BVA 506 - Büyük Veri için Python ile Makine Öğrenmesi

Lisansüstü Eğitim Enstitüsü · Büyük Veri ve İş Analitiği · Lisansüstü

AKTS: 7.5 T+U+L: 3+0+0 Zorunlu
Koordinatör: Doç. Dr. Emine Elif NEBATİ

Dersin Amacı

Bu dersin amacı, büyük veri bağlamında makine öğrenmesine uygulamalı bilgi sunmak ve öğrencilere veri bilimindeki temel kavramları kazandırmaktır. Öğrencilerin Python/Scikit-learn ve PySpark araçlarını kullanarak regresyon, sınıflandırma ve kümeleme problemleri için modeller geliştirmeleri ve bu modelleri değerlendirmeleri hedeflenmektedir. Ders kapsamında doğrusal ve lojistik regresyon, Naïve Bayes, k-en yakın komşu (k-NN), k-means ve hiyerarşik kümeleme, yapay sinir ağları, destek vektör makineleri (SVM) ve performans ölçütleri ele alınacak; pazarlama, finans ve operasyon verileri üzerinde gerçek veri setleriyle uygulamalı projeler yürütülecek ve bu çalışmalar üzerinden yönetsel düzeyde çıkarımlar yapma becerileri geliştirilecektir.

Ders İçeriği

Öğrenciler, Python/Scikit-learn ve PySpark kullanarak regresyon, sınıflandırma ve kümeleme problemleri için modeller geliştirir ve değerlendirir. Konular arasında lineer/logistik regresyon, Naïve Bayes, k-NN, k-means/hiyerarşik kümeleme, yapay sinir ağları, SVM ve performans ölçütleri ve gerçek veri setleriyle çalışılmak yer almaktadır.

Dersin Öğrenme Çıktıları

  1. Tahminleme modellerinin temel kavramlarını açıklayabilecektir.
  2. Sınıflandırma ve regresyon problemlerini çözmek için gözetimli öğrenme yöntemlerini uygulayabilecektir.
  3. Kümeleme problemlerini çözmek için gözetimsiz öğrenme yöntemlerini uygulayabilecektir.
  4. Tahminleme modellerinin performansını analiz edebilecek, yorumlayabilecek ve değerlendirebilecektir.
  5. Python ve PySpark kullanarak temel makine öğrenmesi tekniklerini kodlayabilecektir.