Veri Analitiği Profesyonel Yüksek Lisans Programı

Bu dersin amacı öğrencilere Hadoop Distributed File System (HDFS) üzerinde çalışacak programlar yazmak için gerekli temel bilgileri vermektir. Derste geleneksel programlama yöntemlerinin sorunları ve Hadoop’un bu sorunları nasıl çözdüğü gösterilecektir. Hadoop Cluster ve Ekosisteminin temellerini öğrendikten sonra öğrenciler Apache Spark framework’ünü kullanarak programlar geliştirip, bu programları Hadoop cluster üzerinde nasıl çalıştıracaklarını öğrenecekler.

Eğitmen: Ahmet Demirelli

Zaman Serisi tahmini veri biliminde en sık kullanılan yöntemlerden biridir. Başta finans olmak üzere tedarik zincirleri yönetiminde, üretim planlamada ve daha bir çok alanda yaygın olarak uygulanmaktadır. Bu dersin amacı öğrencilere zaman serilerinin analiz ve tahminlerinde kullanılan yöntemlere ilişkin kapsamlı bir giriş sağlamaktır. Dersin sonunda öğrenciler zaman serilerinin keşifsel analizini yapabilecek, endüstrinin farklı alanlarında karşılarına çıkabilecek iş problemlerinde kullanılacak modelleri kurabilecek ve yorumlayabilecek birikimi kazanmış olacaklardır. Ders kapsamında yapılacak tüm uygulamaları için Python programlama dili ve kütüphaneler kullanılacaktır.

Eğitmen: Özgür Asar

Bu ders, Makine Öğrenmesi temel yaklaşımlarını kapsamaktadır. Ders makine öğrenmesinin temelleri ile başlayarak, farklı öğrenme paradigmaları, regresyon, sınıflandırma problemleri, değerlendirme metodları, genelleştirme, ve ezberleme konuları ile devam edecektir. Daha sonra temel makine öğrenme tekniklerinden karar ağaçları, Bayesian yaklaşımlar, lojistik regresyon, k-enyakın komşuluk, ve çevrimiçi öğrenme algoritmalarına değinilecektir. Öğrencilerin, anlatılan tekniklerin arka planını oluşturan temel teorileri anlamalarının yanında bu teknikleri farklı platformlarda (Weka veya Matlab) uygulamaları beklenecektir.

Eğitmen: H.Sait Ölmez

Veri Madenciliği dersi kapsamında verilerin çekilmesi, düzenlenmesi, ve temizlenmesi ile veri madenciliği algoritmalarının çalışmasına hazır hale getirilmesi dersin ilk bölümünü oluşturacaktır. Daha sonra Veri Madenciliği tekniklerinden ilişkisel kural bulma, sıralı örgüler, kümeleme, ve metin madenciliği üzerinde durulacaktır. Öğrencilerin, anlatılan tekniklerin arka planını oluşturan temel teorileri anlamalarının yanında bu teknikleri farklı platformlarda (RapidMiner ya da Weka) uygulamaları beklenecektir.

Eğitmen:İnanç Arın

Derin öğrenmedeki son gelişmeler, bilgisayarlı görme ve dogal dil işleme dahil olmak üzere birçok alanda çığır açıcı ilerlemelere yol açmıştır. Bu ders, öğrencileri gerçek dünyadaki zorlukları çözmek için en son teknolojiye sahip derin sinir ağı mimarilerinden ve algoritmalardan yararlanacak pratik beceriler ve teorik bilgilerle donatmayı amaçlamaktadir. Öğrenciler öncelikle sinir ağlarının verilerden karmaşık kalıpları ve temsilleri öğrenmesini topluca sağlayan ağ mimarisi tasarımı, aktivasyon fonksiyonları, kayıp fonksiyonlari, optimizasyon algoritmalari ve düzenleme teknikleri gibi derin öğrenme temellerini kapsamlı bir şekilde anlayacaklardır. Öğrenciler daha sonra Python programlama dili ve PyTorch çerçevesini kullanarak gerçek dünyadaki veri kümeleriyle uygulamalı deneyim yoluyla derin öğrenme modellerini dağıtma, deneyler yapma ve model performansını optimize etme gibi konularda pratik bilgi kazanacaklardır.

Eğitmen: Ahmet Onur Durahim

Veri biliminde nedensellik özellikle son yıllarda veri biliminin bir uygulama alanı olarak yerini almaktadır. Bu alanın amacı deneysel ve özellikle gözlemsel verileri kullanarak neden-sonuç ilişkileri çıkabilmektedir. Bu sayede yapılması planlanan müdahalelerin olasi etkileri hakkinda güvenilir çıkarımlar elde edilebilecektir. Önemli uygulama alanlari arasinda tip, ekonomi ve finans, pazarlama, politika bilimi, isletme, ve teknoloji endüstrisi gibi disiplinler yer almaktadir. Bu dersin ana çıktısı olarak öğrenciler, neden sonuç ilişkilerini modern makine yöntemleri ile elde edebilecektir. Dersin uygulamalari Python dilinde yapılacaktır.

Eğitmen: Özgür Asar

Bu ders, katılımcılara Üretken Yapay Zeka konusunda kapsamlı bir temel kazandırmayı hedeflemektedir.; özellikle Büyük Dil Modelleri (LLM’ler) ve bunların gerçek dünya uygulamaları üzerinde durulmaktadır. Temel kavramları derinlemesine anlayacak, LLM mimarileri ve eğitim süreçlerini öğrenecek, bu modellerin güçlü yönlerini ve sınırlarını keşfedeceksiniz. Dersin sonunda, LLM’leri belirli görevlere uyarlamak için ince ayar yapma, harici veri kaynakları ile entegre etme (Retrieval-Augmented Generation - RAG) ve karmaşık görevler için yapay zeka aracıları (agent) ve aracılı iş akışları oluşturma gibi çeşitli teknikleri uygulamalı olarak kullanılabilecek seviyeye geleceksiniz.

Eğitmen: Ahmet Onur Durahim

Yapay zekâ teknolojilerinin iş dünyasında artan kullanımı, bu teknolojilerin etik ilkelere uygun biçimde geliştirilmesi ve uygulanması gerekliliğini de beraberinde getirmektedir. Bu ders kapsamında, yapay zekâ sistemlerinin kullanımında ortaya çıkan etik ve hukuki sorular tartışılacaktır. Ders; yapay zekâda ayrımcılık riski, hesap verebilirlik, şeffaflık, veri koruma ve mahremiyetin sağlanması, karar süreçlerinde insan gözetimi gibi temel etik ilkeleri incelemenin yanı sıra, AB Yapay Zekâ Yasası (AI Act), GDPR, Türk Kişisel Verilerin Korunması Kanunu (KVKK) ve diğer ilgili düzenlemeler çerçevesinde yasal sorumluluklar ve uyum yükümlülüklerini ele alır. Ayrıca yapay zekâ sistemlerinin sınıflandırılması, yüksek riskli sistemlere yönelik özel düzenlemeler ve kurumsal uyum süreçleri gibi konular da analiz edilir.

Eğitmen: Yasin Beceni

Bu ders, geleneksel proje yönetimi ve çevik proje yönetim yaklaşımları ile birlikte iş hayatında iletişimin temel kavramlarını endüstri perspektifinden öğretmeyi amaçlar. Katılımcılar proje gereksinimleri, iş bileşenleri ve projelerde karşılaşılabilecek zorluklar hakkında bilgi edinir. Proje kapsam yönetimi, zaman yönetimi, maliyet yönetimi, kalite yönetimi, risk yönetimi, tedarik yönetimi, paydaş yönetimi ve etkin kaynak yönetimi gibi yönetsel konular ele alınır. Proje İletişimi, projenin başarısı için olmaz ise olmazdır. Başarılı proje yönetimi için gerekli Yönetsel ve Liderlik becerilerinin geliştirilmesi amaçlanır.

Eğitmen: Hakan Aksungar

Bu dersin amacı öğrencilere Hadoop Distributed File System (HDFS) üzerinde çalışacak programlar yazmak için gerekli temel bilgileri vermektir. Derste geleneksel programlama yöntemlerinin sorunları ve Hadoop’un bu sorunları nasıl çözdüğü gösterilecektir. Hadoop Cluster ve Ekosisteminin temellerini öğrendikten sonra öğrenciler Apache Spark framework ünü kullanarak programlar geliştirip, bu programları Hadoop cluster üzerinde nasıl çalıştırdıklarını öğrenecekler.

Eğitmen: Ahmet Demirelli

Tezsiz yüksek lisans programına kayıtlı tüm öğrenciler bir proje hazırlamakla yükümlüdürler. Projenin konusu ve içeriği öğrencinin ilgi ve birikimine göre belirlenir ve Proje Yöneticisi öğretim üyesi tarafından onaylanır. Projenin bitiminde öğrenci Proje Yöneticisi tarafından onaylanan bir sonuç raporu yazmak ve sunmakla yükümlüdür.

Bu ders kapsamında farklı endüstrilerde ve alanlarda karşımıza çıkan vakalar üzerinden enformasyon keşif sürecinin temel prensipleri uygulamalı olarak incelenecektir. Öğrencilerin bu süreç içinde yeni karşılaştıkları bir veri analitiği projesinde takip edilmesi gereken kritik adımları öğrenmeleri amaçlanmaktadır. Her bir vaka üzerinde verinin temizlenmesi, işlenmesi ve analize hazır hale gelmesi için yararlandığımız araçların kullanımı gösterilecektir. Verinin incelenmesi, boyut azaltılması ve model seçimi gibi konulara ağırlık verilecektir. Her bir vaka çalışması, sonuçların detaylı yorum ve analizi ile sonlandırılacaktır.

DA 515 Syllabus

Makine Öğrenmesi ile Çizgeler dersi, modern uygulamalarda karmaşık ağları modellemek ve analiz etmek amacıyla grafik teorisi, makine öğrenimi ve sosyal ağ analizini bir arada ele alır. Ders, çizge temsilleri, bağlantı analizi, merkezilik ölçüleri ve topluluk tespiti gibi temel kavramların yanı sıra, düğüm gömmeleri ve Çizge Sinir Ağları gibi makine öğrenmesi tekniklerini kapsamaktadır. Ders boyunca öğrenciler, NetworkX ve PyTorch Geometric gibi araçları kullanarak uygulamalı deneyim kazanacak ve bu teknikleri büyük ölçekli ağların analiz edilmesi ile sosyal, teknolojik ve biyolojik sistemlerin modellenmesi gibi gerçek dünya problemlerine uygulayacaklar.

DA 516 Syllabus

Keşifsel Veri Analizi (KVA) bir veri setinin en önemli özelliklerini özetleyen ve görselleştiren bir veri analizi yaklaşımıdır. KVA verinin içerdiği yapıları ve değişkenleri anlamak, veri hakkında bir öngörüye sahip olmak ve hangi istatistiksel methodlar ile inceleneceğine karar vermek için verinin keşfine odaklanır. KVA veri görselleştirmeden farklı olarak analiz sürecinin başında gerçekleşen bir işlemdir, buna karşılık veri görselleştirme analizin sonucunda bulunanların paylaşılması için gerçekleştirilir. Bu derste veri görselleştirme anlatılarının pratik teknikleri ele alınacaktır. İş dünyası, endüstri ve gazetecilikten vaka çalışmalarına yer verilecektir.

DA 518 Syllabus