DERS TANITIM ve UYGULAMA BİLGİLERİ

Dersin Adı Kodu Yarıyıl T+U+L (saat/hafta) Türü (Z / S) Yerel Kredi AKTS
Endüstriyel Sistemlerde Veri Analitiği INE 324 Bahar 03+00+00 Seçmeli 3 5
Akademik Birim: Endüstri Mühendisliği
Öğrenim Türü: Örgün Eğitim
Ön Koşullar CMPE140
Öğrenim Dili: İngilizce
Dersin Düzeyi: Lisans
Dersin Koordinatörü: Mustafa Hekimoğlu
Dersin Amacı: • Öğrencilere problem çözme yaklaşımlarında algoritmik düşünmeyi tanıtmak;
• Öğrencilerin ileride oluşturacakları mühendislikteki bilgisayar uygulamalarına ve R programlama dili kullanarak algoritma uygulamalarına bir temel sağlamak.
• Öğrencilerin temel fizik ve ileri matematik bilgilerini mühendislik sorularının çözümünde uygulamalarını sağlamaktır.
Dersin İçeriği: Bu ders, endüstri mühendisleri için very analitiği ve veri madenciliği tekniklerine giriş niteliği taşımaktadır. Öğrenciler açık kaynak kodlu bir veri madenciliği programı olan R Gui ve SQL yanında, veriyi bilgisayardaki analiz ortamına yükleme, verinin görsel sunumunu gerçekleştirme ve veri madenciliği algoritmalarının temellerini ve uygulamalarını öğreneceklerdir.
Dersin Öğrenme Çıktıları (ÖÇ):
  • 1- Veri setlerinin görsel sunumu ve R’da temel istatistiksel analizler
  • 2- İlişkisel veritabanlarını anlamak, SQL’de sorgu yaratmak ve R’a veri çekimi
  • 3- Betimleyici modelleme için temel veri maden teknikleri ve R’da uygulamaları
  • 4- Tahminleyici modelleme teknikleri ve R’da uygulamaları
  • 5- Endüstri mühendisliği problemlerinin algoritmik çözümlerinin dizaynı, test edilmesi ve uygulanması
Dersin Öğrenme Yöntem ve Teknikleri • Ödevler (3), • Laboratuvar Uygulamaları (6), • Bilgisayar Kullanımı (R Studio, SQL), • Yıl İçi Sınavı (1), • Proje (1), • Final Sınav (1).


HAFTALIK PROGRAM

HaftaKonularÖn Hazırlık
1 Veri madenciliğinde temel kavramlar, R Programlama
2 R Programlama ve SQL
3 Veri Depolama ve Yönetim Yöntemleri: SQL Geçen haftaki lab egzersizlerinin tekrarı
4 Betimleyici Modelleme – Uzaklık Ölçütleri
5 Betimleyici Modelleme – K Ortalama Algoritması
6 Betimleyici Modelleme – Hiyerarşik Gruplama
7 Betimleyici Modelleme – Hiyerarşik Gruplama
8 Tahminleyici Modellere Giriş
9 Tahminleyici Sınıflandırma Modelleri
10 Tahminleyici Sınıflandırma Modelleri
11 Tahminleyici Regresyon Modelleri: Basit Doğrusal Regresyon ve R
12 Tahminleyici Regresyon Modelleri: Genel Doğrusal Modeller
13 Yapay Sinir Ağları Modelleri
14 Yapay Sinir Ağları Modelleri


ZORUNLU ve ÖNERİLEN OKUMALAR

Principles of Data Mining. David J. Hand, Heikki Mannila, Padhraic Smyth


DİĞER KAYNAKLAR

http://archive.ics.uci.edu/ml/


DEĞERLENDİRME SİSTEMİ

Yarıyıl İçi ÇalışmalarıSayıKatkı Payı (%)
Proje 1 25
Ödev 3 15
Ara Sınavlar/Sözlü Sınavlar/Kısa Sınavlar 1 25
Final Sınavı 1 35
Total: 6 100


İŞ YÜKÜ HESAPLAMASI

EtkinliklerSayısıSüresi (saat)Toplam İş Yükü (saat)
Ders Saati11222
Laboratuvar121.518
Proje13636
Ödev3618
Sunum/Jüriye Hazırlık144
Ara Sınavlar/Sözlü Sınavlar/Kısa Sınavlar11212
Final Sınavı11515
Toplam İş Yükü (saat):125


PROGRAM YETERLİLİKLERİ (PY) ve ÖĞRENME ÇIKTILARI (ÖÇ) İLİŞKİSİ

# PY1 PY2 PY3 PY4 PY5 PY6 PY7 PY8 PY9
OC1                  
OC2                  
OC3                  
OC4                  
OC5