Dersin Ayrıntıları
YarıyılKoduAdıT+U+LKrediAKTSSon Güncelleme Tarihi
7YBS433VERİ BİLİMİ VE MAKİNE ÖĞRENMESİ (TS)3+0+03522.06.2026

 
Dersin Detayları
Dersin Dili Türkçe
Dersin Düzeyi Lisans
Bölümü / Programı Yönetim Bilişim Sistemleri
Öğrenim Türü Örgün Öğretim
Dersin Türü Seçmeli
Dersin Öğretim Şekli Yüz Yüze
Dersin Amacı Bu dersin amacı, veri bilimi ve makine öğrenmesinin temel yöntem, algoritma ve aşamalarını teorik ve uygulamalı olarak öğreterek; öğrencilere gerçek dünya veri setleri üzerinde modelleme, performans değerlendirme ve YBS odaklı karar destek sistemleri geliştirme yeteneği kazandırmaktır.
Dersin İçeriği Veri bilimi ve makine öğrenmesine giriş, Python ile veri ön işleme, özellik mühendisliği, denetimli öğrenme (regresyon ve sınıflandırma algoritmaları: Karar Ağaçları, k-NN, Naive Bayes, SVM), denetimsiz öğrenme (K-Means kümeleme), Ensemble (Bagging, Boosting) yöntemleri, model değerlendirme metrikleri (ROC, AUC, F1-Score) ve derin öğrenmeye giriş.
Dersin Yöntem ve Teknikleri Anlatım, Pratik laboratuvar çalışması, Proje tabanlı öğrenme
Ön Koşulları Yok
Dersin Koordinatörü Dr. Öğr. Üyesi Ahmet ÇANKAL ahmet.cankal@osmaniye.edu.tr
Dersi Verenler Dr. Öğr. Üyesi Ahmet ÇANKAL akbis.osmaniye.edu.tr/&ahmet.cankal ahmet.cankal@osmaniye.edu.tr
Dersin Yardımcıları Yok
Dersin Staj Durumu Yok

Ders Kaynakları
Kaynaklar Müller, A. C., & Guido, S. (2021). Introduction to Machine Learning with Python: A Guide for Data Scientists (2nd Edition). O'Reilly Media
Bishop, C. M., & Bishop, H. M. (2024). Deep Learning: Foundations and Concepts. Springer.
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2023). An Introduction to Statistical Learning: with Applications in Python. Springer.
Ders Notları Bishop, C. M., & Bishop, H. M. (2024). Deep Learning: Foundations and Concepts. Springer.
Müller, A. C., & Guido, S. (2021). Introduction to Machine Learning with Python: A Guide for Data Scientists (2nd Edition). O'Reilly Media.

Ders Yapısı
Matematik ve Temel Bilimler %30
Mühendislik Bilimleri %50
Mühendislik Tasarımı %0
Sosyal Bilimler %0
Eğitim Bilimleri %0
Fen Bilimleri %0
Sağlık Bilimleri %0
Alan Bilgisi %20

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 10 5 50
Ödevler 1 5 5
Sunum/Seminer Hazırlama 1 2 2
Ara Sınavlar 1 20 20
Proje 1 5 5
Yarıyıl Sonu Sınavı 1 26 26
Toplam İş Yükü   AKTS Kredisi : 5 150

 
Dersin Öğrenme Çıktıları: Bu dersin başarılı bir şekilde tamamlanmasıyla öğrenciler şunları yapabileceklerdir:
Sıra NoAçıklama
1 Makine öğrenmesinin temel kavramlarını tanır ve açıklar.
2 Sınıflandırma, regresyon ve kümeleme algoritmalarını uygular.
3 Eğitim ve test verileri üzerinde model performansını değerlendirir.
4 Farklı makine öğrenmesi tekniklerini karşılaştırır ve uygun yöntemleri seçer.
5 Gerçek dünyadan alınmış veri setleri üzerinde temel makine öğrenmesi projeleri geliştirir.

 
Ders Konuları
HaftaKonuÖn HazırlıkDökümanlar
1 Makine Öğrenmesine Giriş: Tanımlar ve Alanları Ders kaynaklarından hazırlık Müller & Guido (2021), Bölüm 1; James ve ark. (2023), Bölüm 1 & 2
2 Veri Ön İşleme ve Özellik Seçimi Ders kaynaklarından hazırlık Müller & Guido (2021), Bölüm 4; James ve ark. (2023), Bölüm 3-5
3 Denetimli Öğrenme: Regresyon Ders kaynaklarından hazırlık James ve ark. (2023), Bölüm 3; Müller & Guido (2021), Bölüm 2
4 Denetimli Öğrenme: Sınıflandırma Ders kaynaklarından hazırlık James ve ark. (2023), Bölüm 4; Müller & Guido (2021), Bölüm 2
5 Karar Ağaçları Ders kaynaklarından hazırlık Müller & Guido (2021), Bölüm 2; James ve ark. (2023), Bölüm 8
6 k-NN ve Naive Bayes Algoritmaları Ders kaynaklarından hazırlık Müller & Guido (2021), Bölüm 2; James ve ark. (2023), Bölüm 4
7 Destek Vektör Makineleri (SVM) Ders kaynaklarından hazırlık Müller & Guido (2021), Bölüm 2; James ve ark. (2023), Bölüm 9
8 Aykırı Veriler Ders kaynaklarından hazırlık James ve ark. (2023), Bölüm 6; Ders Notları (Modül 1)
9 Denetimsiz Öğrenme: Kümeleme Algoritmaları Ders kaynaklarından hazırlık Müller & Guido (2021), Bölüm 3; James ve ark. (2023), Bölüm 12
10 Model Değerlendirme Yöntemleri Ders kaynaklarından hazırlık Müller & Guido (2021), Bölüm 5; James ve ark. (2023), Bölüm 5
11 Ensemble Yöntemleri: Bagging, Boosting Ders kaynaklarından hazırlık Müller & Guido (2021), Bölüm 2; James ve ark. (2023), Bölüm 8
12 Derin Öğrenmeye Giriş Ders kaynaklarından hazırlık Bishop & Bishop (2024), Bölüm 1-3; Müller & Guido (2021), Bölüm 2
13 Gerçek Veri Üzerinde Proje Çalışması Ders kaynaklarından hazırlık İlgili Kaggle/UCI Veri Depoları ve Açık Kaynak Kılavuzları
14 Proje Sunumları ve Genel Tekrar Ders kaynaklarından hazırlık Bishop & Bishop (2024), Bölüm 4 & Genel Değerlendirme Notları

 
Sürdürülebilir Kalkınma Amaçları
Dersin Program Çıktılarına Katkısı
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10
Tüm 2 3 4 3 4 2 2 4 2 2
Ö1 2 3 4 3 4 2 2 4 2 2
Ö2 2 3 4 3 4 2 2 4 2 2
Ö3 2 3 4 3 4 2 2 4 2 2
Ö4 3 3 4 3 4 2 2 4 2 2
Ö5 3 3 4 3 4 2 2 4 2 2

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

  
  https://obs.osmaniye.edu.tr/oibs/bologna/progCourseDetails.aspx?curCourse=290824&lang=tr