Anasayfa » Akademik Birimler » İktisadi ve İdari Bilimler Fakültesi » İşletme Bölümü » Dersler » İşletmeciler için Veri Madenciliği ve Makine Öğrenmesi Teknikleri
Ders AdıKodu Yerel KrediAKTS Ders (saat/hafta)Uygulama (saat/hafta)Laboratuar (saat/hafta)
İşletmeciler için Veri Madenciliği ve Makine Öğrenmesi TeknikleriISL399235300
ÖnkoşullarYok
YarıyılGüz, Bahar
Dersin Diliİngilizce, Türkçe
Dersin SeviyesiLisans
Dersin TürüSeçmeli @ İşletme Lisans Programı (%30 İngilizce)
Ders KategorisiUzmanlık/Alan Dersleri
Dersin Veriliş ŞekliYüz yüze
Dersi Sunan Akademik Birimİşletme Bölümü
Dersin KoordinatörüBeyza ÖZKÖK
Dersi Veren(ler)
Asistan(lar)ıSezin Öztürk Uşun
Dersin AmacıBu dersin temel amacı, öğrencilere veri madenciliği ve makine öğrenmesi tekniklerinin işletme uygulamaları ile öğretilmesidir. Bu ders ile öğrenciler işletme problemlerinin çözümünde veri madenciliği ve makine öğrenmesi teknikleriyle çözüm üretebilme beceri kazanacaklardır.
Dersin İçeriğiVeri Madenciliği ve Makine Öğrenmesi tekniklerinin temelleri ve uygulamaları. Denetimli ve Denetimsiz öğrenme, tahmin teknikleri, sınıflandırm teknikleri
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
  • Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2017). Data Mining: Practical machine learning tools and techniques (4th Ed.). Morgan Kaufmann
  • Shmueli, G., Bruce, P. C., Gedeck, P., & Patel, N. R. (2020). Data mining for business analytics: concepts, techniques, and applications in Python. John Wiley & Sons.
  • Han, J., Pei, J., & Tong, H. (2022). Data mining: concepts and techniques (4th Ed.). Morgan Kaufmann
  • Shmueli, G., Bruce, P. C., Deokar, K. R., & Patel, N. R. (2023). Machine Learning for Business Analytics: Concepts, Techniques, and Applications RapidMiner. John Wiley & Sons.
  • Hofmann, M., & Klinkenberg, R. (Eds.). (2014). RapidMiner: Data mining use cases and business analytics applications. CRC Press.
  • Larose, D. T., & Larose, C. D. (2014). Discovering knowledge in data: an introduction to data mining (Vol. 4). John Wiley & Sons.
Opsiyonel Program BileşenleriYok

Ders Öğrenim Çıktıları

  1. Veri Madenciliği ve Makine öğrenmesinin temellerinin öğrenilmesi
  2. Veri biliminde kullanılan modern bilgi teknolojilerinin öğrenilmesi
  3. Veri bilimi alanında ileri düzey tekniklerin öğrenilmesi
  4. Farklı işletme fonksiyonlarında veriye dayalı problem çözümü yaklaşımlarının geliştirilmesi
  5. İşletmelerde karar verme süreçlerinde veriye dayalı yöntemlerin kullanımının öğrenilmesi

Ders Öğrenim Çıktısı & Program Çıktısı Matrisi

DÖÇ-1DÖÇ-2DÖÇ-3DÖÇ-4DÖÇ-5
PÇ-1-----
PÇ-2-----
PÇ-3-----
PÇ-4-----
PÇ-5-----
PÇ-6-----
PÇ-7-----
PÇ-8-----
PÇ-9-----
PÇ-10-----
PÇ-11-----

Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları

HaftaKonularÖn Hazırlık
1Veri Madenciliği ve Makine Öğrenmesine Giriş, Veri madenciliği ve Makine Öğrenmesinin işletme ve yönetim için önemi
2Temel Kavramlar ve Modeller: Veri, Büyük Veri, Veri Madenciliği, Makine Öğrenmesi, Denetimli ve Denetimsiz Öğrenme
3Veri ön işleme ve veri manipülasyonu
4Veri Görselleştirme
5Doğrusal Regresyon
6Doğrusal Regresyon
7Lojistik Regresyon
8Ara Sınav 1
9Karar Ağacı
10k En Yakın Komşular (kNN) Algoritması
11Naive Bayes Sınıflandırıcı
12K-ortalamalar Kümeleme Yöntemi
13K-ortalamalar Kümeleme Yöntemi
14Metin Madenciliği
15Uygulama
16Final

Değerlendirme Sistemi

EtkinliklerSayıKatkı Payı
Devam/Katılım
Laboratuar
Uygulama
Arazi Çalışması
Derse Özgü Staj
Küçük Sınavlar/Stüdyo Kritiği
Ödev130
Sunum/Jüri
Projeler
Seminer/Workshop
Ara Sınavlar130
Final140
Dönem İçi Çalışmaların Başarı Notuna Katkısı
Final Sınavının Başarı Notuna Katkısı
TOPLAM100

AKTS İşyükü Tablosu

EtkinliklerSayıSüresi (Saat)Toplam İşyükü
Ders Saati143
Laboratuar
Uygulama
Arazi Çalışması
Sınıf Dışı Ders Çalışması132
Derse Özgü Staj
Ödev120
Küçük Sınavlar/Stüdyo Kritiği
Projeler
Sunum / Seminer
Ara Sınavlar (Sınav Süresi + Sınav Hazırlık Süresi)120
Final (Sınav Süresi + Sınav Hazırlık Süresi)130
Toplam İşyükü :
Toplam İşyükü / 30(s) :
AKTS Kredisi :
Diğer NotlarYok