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 | Fen Bilimleri Yüksek 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 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 | 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 | ||