Yönetim Bilişim Sistemleri (İngilizce)
Lisans	TYYÇ: 6. Düzey	QF-EHEA: 1. Düzey	EQF-LLL: 6. Düzey

Ders Genel Tanıtım Bilgileri

Ders Kodu:

ECON395

Ders İsmi:

Introduction to Machine Learning for Social Sciences

Ders Yarıyılı:

Güz

Ders Kredileri:

Teorik	Pratik	Kredi	AKTS
2	0	2	4

Öğretim Dili:

Ders Koşulu:

Ders İş Deneyimini Gerektiriyor mu?:

Hayır

Dersin Türü:

Genel Seçmeli

Dersin Seviyesi:

Lisans

TYYÇ:6. Düzey

QF-EHEA:1. Düzey

EQF-LLL:6. Düzey

Dersin Veriliş Şekli:

Yüz yüze

Dersin Koordinatörü:

Dr.Öğr.Üyesi Hazar Altınbaş

Dersi Veren(ler):

Dersin Yardımcıları:

Dersin Amaç ve İçeriği

Dersin Amacı:

Bu ders öğrencilere, sosyal bilimler bağlamında makine öğreniminin temel kavramlarını ve uygulamalarını tanıtmayı amaçlamaktadır. Öğrencilere çeşitli makine öğrenimi tekniklerini anlama becerisi kazandırmak ve öğrencilerin sosyal bilim araştırmalarında makine öğrenimi yöntemlerini, sosyal bilimler çerçevesinde etik tartışmalar çerçevesinde eleştirel olarak değerlendirip etkili bir şekilde uygulayabilmelerini sağlamak için tasarlanmıştır.

Dersin İçeriği:

İstatistiksel ve makine öğrenimine genel bakış, parametrik ve parametrik olmayan yöntemler, denetimli ve denetimsiz öğrenme, regresyon ve sınıflandırma, model doğruluğu, yorumlanabilirlik, önyargı ve varyans arasındaki dengeler, k-en yakın komşular, doğrusal regresyon, lojistik regresyon, karar ağaçları, rassal ormanlar, derin öğrenme, sinir ağları, temel bileşen analizi, K-ortalamalar kümeleme, çapraz doğrulama, alt küme seçimi, makine öğreniminde etik ve politik tartışmalar.

Öğrenme Kazanımları

Bu dersi başarıyla tamamlayabilen öğrenciler;

Öğrenme Kazanımları

1 - Bilgi
Kuramsal - Olgusal
1) Çeşitli makine öğrenimi modellerini ve bunların sosyal bilim araştırmalarına uygulanabilirliğini bilir, bu yöntemlerin güçlü ve sınırlı yönlerini ayırt eder.
2 - Beceriler
Bilişsel - Uygulamalı
1) Makine öğrenimi tahminlerinin ve modellerinin doğruluğunu ve yorumlanabilirliğini değerlendirir.
2) İstatistiksel yazılım aracılığı ile regresyon ve sınıflandırma gibi makine öğrenimi tekniklerini gerçek dünya veri kümelerine uygular.
3) Veri hazırlama, model seçimi ve doğrulama teknikleri de dahil olmak üzere araştırma sorularına uygun makine öğrenimi deneyleri tasarlar ve yürütür.
3 - Yetkinlikler
İletişim ve Sosyal Yetkinlik
Öğrenme Yetkinliği
1) Makine öğrenimi analizlerinin sonuçlarını etik kaygıları da gözeterek yorumlar ve bunların teori ve pratik üzerindeki etkilerini anlar.
Alana Özgü Yetkinlik
1) Disiplinlerarası bağlamlarda araştırma ve analiz için yenilikler önermek için makine öğrenimi ve sosyal bilimlerden gelen bilgileri sentezler.
Bağımsız Çalışabilme ve Sorumluluk Alabilme Yetkinliği

Ders Akış Planı

Hafta	Konu	Ön Hazırlık
1)	İstatistiksel (Makine) Öğrenmeye Bir Bakış	The Elements of Statistical Learning: Bölüm 1
2)	Parametrik ve Parametrik Olmayan Yöntemler, Tahmin Doğruluğu ve Model Yorumlanabilirliği, Denetimli ve Denetimsiz Öğrenme, Regresyon ve Sınıflandırma. Regresyon ve Sınıflandırma Problemlerinde Model Uygunluğu, Yanlılık ve Varyans, Bayes Sınıflandırıcı, K-en Yakın Komşuluk.	Ders kitabı: Bölüm 2.1 ve 2.2.
3)	Basit ve Çoklu Doğrusal Regresyon. Kategorik Değişkenler, Sınıflandırma Problemleri, Lojistik Regresyon.	Ders kitabı: Bölüm 3.1, 3.2, 3.3.1, 4.1, 4.2 ve 4.3
4)	JASP tanıtımı. JASP'ta uygulamalar.	JASP kılavuzu, Bölüm 3. Ders kitabı: Bölüm 3.4, 3.5, 3.6.2, 3.6.3, 3.6.4, 3.6.6, 4.7.1, 4.7.2 ve 4.7.6.
5)	Yeniden Örnekleme, Çapraz Geçerlilik (Geçerlilik Kümesi, k-dışarıda Çapraz Geçerlilik), Yanlılık- Varyans Dengesi. Model Seçimi, Altküme Seçimi, Yüksek Boyut Problemi.	Ders kitabı: Bölüm 5.1, 5.3 (5.3.4 hariç), 6.1, 6.4, 6.5.1.
6)	Karar Ağaçları	Ders kitabı: Bölüm 8.1
7)	Bagging, Rassal Ormanlar, Boosting, Uygulamalar.	Ders kitabı: Bölüm 8.2.1, 8.2.2, 8.2.3, 8.2.5, 8.3.1, 8.3.2, 8.3.3 ve 8.3.4. Uygulamalar: Bölüm 8.4.
8)	Ara sınav
9)	Derin Öğrenme, Sinir Ağları, Yinelemeli Sinir Ağı	Ders kitabı: Bölüm 10.1, 10.2 ve 10.5
10)	Sinir Ağının Eğitimi, Örnek Uygulamalar.	Ders kitabı: Bölüm 10.7, 10.9.1, 10.9.2 ve 10.9.6.
11)	Denetimsiz Öğrenme, Temel Bileşenler Analizi.	Ders kitabı: Bölüm 12.1 ve 12.2.
12)	Kümeleme Yöntemleri, K-ortalamalar Kümeleme, Örnek Uygulamalar.	Ders kitabı: Bölüm 12.4.1, 12.5.1 ve 12.5.3.
13)	Makine Öğreniminde Etik Sorunlar	Öğretim üyesi tarafından paylaşılan makaleler
14)	Makine Öğreniminde Etik Sorunlar	Öğretim üyesi tarafından paylaşılan makaleler
15)	Repor sunumları	Raporların sunumlar öncesinde teslim edilmesi gerekmektedir
16)	Final sınavı

Kaynaklar

Ders Notları / Kitaplar:

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An Introduction to Statistical Learning with Applications in R (2nd Edition). New York: Springer.

Diğer Kaynaklar:

Hastie, T., Tibshirani, R., Friedman, J. H., & Friedman, J. H. (2017). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd Edition). New York: Springer.

JASP: https://jasp-stats.org/download/

Navarro, D.J., Foxcroft, D.R., & Faulkenberry, T.J. (2019). Learning Statistics with JASP: A Tutorial for Psychology Students and Other Beginners.

https://jasp-stats.org/2019/09/24/introducing-jasp-0-11-the-machine-learning-module/

https://jasp-stats.org/2019/10/07/how-to-train-a-machine-learning-model-in-jasp-classification/

https://jasp-stats.org/2022/04/26/how-to-predict-with-machine-learning-models-in-jasp-classification/

Spiegelhalter, D. (2020). The Art of Statistics: How to Learn from Data. Pelican Books.

Ders - Program Öğrenme Kazanım İlişkisi

Ders Öğrenme Kazanımları	1	2	3	4	5	6
Program Kazanımları
1) Bilgi Teknolojileri ve İşletme Bilimi alanlarında elde ettiği bilgileri karar verme amacıyla uygun araçlarla kullanabilmek.
2) Bilgisayar donanımını tanıyabilmek, parçaların teknik özelliklerini ayırt edebilmek, karşılaştırmak, sınıflandırmak ve uygun donanım seçimini yapabilmek.
3) Yazılım türleri, yazılım seçimi ve temini konularında bilgi sahibi olmak ve yazılım geliştirme süreçlerini planlayıp yönetebilmek.
4) Uygulamalar için gerekli olan veritabanı tasarımını gerçekleştirmek.
5) Bilgisayar ağ sistemi kurabilmek, ağlara ve donanıma yönelik karşılaşılan sorunları çözebilmek.
6) Farklı disiplinlerin Yönetim Bilişim Sistemleri (YBS) tabanlı problem çözümünde veri ihtiyaçlarını belirleyebilmek, bu verileri temin edebilmek ve verileri derleyerek bilgi üretme ve kullanıma hazır hale getirebilmek.
7) Bilgi sistemi gereksinimlerini belirleyebilmek, sistem analizi yapabilmek ve tasarımını gerçekleştirebilmek.
8) Bir YBS veya sosyal problemin çözümüne yönelik olarak proje tasarlayabilmek ve farklı çözüm yöntemleri önerebilmek.
9) Projelerde YBS uzmanı olarak tasarım yapabilmek, projeye gerek yönetici gerekse çalışan olarak katkı sağlayabilmek ve yenilikçi fikirler üretebilmek.
10) Bir bilişim sistemi probleminin takım halinde çözülmesi durumlarında, problemin her aşamasında bireysel sorumluluk alabilmek, takıma katkı verebilmek ve gerektiğinde takıma liderlik edebilmek.
11) Türkçe ve İngilizce dillerini kullanaak mesleki, güncel ve gelişen eğilimleri takip edebilmek, gerekli bilgileri yazılı ve sözlü olarak aktarabilmek.
12) Alanında edindiği bilgi ve becerileri farklı disiplinlerle entegre ederek eleştirel bir bakış açısıyla değerlendirebilmek.
13) Mesleki çalışmalarda toplumsal etik değerlere göre hareket edebilmek.

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)	Bilgi Teknolojileri ve İşletme Bilimi alanlarında elde ettiği bilgileri karar verme amacıyla uygun araçlarla kullanabilmek.
2)	Bilgisayar donanımını tanıyabilmek, parçaların teknik özelliklerini ayırt edebilmek, karşılaştırmak, sınıflandırmak ve uygun donanım seçimini yapabilmek.
3)	Yazılım türleri, yazılım seçimi ve temini konularında bilgi sahibi olmak ve yazılım geliştirme süreçlerini planlayıp yönetebilmek.
4)	Uygulamalar için gerekli olan veritabanı tasarımını gerçekleştirmek.
5)	Bilgisayar ağ sistemi kurabilmek, ağlara ve donanıma yönelik karşılaşılan sorunları çözebilmek.
6)	Farklı disiplinlerin Yönetim Bilişim Sistemleri (YBS) tabanlı problem çözümünde veri ihtiyaçlarını belirleyebilmek, bu verileri temin edebilmek ve verileri derleyerek bilgi üretme ve kullanıma hazır hale getirebilmek.
7)	Bilgi sistemi gereksinimlerini belirleyebilmek, sistem analizi yapabilmek ve tasarımını gerçekleştirebilmek.
8)	Bir YBS veya sosyal problemin çözümüne yönelik olarak proje tasarlayabilmek ve farklı çözüm yöntemleri önerebilmek.
9)	Projelerde YBS uzmanı olarak tasarım yapabilmek, projeye gerek yönetici gerekse çalışan olarak katkı sağlayabilmek ve yenilikçi fikirler üretebilmek.
10)	Bir bilişim sistemi probleminin takım halinde çözülmesi durumlarında, problemin her aşamasında bireysel sorumluluk alabilmek, takıma katkı verebilmek ve gerektiğinde takıma liderlik edebilmek.
11)	Türkçe ve İngilizce dillerini kullanaak mesleki, güncel ve gelişen eğilimleri takip edebilmek, gerekli bilgileri yazılı ve sözlü olarak aktarabilmek.
12)	Alanında edindiği bilgi ve becerileri farklı disiplinlerle entegre ederek eleştirel bir bakış açısıyla değerlendirebilmek.
13)	Mesleki çalışmalarda toplumsal etik değerlere göre hareket edebilmek.

Öğrenme Etkinliği ve Öğretme Yöntemleri

Anlatım
Bireysel çalışma ve ödevi
Ders
Okuma
Soru cevap/ Tartışma
Uygulama (Modelleme, Tasarım, Maket, Simülasyon, Deney vs.)

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
Ödev	1	% 20
Ara Sınavlar	1	% 30
Final	1	% 50
Toplam		% 100
YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI		% 50
YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI		% 50
Toplam		% 100

İş Yükü ve AKTS Kredisi Hesaplaması

Aktiviteler	Aktivite Sayısı	Süre (Saat)	İş Yükü
Ders Saati	14	2	28
Sınıf Dışı Ders Çalışması	14	2	28
Ödevler	1	10	10
Ara Sınavlar	1	15	15
Final	1	25	25
Toplam İş Yükü			106