AKTS - Veri Biliminde Eniyileme
Veri Biliminde Eniyileme (IE441) Ders Detayları
| Ders Adı | Ders Kodu | Dönemi | Saati | Uygulama Saati | Laboratuar Hours | Kredi | AKTS |
|---|---|---|---|---|---|---|---|
| Veri Biliminde Eniyileme | IE441 | Alan Seçmeli | 3 | 0 | 0 | 3 | 5 |
| Ön Koşul Ders(ler)i |
|---|
| IE202 |
| Dersin Dili | İngilizce |
|---|---|
| Dersin Türü | Seçmeli Dersler |
| Dersin Seviyesi | Lisans |
| Ders Verilme Şekli | Yüz Yüze |
| Dersin Öğrenme ve Öğretme Teknikleri | Anlatım, Soru Yanıt. |
| Dersin Öğretmen(ler)i |
|
| Dersin Amacı | Bu dersin amacı, veri analitiğine odaklanarak, sürekli ve kesikli optimizasyon tekniklerinin farklı uygulama alanlarını tanıtmaktır. Ders süresince; mühendislik ve sosyal bilimlerden gelen soruları yanıtlamak amacıyla, temel makine öğrenmesi ve istatistiksel modelleme teknikleriyle uyumlu doğrusal, tam sayılı, karma tam sayılı ve doğrusal olmayan programlama modellerindeki temel kavramlar uygulanacaktır. |
| Dersin Eğitim Çıktıları |
Bu dersi başarıyla tamamlayabilen öğrenciler;
|
| Dersin İçeriği | Doğrusal cebir, olasılık, ve istatistik tekrarı ile veri biliminde doğrusal programlama, tamsayılı programlama, karma tamsayılı programlama, doğrusal olmayan programlama uygulamaları, Python diline giriş ve çeşitli Python kütüphanelerinin veri bilimi problemlerinde kullanımı. |
Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları
| Hafta | Konular | Ön Hazırlık |
|---|---|---|
| 1 | İlk toplantı - Müfredat tanıtımı | [1] Bölüm 1 |
| 2 | Lineer cebir ve olasılık gözden geçirme | [1] Bölüm 2,4 |
| 3 | Lineer cebir ve olasılık gözden geçirme | [1] Bölüm 4,6 |
| 4 | Tamsayı ve karışık tamsayı programlama uygulamaları | [1] Bölüm 7 |
| 5 | Doğrusal olmayan programlama uygulamaları | [2] Bölüm 2 |
| 6 | Doğrusal Regresyon | [3] Bölüm 3 |
| 7 | Çoklu Doğrusal Regresyon | [3] Bölüm 3 |
| 8 | Lojistic Regresyon | [3] Bölüm 3 |
| 9 | Ara Sınav | |
| 10 | K-En Yakın Komşu (KNN) | [3] Bölüm 4 |
| 11 | Karar Ağaçları | [3] Bölüm 8 |
| 12 | Destek Vektör Makinaları (SVM) | [3] Bölüm 9 |
| 13 | Kümeleme Algoritmaları | [3] Bölüm 12 |
| 14 | Sinir ağları | [3] Bölüm 10 |
| 15 | Sinir ağları | [3] Bölüm 10 |
| 16 | Final Sınavı |
Kaynaklar
| Ders Kitabı | 1. Mathematics for Machine Learning, M.P. Deisenroth, A.A. Faisal, C.S. Ong, Cambridge University Press, 2020. |
|---|---|
| Diğer Kaynaklar | 2. A.C. Müller, S. Guido, Introduction to Machine Learning with Python: A Guide for Data Scientists, 1 st Edition, O'Reilly Media, 2016. |
| 3. James, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. Statistical learning. In An introduction to statistical learning: With applications in Python Springer International Publishing ,2023. |
Değerlendirme System
| Çalışmalar | Sayı | Katkı Payı |
|---|---|---|
| Devam/Katılım | - | - |
| Laboratuar | - | - |
| Uygulama | - | - |
| Alan Çalışması | - | - |
| Derse Özgü Staj | - | - |
| Küçük Sınavlar/Stüdyo Kritiği | 3 | 30 |
| Ödevler | - | - |
| Sunum | - | - |
| Projeler | - | - |
| Rapor | - | - |
| Seminer | - | - |
| Ara Sınavlar/Ara Juri | 1 | 30 |
| Genel Sınav/Final Juri | 1 | 40 |
| Toplam | 5 | 100 |
| Yarıyıl İçi Çalışmalarının Başarı Notu Katkısı | 60 |
|---|---|
| Yarıyıl Sonu Çalışmalarının Başarı Notuna Katkısı | 40 |
| Toplam | 100 |
Kurs Kategorisi
| Temel Meslek Dersleri | X |
|---|---|
| Uzmanlık/Alan Dersleri | |
| Destek Dersleri | |
| İletişim ve Yönetim Becerileri Dersleri | |
| Aktarılabilir Beceri Dersleri |
Dersin Öğrenim Çıktılarının Program Yeterlilikleri ile İlişkisi
| # | Program Yeterlilikleri / Çıktıları | Katkı Düzeyi | ||||
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | ||
| 1 | Matematik, fen bilimleri ve hesaplama alanlarındaki bilgi birikimini, imalat teknolojileriyle ilgili mühendislik problemlerinin çözümünde uygular. | |||||
| 2 | İmalat teknolojilerine özgü sorunları analiz eder ve tanımlar. | |||||
| 3 | Karşılaşılan mühendislik sorununun çözümüne yönelik bir yaklaşım geliştirir, model ve deney tasarlar ve gerçekleştirir. | |||||
| 4 | Temel mühendislik ilkelerinin yaratıcı kullanımına dayalı olarak, ekonomik, çevresel sürdürülebilirlik ve üretilebilirlik kısıtları altında kapsamlı bir imalat sistemi (yöntem, ürün veya cihaz geliştirme) tasarlar. | |||||
| 5 | İmalat mühendisliği uygulamaları için modern teknik ve mühendislik araçlarını seçer ve kullanır. | |||||
| 6 | Bilgi teknolojilerini etkin kullanarak veri toplar, analiz eder, eleştirel düşünür, yorumlar ve doğru kararlar alır. | |||||
| 7 | Çok disiplinli ve disiplin içi takım üyesi ya da bireysel olarak etkin çalışır; gerekli özgüveni ve örgütsel iş becerilerini gösterir. | |||||
| 8 | Türkçe ve İngilizcede sözlü ve yazılı olarak etkin iletişim kurar. | |||||
| 9 | Yaşam boyu öğrenir, bilgiye erişir, bilim ve teknolojideki son gelişmeleri takip eder ve kendini sürekli yeniler. | |||||
| 10 | İmalat Mühendisliği alanında mesleki, hukuksal, etik ve sosyal sorunlar hakkında farkındalık gösterir ve sorumluluk bilinci taşır. | |||||
| 11 | Ulusal rekabet gücünü artırmak ve imalat sanayinin verimliliğini iyileştirmek amacıyla, kaynakları (personel, donanım, maliyet) etkin kullanır; çözüm odaklı proje ve risk yönetimi yapar; girişimcilik, yenilikçilik ve sürdürülebilir kalkınma konularında farkındalık gösterir. | |||||
| 12 | Karar alırken, mühendislik uygulamalarının evrensel ve yerel ölçeklerde sağlık, çevresel, sosyal ve hukuksal sonuçları hakkında bilgili olur. | |||||
ECTS/İş Yükü Tablosu
| Aktiviteler | Sayı | Süresi (Saat) | Toplam İş Yükü |
|---|---|---|---|
| Teorik Ders saati (Sınav haftası dahildir: 16 x teorik ders saati) | 16 | 3 | 48 |
| Laboratuar | |||
| Uygulama | |||
| Derse Özgü Staj | |||
| Alan Çalışması | |||
| Sınıf Dışı Ders Çalışma Süresi | 14 | 2 | 28 |
| Sunum/Seminer Hazırlama | |||
| Projeler | |||
| Raporlar | |||
| Ödevler | |||
| Küçük Sınavlar/Stüdyo Kritiği | 3 | 8 | 24 |
| Ara Sınavlara/Ara Juriye Hazırlanma Süresi | 1 | 10 | 10 |
| Genel Sınava/Genel Juriye Hazırlanma Süresi | 1 | 15 | 15 |
| Toplam İş Yükü | 125 | ||