Bu dersin amacı, veri analitiği ve makine öğrenmesi yöntemlerinin teorik temellerini öğretmek, büyük ve karmaşık veri setlerinin analiz edilmesini sağlamak ve geliştirilen modellerin açıklanabilirliğini değerlendirmektir. Ders kapsamında öğrenciler veri ön işleme, boyut indirgeme, tahminleme modelleri, topluluk öğrenmesi yöntemleri ve açıklanabilir makine öğrenmesi tekniklerini uygulamalı olarak öğrenirler.

Bu ders, büyük ve karmaşık veri setlerinin ileri veri analitiği yöntemleri ile analiz edilmesi, makine öğrenmesi modellerinin geliştirilmesi ve bu modellerin açıklanabilirliğinin sağlanmasına yönelik teorik ve uygulamalı bilgi kazandırmayı amaçlamaktadır. Ders kapsamında veri ön işleme, özellik mühendisliği, denetimli ve denetimsiz öğrenme algoritmaları, model optimizasyonu, performans değerlendirme yöntemleri ve Açıklanabilir Yapay Zekâ (XAI) teknikleri ele alınmaktadır. SHAP, LIME, kısmi bağımlılık grafikleri (PDP), bireysel koşullu beklenti (ICE) eğrileri ve karşı-olgusal (counterfactual) açıklamalar gibi modern yorumlanabilirlik yaklaşımları uygulamalı olarak incelenmektedir. Öğrenciler, Python tabanlı veri analitiği araçlarını kullanarak gerçek dünya veri setleri üzerinde analizler gerçekleştirir, güvenilir ve şeffaf makine öğrenmesi modelleri geliştirir ve sonuçları bilimsel yöntemlerle yorumlama becerisi kazanırlar.