TÜRKÇE
ENGLISH
Genel Bilgi
| Birim | SOSYAL BİLİMLER ENSTİTÜSÜ |
| İKTİSAT (YL) (TEZLİ) | |
| Kod | İKT710 |
| Ad | İktisat Uygulamalı Veri Bilimi |
| Dönem | 2026-2027 Eğitim-Öğretim Yılı |
| Dönem | Bahar |
| Süre (T+U) | 3-0 (T-U) (17 Hafta) |
| AKTS | 6 AKTS |
| Yerel Kredi | 3 Yerel Kredi |
| Eğitim Dil | Türkçe |
| Seviye | Belirsiz |
| Tür | Normal |
| Öğretim Şekli | Yüz Yüze Öğretim |
| Bilgi Paketi Koordinatörü | Prof. Dr. CENGİZ AYTUN |
| Dersin Öğretim Elemanı |
Güncel dönem ders programı henüz yapılmamıştır.
|
Dersin Amacı / Hedefi
iktisat öğrencilerine veri madenciliği, makine öğrenmesi ve büyük veri analitiği araçlarını kullanarak iktisadi problemleri çözme yetkinliği kazandırmaktır. Öğrencilerin Python veya R gibi programlama dilleri aracılığıyla gerçek dünya verilerini temizlemesi, analiz etmesi ve sonuçları iktisadi politika önerilerine dönüştürmesi hedeflenmektedir.
Dersin İçeriği
İktisat ve Veri Bilimi İlişkisine Giriş, Veri Bilimi Programlama Araçları (R/Python), Veri Manipülasyonu ve Temizleme (Data Wrangling), Keşifçi Veri Analizi ve Görselleştirme, Regresyon Modellerinde Makine Öğrenmesi Yaklaşımı (Lasso, Ridge, Elastic Net), Sınıflandırma Algoritmaları (Lojistik Regresyon, KNN), Karar Ağaçları ve Rassal Orman (Random Forest), Destek Vektör Makineleri (SVM), Boyut Azaltma Teknikleri (PCA), Kümeleme Analizi, Metin Madenciliği ve Duygu Analizi (Ekonomik Haberler Üzerinden), Zaman Serileri Tahmininde Makine Öğrenmesi, Büyük Veri Uygulamaları ve Veri Etiği.
Dersin Ön Koşulu
Ders ön koşulu bulunmamaktadır. Temel istatistik ve ekonometri bilgisi önerilir.
Kaynaklar
1. James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An Introduction to Statistical Learning: with Applications in R. Springer. 2. Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and Practice. OTexts.
Notlar
Wickham, H., & Grolemund, G. (2017). R for Data Science. O'Reilly Media.
Dersin Öğrenme Çıktıları
| Sıra | Dersin Öğrenme Çıktıları |
|---|---|
| ÖÇ01 | Veri bilimi temel kavramlarını ve iktisat disiplini ile entegrasyonunu açıklar. |
| ÖÇ02 | Büyük ölçekli iktisadi veri setlerini programlama dilleri ile analize hazır hale getirir. |
| ÖÇ03 | İktisadi değişkenler arasındaki ilişkileri gelişmiş veri görselleştirme teknikleri ile betimler. |
| ÖÇ04 | Denetimli öğrenme algoritmalarını kullanarak iktisadi tahmin modelleri geliştirir. |
| ÖÇ05 | Denetimsiz öğrenme yöntemleri ile iktisadi göstergeleri gruplandırır ve boyut indirger. |
| ÖÇ06 | Model seçim kriterlerini kullanarak kurulan modellerin performansını ve geçerliliğini değerlendirir. |
| ÖÇ07 | Metin madenciliği tekniklerini kullanarak nitel verilerden (MB tutanakları, haberler) nicel göstergeler üretir. |
| ÖÇ08 | Veri odaklı analiz sonuçlarını kullanarak iktisadi politika senaryoları oluşturur ve sunar. |
Program Öğrenme Çıktıları ile İlişkisi
| Sıra | Tür | Program Öğrenme Çıktıları | Duzey |
|---|---|---|---|
| PÖÇ01 | Bilgi - Kuramsal, Olgusal | İktisat bilimi uzmanlık bilgisine sahip olur. | 3 |
| PÖÇ02 | Bilgi - Kuramsal, Olgusal | Önemli bağımsız ve özgün araştırmaları yürütmek için yeterli iktisat bilimi uzmanlığı bilgisine sahip olur. | |
| PÖÇ03 | Bilgi - Kuramsal, Olgusal | İşsizlik, enflasyon, cari açık gibi temel makroekonomik sorunları ve bu sorunları çözmeye yönelik politikaları bilimsel kaynaklara dayalı olarak açıklar. | |
| PÖÇ04 | Bilgi - Kuramsal, Olgusal | İktisat bilim dalında araştırma yapmak için kullanılabilecek araç dizisini anlar. | 3 |
| PÖÇ05 | Bilgi - Kuramsal, Olgusal | İktisadi analizde kullanılan çeşitli istatistiksel, matematiksel araç ve teknikleri bilir. | 5 |
| PÖÇ06 | Bilgi - Kuramsal, Olgusal | Deneysel verilerin analizlerini yapmak için SAS, RATS, SPSS, TSP, Win BUGS, EViews vb. program paketlerinin uygulamasını öğrenir. | 5 |
| PÖÇ07 | Bilgi - Kuramsal, Olgusal | İktisat bilim dalında yapılan araştırmaları eleştirel olarak değerlendir. | |
| PÖÇ08 | Bilgi - Kuramsal, Olgusal | Sorunlara çözüm önerileri geliştirmek üzere, kavramsal düzeyde analiz, kıyas, yorum, değerlendirme ve sentezleme becerilerini kazanır. | 2 |
| PÖÇ09 | Bilgi - Kuramsal, Olgusal | Bireysel olarak ve/veya ekip içinde sorumluluk alır. | |
| PÖÇ10 | Bilgi - Kuramsal, Olgusal | Yaşam boyu öğrenmenin gerekliliğinin bilincinde olarak alanıyla ilgili güncel gelişmeleri izler. | |
| PÖÇ11 | Bilgi - Kuramsal, Olgusal | Türkçeyi ve en az bir yabancı dili akademik yaşamın ve iş yaşamının gereklerine uygun biçimde kullanır. | 2 |
| PÖÇ12 | Bilgi - Kuramsal, Olgusal | Geleneksel yaklaşım, uygulama ve yöntemleri sorgular. | |
| PÖÇ13 | Beceriler - Bilişsel, Uygulamalı | Araştırmalarını yapmak üzere tüm bilimsel kaynağı ve veriyi bilişim teknolojileri ile nereden, nasıl bulacağını bilir. | 5 |
| PÖÇ14 | Beceriler - Bilişsel, Uygulamalı | Sosyal bilimlerde araştırmanın gerekliliğini ve önemini anlar. | |
| PÖÇ15 | Beceriler - Bilişsel, Uygulamalı | İktisat bilim dalı ile diğer bilim dalları arasındaki ilişkiyi anlar. | 2 |
| PÖÇ16 | Yetkinlikler - İletişim ve Sosyal Yetkinlik | Kendisini yazılı ve sözlü olarak doğru bir şekilde ifade eder. | |
| PÖÇ17 | Yetkinlikler - Öğrenme Yetkinliği | Toplumsal, bilimsel ve mesleki etik değerlere uygun davranır. | 4 |
Haftalık Akış
| Hafta | Konu | Ön Hazırlık | Yöntemler |
|---|---|---|---|
| 1 | İktisat ve Veri Bilimi: Temel Kavramlar ve Yaklaşımlar | İlgili makale okuması | Öğretim Yöntemleri: Anlatım, Tartışma |
| 2 | Veri Bilimi İçin Programlama (Python/R) Kurulum ve Giriş | Yazılım kurulumları | Öğretim Yöntemleri: Alıştırma ve Uygulama, Anlatım, Deney / Laboratuvar |
| 3 | Veri Yapıları ve İktisadi Veri Kaynaklarına Erişim (API, Kazıma) | Veri kaynağı inceleme | Öğretim Yöntemleri: Anlatım, Alıştırma ve Uygulama |
| 4 | Veri Temizleme ve Manipülasyonu (Tidying Data) | Örnek veri seti hazırlığı | Öğretim Yöntemleri: Alıştırma ve Uygulama, Soru-Cevap |
| 5 | Keşifçi Veri Analizi ve İktisadi Veri Görselleştirme | Grafik kütüphaneleri inceleme | Öğretim Yöntemleri: Alıştırma ve Uygulama, Tartışma |
| 6 | Geleneksel Ekonometriden Makine Öğrenmesine Geçiş: Lasso/Ridge | Ders notları okuma | Öğretim Yöntemleri: Anlatım, Alıştırma ve Uygulama |
| 7 | Sınıflandırma Problemleri: Lojistik Regresyon ve K-En Yakın Komşu | Örnek vaka incelemesi | Öğretim Yöntemleri: Anlatım, Alıştırma ve Uygulama |
| 8 | Ara Sınavlar | Ölçme Yöntemleri: Yazılı Sınav |
|
| 9 | Karar Ağaçları ve Topluluk (Ensemble) Yöntemleri: Random Forest | Literatür taraması | Öğretim Yöntemleri: Anlatım, Alıştırma ve Uygulama |
| 10 | 10 Gradient Boosting Makineleri ve XGBoost Uygulamaları Ders kitabını okuma Uygulama, Tartışma | Ders kitabını okuma | Öğretim Yöntemleri: Anlatım, Alıştırma ve Uygulama |
| 11 | Boyut Azaltma (PCA) ve Kümeleme (Clustering) | Uygulamalı veri seti analizi | Öğretim Yöntemleri: Anlatım, Alıştırma ve Uygulama |
| 12 | Zaman Serileri Tahmininde ML ve Derin Öğrenme Giriş | Literatür okuması | Öğretim Yöntemleri: Anlatım, Alıştırma ve Uygulama, Deney / Laboratuvar |
| 13 | Metin Madenciliği: İktisadi Haberler ve Duygu Analizi | Veri çekme hazırlığı | Öğretim Yöntemleri: Alıştırma ve Uygulama, Anlatım |
| 14 | 14 Büyük Veri Analitiği, Veri Etiği ve İktisadi Politika Tasarımı Vaka çalışmaları Tartışma, Anlatım | Vaka çalışmaları | Öğretim Yöntemleri: Alıştırma ve Uygulama, Örnek Olay, Anlatım |
| 15 | Dönem Projesi Sunumları ve Genel Değerlendirme | Proje sunumu hazırlığı | Öğretim Yöntemleri: Bireysel Çalışma, Alıştırma ve Uygulama |
| 16 | Yarıyıl Sonu Sınavları | Ölçme Yöntemleri: Yazılı Sınav |
|
| 17 | Yarıyıl Sonu Sınavları | Ölçme Yöntemleri: Yazılı Sınav |
Öğrenci İş Yükü - AKTS
| Çalışmalar | Sayısı | Süresi (Saat) | İş Yükü (Saat) |
|---|---|---|---|
| Ders ile İlgili Çalışmalar | |||
| Ders (Sınav haftaları dahil değildir) | 14 | 4 | 56 |
| Sınıf Dışı Ders Çalışma (Ön çalışma, pekiştirme) | 14 | 4 | 56 |
| Değerlendirmeler ile İlgili Çalışmalar | |||
| Ödev, Proje, Diğer | 0 | 0 | 0 |
| Ara Sınavlar (Yazılı, Sözlü, vs.) | 1 | 15 | 15 |
| Yarıyıl/Yıl Sonu/Final Sınavı | 1 | 15 | 15 |
| Toplam İş Yükü (Saat) | 142 | ||
| Toplam İş Yükü / 25 (s) | 5,68 | ||
| AKTS | 6 AKTS | ||