1.      Büyük veri ve iş analitği

2.      Açıklayıcı / tahminsel/ kuralcı analitik

3.      Deterministik /stokastik, doğrusal /doğrusal olmayan modelleme yaklaşımları

4.      Yapay zeka, makine öğrenmesi ve derin öğrenme

5.      Sınıflama, kümeleme ve birliktelik analizleri

6.      Optimizasyon yaklaşımı

7.      Tedarik zinciri analitiği

8.      Müşteri analitiği

9.      Finans ve risk analitiği

Bu ders  kapsamında büyük veri ve iş analitiği kavramları ele alınacaktır. Açıklayıcı (descriptive), tahminsel (predictive) ve kuralcı (prescriptive) analitiğin iş uygulamalarındaki önemi tartışılacaktır. Modellemenin temelleri, doğrusal ve doğrusal olmayan modelleme, deterministik ve stokastik modelleme yaklaşımları açıklanacaktır.Yapay zeka, makine öğrenmesi ve derin öğrenme kavramları ele alınacak ve iş analitiğindeki yeri ve önemi anlatılacaktır. Veri madenciliği altında sınıflama, kümeleme ve birliktelik analizleri kavramları tanıtılacak ve optimizasyon yaklaşımları kısaca anlatılacaktır. Ders kapsamında tedarik zinciri, müşteri ve finans/risk analitiği uygulamalarından örnekler verilecektir.

1.      R programlama dilinin temelleri  

2.      R dilinde veri türleri ve yapıları

3.      R ile betimsel veri analizi

4.      R ile veri görselleştirme

5.      R ile modelleme ve algoritma analizi

Bu ders R programlama diline giriş niteliğindedir. R ile veri türleri ve yapıları anlatılacak, fonksiyonlar ve kontrol yapıları açıklanacaktır. Betimsel veri analizi yaklaşımları ele alınacak, sürekli ve kategorik değişkenlerle çalışma mantığı anlatılacaktır. R ile veri görselleştirme ve grafik oluşturma konuları ele alınacaktır.  Algoritma analizi ve modelleme yaklaşımları anlatılacaktır.   

1.      Tanımsal istatistik

2.      Olasılık dağılımları

3.      Parametre tahminleri

4.      Hipotez testleri

5.      Anova

6.      R uygulamaları

Ders temel istatistik yöntemlerini içerir. Veri nedir, temel grafiksel gösterim araçları ve temel tanımlayıcı ölçüler ile başlar. Sonra istatistikte çok gerekli olan normal dağılım gibi bazı özel dağılımları tanıtır. Ortalamaların, oranların ve varyansların nokta ve aralık tahminlerini, iki ve daha fazla grubun ortalama, oran ve varyansları arasında fark olup olmadığını inceler. Güven aralığı, tahmin hatası kavramlarını ve kabul edilen bir hata payı için gerekli veri sayılarını hesaplama yöntemlerini kapsar. İstatistik hipotez nedir, hipotez nasıl yazılır ve nasıl test edilir, anlamlılık düzeyi nedir ve anlamlılık düzeyine göre nasıl karar verilir herhangi bir kararın hatalı olma olasılığı nedir gibi konuları inceler. Ders uygulamalıdır, bütün konuların R’da uygulamaları yapılır.

1.      Basit regresyon analizi

2.      Çoklu regresyon analizi

3.      Lojistik regresyon analizi

4.      Faktör Analizi

5.      Diskriminant Analizi

6.      Kümeleme Analizi

7.      Karar Ağaçları

8.      Neural Network

9.      R uygulamaları

Veri madenciliği verilerin en anlamlı şekilde ayrılması ve kümelenmesi konularını inceler. Ders, Regresyon analizi ile başlar. Bir bağımlı ve birtakım bağımsız değişkenler arasındaki ilişkileri analiz etmek için verilerin arasından geçen ey iyi bir regresyon fonksiyonu yazılır, nasıl yorumlanır, yöntemin varsayımları nelerdir gibi konuları tartışır. Bağımlı değişken kategorik olduğunda, grupları birbirinden ayıran en iyi fonksiyonun nasıl yazılabileceğini tartışır. Bu kapsamda lojistik regresyon, diskriminant analizi, karar ağaçları ve neural network tekniklerini inceler. Verileri benzerliklerine göre sınıflandırmak için kümeleme analizi, hiyerarşik ve hiyerarşik olmayan kümeleme yöntemlerini inceler. Dersler uygulamalıdır. Her konunun R’da uygulamaları yapılır.

1.      Yapay zeka ve makine öğrenmesinin temel kavramlarının anlaşılması

2.      Yapay zeka ve makine öğrenmesi algoritmalarının gelişim süreci ve uygulamalarının anlaşılması

3.      Makine öğrenimi modelleme metodolojisi ve algoritma seçiminin öneminin anlaşılması

4.      Makine öğrenmesi algoritmalarının arasındaki farklılıkların incelenmesi

5.      Temel supervised/eğiticili makine öğrenmesi algoritmalarının çalışma prensipleri anlaşılması ve R programlama dili kullanılarak pratik uygulamaların yapılması

a.      Uzaklık Temelli yöntemler (K-Nearest-Neighbor)

b.      Karar Ağacı algoritmaları (Decision Tree)

c.      Olasılık temelli yöntemler (Naïve Bayes)

d.      Support Vector Machines(SVM)

e.      Yapay Sinir Ağları (Artificial Neural Networks)

Yapay zeka ve Makine öğrenimi dersinde, yapay zeka ve makine öğrenmesinin temel kavramlarının anlaşılması, makine öğrenmesi algoritmalarının gelişim süreci ve uygulamalarının anlaşılması, makine öğrenimi modelleme metodolojileri ve algoritma seçiminin öneminin anlaşılması konuları tartışılacaktır. Makine öğrenmesi algoritmalarının arasındaki farklılıklara değinilip temel supervised/eğiticili makine öğrenmesi algoritmalarının çalışma prensipleri detaylıca incelenecek ve R programlama dili kullanılarak pratik uygulamalar yapılacaktır. Bu kapsamda, temel eğiticili makine öğrenmesi algoritmalarından Uzaklık Temelli (Nearest-Neighbor) yöntemler, Karar Ağacı yöntemleri(Decision Tree), Olasılık temelli yöntemler (Naïve Bayes), Support Vector Machines(SVM)ve Yapay Sinir Ağları (Artificial Neural Networks) algoritmaları irdelenecektir.

1.      Python yazılım dili ve geliştirme ortamı özelliklerinin tanıtılması

2.      Temel veri yapıları ve fonksiyonların öğrenilmesi

3.      Numpy ile bilimsel hesaplamalar yapılması

4.      Pandas ile veri analizi

5.      Matplotlib ile veri görselleştirilmesi

6.      Python'da veri ön işleme tekniklerinin öğrenilmesi

7.      Scikit-learn ile makine öğrenmesi uygulamaları

8.      Python ile temel uygulamaların gerçeklenmesi

9.      Python ile optimizasyon modeli oluşturulması

10.  Derin öğrenme algoritmalarının Python’da kullanılması

Python ile veri analitiğine giriş dersinde Python fonksiyon ve veri yapıları öğretilerek, temel Python kütüphanelerinin kullanımı gösterilecektir. Ayrıca veri ön işleme teknikleri, makine öğrenmesi algoritmaları, optimizasyon modelleri ve derin öğrenme yöntemleri ile veri analitiği uygulamaları gerçeklenecek ve modellerin sonuçlarının analiz edilmesi gösterilecektir. Katılımcılara veri analitiğinde Python yazılım dilini kullanım becerisi kazandırılması amacıyla farklı veri setleri ve problemler ele alınarak, bu problemlerinin çözümüne yönelik uygulamalar yapılacaktır.

1.      İlişkisel Veritabanı Yönetim Sistemlerinin temelleri anlatılması

2.      SQL Kodlama ve Örnek Uygulamalar yapılması

3.      NoSQL veri Tabanlarının tanıtılması

a.      Key-Value Database

b.      Wide Column Database

c.      Document Database

d.      Graph Database

4.      Örnekler ile NOSQL veritabanlarının kullanımına dair bilgilerin verilmesi

5.      Popüler NoSQL veritabanları üzerinde kodlama örnekleri yapılması

İş analitiği uygulamalarının temeli verilerin depolanması ve gerektiğine işlenerek analize hazır hale getirilmesine dayanmaktadır. Klasik olarak işletmelerde İlişkisel veritabanları (SQL) kullanılmaktayken son dönemde gelişen büyük veri kavramı içerisinden NoSQL veritabanları da gündeme gelmiştir. Bu ders kapsamında temel veritabanı yönetim sistemi bilgileri, SQL kodlama ve örnek uygulamalar yapılmakta, ayrıca farklı NoSQL veritabanları örnek uygulamalar ile tanıtılmaktadır.

1.      Büyük veri ve teknolojilerinin anlaşılması ve kullanım şekli

2.      Büyük veri platformlarının gelişim süreci ve çözüm önerilerinin anlaşılması

3.      Büyük veri teknolojileri ve uygulamaları arasındaki farklılıklar

4.      Büyük veri platformlarının çeşitliliği, iş-modeli ve iş-zekası özelinde farklı kullanım metotları

5.      Büyük veri teknolojilerinin dağınık ve yapılandırılmış veri yapıları üzerinden anlaşılması, uygulamalar ve buna bağlı çözüm önerileri

6.      Hadoop HDFS ve MapReduce çözüm yapısının anlaşılması, Apache Spark ve Amazon Web Service (AWS) platformlarının farklılıkları ve başlangıç uygulamaları

7.      Servis-olarak-Hadoop ve Servis-olarak-Bulut çözümlerinin anlaşılması ve kullanım şekilleri

8.      Hadoop, AWS ve Apache Spark üzerinden temel uygulamaların yapılması

9.      Güncel büyük veri uygulamalarının gösterilmesi ve sonuçların tartışılması

Büyük veri teknolojileri ve uygulamaları dersinde, büyük veri ve buna bağlı oluşturulan teknolojik çözümlerin anlaşılması ve kullanım şekli tartışılarak, sistemde güncel kullanılmakta olan büyük veri platformların gelişim süreçleri ve çözüm önerileri gösterilecektir. Bu çerçevede büyük veri teknolojileri ve uygulamaları arasında farklılıklar irdelenecek, büyük veri incelemelerinde kullanılan platformların çeşitliliği, iş-modeli ve iş-zekâsı özelinde farklı kullanım metotları gösterilecektir. Bu teknolojilerin günümüzde çeşitlilik gösteren kaynaklardan toplanan dağınık ve yapılandırılmış veri yapıları üzerinden bir araya getirilerek anlaşılması, uygulamaları ve buna bağlı çözüm önerileri tartışılacaktır. Hadoop HDFS ve MapReduce kurgusu temel anlamda tartışılarak, Apache Spark ve Amazon Web Servisi (AWS) platformları ile karşılaştırılmalı gösterilecektir. Servis-olarak-Hadoop ve Servis-olarak-Bulut çözümlerinin işletmeler özelinde kullanım şekilleri güncel örnekler ile tartışılarak, Hadoop, AWS ve Apache Spark üzerinden ilk temel uygulamalar gösterilecektir. Türkiye’de ve dünyada yer alan büyük veri uygulamalarının ve teknolojilerinin kullanım şekli gösterilerek elde edilen sonuçlar geniş bir bakış açısı ile tartışılacaktır.

1.      Web Yayıncılığının Temelleri

2.      Web ve Mobil kullanımında oluşan verinin tanıtımı

3.      Farklı web analitiği çözümleri ve yaklaşımları (Log dosyası Analizi, Sayfa Etiketleme)

4.      Web Analitiği Temel Metrik ve Boyutlarının tanıtılması

5.      Google Analytics hesabı açma ve site/mobil app kurulumu yapma

6.      Örnek bir site üzerinden raporların incelenmesi

7.      Temel GA rapor arayüzleri ve veri çekme yöntemlerinin anlatılması

8.      Etkinlik Takibi tanıtımı ve raporlanması

9.      Dönüşüm Optimizasyonu tanımı ve raporları

10.  Facebook örneği üzerinden raporların incelenmesi

Web analitiği kavramı ziyaretçi, kullanıcı ve müşterilerin internet sayfası ve mobil uygulamalarda gerçekleştirdiği faaliyetler ile ilgili verilerin toplanması ve analiz edilmesini içerir. Bu kapsamda derste örnek bir hesap üzerinden bu alanda dünyada en çok kullanılan “Google Analytics” programı üzerinden gerçek veriler ile analizler yapılmaktadır. Sosyal Medya Analitiği ise benzer şekilde kullanıcı ve müşterilerin sosyal medya üzerinde gerçekleştirdikleri hareketleri analiz etmeyi amaçlamaktadır. Bu konuda da “Facebook Insights” üzerinden alınabilecek raporlar irdelenmektedir.

1.      Durağanlık analizi

2.      Tek değişkenli zaman serileriyle tahmin ve öngörü

3.      Çok değişkenli zaman serileriyle tahmin ve öngörü

4.      Tek değişkenle tarihsel (historical) oynaklık (volatility) modellemesi

5.      Çok değişkenle tarihsel oynaklık (volatility) modellemesi

6.      Gerçekleşen (Realized) oynaklık

7.      Zımni (Implied) oynaklık

8.      Riske maruz değer (VAR)

9.      Portföy optimizasyonu

Bu ders kapsamında finansal ve risk modellerde kullanılan zaman serisi teknikleri öğretilecektir. Tek ve çok değişkenli zaman serileri ile tahmin ve öngörü yaklaşımları ele alınacaktır. Tarihsel (historical) ve gerçekleşen (realized) volatilite (oynaklık) modelleri anlatılacaktır. Riske maruz değer ve portföy optimizasyon yaklaşımları anlatılacaktır. Uygulamalar R kodlama dili üzerinden gerçekleştirilecektir.

1.      Talep tahmini

2.      Envanter (stok) planlama ve optimizasyonu

3.      Rota planlama ve optimizasyonu

4.      Tedarik zincirinde ağ optimizasyonu

Tedarik zinciri analizinde, efektif bir tedarik zincir kurulması için gerekli teknik ve yöntemler anlatılacaktır. Tedarik zinciri üç aşamada incelenecektir. Talep tahmini, envanter kontrolü ve lojistik şeklinde. Talep tahmini kısmında zaman serisi analizleri işlenecek ve geleceğe yönelik tahminler yapmak için nelere dikkat edilmesi hususunda çıkarımlarda bulunulacaktır. Hareketli Ortalama, Üssel Düzleme, Trendli Üssel Düzleme ve Holt-Winters metotları anlatılacaktır. İkinci aşamasında envanter planlaması konusu anlatılacaktır. Envanter planlamasında birinci aşamada yaptığımız tahminleri kullanarak stokumuzda ne kadar ürün tutmamız, ne kadar sipariş vermemiz ve ne zaman sipariş vermemiz gerektiğinin analizleri yapılacaktır. Ekonomik Sipariş miktarı modelleri üzerinden envanter kontrolü yapılacaktır. Belirsizlik durumunda emniyet stokunun nasıl hesaplanması gerektiği gösterilecektir. Son bölümde lojistik konusu anlatılacak. Ulaştırma problemlerin matematiksel programlaması ve çözümlenmesi gösterilecektir. Uygulamar R programlama dili üzerinden gösterilecektir.

1.      Geleneksel ve müşteri değer tabanlı pazarlama metrikleri

2.      Müşteri tutundurma / elde etme / kayıp oran analizleri

3.      Müşteri ömür boyu değeri yaklaşımları

4.      RFM analizleri

5.      Kampanya yönetimi ve birliktelik analizleri

6.      KNIME Analytics platformun kullanımının öğrenilmesi

7.      KNIME ile müşteri analitiği uygulamalarının gerçeklenmesi

Müşteri analitiği dersinde geleneksel ve müşteri değeri tabanlı pazarlama metrikleri tanıtılacaktır. Müşteri tutundurma, elde etme ve kayıp oran analizleri anlatılacaktır. Müşteri ömür boyu değer analizlerinde kullanılan farklı yaklaşımlar ele alınacaktır. RFM analizi ve birliktelik analizi kullanarak kampanya yönetimi yaklaşımları açıklanacaktır. Bu derste ayrıca KNIME Analytics platformunun kullanımı öğretilerek veri analitiği problemlerinin kodlama bilgisi gerektirmeden nasıl ele alınabileceği uygulamalı olarak gösterilecektir. RFM analizi, kredi skorlama, kayıp müşteri analizi, müşteri segmentasyonu, satış ve fiyat tahminlemesi gibi farklı problem türlerine dair KNIME üzerinde müşteri analitiği uygulamaları yapılıp, sonuçları analizi edilecektir.