Dersin Ayrıntıları
YarıyılKoduAdıT+U+LKrediAKTSSon Güncelleme Tarihi
8İKT440Makine Öğrenmesi3+0+03531.05.2026

 
Dersin Detayları
Dersin Dili Türkçe
Dersin Düzeyi Lisans
Bölümü / Programı İktisat
Öğrenim Türü Örgün Öğretim
Dersin Türü Seçmeli
Dersin Öğretim Şekli Yüz Yüze
Dersin Amacı Bu dersin amacı, öğrencilerin büyük veri analizi bağlamında makine öğrenmesi yöntemlerini istatistiksel ve ekonometrik yaklaşımlarla birlikte kavramasını ve uygulamasını sağlamaktır. R programlama dili kullanılarak temel ve ileri düzey makine öğrenmesi tekniklerinin uygulanabilirliği üzerine pratik bilgiler sunulacaktır.
Dersin İçeriği Bu derste büyük veri kavramı, makine öğrenmesinin ekonometrik analizle ilişkisi, R programlama dili ile uygulama becerileri, doğrusal ve doğrusal olmayan regresyon teknikleri, yeniden örnekleme yöntemleri, model seçimi, daraltıcı regresyon (Lasso, Ridge), parametrik olmayan yöntemler, regresyon ağaçları ve zaman serileri için melez modelleme teknikleri ele alınmaktadır.
Dersin Yöntem ve Teknikleri Ders; sözlü anlatım, soru-cevap, bilgisayar laboratuvarı uygulamaları, R programlama çalışmaları, veri analizi uygulamaları ve örnek veri setleri üzerinde modelleme etkinlikleri kullanılarak yürütülmektedir. Öğrencilerin makine öğrenmesi yöntemlerini uygulamaları, farklı modelleme tekniklerini karşılaştırmaları ve veri temelli karar verme süreçlerinde uygun yöntemleri kullanmaları teşvik edilmektedir.
Ön Koşulları Yok
Dersin Koordinatörü Yok
Dersi Verenler Dr. Öğr. Üyesi Evren DENKTAŞ
Dersin Yardımcıları Yok
Dersin Staj Durumu Yok

Ders Kaynakları
Kaynaklar Akay. E. Ç. (2021) "Ekonometride Büyük Veri ve Makine Öğrenmesi: Temel Kavramlar", DER Yayınevi
Ders Notları Akay. E. Ç. (2021). Ekonometride Büyük Veri ve Makine Öğrenmesi: Temel Kavramlar. DER Yayınevi.
Bilgin, M. (2018). Makine Öğrenmesi. Papatya Bilim.
Özdemir, M. (2024). R ile Programlama ve Makine Öğrenmesi. Nobel Yayıncılık.

Ders Yapısı
Matematik ve Temel Bilimler %50
Sosyal Bilimler %50

Planlanan Öğrenme Aktiviteleri ve Metodları
Etkinlikler ayrıntılı olarak "Değerlendirme" ve "İş Yükü Hesaplaması" bölümlerinde verilmiştir.

Değerlendirme Ölçütleri
Yarıyıl Çalışmaları Sayısı Katkı
Ara Sınav 1 % 40
Yarıyıl Sonu Sınavı 1 % 60
Toplam :
2
% 100

 
AKTS Hesaplama İçeriği
İş Yükü Sayısı Süre Toplam İş Yükü (Saat)
Ders Süresi 14 3 42
Sınıf Dışı Ç. Süresi 14 5 70
Ara Sınavlar 1 20 20
Yarıyıl Sonu Sınavı 1 20 20
Toplam İş Yükü   AKTS Kredisi : 5 152

 
Dersin Öğrenme Çıktıları: Bu dersin başarılı bir şekilde tamamlanmasıyla öğrenciler şunları yapabileceklerdir:
Bilgi 
1 Büyük veri ve makine öğrenmesi kavramlarını açıklar.
Beceri 
2 R programlama dili kullanarak veri görselleştirme ve temel veri analizi uygulamaları gerçekleştirir.
3 Doğrusal ve doğrusal olmayan regresyon yöntemlerini karşılaştırır.
4 Model seçimi ve yeniden örnekleme tekniklerini uygular.
5 Daraltıcı regresyon modellerini kullanarak tahmin modelleri geliştirir.
Yetkinlik 
6 Regresyon ağaçları ve zaman serileri için melez modelleme yöntemlerini analiz eder.

 
Ders Konuları
HaftaKonuÖn HazırlıkDökümanlar
1 Büyük Veri Kavramı Büyük veri kavramı ve veri kaynaklarının incelenmesi Akay. E. Ç. (2021). Ekonometride Büyük Veri ve Makine Öğrenmesi: Temel Kavramlar. DER Yayınevi.
2 Makine Öğrenmesi ve Ekonometri Makine öğrenmesi ve ekonometri arasındaki ilişkilerin incelenmesi Akay. E. Ç. (2021). Ekonometride Büyük Veri ve Makine Öğrenmesi: Temel Kavramlar. DER Yayınevi.
3 Temel R uygulamaları R programlama dilinin temel komutlarının gözden geçirilmesi Özdemir, M. (2024). R ile Programlama ve Makine Öğrenmesi. Nobel Yayıncılık.
4 R'de ggplot Komutu ve Uygulamaları ggplot paketinin temel kullanımının incelenmesi Özdemir, M. (2024). R ile Programlama ve Makine Öğrenmesi. Nobel Yayıncılık.
5 Doğrusal Regresyon Doğrusal regresyon modelinin temel varsayımlarının incelenmesi Akay. E. Ç. (2021). Ekonometride Büyük Veri ve Makine Öğrenmesi: Temel Kavramlar. DER Yayınevi.
6 Yeniden Örnekleme Yöntemleri Yeniden örnekleme yöntemlerinin temel mantığının incelenmesi Akay. E. Ç. (2021). Ekonometride Büyük Veri ve Makine Öğrenmesi: Temel Kavramlar. DER Yayınevi.
7 Model Seçimi Model seçim kriterlerinin incelenmesi Akay. E. Ç. (2021). Ekonometride Büyük Veri ve Makine Öğrenmesi: Temel Kavramlar. DER Yayınevi.
8 Daraltıcı Regresyon Daraltıcı regresyon yöntemlerinin temel özelliklerinin incelenmesi Akay. E. Ç. (2021). Ekonometride Büyük Veri ve Makine Öğrenmesi: Temel Kavramlar. DER Yayınevi.
9 Doğrusal Olmayan Regresyon Doğrusal olmayan regresyon modellerinin incelenmesi Akay. E. Ç. (2021). Ekonometride Büyük Veri ve Makine Öğrenmesi: Temel Kavramlar. DER Yayınevi.
10 Parametrik Olmayan Regresyon Parametrik olmayan regresyon yöntemlerinin incelenmesi Akay. E. Ç. (2021). Ekonometride Büyük Veri ve Makine Öğrenmesi: Temel Kavramlar. DER Yayınevi.
11 Regresyon Ağaçları Regresyon ağaçlarının temel yapısının incelenmesi Akay. E. Ç. (2021). Ekonometride Büyük Veri ve Makine Öğrenmesi: Temel Kavramlar. DER Yayınevi.
12 Yüksek Boyutluluk ve Lasso Tipi Modeller Yüksek boyutlu veri analizi ve LASSO yönteminin incelenmesi Akay. E. Ç. (2021). Ekonometride Büyük Veri ve Makine Öğrenmesi: Temel Kavramlar. DER Yayınevi.
13 Lojistik Regresyon Lojistik regresyon modelinin temel özelliklerinin incelenmesi Akay. E. Ç. (2021). Ekonometride Büyük Veri ve Makine Öğrenmesi: Temel Kavramlar. DER Yayınevi.
14 Zaman Serilerinin Tahmininde Melez Yöntemler Zaman serisi tahmininde kullanılan melez yöntemlerin incelenmesi Akay. E. Ç. (2021). Ekonometride Büyük Veri ve Makine Öğrenmesi: Temel Kavramlar. DER Yayınevi.

 
Sürdürülebilir Kalkınma Amaçları
Dersin Program Çıktılarına Katkısı
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12 P13
Tüm 3 3 2 3 2 3 2 2 2 1 2 3 1
Bi1 3 2 2 2 2 2 2 1 2 1 2 2 1
Be2 2 2 2 3 2 3 2 2 2 1 2 2 1
Be3 3 3 3 3 2 3 2 2 2 1 2 3 1
Be4 3 3 3 3 2 3 2 3 2 1 2 3 1
Be5 2 3 2 3 2 3 2 2 2 1 2 3 1
Ye6 3 3 2 3 3 3 2 2 2 1 2 3 1

  Katkı Düzeyi: 1: Çok Düşük 2: Düşük 3: Orta 4: Yüksek 5: Çok Yüksek

  
  https://obs.osmaniye.edu.tr/oibs/bologna/progCourseDetails.aspx?curCourse=288599&lang=tr