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 Elektrik-Elektronik Mühendisliği disiplinine özgü konularda yeterli bilgi birikimine sahip olur; bu alanlardaki kuramsal ve uygulamalı bilgileri, karmaşık mühendislik problemlerinin çözümünde kullanır. | X | ||||
| 2 | Karmaşık mühendislik problemlerini saptar, tanımlar, formüle eder ve çözer; bu amaçla uygun analiz ve modelleme yöntemlerini seçer ve uygular. | X | ||||
| 3 | Karmaşık bir sistemi, süreci, cihazı veya ürünü gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlar; bu amaçla modern tasarım yöntemlerini uygular. (Gerçekçi kısıtlar ve koşullar tasarımın niteliğine göre ekonomi, çevre sorunları, sürdürülebilirlik, üretilebilirlik, etik, sağlık, güvenlik, sosyal ve politik sorunlar gibi ögeleri içerir.) | X | ||||
| 4 | Mühendislik uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları seçer ve kullanır; bilişim teknolojilerini etkin bir şekilde kullanır. | |||||
| 5 | Karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için deney tasarlar, deney yapar, veri toplar, sonuçları analiz eder ve yorumlar. | |||||
| 6 | Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışır; bireysel çalışma yeteneğini geliştirir. | |||||
| 7 | Sözlü ve yazılı etkin iletişim kurar; en az bir yabancı dil bilgisine sahip olur; etkin rapor yazar, yazılı raporları anlar, tasarım ve üretim raporları hazırlar, etkin sunum yapar, açık ve anlaşılır talimat verir ve alır. | |||||
| 8 | Yaşam boyu öğrenmenin gerekliliği konusunda farkındalık kazanır; bilgiye erişir, bilim ve teknolojideki gelişmeleri izler ve kendini sürekli yeniler. | |||||
| 9 | Etik ilkelere uygun davranır, mesleki ve etik sorumluluk sahibi olur ve mühendislik uygulamalarında kullanılan standartlar hakkında bilgi sahibi olur. | |||||
| 10 | Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi iş hayatındaki uygulamalar hakkında bilgi sahibi olur; girişimcilik ve yenilikçilik konusunda farkındalık kazanır; sürdürülebilir kalkınma hakkında bilgi edinir. | |||||
| 11 | Mühendislik uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkilerini bilir; çağın mühendislik alanına yansıyan sorunları anlar ve mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık kazanır. | |||||
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 | ||