DERSİN TÜRÜ	Seçmeli
DERSİN DÜZEYİ	Lisans
DERSİN YILI	-
YARIYIL	-
AKTS	5
ÖĞRETİM ELEMAN(LAR)I	Profesör Doktor Murat Paşa Uysal
DERSİN ÖĞRENME KAZANIMLARI	Bu dersin sonunda öğrenciler; 1) Bilişim sistemleri ve yapay zeka uygulamalarını işletmelerin stratejik amaçlarına uygun kullanabilmek için gereken bilgi ve becerilere sahip olur, 2) Büyük Veri, Veri Madenciliği, Makine Öğrenmesi (ML), Derin Öğrenme genel konu alanlarını, birbirinden farklılıklarını, uygulama amaçlarını ve yöntemlerini bilir, 3) ML'nin bileşenlerini, matematiksel ve istatistiksel temelleri bilir ve uygulayabilir, 4) ML genel uygulama adımlarını bilir, farklı türdeki problemlerin çözümünde kullanabilir, 5) ML genel uygulama adımlarını Proje Yönetimi Disiplini çerçevesinde uygulayabilir, 6) ML Yazılım ve Uygulama Geliştirme Ortamlarını bilir ve farklı problemlerin çözümünde kullanabilir, 7) Gözetimli Makine Öğrenmesi (Supervised Machine Learning) modellerini/algoritmalarını bilir ve uygulayabilir, 8) Gözetimsiz Makine Öğrenmesi (Unsupervised Learning) modellerini/algoritmalarını bilir ve uygulayabilir, 9) Görüntü İşleme Öğrenme modellerini/algoritmalarını bilir ve uygulayabilir, 10) Metin ve Doğal Dil İşleme Öğrenme modellerini/algoritmalarını bilir ve uygulayabilir, 11) İşletmeyle ilgili bir problemin çözümüne yönelik bir ML Dönem Projesini yürütür, ihtiyaç duyulan ML analiz, tasarım ve uygulama süreçlerini gerçekleştirir, gereken proje çıktılarını üretir.
DERSİN VERİLİŞ BİÇİMİ	Yüz Yüze
DERSİN ÖNKOŞULLARI	Yok
ÖNERİLEN DERSLER	Yok
DERS TANIMI	Bu dersin amacı makine öğrenmesi ile ilgili temel ve ileri düzey kavramları kullanarak veriden öğrenebilme işini sağlayan çeşitli teknikleri öğretmektir. Farklı teknik ve algoritmaların karşılaştırıldığı ve uygulamaların yapıldığı bu ders temel olarak geçmiş deneyimlerden nasıl öğrenilebilir sorusuna yanıt verir.
DERS İÇERİĞİ	HAFTA KONULAR 1. Hafta Dersin Tanıtımı; Yapay Zekaya Giriş ve Temel Kavramları, Uygulama Alanları, Kişisel, Sosyal ve İş Dünyasına Etkileri; Temel Konular: Büyük Veri, Veri Madenciliği, Makine Öğrenmesi (ML) nin Temel Bileşenleri, ML?nin Matematiksel ve İstatistiksel Temelleri, 2. Hafta İşletmelerde Bilişim Sistemlerinin Kullanım Amaçları, Organizasyona Etkileri, Rekabeti Etkileyen Güçler Modeli, İşletme Değer Zinciri ve Ağı Modelleri vb; Orange ML ve Veri Madenciliği Yazılım Ortamının Tanıtımı 3. Hafta Orange ML ve Veri Madenciliği Yazılım Ortamının Tanıtımı; Makine Öğrenmesi ve Projelerinin Genel Uygulama Adımları:Logistic Regression ve Random Forest Öğrenme Modelleri (Algoritmaları) Kullanılarak Genel Uygulama Adımlarının Gösterimi 4. Hafta Makine Öğrenmesinin İstatistiksel Temelleri; Temel İstatistiksel Kavramlar; Orange ML ve Veri Madenciliği Yazılım Ortamınında İstatistik Uygulamaları 5. Hafta Makine Öğrenmesinin Matematiksel Temelleri; Matrisler ve Matris İşlemleri; Matris İşlemlerinin Makine Öğrenmesinde Kullanımı 6. Hafta Gözetimli Makine Öğrenmesi Modelleri (Supervised Machine Learning): Lineer ve Çok Parametreli Regression Öğrenme Modeli 7. Hafta Gözetimli Makine Öğrenmesi Modelleri (Supervised Machine Learning): Karar Ağaçları (Decision Trees) Öğrenme Modeli, 8. Hafta Ara Sınav 9. Hafta Gözetimli Makine Öğrenmesi Modelleri (Supervised Machine Learning): Random Forest Öğrenme Modeli 10. Hafta Gözetimli / Gözetimsiz Makine Öğrenmesi (Supervised / Unsupervised Learning) 11. Hafta Gözetimli / Gözetimsiz Makine Öğrenmesi (Supervised / Unsupervised Learning) 12. Hafta Görüntü İşleme Öğrenme Modelleri (Logistic Regression vb.) 13. Hafta Metin ve Doğal Dil İşleme Öğrenme Modelleri 14. Hafta Genel Tekrar ve Dönem Projelerini Değerlendirme
ZORUNLU YA DA ÖNERİLEN KAYNAKLAR	Andreas C. Müller, Sarah Guido (Author) (2016). Introduction to Machine Learning with Python: A Guide for Data Scientists. O'Reilly Media. Oliver Theobald (2018). Machine Learning For Absolute Beginners: A Plain English Introduction (Machine Learning From Scratch). Independent Publisher. Mueller, J.P., Massaron, L.(2016). Machine Learning For Dummies, John Wiley & Sons, Inc., USA. Oliver Theobald (2018). Machine Learning For Absolute Beginners: A Plain English Introduction (Machine Learning From Scratch). Pramod Singh, (2019). Machine Learning with PySpark, APress Media, NY, USA. Puneet Mathur, (2019). Machine Learning Applications Using Python: Cases Studies from Healthcare, Retail, and Finance. , APress Media, NY, USA. Ella Hassanien (2019). Machine Learning Paradigms: Theory and Application. Springer. Andrzej Wodecki ( 2019).Artificial Intelligence in Value Creation. Palgrave Macmillan. Wolfgang Ertel (2017). Introduction to Artificial Intelligence, Springer-Verlag London Limited. UK. Stuart Russell and Peter Norvig. (2010).Artificial Intelligence: A Modern Approach. 3rd edition. USA.
ÖĞRETİM YÖNTEM VE TEKNİKLERİ	Proje-Supported Traditional lnstructional Method
DEĞERLENDİRME YÖNTEMİ VE GEÇME KRİTERLERİ	Sayısı Toplam Katkısı(%) Ara Sınav 1 40 Proje 1 20 Diğer 1 10 Toplam(%) 70 Yıl İçinin Başarıya Oranı(%) 70 Finalin Başarıya Oranı(%) 30 Toplam(%) 100
AKTS İŞ YÜKÜ	Aktivite Sayı Süresi(Saat) İş Yükü Ara Sınav 13 2 26 Kısa Sınavlara hazırlık Sınıf Dışı Ders Çalışma Süresi 14 1 14 Final Sınavına Hazırlık 1 22 22 Ders Saati 13 2 26 Ara Sınava Hazırlık 1 14 14 Laboratuvar 13 2 26 Final Sınavı 1 1,5 1,5 Ödevler Sunum (Hazırlık dahil) 1 3 3 Proje 1 3 3 Dönem Projesi Araştırması 1 8 8 Rapor yazma 1 8 8 Toplam İş Yükü 151,5 Toplam İş Yükü / 30 5,05 Dersin AKTS Kredisi 5
DİL	Türkçe
STAJ / UYGULAMA	Yok