GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| TEYL517 | TAHMİN VE ÖNGÖRÜ MODELLEMELERİ | Seçmeli Ders Grubu | 1 | 2 | 5,00 |
Dersin Seviyesi
Yüksek Lisans
Dersin Sunulduğu Dil
Türkçe
Dersin Amacı
Bu dersin amacı öngörü programını kullanma, analiz yapma ve yorumlama becerisini kazandırmaktır.
Dersi Veren Öğretim Görevlisi/Görevlileri
Doç. Dr. Güngör KARAKAŞ
Öğrenme Çıktıları
| 1 | Tahmin Yöntemleri: Öğrenciler, gerçek dünya problemlerini çözmek için zaman serisi modelleri, regresyon analizi ve makine öğrenimi teknikleri dahil olmak üzere uygun tahmin yöntemlerini analiz edebilecek, seçebilecek ve uygulayabileceklerdir. |
| 2 | Veri Hazırlama ve Model Değerlendirme: Öğrenciler, veri temizleme, ön işleme ve tahmin modellerini RMSE, MAE, AIC ve BIC gibi istatistiksel kriterler kullanarak değerlendirme becerisi kazanacaklardır. |
| 3 | İleri Düzey Modelleme Teknikleri: Öğrenciler, karmaşık veri setlerini işlemek için mevsimsel modeller, derin öğrenme algoritmaları (ör. LSTM) ve ensemble yöntemler gibi ileri düzey tahmin tekniklerini uygulayabileceklerdir. |
| 4 | Pratik Uygulamalar: Öğrenciler, çeşitli alanlarda tahmin modellerini uygulama ve stratejik karar alma süreçlerini destekleme konusunda bilgi ve beceri geliştireceklerdir. |
| 5 | Eleştirel Düşünme ve İletişim: Öğrenciler, model çıktılarının yorumlanması yoluyla eleştirel düşünme becerilerini geliştirecek ve proje bulgularını ve önerilerini etkili bir şekilde sunarak iletişim becerilerini güçlendireceklerdir. |
Öğretim Sistemi
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Yoktur
Ders İçin Önerilen Diğer Hususlar
Yoktur
Dersin İçeriği
Bu ders öğrencilere, veri girişi ve analizi için SPSS gibi istatistik paket programlarının nasıl kullanıldığının ve veri analizinin araştırmalara nasıl uygulandığına ilişkin teorik ve uygulamalı bilgilerin verilmesine yönelik olarak düzenlenmiştir. Ders, temel istatistik kavram ve yöntemlerine yöneliktir; öncelikle veri dosyalarının oluşturulması, verilerin kodlanması, girişi ya da dönüştürülmesi üzerinde durulacaktır. Sadece verilerin SPSS programına nasıl aktarılacağı üzerinde değil, aynı zamanda verilerin oluşturulmasında ve kodlanmasında çok sık rastlanan bazı hatalardan nasıl kaçınılabileceği üzerinde de durulacaktır. İkinci olarak, bu kapsamda, öğrenciler, verilere yönelik hata kontrolü yapmayı, verileri dönüştürmeyi, etiketlemeyi ve ölçüm düzeylerine karar verebileceklerdir. Üçüncü olarak ise, öğrenciler bilgisayar yardımıyla, istatistik teknikleri kullanarak, analiz, yorum ve sunum yapabilir bir düzeye geleceklerdir.
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Konular (Teorik) | Öğretim Yöntem ve Teknikleri | Ön Hazırlık |
|---|---|---|---|
| 1 | • Tahmin ve öngörü modellerine giriş • Zaman serisi, regresyon ve makine öğrenimi temel farkları • Tahmin modellerinin işletme ve ekonomi alanlarındaki rolü | ||
| 2 | • Deterministik ve stokastik modeller • Modelleme süreçleri: Verinin temizlenmesi ve seçimi • Tahmin doğruluğunun ölçülmesi (RMSE, MAE vb.) | ||
| 3 | • Zaman serisi verisi ve özellikleri • Trend, mevsimsel bileşenler ve düzensizlikler • Hareketli ortalamalar ve üstel yumuşatma yöntemleri | ||
| 4 | • Otokorelasyon ve kısmi otokorelasyon fonksiyonları • ARIMA modeli: Tanımlama, tahmin ve değerlendirme • Model seçimi: AIC ve BIC kriterleri | ||
| 5 | • Mevsimsel ARIMA (SARIMA) • Mevsimsel etkilerin modellenmesi • Uygulamalar: Finans, tarım ve enerji sektörleri | ||
| 6 | • Lineer ve çoklu regresyon modelleri • Regresyon modellerinde tahmin: Değişken seçimi ve etkileri • Hata terimlerinin tahmin üzerindeki etkileri | ||
| 7 | • Panel veri yapısı ve özellikleri • Sabit ve rastgele etkiler modelleri • Panel veri tahminlerinde karşılaşılan sorunlar | ||
| 8 | • Öğrencilerin modelleme projelerinin değerlendirilmesi | ||
| 9 | • Makine öğrenimi kavramları ve tahmin modellerine uygulanması • Karar ağaçları ve random forest • Model doğruluğunun artırılması (hiperparametre optimizasyonu) | ||
| 10 | • Destek vektör makineleri (SVM) • K-En Yakın Komşu (KNN) algoritması • Ensemble modeller | ||
| 11 | • Yapay sinir ağlarının temelleri • Zaman serisi için RNN ve LSTM modelleri • Örnek uygulamalar | ||
| 12 | • Büyük veri ve veri madenciliği teknikleri • Hadoop ve Spark kullanımı • Uygulamalarda karşılaşılan zorluklar ve çözümler | ||
| 13 | • Finans, pazarlama, sağlık ve enerji sektörlerinden vaka çalışmaları • Tahmin ve öngörü modelleri ile politika geliştirme • Gelecek trendleri ve etik tartışmalar | ||
| 14 | • Öğrencilerin dönem boyunca hazırladıkları projelerin sunumları • Genel tekrar ve dersin kapanışı |
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
1. George, Darren, Paul Mallery, SPSS for Windows Step by Step, A Simple Guide and Reference 10.0 Update, Abacon, Third Edition, USA. 2. Akgül, Aziz, Osman Çevik. (2003). İstatistiksel Analiz Teknikleri: SPSS'de İşletme Yönetimi Uygulamaları, Ankara: Emek Ofset. 3. Büyüköztürk, Şener (2002). Sosyal Bilimler İçin Veri Analizi El Kitabı: İstatistik, Araştırma Deseni SPSS Uygulamaları ve Yorum, Ankara, PEGEM Yayıncılık. 4. Can, Abdullah (2022). SPSS ile Bilimsel Araştırma Sürecinde Nicel Veri Analizi, Ankara, PEGEM Yayıncılık.
Planlanan Öğrenme Aktiviteleri ve Metodları
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 40 |
| Ev Ödevi | 1 | 60 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 40 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 60 | |
Staj Durumu
Yoktur
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 1 | 1 |
| Final Sınavı | 1 | 1 | 1 |
| Derse Katılım | 14 | 3 | 42 |
| Makale Yazma | 1 | 20 | 20 |
| Ara Sınav İçin Bireysel Çalışma | 1 | 15 | 15 |
| Final Sınavı içiin Bireysel Çalışma | 1 | 21 | 21 |
| Ev Ödevi | 1 | 25 | 25 |
| 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 | |
| ÖÇ 1 | 2 | |||||||||
| ÖÇ 2 | 2 | |||||||||
| ÖÇ 3 | 3 | |||||||||
| ÖÇ 4 | 4 | 3 | 4 | 3 | 5 | |||||
| ÖÇ 5 | 3 | 4 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek