GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| BGT-219 | VERİ MADENCİLİĞİ VE MAKİNE ÖĞRENMESİ ALGORİTMALARI | Seçmeli Ders Grubu | 2 | 3 | 2,00 |
Dersin Seviyesi
Önlisans
Dersin Sunulduğu Dil
Türkçe
Dersin Amacı
Öğrencilere makine öğrenmesi ve veri madenciliği temellerini Python ekosistemi üzerinden pratik, güncel ve sezgisel örneklerle (sosyal medya, e-ticaret algoritmaları) öğreterek; veri setlerini yükleme, keşfetme, temizleme, görselleştirme ve temel sınıflandırma/kümeleme algoritmalarını uygulama yetkinliği kazandırmak.
Dersi Veren Öğretim GörevlisiGörevlileri
Öğr. Gör. Süleyman Ezdemir
Öğrenme Çıktıları
| 1 | Yapay zeka, makine öğrenmesi ve veri madenciliği temel kavramlarını günlük hayattaki örneklerle açıklar. |
| 2 | Python programlama dilinde veri analizine yönelik temel araçları (değişkenler, döngüler, listeler) kullanır. |
| 3 | Pandas kütüphanesi ile veri setlerini yükleyerek veriyi temizler, ön işlemlerden geçirir ve analiz eder. |
| 4 | Veri görselleştirme araçlarını kullanarak verinin hikayesini grafiklerle raporlar. |
| 5 | Temel gözetimli (Sınıflandırma, Regresyon) ve gözetimsiz (Kümeleme, Birliktelik) makine öğrenmesi algoritmalarını kurar ve çalıştırır. |
| 6 | Farklı başarı metriklerini yorumlayarak modelleri değerlendirir ve bir veri bilimi projesini baştan sona uygular. |
Öğrenim Türü
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Yok
Ders İçin Önerilen Diğer Hususlar
Bilgisayar laboratuvarında Python kodlama ve Google Colab üzerinden senaryo tabanlı pratik uygulamalar yapılarak işlenecektir
Dersin İçeriği
Yapay zekaya giriş, Python temel değişken ve karar yapıları, Colab ve Pandas ile veri keşfi, veri temizleme ve ön işleme, Matplotlib ve Seaborn ile veri görselleştirme, makine öğrenmesi yaklaşımları (gözetimli ve gözetimsiz öğrenme), KNN, Karar Ağaçları, Doğrusal Regresyon, Model değerlendirme metrikleri (Accuracy, Precision), K-Means ile kümeleme, Birliktelik kuralları (Apriori) ve proje tabanlı veri bilimi uygulamaları.
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Teorik | Uygulama | Laboratuvar |
|---|---|---|---|
| 1 | Yapay Zekaya Giriş & Colab: Geleceğin Teknolojileri ve Sosyal Medya | Google Colab üzerinde CSV yükleme ve ilk veri analizi görevi | |
| 2 | Python Temelleri: Trendyol Fiyat Dedektifi (Değişkenler, Listeler ve If-Else) | Koşul ve döngülerle gerçek e-ticaret verisi üzerinde basit taramalar | |
| 3 | Veri Okuryazarlığı: Pandas ile Veri Setlerini Yükleme ve Keşfetme | Pandas Dataframe operasyonları, filtreleme ve gruplama egzersizleri | |
| 4 | Veri Temizleme ve Ön İşleme (Kayıp Veriler ve Aykırı Değerler) | Eksik veya hatalı verilerin düzeltilmesi uygulaması | |
| 5 | Veri Görselleştirme: Matplotlib ve Seaborn ile Veri Hikayeciliği | Pasta, çubuk ve dağılım grafikleri çizdirme | |
| 6 | Makine Öğrenmesine Giriş: Gözetimli ve Gözetimsiz Öğrenme | Basit model eğitim aşamaları | |
| 7 | Sınıflandırma (Classification): K-En Yakın Komşu (KNN) Algoritması | KNN algoritması ile sınıflandırma modeli eğitimi | |
| 8 | Karar Ağaçları (Decision Trees) ve Pratik Sınıflandırma Problemleri | Karar ağaçları modeli oluşturma ve görselleştirme | |
| 9 | Regresyon (Regression): Doğrusal Regresyon ile Fiyat ve Eğilim Tahmini | Doğrusal regresyon modeli ile sayısal tahmin yapma | |
| 10 | Model Değerlendirme Metrikleri (Accuracy, Precision, Recall, F1-Score) | Eğitilen algoritmaların performans analizlerinin kodlanması | |
| 11 | Gözetimsiz Öğrenme: K-Means Kümeleme (Clustering) ile Müşteri Segmentasyonu | K-Means ile Müşteri segmentasyonu kodlaması | |
| 12 | Birliktelik Kuralları (Association Rules): Apriori ve Sepet Analizi | Sepet analizi (Birlikte alınan ürünler) algoritması çalıştırma | |
| 13 | Veri Madenciliği Uygulamaları ve Gerçek Hayat Senaryoları | İş problemi üzerine serbest analiz çalışması | |
| 14 | Dönem Sonu Projesi: Baştan Sona Veri Bilimi Projesi Geliştirme | Dönem projesinin sunumu ve raporlanması |
Ders Kitabı Malzemesi Önerilen Kaynaklar
Ana Kaynak: Ders Notları ve Kod Deposu: github.com/ezfesoft Önerilen Ek Kaynaklar: Scikit-Learn Documentation: https://scikit-learn.org/stable/ (Resmi kütüphane dokümantasyonu) Kaggle: https://www.kaggle.com/learn (Pratik veri setleri ve notebooklar için) Papers with Code: https://paperswithcode.com/ (Akademik makaleler ve kod uygulamaları) Google AI Blog: https://ai.googleblog.com/ (Güncel yapay zeka gelişmeleri) Coursera / edX: Andrew Ng - Machine Learning Specialization (Tamamlayıcı teorik videolar)
Planlanan Öğrenme Aktiviteleri ve Metodları
Anlatım, Soru-Cevap, Gösterip Yaptırma, Colab Üzerinde Uygulama (Tahmin Et-Çalıştır, Hata Bulma, Boşluk Doldurma), Proje Hazırlama.
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 40 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 60 | |
Staj Durumu
Yok
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 1 | 1 |
| Final Sınavı | 1 | 1 | 1 |
| Derse Katılım | 14 | 2 | 28 |
| Laboratuvar | 14 | 1 | 14 |
| Ara Sınav İçin Bireysel Çalışma | 1 | 8 | 8 |
| Final Sınavı içiin Bireysel Çalışma | 1 | 8 | 8 |
| Toplam İş Yükü (saat) | 60 | ||
Program ve Öğrenme Çıktıları İlişkisi
| PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 | PÇ 10 | PÇ 11 | PÇ 12 | PÇ 13 | PÇ 14 | PÇ 15 | PÇ 16 | PÇ 17 | PÇ 18 | PÇ 19 | PÇ 20 | PÇ 21 | PÇ 22 | PÇ 23 | PÇ 24 | |
| ÖÇ 1 | 5 | 5 | ||||||||||||||||||||||
| ÖÇ 2 | 5 | 4 | ||||||||||||||||||||||
| ÖÇ 3 | 4 | 4 | 5 | |||||||||||||||||||||
| ÖÇ 4 | 4 | 5 | ||||||||||||||||||||||
| ÖÇ 5 | 5 | 5 | 3 | |||||||||||||||||||||
| ÖÇ 6 | 4 | 5 | 4 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek