Veri Bilimi Yüksek Lisans Programı

Hakkında

Gelişen teknoloji, veri depolama ve işleme teknikleriyle birlikte, 21. yüzyılın en hızlı gelişen alanlarından biri olan Veri Bilimi, uygun veriye erişme, anlamlandırma ve analiz etme kabiliyetine sahip olmak ve rekabetçiliğini sürdürmek isteyen her kurum veya şirket için kritik önemdedir. Bu bağlamda Veri Bilimciliği, bugünün ve geleceğin meslekleri arasındaki yerini almıştır.

Veri Bilimi Yüksek Lisans Programımızın amacı, en son bilgilere, kavramlara, veri işleme ve analiz etme tekniklerine sahip, kazandığı yetkinlikler ile endüstri uygulamalarına katkıda bulunabilecek, girişimciliğe açık ve takım çalışmasını benimsemiş Veri Bilimciler yetiştirmektir. Bu özellikleriyle mezunlarımız, hem yurtiçi hem de uluslararası iş dünyasında, aranılan kalitede teknik insan gücünü oluşturarak, değişim ve gelişmenin öncüleri olacaklardır.

Özyeğin Üniversitesi, girişimci ve yenilikçi bir araştırma üniversitesi olma, farklı ve değişime açık bir öğrenme modeli geliştirme ve dijital dönüşümde ekosisteme fayda sağlayarak liderlik etme vizyonu ile farklı disiplinlerden gelen öğrencilere, hem teorik hem de pratik anlamda kuvvetli, yeni nesil araçlar ile online kaynaklardan “kendi kendine öğrenme” kültürünü kazandıran, dünya standartlarında bir eğitim sunacaktır.

Program hem Türk hem de yabancı öğrencilerin beraber eğitim görmesini hedeflemektedir. Böylece öğrencilerin, yüksek seviyede bir veri bilimi eğitimi almasının yanı sıra, uluslararası ve kültürlerarası etkileşimlerden de yararlanması sağlanacaktır.

Veri Bilimi lisansüstü öğrencileri, diğer lisansüstü öğrencilerimizle birlikte, tez konularını yeni iş alanlarına dönüştürme veya bağlı bulundukları kurum ya da şirket yararına kullanabilme olanaklarına sahip olacaklardır.

Veri Bilimi Yüksek Lisans programımız için başvuru koşullarına bu linktenve başvuru paneline de bu linkten ulaşabilirsiniz. Burs olanaklarımız için lütfen linke tıklayın. 

Veri Bilimi Zorunlu Ders Havuzu

Öğrencilerin aşağıda belirtilen ders havuzundan en az 3 ders alması zorunludur. Öğrenciler bu havuzdan 3’ten fazla ders almaları durumunda aldıkları fazla dersleri program yükümlülükleri içerisindeki seçmeli derslere saydırabilirler.

DS 528 Müşteri Analitiği     

Bu dersin amacı öğrencilerin müşteri davranışlarını modellemek için geliştirilen olasılıksal, istatistiksel ve eniyileme tabanlı modelleri kullanabilmeleri için bir altyapı oluşturmaktır. Ders boyunca öğrenciler, çeşitli şartlar için geliştirilen farklı modellerin önemi, probleme uygunluğu ve performansı hakkında güçlü sezgiler geliştirir ve “zamanlama”, “sayma”, “seçim” modellerinin kullanımı ile müşteri muhafaza, müşteri kaybı, ömür değeri, çapraz-satış, yukarı-satış, sonraki ürün alımı konuları hakkında kapsamlı bilgi sahibi olurlar.

DS 529 Kestirimsel Analitik       

Bu dersin amacı, talep tahmini ve müşteri kaybı kestirimi gibi, işletmelerde çeşitli parametrelerin tahmini için kullanılan kestirimsel analitik metotlarını tanıtmaktır. Nicel tahminleme teknikleri, zaman serileri analizi, hareketli ortalamalar, üstel düzgünleştirme metotları, regresyon analizi (basit, çoklu ve lojistik) ve tahmin hatalarının analizi işlenen konular içerisindedir. Bu tekniklerin uygulamaları gerçek veriler, vaka analizleri ve istatistik yazılımı kullanılarak incelenir.

DS 538 Analitiğin Matematiksel ve İstatistiksel Temelleri 

Bu ders olasılık ve istatistiğin temelleri ile veriden bilgi çıkarma metotlarını öğretmeyi amaçlamaktadır. Ders veri analizi, olasılık teorisi ve istatistiksel anlam çıkarma konularına odaklanır; bu konuların temelleri verildikten sonra regresyon analizi kapsamlı şekilde işlenir. Ders boyunca veriye eğri oturtma, tahminleme gibi özel konular da işlenir. Olasılıksal modelleme ve istatistiksel öğrenme konularına yönelik kulanım senaryolarına yer verilir. Teorik bilginin uygulamaları için Python (ya da R yazılımı) kullanılır.

DS 540 Python ile Makina Öğrenmesi   

Bu ders, regresyon, sınıflandırma ve kümeleme için bazı temel model ve algoritmaları kapsar. Konular doğrusal ve lojistik regresyon, düzenlileştirme, kNN, LDA, QDA, olasılık (Bayes) çıkarımı, SVM'ler ve çekirdek yöntemleri, kümeleme ve özellik seçimini içerir. Python programlama dilini kullanarak öğrenciler makine öğrenme problemlerini işlerler.

DS 555  Veri Bilimi ve İş Stratejisi  

Bu ders, veri bilimindeki son gelişmelerin iş stratejisinde sebep olduğu temel / yıkıcı değişiklikler konusunda genel bir çerçeve sunmaktadır. Konular (i) veri güdümlü / analitik düşünme, (ii) iş problemleri ve ilgili veri bilimi çözümleri, (iii) stratejik düşünme ve veri bilimi/makine öğrenmesi uygulamaları, (iv) modellerden iş görüleri çıkarma, (v) organizasyonel dönüşüm ve zorlukları. Derste vaka çalışmaları olarak bir dizi sektörde çok çeşitli pratik uygulamalar tartışılacaktır.

DS 581 Veri Madenciliği  

Bu dersin amacı öğrencileri temel veri madenciliği teknikleri ile ilgili bilgilerle donatmaktır. Bu tekniklerin arasında kümeleme, sepet analizi, sıra analizi gibi betimsel yöntemlerin yan ısıra, karar ağaçları, lojistik regresyon gibi tahmin yöntemleri yer almaktadır. Teorik dersler uygulama çalışmaları ile desteklenir ve bir veri madenciliği paket programının kullanımı ile ilgili temel beceriler de kazandırılır. Dersin sonunda öğrenciler gerçek hayat problemlerinin hangilerine veri madenciliği yöntemlerini uygulayabileceklerini bilir ve bazı temel yöntemleri problem çözme amaçlı olarak kullanabilir durumda olurlar.

DS 587 Veri Bilimi    

Bu dersin amacı öğrencilerin veri bilimi ve analitik ile ilgili veri analizi, veri dönüştürme, veri mühendisliği teknolojileri (MapReduce, Hadoop, Spark) gibi giriş düzeyindeki konular hakkında bilgi edinmelerini sağlamaktır. Öğrenciler bu bilgiler ile iş hayatında karşılaşılabilecekleri gerçek problemleri (müşteri kayıp oranlarını ya da müşterilerin kampanyalara cevap oranlarını tahmin etmek gibi) tahmin algoritmaları kullanarak çözme konusunda fikir sahibi olurlar. Veriye dayalı modeller geliştirmek, bu modelleri veri bilimi alanında yaygın olarak tercih edilen yazılımlardan (R, Python ya da benzeri) birini kullanarak uygulamak ve sonuçları etkin şekilde paylaşmak konusunda da bilgi sahibi olurlar.

DS 588 Veri Bilimi için Algoritmalar   

Bu ders veri analitiğinin temelini oluşturan veri çeşitlerine ve algoritmalara odaklanmaktadır. Bunu yapabilmek için algoritmaların istatistiksel ve matematiksel temellerini açıklamaktadır. Günümüzde verilerin değişken yapısından ötürü veri üzerine analiz yapmak karmaşık bir işlemdir ve programlama ve yazılım bilgisi gerektirmektedir; bu ders kapsamında Stata, Matlab gibi yazılımlara ve Python programlama diline yer verilmektedir. Algoritma tarafında ise,  veri hazırlama ve azaltma teknikleri, veri gösterimi, temel veri bilimi metotları ve makine öğrenmesi anlatılmaktadır. Sınıf içi örneklerde gerçek veriler üzerinde çalışılmaktadır.

Veri Bilimi Seçmeli Ders Havuzu

IE 501 Doğrusal Programlama                                                      

Dersin amacı, kararların sonuçlarının doğrusal ilişkilerle bağlı olduğu eniyileme problemlerinin modellenmesi ve ilgili çözüm algoritmalarının öğretilmesidir. Üzerinde durulacak konular arasında temel ve çifteşli simpleks yöntemleri, doğrusal programlama çifteşliği, tümler gevşeklik bağıntısı, duyarlılık analizi, yozluk ve yozlukla başa çıkma yöntemleri, serim akışlarının doğrusal programlar olarak modellenmesi ve ağ simpleks yöntemi ile çözülmesi bulunmaktadır. Dersin odağı teorik ağırlıklı olacak, verilecek çalışmalarda ağırlıklı olarak öğrencilerin matematiksel ispatlar yapması beklenecektir.

IE 502 Kesikli Eniyileme                              

Dersin amacı, kararların kesikli olduğu eniyileme problemlerinin modellenmesi ve doğrusal programlama tabanlı kesikli eniyileme yöntemleri kullanılarak çözülmesinin öğretilmesidir. İşlenecek konular arasında tümlü birimsellik, çokyüzlüler kuramına giriş, genel geçerli eşitsizlikler, çifteşlik ve gevşetme, dal-sınır ve dal-kesi yöntemleri, kesen düzlem algoritmaları, Lagrange gevşetmesi ve altgradyan yöntemi, kolon türetme ve dal-fiyat yöntemi ve dinamik izlenceleme yöntemi bulunmaktadır. Öğrencilere verilecek çalışmalarda, teorik analizler ve pratik uygulamalar eşit ağırlıklı olacak, öğrencilerin matematiksel ispatlar yapmasının yanı sıra derste öğrenilen algoritmaların genel amaçlı bir bilgisayar programlama dili veya ticari eniyileme yazılımları kullanılarak uygulaması beklenecektir.

IE 503 Doğrusal Olmayan Programlama                                    

Dersin amacı, kararların sonuçlarının doğrusal olmayan ilişkilerle bağlı olduğu eniyileme problemlerinin modellenmesi ve ilgili çözüm algoritmalarının öğretilmesidir. Üzerinde durulacak konular arasında dışbükey analiz, eniyilik için gerekli ve yeterli koşullar, eşitlik ve eşitsizlik kısıtlarının çözümlenmesi, doğru araması yöntemleri, güven alanı yöntemleri, Nelder-Mead yöntemi, Newton yöntemi ve türevleri,  ceza fonksiyonu yöntemleri bulunmaktadır. Öğrencilere verilecek çalışmalarda, teorik analizler ve pratik uygulamalar eşit ağırlıklı olacak, öğrencilerin matematiksel ispatlar yapmasının yanı sıra derste öğrenilen algoritmaların genel amaçlı bir bilgisayar programlama dili veya ticari eniyileme yazılımları kullanılarak uygulaması beklenecektir.

IE 504 Sezgisel Eniyileme                         

Dersin amacı, son yirmi yılda hızla gelişen metasezgisel yöntemlerin tanıtılması ve farklı eniyileme problemlerindeki uygulamalarının gösterilmesidir. Üzerinde durulacak konular arasında klasik kuruluşsal ve yerel iyileştirme sezgiselleri, Lagrange gevşetmesi, Benzetimlenmiş Tavlama, Tabu Araması, Dürük Yerel Arama, Genetik ve Memetik Algoritmalar, Karınca Kolonisi Eniyilemesi, Yol Yeniden Birleştirme ve Parçacık Kovanı Eniyilemesi bulunmaktadır. Öğrencilere verilecek çalışmalarda, odak pratik uygulamalarda olacak, derste öğrenilen algoritmaların genel amaçlı bir bilgisayar programlama dili veya ticari eniyileme yazılımları kullanılarak uygulaması beklenecektir.

IE 512 Ağ Bilimi  

Bu ders, grafik teorisi ve ağlarla ilgili temel kavramların tanımlarını içerir. Ağların matematiği, ağ analizi için gerekli metrikler ve ölçümler, sosyal ağların oluşumu gibi konular dersin temel konularıdır. Ders kapsamında sosyal ağ üzerindeki topluluklar ve kritik bileşenleri bulma, basamaklı efektler, bilgi yayınımı gibi süreçler anlatılır. Bu tür sorunlar pazarlamadan telekomünikasyona, pek çok alanla ilgilidir.

IE 521 Yöneylem Araştırması ve Uygulamaları                           

Bu ders ileri seviye yöneylem araştırması tekniklerini ve bilgisayar uygulamalarını tanıtır. Öğrenciler matematiksel eniyileme ile mühendislik ve veri madenciliği problemlerini formüle etmeyi öğrenir. Öğrenciler deterministik ve rassal problemleri formüle etme ve çözme tecrübesine en iyi ticari çözücülerle aşina olurlar.

IE 531 Olasılıksal Analiz                                                             

Dersin amacı, mühendislikte ve uygulamalı bilimlerde kullanılan olasılık teorisinin temellerini öğretmektir. Olasılık teorisi başlığı altında üzerinde durulacak konular arasında, örnek uzay olayları, olasılıksal modeller, rassal değişkenler, koşullu olasılık, kesikli ve sürekli dağılımlar, beklentiler, ortak/bileşik dağılımlar, büyük sayılar kanunu ve merkezi limit teoremi bulunmaktadır. Çıkarımsal istatistik başlığı altında üzerinde durulacak konular arasında, örnekleme, nokta ve güven aralığı tahminleri ve hipotez testleri bulunmaktadır. Öğrencilere verilecek çalışmalarda, odak pratik uygulamalarda olacak, derste öğrenilen algoritmaların özelleşmiş istatistik yazılımları kullanılarak uygulaması beklenecektir.

IE 532 Rassal Süreçler 

Dersin amacı, rassal bileşen içeren süreçlerin davranışlarını inceleyen ve analiz eden matematiksel modellerin kullanımını göstermektir. Üzerinde durulacak konular arasında, olasılık kuramının tekrarı, rasgele yürüyüşler, Poisson süreçler, yenileme kuramı, kesikli ve sürekli Markov zincirleri ve güvenilirlik bulunmaktadır. Öğrencilere, derste öğretilen temel kavramların, kuralların ve yaklaşımların envanter kontrolü, üretim, finans, ve komünikasyon sistemleri konularındaki uygulamaları da tanıtılacaktır.

IE 534 İleri İstatistik   

Dersin amacı, öğrencilere mühendislikte ve uygulamalı bilimlerde kullanılan istatistik modellerini,  bu modellerin uygulanma şekillerini ve sonuçlarını yorumlamayı öğretmektir. Dersin vurgusu, istatistiksel çıkarımın temel ilkeleri üzerinedir. Ders materyali ayrıca temel regresyon analizi ve doğrusal modelleri içerir. Üzerinde durulacak konular arasında, istatistikî kestirici kavramı, nokta tahmini, güven aralıkları, regresyon analizi, Cramer-Rao alt sınırı, hipotez testleri, olasılık dağılımı uyuşum sınaması, değişinti analizi, deney tasarımı metodolojisi, sınıflandırma teorisi ve kümeleme çözümlemesi bulunmaktadır. Öğrencilere, derste öğretilen metotların mühendislikte ve uygulamalı bilimlerdeki uygulamaları da tanıtılacaktır.

IE 535 İleri Benzetim                              

Dersin amacı, benzetim metodolojisinin temellerini öğretmek ve diğer yaklaşımlarla olan farkını göstermektir. Derste girdi verilerinin ve uygun olasılık dağılımlarının istatistiksel analizi ve rassal sayı üretme, benzetim deneylerinin tasarlanması, model doğruluğu ve sağlaması, değişinti azaltma teknikleri, çıktı ve sonuç duyarlılık analizi gibi konulara yer verilir. Öğrenciler, modern benzetim dillerine aşinalık kazanırlar ve en yeni benzetim yazılımlarını kullanarak benzetim modellerini kodlamayı öğrenirler. Derste özellikle süreçleri iyileştirmek ve karmaşık sistemlerde karar vermeye yardımcı olmak için benzetimin nasıl kullanılabileceğini gösteren gerçek yaşam uygulamaları (örneğin imalatta kapasite planlaması ve programlaması, çağrı merkezlerinde kuyruk yönetimi ve acil servislerde hasta akış analizi gibi) üzerinde durulur.

IE 556 Karar Destek Sistemleri   

Bu dersin amacı, öğrencilerin tablolama programları tabanlı karar destek araçlarını geliştirebilmek için hesaplama ve yazılım yetilerini geliştirmelerine yardım etmektir. İşlenecek konular pivot tablolar, arama fonksiyonları, VBA programlama ve makro geliştirme, kullanıcı ara yüzü geliştirme, VBA ile çözücü ve benzetim modelleri geliştirme. Öğrenciler, çeşitli alanlara yönelik (mühendislik, yönetim bilimi ve finans) karar destek sistemleri vakaları ile tanışık hale getirilir.

IE 562 Oyun Teorisi                          

Oyun teorisi,  sadece ekonomik piyasa katılımcılarının etkileşimlerini anlamak için değil, bunun sonucu gözlenen sosyal fenomeni anlamak için de geliştirilmiş matematiksel bir araçtır. Dersin amacı, öğrencilere katılımcıların stratejik etkileşimlerini inceleyen analitik yaklaşımları öğretmektir. Üzerinde durulacak konular arasında, fayda kavramı, normal formda oyunlar, baskınlık, Nash dengesi, saf ve karışık stratejiler, kapsamlı formda oyunlar,  tekrarlanan oyunlar, asimetrik/eksik bilgili oyunlar bulunmaktadır.  Öğrencilere, derste öğretilen temel kavramların, kuralların ve yaklaşımların mühendislik, işletme, ekonomi alanındaki uygulamaları da vaka olayları yardımıyla anlatılacaktır.

IE 564 Karar ve Risk Analizi                            

Dersin amacı, öğrencilere belirsizlik, çelişen amaçlar ve risk altında ussal karar vermede kullanılan analitik modelleri öğretmektir. Üzerinde durulacak konular arasında, belirsizliği modellemek, ussal karar verme ilkeleri, karar problemlerini değer ağaçları, karar ağaçları ve etki diyagramları ile inceleme, değer hiyerarşilerini, karar ağaçlarını ve etki diyagramlarını çözme,  bilginin değerini tanımlama ve hesaplama, risk miktarını analize dahil etme ve duyarlılık çözümlemesi yapma bulunmaktadır.  Öğrencilere, derste öğretilen kavramların ve çözüm yöntemlerinin uygulamaları vaka olayları analizi ile tanıtılacaktır.

IE 572 İşletmeler için Tahminleme  

Bu dersin amacı öğrencilere operasyon planlama ve kontrol sistemleri ve talep yönetiminde kestirim; veri yığınlaması ve piramit kestirim yöntemleri; kestirim doğruluğu değerlendirme yöntemleri; kalitatif, kantitatif, kalitatif-bazlı kantitatif ve kantitatif-bazlı kalitatif kestirim yöntemleri; zaman serilerinde trend, mevsimsellik, zaman serisi kestirim; veri toplama, model tespiti, ve kestirim oluşturma masrafları ve “en iyi” kestirim modelinin seçimi; model seçiminde uç değerlerin, yapısal değişikliklerin ve kestirim hataları değerlendirme metodu seçimlerinin etkisi; alternatif kestirimleri birleştirmenin faydaları konularını öğretmektir.

CS 545 Pekiştirmeli Derin Öğrenme                             

Bu ders, yapay öğrenmenin pekiştirmeli öğrenme isimli, akıllı eylem planlaması yapan modeller geliştirmeyi amaçlayan kolu hakkında giriş düzeyi bir içerik sunar. Pekiştirmeli öğrenme modelleri günümüzde robot kontrolünde, bilgisayar oyunlarının yapay zeka motorlarının geliştirilmesinde ve otomatik araç kullanma uygulamalarında etkin olarak kullanılmaktadır. Bu ders pekiştirmeli öğrenmeye, derin öğrenme perspektifinden bakmakta ve pekiştirmeli öğrenme yapabilen derin yapay sinir ağlarının oluşturulması gibi uygulamalı konuları da kapsamaktadır.

CS 552 Python ile Veri Bilimi                                

Bu dersin amacı yüksek lisans ve doktora öğrencilerinin Makine Öğrenmesi ile gerçek hayattaki Veri Bilimi problemlerini var olan araç ve Python dilini kullanarak çözme yeteneği kazanmalarını sağlamaktır. Ders kapsamında aşağıdaki konular işlenecektir: Python programlama diline giriş, Python ile Makine Öğrenmesi, Öğreticisiz Öğrenme, Gözetimli Öğrenme, Tavsiye Sistemleri.

CS 554 Yapay Sinir Ağları ve Otomatik Öğrenmeye Giriş                              

Ders öğrencilere yapay sinir ağlarında ve otomatik öğrenmede kullanılan standart teknikleri öğretmeyi amaçlar. İşlenecek konular: (Otomatik) öğrenme kavramı, Matematiksel çıkarımlı yöntemler (interpolasyon, hata minimizasyonu vb.), Beyin sinir ağlarından esinlenilmiş yapay nöral ağlar (perceptron öğrenmesi, Hopfield ağlar, ileri beslemeli ağlar vb.)

CS 556 Büyük Veri Analizi                         

Bu ders veri anlamlandırma algoritmalarının büyük veriler üzerindeki uygulamalarını konu almaktadır. Dersin odak noktası Map Reduce teknolojisi kullanarak paralel çalışan programlar yazarak büyük boyutlu verileri işlemektir. Bu ders Sıkça Birlikte Görülen Nesneler, İlişki Kuralları, Yüksek Boyutlu Veride En Yakın Komşu Araması, Muhit Hassas Gruplama, Boyut Azaltma, Öneri Sistemleri, Öbekleme, Link Analizi, Büyük Boyutlu Denetli Makina Öğrenmesi, Veri Akışı, Webin Yapısal Data için Anlamlandırılması ve Web Reklamları konularını içerir.

CS 558 İstatistiksel Yapay Öğrenmeye Giriş                             

Bu ders, modern istatistiksel çıkarsama tekniklerini yapay öğrenme bakış açısı ile işler. Önsel bilgi kavramı ve önsel bilginin bir öğrenme modeline ilkeli olarak nasıl işlenebileceğini ele alır. Günümüz yapay öğrenme araştırmalarının merkezinde bulunan yaklaşık çıkarsama tekniklerini ayrıntılı şekilde tarif eder. Ders, bu çıkarsama tekniklerinin derin öğrenmeye nasıl uygulanabileceğine dair yeni gelişmelere değinerek son bulur.

CS 566 Derin Öğrenmeye Giriş                            

Bu ders, konvolüsyonel sinir ağları, eğitmenli sınıflandırma, lojistik regresyon, çapraz entropi gibi temel derin öğrenme konularını tartışmaktadır. Ayrıca, eğitimin sayısal istikrarını, performansın ölçülmesindeki önemini analiz eder. Ek olarak ders performans ayar parametrelerinin ince ayarını yapmakta ve hızlı bir şekilde yakınsama için çeşitli yöntemler getirmektedir.