 |
Ders Öğretim Planı| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS | | İK118Y | İktisatta Makine Öğrenmesi | Seçmeli | 1 | 2 | 6 |
| | Dersin Seviyesi | | Yüksek Lisans | | Dersin Amacı | | Bu dersin amacı, günümüzde ekonomik analizde yaygın olarak kullanılan temel makine öğrenmesi algoritmalarını giriş düzeyinde uygulamalı olarak öğretmektir. | | Dersi Veren Öğretim Görevlisi/Görevlileri | | Doç. Dr. Erdemalp Özden | | Öğrenme Çıktıları | | 1 | Ekonomik ve sosyal uygulamalarda yaygın olarak kullanılan makine öğrenmesi yöntemlerinin temellerini kavramak. | | 2 | Bu yöntemleri pratik problemlere uygulamak için gerekli programlama becerilerini geliştirmek. | | 3 | Sosyal bilimlerde makine öğrenmesi ile ilgili son literatürü takip edebilme | | 4 | Veri bakımından zengin ortamlarda bir proje tasarlama becerisi geliştirmek | | 5 | Makine öğrenmesi yöntemlerinin karar verme süreçlerinde nasıl uygulanabileceğine ilişkin beceri geliştirilmesi |
| | Öğrenim Türü | | Birinci Öğretim | | Dersin Ön Koşulu Olan Dersler | | Temel Ekonometri | | Ders İçin Önerilen Diğer Hususlar | | Temel Programlama Bilgisi
Orta Düzey Cebir | | Dersin İçeriği | | Bu derste, iktisat ve diğer ilişkili sosyal bilimlerde karşılaşılan problemlerin çözümünde makine öğrenmesi tekniklerinin kullanımı ele alınacaktır. Bu dersteki uygulamalarda R ve Python kullanılacaktır. Dersin içeriği hem gözetimli hem de gözetimsiz öğrenme tekniklerini kapsamaktadır. Başlıca konular şunlardır: Regresyon analizi, Düzenlileştirme yöntemleri, LASSO ve Ridge regresyonu, lojistik regresyon, karar ağaçları, sınıflandırma yöntemleri. | | Haftalık Ayrıntılı Ders İçeriği | |
| 1 | İktisatta makine öğrenmesi yöntemlerine giriş, öğrenme teorisinde temel kavramlar ve araçlar | | | | 2 | Gözetimli ve gözetimsiz öğrenme, kestirim hatası, kayıp fonksiyonu, çapraz-geçerleme, veri-bazlı bilgi ölçütleri | | | | 3 | R ile programlamaya giriş, R ile özet istatistiksel analiz | | | | 4 | Python ile programlamaya giriş, Python ile özet istatistiksel analiz | | | | 5 | Gözetimli öğrenmeye giriş: Doğrusal Regresyon | | | | 6 | Sınıflandırma, lojistik regresyon, PCA; discriminant analizi | | | | 7 | Yeniden örnekleme yöntemleri, sapma-varyans ilişkisi, çapraz geçerleme, veri bazlı bilgi kriterleri | | | | 8 | Ara Sınav | | | | 9 | Model seçimi ve düzenlileştirme: shrinkage, LASSO, ridge regresyonu | | | | 10 | Doğrusal olmayan regresyon, polinom regresyonu | | | | 11 | Regresyon ağaçları | | | | 12 | Destek vektör makineleri | | | | 13 | Gözetimsiz Öğrenme: PCA, K-means gruplama | | | | 14 | Proje sunumları | | | | 15 | Final | | |
| | Ders Kitabı / Malzemesi / Önerilen Kaynaklar | | - James, Gareth, D. Witten, T. Hastie, R. Tibshirani (2017), An Introduction to Statistical Learning with Applications in R, 8th ed., Springer.
- Alpaydın, Ethem (2018), Yapay Öğrenme, 4. Baskı (Ethem Alpaydın, Introduction to Machine Learning, 2. baskıdan çeviri), Boğaziçi Üniversitesi Yayınevi, İstanbul. | | Planlanan Öğrenme Aktiviteleri ve Metodları | | | Değerlendirme | |
| Ara Sınav | 1 | 100 | | TOPLAM | 100 | |
| Final Sınavı | 1 | 100 | | TOPLAM | 100 | | Yarıyıl (Yıl) İçi Etkinlikleri | 30 | | Yarıyıl (Yıl) Sonu Etkinlikleri | 70 | | TOPLAM | 100 |
| | Dersin Sunulduğu Dil | | Türkçe | | Staj Durumu | | Yok |
| | İş Yükü Hesaplaması | |
| Ara Sınav | 1 | 2 | 2 | | Final Sınavı | 1 | 2 | 2 | | Derse Katılım | 14 | 3 | 42 | | Rapor Hazırlama | 2 | 5 | 10 | | Rapor Sunma | 2 | 2 | 4 | | Ödev Problemleri için Bireysel Çalışma | 5 | 5 | 25 | | Ara Sınav İçin Bireysel Çalışma | 7 | 3 | 21 | | Final Sınavı içiin Bireysel Çalışma | 7 | 6 | 42 | | Ev Ödevi | 5 | 5 | 25 | |
| Program ve Öğrenme Çıktıları İlişkisi | | ÖÇ1 | 4 | 4 | 4 | 5 | 1 | 2 | | ÖÇ2 | 4 | 3 | 4 | 3 | 3 | 2 | | ÖÇ3 | 4 | 4 | 3 | 2 | 1 | 2 | | ÖÇ4 | 5 | 3 | 4 | 2 | 2 | 1 | | ÖÇ5 | 4 | 4 | 4 | 2 | 3 | 2 |
| | * Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek |
 |
| |
|
|