AKTS - Endüstri Mühendisliğinde İstatistiksel Uygulamalar
Endüstri Mühendisliğinde İstatistiksel Uygulamalar (IE442) Ders Detayları
| Ders Adı | Ders Kodu | Dönemi | Saati | Uygulama Saati | Laboratuar Hours | Kredi | AKTS |
|---|---|---|---|---|---|---|---|
| Endüstri Mühendisliğinde İstatistiksel Uygulamalar | IE442 | Alan Seçmeli | 3 | 0 | 0 | 3 | 5 |
| Ön Koşul Ders(ler)i |
|---|
| N/A |
| Dersin Dili | İngilizce |
|---|---|
| Dersin Türü | Seçmeli Dersler |
| Dersin Seviyesi | Fen Bilimleri Yüksek Lisans |
| Ders Verilme Şekli | Yüz Yüze |
| Dersin Öğrenme ve Öğretme Teknikleri | Anlatım, Gösteri, Deney, Sorun/Problem Çözme. |
| Dersin Öğretmen(ler)i |
|
| Dersin Amacı | Bu derste öğrencilere üretim/hizmet sahaları içerisinde endüstri mühendisliği problemleri için veri analizi, tasnifi ve empirik model geliştirmeye ilişkin bilgilerin aktarılması amaçlanmaktadır. Öğrenci farklı istatistiksel teknikleri ayırt edip, paket programı kullanılarak uygulama yapabilmesi amaçlanmaktadır. |
| Dersin Eğitim Çıktıları |
Bu dersi başarıyla tamamlayabilen öğrenciler;
|
| Dersin İçeriği | Endüstri mühendisliği problemlerinin çözümünde basit ve çoklu doğrusal regresyon, deney tasarımı ve analizi, çok değişkenli analiz ve parametrik olmayan testlerin uygulamaları. |
Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları
| Hafta | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Ders tanıtımı | |
| 2 | Optimizasyon ve algoritmalar: Temel kavramların tanıtılması | Talbi, Bölüm 1.1, 1.3 |
| 3 | Matematiksel model ile optimizasyon, Python/Gurobi ile çözüm | Winston, Bölüm 3, 4 |
| 4 | Matematiksel model ile optimizasyon, Python/Gurobi ile çözüm | Winston, Bölüm 3, 4 |
| 5 | Metasezgisel algoritmalara giriş | Talbi, Bölüm 1.4 |
| 6 | Tek çözüm temelli metasezgisel yaklaşımlar | Talbi, Bölüm 2 |
| 7 | Tek çözüm temelli metasezgisel yaklaşımlar | Talbi, Bölüm 2 |
| 8 | Popülasyon temelli metasezgisel yaklaşımlar | Talbi, Bölüm 3 |
| 9 | Popülasyon temelli metasezgisel yaklaşımlar | Talbi, Bölüm 3 |
| 10 | Ara sınav | |
| 11 | Makine öğrenmesine giriş | James, Bölüm 2 |
| 12 | Temel makine öğrenmesi yöntemleri | James, Bölüm 3, 4, 8, 9 |
| 13 | Temel makine öğrenmesi yöntemleri | James, Bölüm 3, 4, 8, 9 |
| 14 | Sinir ağları | James, Bölüm 10.1 |
| 15 | Sinir ağları | James, Bölüm 10.1 |
| 16 | Final Sınavı |
Kaynaklar
| Ders Kitabı | 1. James, G., Witten, D., Hastie, T., and Tibshirani, R. (2023). An introduction to statistical learning: with applications in Python, New York: springer. |
|---|---|
| 2. W. L. Winston, Operations Research: Applications and Algorithm., 4th Edition, Thomson Learning, Inc. 2004. | |
| 3. Talbi, E. G. (2009). Metaheuristics: from design to implementation. John Wiley & Sons. | |
| Diğer Kaynaklar | 4. Müller, A. C., & Guido, S. (2016). Introduction to machine learning with Python: a guide for data scientists. " O'Reilly Media, Inc.". |
| 5. Géron, A. (2022). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. " O'Reilly Media, Inc.". | |
| 6. Chong, E. K., Lu, W. S., & Zak, S. H. (2023). An introduction to optimization: with applications to machine learning. John Wiley & Sons. | |
| 7. Sarkar, R. (2023). A Handbook of Mathematical Models with Python: Elevate your machine learning projects with NetworkX, PuLP, and linalg. Packt Publishing Ltd. | |
| 8. Burkov, A. (2019). The hundred-page machine learning book (Vol. 1). Quebec City, QC, Canada: Andriy Burkov. |
Değerlendirme System
| Çalışmalar | Sayı | Katkı Payı |
|---|---|---|
| Devam/Katılım | - | - |
| Laboratuar | - | - |
| Uygulama | - | - |
| Alan Çalışması | - | - |
| Derse Özgü Staj | - | - |
| Küçük Sınavlar/Stüdyo Kritiği | 2 | 15 |
| Ödevler | - | - |
| Sunum | - | - |
| Projeler | - | - |
| Rapor | - | - |
| Seminer | - | - |
| Ara Sınavlar/Ara Juri | 1 | 35 |
| Genel Sınav/Final Juri | 1 | 50 |
| Toplam | 4 | 100 |
| Yarıyıl İçi Çalışmalarının Başarı Notu Katkısı | 50 |
|---|---|
| Yarıyıl Sonu Çalışmalarının Başarı Notuna Katkısı | 50 |
| 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 ve mühendislik bilgilerini kullanma becerisi kazanır. | |||||
| 2 | Karmaşık mühendislik problemlerini saptama, formüle etme ve çözme becerisi kazanır. | X | ||||
| 3 | Sistem entegrasyonunu sağlama becerisi kazanır. | |||||
| 4 | Karmaşık sistemleri, bileşenleri ve süreçleri tasarlama, geliştirilme, uygulama ve iyileştirme becerisi kazanır. | |||||
| 5 | Modern mühendislik teknik ve araçlarını seçme/geliştirme ve kullanma becerisi edinir. | X | ||||
| 6 | Deney tasarlama/uygulama ve veri toplama/analizi yorumlama becerisi kazanır. | X | ||||
| 7 | Bireysel olarak ve takımlarda çalışma becerisi kazanır. | |||||
| 8 | İletişim yeteneklerini etkin kullanım becerisi kazanır. | |||||
| 9 | Yaşam boyu öğrenmenin gerekliliğinin bilincinde olma ve kendini sürekli yenileme becerisi kazanır. | |||||
| 10 | Mesleki etik sorumluluk bilincine sahip olma ve gereğini uygulama becerisi edinir. | |||||
| 11 | Mühendislik çözümlerinin etkilerini algılama becerisi kazanır. | |||||
| 12 | Güncel gelişmeler hakkında bilgi sahibi olma becerisi geliştirir. | |||||
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 | 4 | 56 |
| Sunum/Seminer Hazırlama | |||
| Projeler | |||
| Raporlar | |||
| Ödevler | |||
| Küçük Sınavlar/Stüdyo Kritiği | 2 | 5 | 10 |
| Ara Sınavlara/Ara Juriye Hazırlanma Süresi | 1 | 5 | 5 |
| Genel Sınava/Genel Juriye Hazırlanma Süresi | 1 | 6 | 6 |
| Toplam İş Yükü | 125 | ||