Lisansüstü Eğitim Enstitüsü · Büyük Veri ve İş Analitiği · Lisansüstü
Dersin Amacı
Öğrenciler yeni veri kümelerini nasıl keşfedeceklerini, kapsamlı bir makine öğrenimi algoritmaları kümesini sıfırdan nasıl uygulayacaklarını ve veri ön işleme, özellik mühendisliği, model seçimi, performans ölçümleri ve hiper parametre optimizasyonu gibi tahmine dayalı bir modelin tüm bileşenlerinde uzmanlaşmayı öğrenecekler.
Ders İçeriği
- Tahmine Dayalı Modelleme
Regresyon, Sınıflandırma, Veri Ön İşleme, Model Değerlendirme ve Topluluklar
- Veri madenciliği
Boyut Azaltma, Kümeleme, Birliktelik Kuralları, Anomali Tespiti, Ağ Analizi ve Öneri Sistemleri
- Özel Konular
Veri Mühendisliği, Doğal Dil İşleme ve Web Uygulamaları
Zorunlu Kaynaklar
Laird, N. M., & Ware, J. H. (1982). Random-effects models for longitudinal data. Biometrics, 963-974.
Verbeke, G. and Molenberghs, G. (2000). Linear Mixed Models for Longitudinal Data. Springer
Önerilen Kaynaklar
Commenges, D., & Jacqmin-Gadda, H. (2015). Dynamical biostatistical models (Vol. 86). CRC Press.
Lavielle, M. (2014). Mixed effects models for the population approach: models, tasks, methods and tools. CRC press.
Dersin Öğrenme Çıktıları
- Büyük Veri kümesinin farklı bileşenlerini ve bunların nasıl etkileşime girdiğini keşfedilir.
- Büyük Veri paradigmalarını öğrenilir.
- Açık kaynak çözümlerinin faydalarını öğrenilir.
- Sıfırdan bir Büyük Veri projesi geliştirılir.
- Verileri analiz etmek ve Makine Öğrenimi işlem hatlarını geliştirmek için Spark'ı nasıl kullanacağınızı öğrenilir.
- Dağıtılmış algoritmaları anlayın ve uygulanır.
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) | 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 Bilimine Giriş | Ders Notlari |
| 2 | Veri Bilimi için Temel İstatistik | Ders Notlari |
| 3 | Python’da Veri İşlemeye Giriş 1 | Ders Notlari |
| 4 | Python’da Veri İşlemeye Giriş 2 | Ders Notlari |
| 5 | Python’da Veri İşlemeye Giriş 3 | Ders Notlari |
| 6 | Yapay Öğrenmeye Giriş 1 | Ders Notlari |
| 7 | Python’la Yapay Öğrenme Uygulamaları 1 | Ders Notlari |
| 8 | Vize | Lecture Notes |
| 9 | Yapay Öğrenmeye Giriş 2 | Ders Notlari |
| 10 | Python’la Yapay Öğrenme Uygulamaları 2 | Ders Notlari |
| 11 | Yapay Öğrenmeye Giriş 3 | Ders Notlari |
| 12 | Python’la Yapay Öğrenme Uygulamaları 3 | Ders Notlari |
| 13 | Yapay Öğrenmeye Giriş 4 | Ders Notlari |
| 14 | Python’la Yapay Öğrenme Uygulamaları 4 | Ders Notlari |
| 15 | Python’la Yapay Öğrenme Uygulamaları 5 | Ders Notlari |
| 16 | Final | Lecture Notes |