Bilgi Paketi / Ders Kataloğu
| Ders Kodu | : MYL631 |
| Ders Türü | : Seçmeli |
| Ders Grubu | : Doktora |
| Eğitim Dili | : Türkçe |
| Staj Durumu | : Yok |
| Teori | : 3 |
| Uyg. | : 0 |
| Kredi | : 3 |
| Laboratuvar | : 0 |
| AKTS | : 5 |
"Modern R Programlama ile Veri Bilimi ve Makine Öğrenimi" dersinin amacı, R programlama dilini kullanarak veri bilimleri ve makine öğrenmesi alanlarında öğrencileri eğitmektir. Ders sırasında, öğrenciler R programlama dilini kullanarak veri madenciliği, veri görselleştirme, modellendirme, tahmin ve öğrenme alanında temel kavramları öğrenecekler. Dersin ana hedefi, öğrencilere veri bilimleri ve makine öğrenmesi alanlarında kullanılabilecek temel kavramları ve uygulamaları öğretmektir.
"Modern R Programa ile Veri Bilimi ve Makine Öğrenimi" dersi, R ortamında veri bilimi ve makine öğreniminin temellerini ve uygulamalarını öğretmek için tasarlanmıştır. Ders, veri bilimi ve makine öğreniminin temellerini tanımlarken, aynı zamanda R'da bu alanların kullanımı ve uygulanması hakkında bilgiler de sunmaktadır. Öğrenciler, R'da veri biliminde ve makine öğreniminde kullanılan temel araçları ve kavramları öğrenirken, örnek veri kümelerini çalışarak ve kod yazarak güçlü bir çerçeve oluşturacaktır. Ders, özellikle veri madenciliği, kural tabanlı öğrenme, destek vektör makineleri, karar ağaçları, doğal dil işleme ve diğer makine öğrenim teknikleri üzerinde odaklanmaktadır.
| 1. | Öğrenciler R programlama dilini kullanarak veri madenciliği ve makine öğrenmesi algoritmalarını kavrayacaklar. |
| 2. | Öğrenciler veri kaynağını keşfedip, ön işleme, modelleme ve sonuçların görselleştirilmesi için R kullanarak veri madenciliği uygulamaları yapabilecekler. |
| 3. | Öğrenciler R'da veri setleri kullanarak lineer ve lojistik regresyon gibi modelleme türlerini anlayacaklar. |
| 4. | Öğrenciler veri madenciliği uygulamalarına yardımcı olan R kütüphanelerini kullanabilecekler. |
| 5. | Öğrenciler R kullanarak çeşitli uygulamalarda makine öğrenmesi kullanarak sınıflandırma, çıkarım ve regresyon gibi modeller oluşturabilecekler. |
| 1. | Boehmke, B., & Greenwell, B. M. (2019). Hands-on machine learning with R. CRC press. |
| 2. | Gutierrez, D. D. (2015). Machine learning and data science: an introduction to statistical learning methods with R. Technics Publications. |
| Değerlendirme Türü | Adet | Yüzde |
|---|---|---|
| Ara Sınav (Vize) | 1 | %30 |
| Dönem Sonu Sınavı (Final) | 1 | %70 |
| Etkinlik | Sayısı | Ön Hazırlık | Süre | Toplam Iş Yükü (Saat) |
|---|---|---|---|---|
| Kuramsal Ders | 14 | 4 | 3 | 98 |
| Ara Sınav | 1 | 10 | 1 | 11 |
| Dönem Sonu Sınavı | 1 | 20 | 1 | 21 |
| TOPLAM İŞ YÜKÜ (Saat) | 130 | |||
PÇ-1 | PÇ-2 | PÇ-3 | PÇ-4 | PÇ-5 | |
OÇ-1 | 5 | 5 | 4 | 4 | 5 |
OÇ-2 | 5 | 4 | 4 | 5 | 5 |
OÇ-3 | 5 | 4 | 5 | 5 | 5 |
OÇ-4 | 5 | 5 | 4 | 5 | 5 |
OÇ-5 | 4 | 4 | 5 | 5 | 5 |