Bilgisayar Mühendisliği (Tezli)
Yüksek Lisans	TYYÇ: 7. Düzey	QF-EHEA: 2. Düzey	EQF-LLL: 7. Düzey

Ders Genel Tanıtım Bilgileri

Ders Kodu:

UVB566

Ders İsmi:

Makine Öğrenmesi ile Uygulamalı Veri Bilimi

Ders Yarıyılı:

Güz

Ders Kredileri:

Teorik	Pratik	Kredi	AKTS
3	0	3	8

Öğretim Dili:

Ders Koşulu:

Ders İş Deneyimini Gerektiriyor mu?:

Hayır

Dersin Türü:

Alan Seçmeli

Dersin Seviyesi:

Yüksek Lisans

TYYÇ:7. Düzey

QF-EHEA:2. Düzey

EQF-LLL:7. Düzey

Dersin Veriliş Şekli:

Yüz yüze

Dersin Koordinatörü:

Dr.Öğr.Üyesi Bilge SERDARER KUZU

Dersi Veren(ler):

Dersin Yardımcıları:

Dersin Amaç ve İçeriği

Dersin Amacı:

Bu dersin amacı, öğrencilerin gerçek dünya veri problemlerinde uçtan uca veri bilimi ve makine öğrenmesi sürecini (problem tanımı → veri hazırlama → özellik mühendisliği → modelleme → doğrulama/değerlendirme → yorumlama → raporlama) uygulamalı olarak yürütebilmesini sağlamaktır. Ders; deney tasarımı (train/validation/test), çapraz doğrulama, hiperparametre ayarı, hata analizi ve yeniden üretilebilir analiz/pipeline kurma yetkinliklerini kazandırmayı; ayrıca model dokümantasyonu (model cards) ve ML sistemlerinde sürdürülebilirlik/teknik borç farkındalığı geliştirmeyi hedefler.

Dersin İçeriği:

Uygulamalı veri bilimi iş akışı; veri toplama/temizleme/EDA; veri bölme stratejileri ve veri sızıntısı (leakage) farkındalığı; özellik mühendisliği ve dönüşümler; gözetimli öğrenme (regresyon ve sınıflandırma) için temel modeller; model değerlendirme metrikleri ve çapraz doğrulama; scikit-learn Pipeline ile yeniden üretilebilir deney akışları; hiperparametre optimizasyonu; model karşılaştırma ve hata analizi; temel yorumlanabilirlik yaklaşımı; model dokümantasyonu (model cards); ML sistemlerinde teknik borç ve bakım maliyeti riskleri; uygulama ağırlıklı ödevler ve dönem projesi.

Öğrenme Kazanımları

Bu dersi başarıyla tamamlayabilen öğrenciler;

Öğrenme Kazanımları

1 - Bilgi
Kuramsal - Olgusal
1) Uygulamalı veri bilimi ve makine öğrenmesi hattının temel adımlarını ve kavramlarını açıklar.
2) Genelleme, overfitting/underfitting, çapraz doğrulama ve metrik seçimi ilişkisini açıklar.
2 - Beceriler
Bilişsel - Uygulamalı
1) Ham veriyi temizler, dönüştürür ve özellik mühendisliği yaparak modele uygun veri seti hazırlar.
2) scikit-learn ile pipeline kurar; çapraz doğrulama ve hiperparametre aramasıyla modelleri karşılaştırır ve seçer.
3 - Yetkinlikler
İletişim ve Sosyal Yetkinlik
1) Model sonuçlarını (metrikler, hata analizi, sınırlılıklar) hedef kitleye uygun biçimde raporlar ve sunar.
2) Ekip çalışmasında veri hazırlama–modelleme–değerlendirme işlerini koordine ederek ortak teslim üretir.
Öğrenme Yetkinliği
1) Dokümantasyon ve kaynaklardan yeni bir yöntem/araç öğrenerek (örn. yeni bir scikit-learn bileşeni) projeye entegre eder.
2) Deney sonuçlarına göre iteratif geliştirme yapar (özellik, model, parametre, veri bölme stratejisi) ve gerekçelendirir.
Alana Özgü Yetkinlik
1) Problem tanımını ölçülebilir başarı kriterlerine çevirir; uygun baseline ve doğrulama tasarımı kurar.
2) Modeli şeffaflık ve sorumlu kullanım açısından dokümante eder (model card yaklaşımı) ve uygun kullanım sınırlarını belirtir.
Bağımsız Çalışabilme ve Sorumluluk Alabilme Yetkinliği
1) Uçtan uca bir ML projesini planlar, yürütür ve tekrarlanabilir biçimde (kod, parametre, deney kayıtları) teslim eder.
2) ML sistemlerinde bakım/teknik borç risklerini değerlendirir; sürdürülebilir geliştirme için önlemler önerir.

Ders Akış Planı

Hafta	Konu	Ön Hazırlık
1)	Derse giriş; DS/ML hattı; problem tanımı ve başarı kriterleri
2)	Veri anlama (EDA), veri kalitesi; train/validation/test bölme mantığı
3)	Ön-işleme: eksik veri, aykırı değer, ölçekleme/kodlama; leakage farkındalığı
4)	Baseline modeller; regresyon temelleri; hata ölçütleri
5)	Sınıflandırma temelleri; metrikler (precision/recall/F1, ROC-AUC)
6)	Çapraz doğrulama; model seçimi; doğru karşılaştırma yaklaşımı
7)	Pipeline ile uçtan uca deney; hiperparametre araması (grid/random)
8)	Vize Sınavı
9)	Özellik mühendisliği derinleştirme; kategorik/nümerik dönüşümler; feature selection (ops.)
10)	Ensemble yaklaşımlarına giriş (bagging/boosting sezgisi) ve hata analizi
11)	(Ops.) Gözetimsiz öğrenme: kümeleme ve boyut indirgeme; değerlendirme sezgisi
12)	Yeniden üretilebilirlik: deney kaydı, bağımlılık/ortam yönetimi; (ops.) model registry farkındalığı
13)	Model dokümantasyonu ve sorumlu raporlama: model cards
14)	ML sistemlerinde sürdürülebilirlik: teknik borç riskleri, bakım maliyeti, “production mindset”
15)	Proje atölyesi + genel tekrar: baseline, iyileştirme, rapor/model card son hali
16)	Final Sınavı

Kaynaklar

Ders Notları / Kitaplar:	Öğretim elemanı ders notları
Diğer Kaynaklar:

Ders - Program Öğrenme Kazanım İlişkisi

Ders Öğrenme Kazanımları	1	2	3	4	5	6	7	8	9	10	11	12
Program Kazanımları
1) Bu programı başarıyla tamamlayan öğrenciler; Bilgisayar mühendisliğinin uzmanlık alanlarındaki kuramsal ve uygulamalı bilgileri derinlemesine kavrar ve bu bilgileri karmaşık mühendislik problemlerine uygular. Bilgisayar mühendisliği alanındaki bir problemi tanımlar, modeller ve çözmek için bilimsel araştırma yöntemlerini kullanarak özgün ve yenilikçi yöntemler geliştirir. Alanındaki yeni ve karmaşık fikirleri analiz, sentez ve değerlendirme yaparak eleştirel bir bakış açısıyla irdeler. Özgün bir araştırmayı bağımsız olarak tasarlar ve yürütür, sonuçları bilimsel etiğe uygun şekilde raporlar ve uluslararası platformlarda savunur. Bilgisayar mühendisliği alanındaki bilimsel ve teknolojik gelişmeleri takip eder ve bu gelişmelere katkıda bulunur. Çalışmalarında ve araştırmalarında toplumsal, çevresel ve etik sorumluluk bilinciyle hareket eder. En az bir yabancı dili (İngilizce) kullanarak alanındaki bilimsel çalışmaları takip eder, yazılı ve sözlü olarak akademik düzeyde iletişim kurar.
1) Bilgisayar mühendisliğinin uzmanlık alanlarındaki kuramsal ve uygulamalı bilgileri derinlemesine kavrar ve bu bilgileri karmaşık mühendislik problemlerine uygular. Bilgisayar mühendisliği alanındaki bir problemi tanımlar, modeller ve çözmek için bilimsel araştırma yöntemlerini kullanarak özgün ve yenilikçi yöntemler geliştirir. Alanındaki yeni ve karmaşık fikirleri analiz, sentez ve değerlendirme yaparak eleştirel bir bakış açısıyla irdeler.
1) Özgün bir araştırmayı bağımsız olarak tasarlar ve yürütür, sonuçları bilimsel etiğe uygun şekilde raporlar ve uluslararası platformlarda savunur. Bilgisayar mühendisliği alanındaki bilimsel ve teknolojik gelişmeleri takip eder ve bu gelişmelere katkıda bulunur.

Ders - Öğrenme Kazanımı İlişkisi

Etkisi Yok	1 En Düşük	2 Düşük	3 Orta	4 Yüksek	5 En Yüksek

	Dersin Program Kazanımlarına Etkisi	Katkı Payı
1)	Bu programı başarıyla tamamlayan öğrenciler; Bilgisayar mühendisliğinin uzmanlık alanlarındaki kuramsal ve uygulamalı bilgileri derinlemesine kavrar ve bu bilgileri karmaşık mühendislik problemlerine uygular. Bilgisayar mühendisliği alanındaki bir problemi tanımlar, modeller ve çözmek için bilimsel araştırma yöntemlerini kullanarak özgün ve yenilikçi yöntemler geliştirir. Alanındaki yeni ve karmaşık fikirleri analiz, sentez ve değerlendirme yaparak eleştirel bir bakış açısıyla irdeler. Özgün bir araştırmayı bağımsız olarak tasarlar ve yürütür, sonuçları bilimsel etiğe uygun şekilde raporlar ve uluslararası platformlarda savunur. Bilgisayar mühendisliği alanındaki bilimsel ve teknolojik gelişmeleri takip eder ve bu gelişmelere katkıda bulunur. Çalışmalarında ve araştırmalarında toplumsal, çevresel ve etik sorumluluk bilinciyle hareket eder. En az bir yabancı dili (İngilizce) kullanarak alanındaki bilimsel çalışmaları takip eder, yazılı ve sözlü olarak akademik düzeyde iletişim kurar.
1)	Bilgisayar mühendisliğinin uzmanlık alanlarındaki kuramsal ve uygulamalı bilgileri derinlemesine kavrar ve bu bilgileri karmaşık mühendislik problemlerine uygular. Bilgisayar mühendisliği alanındaki bir problemi tanımlar, modeller ve çözmek için bilimsel araştırma yöntemlerini kullanarak özgün ve yenilikçi yöntemler geliştirir. Alanındaki yeni ve karmaşık fikirleri analiz, sentez ve değerlendirme yaparak eleştirel bir bakış açısıyla irdeler.
1)	Özgün bir araştırmayı bağımsız olarak tasarlar ve yürütür, sonuçları bilimsel etiğe uygun şekilde raporlar ve uluslararası platformlarda savunur. Bilgisayar mühendisliği alanındaki bilimsel ve teknolojik gelişmeleri takip eder ve bu gelişmelere katkıda bulunur.

Öğrenme Etkinliği ve Öğretme Yöntemleri

Ders

Ölçme ve Değerlendirme Yöntemleri ve Kriterleri

Yazılı Sınav (Açık uçlu sorular, çoktan seçmeli, doğru yanlış, eşleştirme, boşluk doldurma, sıralama)
Ödev

Ölçme ve Değerlendirme

Yarıyıl İçi Çalışmaları	Aktivite Sayısı	Katkı Payı
Ara Sınavlar	1	% 40
Final	1	% 60
Toplam		% 100
YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI		% 40
YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI		% 60
Toplam		% 100

İş Yükü ve AKTS Kredisi Hesaplaması

Aktiviteler	Aktivite Sayısı	Süre (Saat)	İş Yükü
Ara Sınavlar	1	1	1
Final	1	1	1
Toplam İş Yükü			2