Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
---|---|---|---|---|---|
Veri Bilimi ve Makine Öğrenmesi | ENM 562 | 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 ENES FURKAN ERKAN |
Dersi Verenler | |
Dersin Yardımcıları | |
Dersin Kategorisi | Diğer |
Dersin Amacı | Bu ders, endüstri mühendisliği disiplinine entegre edilebilecek modern veri analitiği yaklaşımlarını kapsamaktadır. Tedarik zinciri yönetimi, üretim planlama, bakım tahmini, kalite kontrol, müşteri segmentasyonu ve süreç iyileştirme gibi uygulama alanlarında veri madenciliği yöntemlerinin kullanımı giderek artmaktadır. Veri ön işleme, regresyon, sınıflandırma ve kümeleme gibi temel analiz tekniklerini uygulamalı olarak öğrenilerek, gerçek dünya problemlerine veri odaklı çözümler geliştirme yetkinliği kazanılması hedeflenmektedir. |
Dersin İçeriği | Veri madenciliğine genel bakış ve temel kavramların tanımlanması, veri analizi süreci kapsamında veri ön işleme tekniklerinin uygulanması, verilerin temizlenmesi, dönüştürülmesi ve görselleştirilmesi, boyut indirgeme ve özellik seçimi yöntemlerinin kullanılması, regresyon ve sınıflandırma algoritmalarının uygulanması ve karşılaştırılması, kümeleme yöntemleriyle örüntü keşfi yapılması, model değerlendirme ve hiperparametre optimizasyon tekniklerinin yorumlanması, veri madenciliği yaklaşımlarının endüstri mühendisliği uygulamalarına entegrasyonu |
Kalkınma Amaçları |
---|
![]() |
# | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
---|---|---|---|
1 | Veri Ön İşleme ve Analiz | Anlatım, Soru-Cevap, | Yazılı Sınavlar (Kısa ve Uzun Yanıtlı), |
2 | Makine Öğrenmesi Yöntemleri | Problem Çözme, | Yazılı Sınavlar (Kısa ve Uzun Yanıtlı), Ödev / Evde-Çöz Sınavlar, |
3 | Gerçek Dünya Problemlerine Uygulama | Problem Çözme, Proje, | Yazılı Sınavlar (Kısa ve Uzun Yanıtlı), |
Hafta | Ders Konuları | Ön Hazırlık |
---|---|---|
1 | Giriş ve Temel Kavramlar | |
2 | Veri Keşfi ve Görselleştirme | |
3 | Veri Temizleme ve Dönüştürme | |
4 | Boyut İndirgeme ve Özellik Seçimi | |
5 | Regresyon Modelleri | |
6 | Sınıflandırma Algoritmaları - I | |
7 | Sınıflandırma Algoritmaları - II | |
8 | Model Değerlendirme ve Doğrulama | |
9 | Hiperparametre Optimizasyonu | |
10 | Ara Sınav | |
11 | Kümeleme Yöntemleri ve Örüntü Keşfi | |
12 | Birliktelik Kuralları ve Sıralı Örüntüler | |
13 | Proje Sunumları | |
14 | Proje Sunumları |
Kaynaklar | |
---|---|
Ders Notu | Sabis'ten paylaşılacaktır. |
Ders Kaynakları | 1. Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques. Morgan Kaufmann. 2. Kroese D.P., Botev Z.I., Taimre T., & Vaisman R. (2024) Data Science and Machine Learning |
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 | sürdürülebilir kalkınma ve endüstri mühendisliğinin gelişen koşullara göre gelişmelerini izleyebilmek ve uygulayabilmek için yaşam boyu öğrenme, bilim ve teknolojideki gelişmeleri izler ve bunun için kendini sürekli yenileme becerisine sahip olur. |
# | Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı | PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 |
---|---|---|---|---|---|---|---|
1 | Veri Ön İşleme ve Analiz | ||||||
2 | Makine Öğrenmesi Yöntemleri | ||||||
3 | Gerçek Dünya Problemlerine Uygulama |
Değerlendirme Sistemi | |
---|---|
Yarıyıl Çalışmaları | Katkı Oranı |
1. Ödev | 80 |
1. Ara Sınav | 20 |
Toplam | 100 |
1. Final | 100 |
Toplam | 100 |
AKTS - İş Yükü Etkinlik | Sayı | Süre (Saat) | Toplam İş Yükü (Saat) |
---|---|---|---|
Ödev | 1 | 48 | 48 |
Ders Süresi (Sınav haftası dahildir: 16x toplam ders saati) | 16 | 3 | 48 |
Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme) | 10 | 2 | 20 |
Final | 1 | 24 | 24 |
Toplam İş Yükü | 140 | ||
Toplam İş Yükü / 25 (Saat) | 5,6 | ||
dersAKTSKredisi | 6 |