| 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 dersin amacı, lisansüstü düzeyde veri analizi problemlerinin yapısına uygun zeki teknikleri seçebilen; Python tabanlı veri hazırlama, ön işleme, keşifçi analiz, modelleme, doğrulama ve yorumlama süreçlerini sistematik biçimde yürütebilen; makine öğrenmesi, bulanık mantık, evrimsel hesaplama ve açıklanabilir yapay zeka yaklaşımlarını analitik karar verme bağlamında karşılaştırıp uygulayabilen öğrenciler yetiştirmektir. |
| Dersin İçeriği | Bu derste veri analizinde kullanılan zeki teknikler; deterministik ve sezgisel yaklaşımlar ayrımı, CRISP-DM bakış açısı, Python ile veri hazırlama, veri kalitesi ve ön işleme, keşifçi veri analizi ve görselleştirme, problem modelleme ve performans metrikleri, model doğrulama ve genelleştirme, regresyon, sınıflandırma, kümeleme, öznitelik mühendisliği, yapay sinir ağları ve derin öğrenme, bulanık mantık, evrimsel hesaplama, açıklanabilir yapay zeka ve veri etiği başlıkları altında incelenmektedir. Ders boyunca yöntem seçimi, model yorumlama ve analitik karar verme süreçleri uygulamalı örnekler üzerinden ele alınmaktadır. |
| Kalkınma Amaçları |
|---|
|
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | Python tabanlı veri hazırlama, ön işleme, keşifçi veri analizi, görselleştirme ve öznitelik mühendisliği adımlarını sistematik bir analitik iş akışı içinde uygular. | Anlatım, Soru-Cevap, Problem Çözme, Gösterip Yaptırma, | Kısa Cevaplı Testler, Ödev / Evde-Çöz Sınavlar, |
| 2 | Regresyon, sınıflandırma, kümeleme ve yapay sinir ağı temelli modelleri uygun performans metrikleri ve doğrulama stratejileri ile geliştirir, karşılaştırır ve yorumlar. | Proje, Gösterip Yaptırma, Bireysel Çalışma, Tartışma, | Performans Değerlendirme, Ödev / Evde-Çöz Sınavlar, |
| 3 | Verilen bir veri analizi problemi için bulanık mantık, genetik algoritma, açıklanabilir yapay zeka ve veri etiği boyutlarını dikkate alarak uygun zeki tekniği gerekçeli biçimde seçer. | Bireysel Çalışma, Tartışma, Problem Çözme, Proje, | Çoktan Seçmeli Testler, Performans Değerlendirme, |
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 1 | Zekâ Paradigmaları ve Analitik Yaklaşımlar | |
| 2 | Python ile Veri Hazırlama | |
| 3 | Veri Kalitesi ve Ön İşleme Teknikleri | |
| 4 | Keşifçi Veri Analizi ve Görselleştirme | |
| 5 | Problem Modelleme ve Performans Metrikleri | |
| 6 | Model Doğrulama ve Genelleştirme | |
| 7 | Regresyon Modelleri ve Tahmin | |
| 8 | Sınıflandırma Modelleri ve Karar Sınırları | |
| 9 | Kümeleme ve Segmentasyon | |
| 10 | Öznitelik Mühendisliği ve Boyut Yönetimi | |
| 11 | Yapay Sinir Ağları ve Derin Öğrenme | |
| 12 | Bulanık Mantık ile Belirsizlik Yönetimi | |
| 13 | Evrimsel Hesaplama ve Optimizasyon | |
| 14 | Açıklanabilir YZ (XAI) ve Veri Etiği |
| Kaynaklar | |
|---|---|
| Ders Notu | Veri Analizinde Zeki Teknikler Ders Notları, Dr. Özkan Canay, 2026. |
| Ders Kaynakları | Galit Shmueli, Peter C. Bruce, Peter Gedeck, Nitin R. Patel, O.P. Wali, Data Mining for Business Analytics: Concepts, Techniques and Applications in Python (An Indian Adaptation), Wiley, 2023. Mark Fenner, Machine Learning with Python for Everyone, Addison-Wesley Professional, 2020. François Chollet, Deep Learning with Python, 2nd ed., Manning, 2021. Çetin Elmas, Yapay Zeka – 1: Makine Öğrenmesi, Derin Öğrenme ve Üretken Yapay Zeka, 6. Baskı, Seçkin Yayıncılık, 2025. Çetin Elmas, Yapay Zeka – 2: Bulanık Mantık, Uzman Sistemler, Genetik Algoritma ve Hibrit Sistemler, 6. Baskı, Seçkin Yayıncılık, 2025.
|
| 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. | X | |||||
| 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. | X | |||||
| 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. | X | |||||
| 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. | X | |||||
| 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. | X | |||||
| 6 | Bilişim sistemlerinin işleyişinde verinin önemini ortaya koyarak veri hazırlama, veri analizi ve veri görselleştirme uygulamaları ile sistem verimliliğine katı sağlayıcı yetkinlikler kazanır. | X | |||||
| 7 | İlgili alanlarda kitap, makale ve benzeri bilimsel yayın üretmek ve uygulama yapabilmek için gerekli yetkinlikleri kazanır. | X | |||||
| # | Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı | PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 |
|---|---|---|---|---|---|---|---|---|
| 1 | Python tabanlı veri hazırlama, ön işleme, keşifçi veri analizi, görselleştirme ve öznitelik mühendisliği adımlarını sistematik bir analitik iş akışı içinde uygular. | 0 | 4 | 2 | 5 | 1 | 5 | 3 |
| 2 | Regresyon, sınıflandırma, kümeleme ve yapay sinir ağı temelli modelleri uygun performans metrikleri ve doğrulama stratejileri ile geliştirir, karşılaştırır ve yorumlar. | 0 | 5 | 4 | 4 | 0 | 4 | 4 |
| 3 | Verilen bir veri analizi problemi için bulanık mantık, genetik algoritma, açıklanabilir yapay zeka ve veri etiği boyutlarını dikkate alarak uygun zeki tekniği gerekçeli biçimde seçer. | 1 | 4 | 4 | 4 | 4 | 3 | 3 |
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| 1. Ödev | 100 |
| Toplam | 100 |
| 1. Final | 50 |
| 1. Yıl İçinin Başarıya | 50 |
| 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 | 38 | 38 |
| Final | 1 | 38 | 38 |
| Toplam İş Yükü | 140 | ||
| Toplam İş Yükü / 25 (Saat) | 5,6 | ||
| dersAKTSKredisi | 6 | ||