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 | |
|---|---|
| Uzmanlık/Alan Dersleri | X |
| 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 ilgili mühendislik disiplinine özgü konularda yeterli bilgi birikimi edinir ve bu alanlardaki kuramsal ve uygulamalı bilgileri, karmaşık mühendislik problemlerinin çözümünde kullanabilme becerisi kazanır. | |||||
| 2 | Karmaşık mühendislik problemlerini tanımlama, formüle etme ve çözme becerisi ve bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi kazanır. | X | ||||
| 3 | Karmaşık bir sistemi, süreci, cihazı veya ürünü gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlama becerisi ve bu amaçla modern tasarım yöntemlerini uygulama becerisi kazanır. | |||||
| 4 | Endüstri mühendisliği uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları seçme ve kullanma becerisi kazanır; bilişim teknolojilerini etkin bir şekilde kullanma becerisi kazanır. | X | ||||
| 5 | Karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisi kazanır. | X | ||||
| 6 | Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi ve bireysel çalışma becerisi kazanır. | |||||
| 7 | Sözlü ve yazılı etkin iletişim kurma becerisi; en az bir yabancı dil bilgisi, etkin rapor yazma ve yazılı raporları anlama, tasarım ve üretim raporları hazırlayabilme, etkin sunum yapabilme, açık ve anlaşılır talimat verme ve alma becerisi kazanır. | |||||
| 8 | Yaşam boyu öğrenmenin gerekliliği konusunda farkındalık edinir ve bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi kazanır. | |||||
| 9 | Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk ve endüstri mühendisliği uygulamalarında kullanılan standartlar hakkında bilgi kazanır. | |||||
| 10 | Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi kazanır ve girişimcilik, yenilikçilik hakkında farkındalık, sürdürülebilir kalkınma hakkında bilgi kazanır. | |||||
| 11 | Endüstri mühendisliği uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın mühendislik alanına yansıyan sorunları hakkında bilgi edinir. Mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık kazanır. | |||||
| 12 | İnsan, malzeme, bilgi, teçhizat ve enerji içeren entegre sistemlerin tasarlanması, geliştirilmesi, uygulanması ve iyileştirilmesi konularında beceri kazanır. | |||||
| 13 | Sistem entegrasyonunu sağlamaya yönelik uygun analitik ve deneysel yöntemler ile hesaplama yöntemleri konusunda bilgi edinir. | |||||
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 | ||