Dokuz Eylül Üniversitesi Ders Katoloğu / Bilgi Paketi

Ders Bilgileri

Ders Kodu	Ders Adı	Ders Türü	D	U	L	AKTS
İKT 5129	İktisatçılar İçin Veri Bilimi	SEÇMELİ	3	0	0	6

Dersi Veren Birim

İktisat Yüksek Lisans

Dersin Düzeyi

Yüksek Lisans

Ders Koordinatörü

DOÇ. DR. FIRAT GÜNDEM

Dersi Alan Birimler

İktisat Yüksek Lisans

Dersin Amacı

Bu ders, makine öğrenimi tekniklerine ve bunların ekonomik ve sosyal sorunların çözümüne yardımcı olmak için nasıl kullanılacağına dair bir giriş olacaktır. Bu ders, modern, ölçeklenebilir, hesaplamalı veri analiz yöntemlerini (makine öğrenimi, veri bilimi, büyük veri, yapay zekâ dahil) öğrenmek ve bunları sosyal ve politik sorunlarına uygulamak isteyen ekonomi ve sosyal bilimler öğrencileri için tasarlanmıştır. Bu ders öğrencilere şunları öğretecektir:
1) Makine Öğreniminin Sosyal Politikanın tasarlanmasında, uygulanmasında, değerlendirilmesinde ve geliştirilmesinde nasıl bir rol oynayabilir.
2) Makine Öğrenimi yöntemleri nasıl çalışır, nasıl kullanılır ve makine öğrenimi ardışık düzenleri/sistemleri nasıl oluşturulur.
3) Makine Öğrenimi yöntemlerini ve araçlarını kullanarak ekonomik sorunların üstesinden nasıl gelinir
Bu, öğrencilerin çeşitli politika sorunlarına çözümler uygulamak için RStudio'yu kullanmalarının bekleneceği uygulamalı bir kurstur. RStudio ile deneyim daha olumlu ancak gerekli değildir. Denetimli ve denetimsiz öğrenme algoritmaları işlenecek ve sürdürülebilirlik, ekonomik kalkınma ve büyüme gibi alanlarda sosyal problemler için nasıl kullanılacağı öğrenilecektir.

Dersin Öğrenme Kazanımları

1	Veri Bilimi Proje Yaşam Döngüsü anlama
2	Ekonomik Uygulamalar için Veri Ürünleri oluşturma
3	Denetimsiz Makine Öğrenimi Tekniklerinin temellerini öğrenme
4	Denetimli Regresyon Tekniklerinin temellerini anlama
5	Denetimli Sınıflandırma Tekniklerinin temellerini anlama
6	Büyük Veri Mimarisi tanıma

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta	Konular	Açıklama
1	Veri Bilimine Giriş
2	R Programlamaya Giriş
3	Online Veri Kaynakları Veri Toplama ve Veri Madenciliği
4	Veri Temizleme ve Görselleştirme
5	Doğrusal Regresyon
6	Veri Sınıflandırma ve Düzenleme
7	Gözetimli Veri Sınıflandırma 1
8	Ara Sınav
9	Ara Sınav
10	Gözetimli Veri Sınıflandırma 2
11	Gözetimsiz Veri Sınıflandırma
12	Makine Öğrenmesi 1
13	Makine Öğrenmesi 2
14	Dönüm Sonu Sunumlar

Ders İçin Önerilen Kaynaklar

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning (Vol. 112, p. 18). New York: springer.

Taddy, M. (2019). Business data science: Combining machine learning and economics to optimize, automate, and accelerate business decisions. McGraw Hill Professional.

Dhar, V. (2013). Data science and prediction. Communications of the ACM, 56(12), 64-73.

Provost, F., & Fawcett, T. (2013). Data science and its relationship to big data and data-driven decision making. Big data, 1(1), 51-59.

Athey, S., & Imbens, G. W. (2019). Machine learning methods that economists should know about. Annual Review of Economics, 11, 685-725.

Yu-Wei, C. D. C. (2015). Machine learning with R cookbook. Packt Publishing Ltd.

Xie, Y., Dervieux, C., & Riederer, E. (2020). R markdown cookbook. Chapman and Hall/CRC.

Öğrenme ve Öğretme Yöntemleri

Dersin teorik ve uygulamalı bölümleri olacaktır. R gibi açık kaynaklı programlar aracılığıyla veri becerilerini geliştirmek için bilgisayar laboratuvarları kullanılacaktır.

Değerlendirme Yöntemleri

SIRA NO	KISA KOD	UZUN ADI	FORMUL
1	ARS	ARASINAV
2	YYC	YARIYIL İÇİ ÇALIŞMA
3	YYS	YARIYIL SONU SINAVI
4	YYBN	YARIYIL SONU BAŞARI NOTU	ARS * 0.20 + YYC* 0.40 + YYS* 0.40
5	BUT	BÜTÜNLEME
6	BUTBN	BÜTÜNLEME SONU BAŞARI NOTU	ARS* 0.20 + YYC * 0.40 + BUT* 0.40

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

İlan Edilecektir.

Dersin Öğretim Dili

Türkçe

Derse İlişkin Politika ve Kurallar