanabilmek.
- Ham iş verilerini karar vermeye hazır içgörülere dönüştürmek için veri hazırlama, temizleme ve dönüştürme becerilerini uygulamak.
- Uygun doğrulama yöntemleri ve performans ölçütleri kullanarak öngörücü modeller tasarlamak ve değerlendirmek.
- Analitik bulguları raporlar, panolar (dashboard) ve veriyle hikâye anlatımı (data storytelling) yoluyla hem teknik kitlelere hem de yönetsel düzeyde etkili biçimde aktarabilmek.
Öğretim Yöntem ve Teknikleri
Ölçme ve Değerlendirme
AKTS / İş Yükü
| Etkinlik | Sayı | Süre (saat) | Toplam İş Yükü |
|---|---|---|---|
| Ders Süresi (Sınav Haftası Dahil) | 0 | 0 | 0 |
| Sınıf Dışı Ders Çalışma Süresi | 0 | 0 | 0 |
| Ara Sınav | 0 | 0 | 0 |
| Kısa Sınav | 0 | 0 | 0 |
| Ödev | 0 | 0 | 0 |
| Uygulama | 0 | 0 | 0 |
| Final | 0 | 0 | 0 |
Ders Akışı
| Hafta | Konu | Ön Hazırlık |
|---|---|---|
| 1 | Veri Madenciliğine Giriş ve Teknik Konular | - |
| 2 | Veri Tipleri ve Temel İstatistik | - |
| 3 | Veri Temizliği, Eksik Verilerin Doldurulması | - |
| 4 | Temel Bileşen Analizi (PCA) | - |
| 5 | Doğrusal Regresyon Analizi | - |
| 6 | Sınıflandırma Teknikleri I – Lojistik Regresyon | - |
| 7 | Sınıflandırma Teknikleri II – Ayırt Etme Analizi | - |
| 8 | Modelin Geçerliliğinin Ölçülmesi | - |
| 9 | Doğrusal Olmayan Regresyon Modelleri | - |
| 10 | Karar Ağaçları ve Sentezleme Algoritmaları | - |
| 11 | Destek Vektör Makineleri (SVM) | - |
| 12 | Kümeleme Teknikleri | - |
| 13 | Veri İçindeki Anormalliklerin Tespiti | - |
| 14 | Market Sepeti Analizi | - |
| 15 | Vaka Analizi ve Genel Değerlendirme | - |
| 16 | Vaka Analizi ve Genel Değerlendirme | - |