GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| FBYZR7038 | Zaman Serilerinde Yapay Zekâ Yaklaşımları | Ders | 1 | 2 | 5,00 |
Dersin Seviyesi
Yüksek Lisans
Dersin Sunulduğu Dil
Türkçe
Dersin Amacı
Hem geleneksel istatistiksel yöntemler hem de makine öğrenimi veya zaman serilerine dayalı sinir ağı yaklaşımları hakkında tüm bu konuları özetlemek ve birbirleriyle ilişkilendirmek. Ayrıca, zaman serisi verilerinin işlenmesi ve ilgili modellerin kurulumu için zaman serisi analizine geniş, modern ve pratik bir bakış açısı sunmak.
Dersi Veren Öğretim Görevlisi Görevlileri
Dr. Öğr. Üyesi Emre BİÇEK
Öğrenme Çıktıları
| 1 | Python kullanarak zaman serilerine yönelik tecrübe kazanmak. |
| 2 | Zaman serisi verileri üzerinde çalışabilme ve uygulanacak modeller için veri hazırlama becerisi kazanmak. |
| 3 | Zaman serileri üzerinde istatistiksel çıkarımlar yapabilmek. |
| 4 | Makine öğrenmesi ve derin öğrenme modellerini zaman serilerine uygulayabilmek. |
| 5 | Zaman serilerinin kapsamlı grafiksel gösterimlerini yapabilmek. |
| 6 | Sağlık, finans, enerji vb. çeşitli alanlardaki gerçek veri setleri üzerinde çalışarak bu verilerden geleceğe yönelik çıkarımlar yapabilmek. |
Öğrenim Türü
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Yok
Ders İçin Önerilen Diğer Hususlar
Yok
Dersin İçeriği
Bu derste zaman serisi veri analizindeki yenilikler incelenecek ve gerçek dünyadaki kullanım örneklerini kapsayan uygulamalar gerçekleştirilecektir. Hem geleneksel istatistiksel hem de modern makine öğrenimi tekniklerini kullanarak zaman serilerindeki en yaygın veri analizlerini uygulamak için ihtiyaç duyulan bilgiler verilecektir. Baştan sonra Python'da örnek uygulamalar yapılarak, bu alana ilgi duyanlar için çok yönlü bir giriş sunulacaktır.
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Teorik | Uygulama | Laboratuvar |
|---|---|---|---|
| 1 | Zaman Serilerine Genel Bakış | Yok | Yok |
| 2 | Zaman Serileri için Keşifsel Veri Analizi | Yok | Yok |
| 3 | Zaman Serisi Verilerini Simüle Etme | Yok | Yok |
| 4 | Geçici Verilerin Saklanması | Yok | Yok |
| 5 | Zaman Serileri için İstatistiksel Modeller | Yok | Yok |
| 6 | Bir Zaman Serisi için Özellik Çıkarımı | Yok | Yok |
| 7 | Zaman Serilerinde Makine Öğrenmesi | Yok | Yok |
| 8 | Arasınav | Yok | Yok |
| 9 | Zaman Serilerinde Derin Öğrenme | Yok | Yok |
| 10 | Ölçüm Hatası | Yok | Yok |
| 11 | Zaman Serisi Modellerinin Uydurulması ve Performans Değerlendirmeleri | Yok | Yok |
| 12 | Sağlık ve Finans Alanında Uygulamalar | Yok | Yok |
| 13 | Hükümetler için Zaman Serilerinin Önemi | Yok | Yok |
| 14 | Final Projeleri ve Sunumlar | Yok | Yok |
| 15 | Final | Yok | Yok |
Ders Kitabı Malzemesi Önerilen Kaynaklar
Nielsen, A. (2019). Practical time series analysis: Prediction with statistics and machine learning. O'Reilly Media.
Planlanan Öğrenme Aktiviteleri ve Metodları
Ders, Gösterim, Grup Çalışması, Ödev
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 50 |
| Rapor Sunma | 1 | 50 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 50 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 50 | |
Staj Durumu
Yok
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 3 | 3 |
| Final Sınavı | 1 | 3 | 3 |
| Derse Katılım | 14 | 3 | 42 |
| Rapor Sunma | 1 | 4 | 4 |
| Bireysel Çalışma | 14 | 5 | 70 |
| Ev Ödevi | 1 | 3 | 3 |
| Toplam İş Yükü (saat) | 125 | ||
Program ve Öğrenme Çıktıları İlişkisi
| PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 | PÇ 10 | PÇ 11 | PÇ 12 | PÇ 13 | PÇ 14 | PÇ 15 | PÇ 16 | |
| ÖÇ 1 | 4 | |||||||||||||||
| ÖÇ 2 | ||||||||||||||||
| ÖÇ 3 | ||||||||||||||||
| ÖÇ 4 | 3 | |||||||||||||||
| ÖÇ 5 | 4 | 4 | 4 | |||||||||||||
| ÖÇ 6 | 4 | 4 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek