Yaşamboyu Eğitim Merkezi
 

Veriye Dayalı Karar Verme ve Modelleme Sertifika Programı

Veriye Dayalı Karar Verme ve Modelleme Sertifika Programı

01 KASIM 2022 - 25 MART 2023

 

Bu program toplanmış çok büyük olmayan verilerden popülasyon parametreleriyle ilgili çıkarımlar yapılması doğrusal regresyon ve deney tasarımı yöntemlerinin anlaşılması ve kullanılabilmesi. Veri analitiği/Makine öğrenmesi ile çözülebilecek problemlerin anlaşılması, yöntemlerin bilinmesi ve kullanılabilmesi. Optimizasyon problemlerini modellenmesi ve çözüm yöntemlerinin kullanılmasını amaçlamaktadır.

 

Modül I – İstatiksel Veri Analizi

  • Tahminleme (Örnekleme Dağılımları, Güven Aralıkları, Hipotez Testleri)
  • Regresyon Basit Doğrusal Regresyon, Çoklu Doğrusal Regresyon, Doğrusal Olmayan Regresyon) 
  • Varyans Analizi - ANOVA (tek faktörlü ve iki faktörlü)
  • Deney Tasarımı ve Yanıt Yüzey Metodolojisi
  • Uygulamalı örnekler (Excel, R)

Modül II – Veri Analitiği / Makine Öğrenmesi - Gözetimli Öğrenme

  • Veri Analitiğine Giriş/Kavramlar
  • Veri Analitiği/Veri Madenciliği/Makine Öğrenmesi Yöntemlerine Bakış (Sınıflandırma Problemi, Regresyon Problemi, Kümeleme Problemi, Birliktelik Kuralları Madenciliği, Zaman Serisi Analizi)
  • Gözetimli Öğrenme Yöntemleri ile Sınıflandırma ve Regresyon Problemleri için Tahminleme Analitiği (Predictive Analytics)
  • Sınıflandırma Problemi: Sınıflandırma ağaçları (Classification trees), Rassal ormanlar (Random forests), Boosting trees, Lojistik regresyon (Logistic regression)
  • Makine öğrenmesinde Underfitting / Overfitting, Kategorik verilerin sayısal değerlere çevrilmesi, Verilerin aynı ölçeğe getirilmesi (min/max scaling, standard scaling, vb.)
  • Regresyon Problemi: Regresyon ağaçları (Regression trees), Rassal ormanlar (Random forests), Boosting trees, Doğrusal regresyon (Linear regression)
  • Tahminleme Analitiği Uygulama Çalışması

Modül III – Veri Analitiği / Makine Öğrenmesi - Gözetimsiz Öğrenme

  • Gözetimsiz Öğrenme Yöntemleri ile Kümeleme Problemi, Birliktelik Kuralları Madenciliği için Tanımlayıcı Analitik (Descriptive Analytics)
  • Kümeleme Problemi: k-ortalama algoritması (k-means algorithm), Hiyerarşik kümeleme algoritmaları (Hierarchical clustering algorithms)
  • Birliktelik Kuralları Madenciliği: Apriori algoritması
  • Tanımlayıcı Analitik Uygulama Çalışması
  • Temel Bileşenler Analizi

Modül IV – Optimizasyon

  • Optimizasyon problemlerine giriş, Temel yöneylem araştırması mantığı (model oluşturma, amaç fonksiyonu, kısıtlar, vb.), Kesin algoritmalar ve sezgizel/metasezgisel yöntemler
  • Doğrusal programlama modelleri ve çözümleri (Üretim, Pazarlama, Lojistik, Tedarik Zinciri)
  • Tamsayılı doğrusal programalama modelleri ve çözümleri (Üretim, Pazarlama, Lojistik, Tedarik Zinciri)
  • Uygulamalı örnekler (Excel, R)

 

TOPLAM DERS SAATİ: Her biri 24 saat olmak üzere 4 Modül ve toplam 96 saat.

DERS YERİ: Program sınıf içi eğitim olarak Boğaziçi Ünivesitesi kampüslerinde yer alan salonlarda gerçekleştirilecektir.

DERS GÜN ve SAATLERİ: Salı 18.30-21.30 ve Cumartesi 10:00-12.30 

*Programın sonunda  Boğaziçi Üniversitesi Uzmanlık Sertifikası almaya hak kazanabilmek için programa %80 oranında katılım sağlamış olmak, program sonunda yapılacak olan sınavdan asgari 60 ve üstü puan almanız gerekmektedir.