Dersin Adı | Ekonomik Uygulamalar ile Veri Bilimine Giriş |
Kodu | Yarıyıl | Teori (saat/hafta) | Uygulama/Lab (saat/hafta) | Yerel Kredi | AKTS |
---|---|---|---|---|---|
ECON 465 | Güz/Bahar | 3 | 0 | 3 | 6 |
Ön-Koşul(lar) | Yok | |||||
Dersin Dili | ||||||
Dersin Türü | Seçmeli | |||||
Dersin Düzeyi | - | |||||
Dersin Veriliş Şekli | - | |||||
Dersin Öğretim Yöntem ve Teknikleri | ||||||
Dersin Koordinatörü | - | |||||
Öğretim Eleman(lar)ı | ||||||
Yardımcı(ları) |
Dersin Amacı | Bu ders Ekonometri dersinin devamı olup “Uygulamalı Ekonomi Analizi” alanına ait bir ders olarak tasarlanmıştır. Dersin veri bilimi araçlarının ekonomiye nasıl uygulanabileceğini göstermektir. Öğrenciler büyük veri setleri ile veri düzenlemesi, keşifçi veri analizi, lineer regresyonla tahminsel modelleme, veri görselleştirme ve etkili iletişim için gerekli kavram, araç ve teknikleri büyük veri setlerine ekonometrik yazılımdan daha uygun bir platformda öğreneceklerdir. Ders ayrıca gerçek dünya veri setlerine dayalı ekonomik ve finansal problemler ile öğrencilere veri biliminde pratik tecrübe kazandırmayı amaçlamaktadır |
Öğrenme Çıktıları | Bu dersi başarıyla tamamlayabilen öğrenciler;
|
Ders Tanımı | Bu ders veri düzenleme, araştırmacı veri analizi, lineer regresyonla tahminleyici modelleme, makine öğrenmesi, veri görselleştirmesi ve etkili iletişim konularını içerir. Ders boyunca öğrenciler gerçek dünya veri setlerine dayalı ekonomik ve finansal uygulamalar üzerine çalışacak ve R yazılım programını kullanacaklardır |
Dersin İlişkili Olduğu Sürdürülebilir Kalkınma Amaçları |
| Temel Ders | |
Uzmanlık/Alan Dersleri | X | |
Destek Dersleri | ||
İletişim ve Yönetim Becerileri Dersleri | ||
Aktarılabilir Beceri Dersleri |
Hafta | Konular | Ön Hazırlık |
1 | Overview of Statistics and R Studio | Varian, Hal R. "Big data: New tricks for econometrics." Journal of Economic Perspectives 28.2 (2014): 3-28. Athey, Susan. "The impact of machine learning on economics." The Economics of Artificial Intelligence: An Agenda. University of Chicago Press, 2018. Wickham & Grolemund Ünite 1 |
2 | String Processing | Introduction to Data Science Ch. 15 |
3 | Data wrangling | Introduction to Data Science Ch. 12-17 |
4 | Web Scraping: Functions and Automation | Introduction to Data Science Ch. 14 |
5 | Text Mining | Introduction to Data Science Ch. 17 |
6 | Monte Carlo Simulations | Advanced Data Science Ch. 3-4 |
7 | Simulations | Advanced Data Science Ch. 5 |
8 | Midterm | |
9 | Resampling Methods: Bootstrapping | James, Witten, Hastie and Tibshirani, Ünite 5 ve Ders Notları |
10 | Resampling Methods: Bootstrapping | James, Witten, Hastie and Tibshirani, Üniteler 5 ve Ders Notları |
11 | Machine Learning | Advanced Data Science Ch. 24-25 |
12 | Machine Learning | Advanced Data Science Ch. 26 |
13 | Machine Learning | Advanced Data Science Ch. 27 |
14 | Machine Learning | Advanced Data Science Ch. 28 |
15 | Dönemin gözden geçirilmesi | |
16 | Dönemin gözden geçirilmesi |
Ders Kitabı |
|
Önerilen Okumalar/Materyaller |
|
Yarıyıl Aktiviteleri | Sayı | Katkı Payı % |
Katılım | 14 | 15 |
Laboratuvar / Uygulama | ||
Arazi Çalışması | ||
Küçük Sınav / Stüdyo Kritiği | ||
Portfolyo | ||
Ödev | 4 | 20 |
Sunum / Jüri Önünde Sunum | ||
Proje | 1 | 15 |
Seminer/Çalıştay | ||
Sözlü Sınav | ||
Ara Sınav | 1 | 25 |
Final Sınavı | 1 | 25 |
Toplam |
Yarıyıl İçi Aktivitelerin Başarı Notuna Katkısı | 20 | 75 |
Yarıyıl Sonu Aktivitelerin Başarı Notuna Katkısı | 1 | 25 |
Toplam |
Yarıyıl Aktiviteleri | Sayı | Süre (Saat) | İş Yükü |
---|---|---|---|
Teorik Ders Saati (Sınav haftası dahildir: 16 x teorik ders saati) | 16 | 3 | 48 |
Laboratuvar / Uygulama Ders Saati (Sınav haftası dahildir. 16 x uygulama/lab ders saati) | 16 | ||
Sınıf Dışı Ders Çalışması | 16 | 1 | 16 |
Arazi Çalışması | |||
Küçük Sınav / Stüdyo Kritiği | |||
Portfolyo | |||
Ödev | 4 | 10 | |
Sunum / Jüri Önünde Sunum | |||
Proje | 1 | 20 | |
Seminer/Çalıştay | |||
Sözlü Sınav | |||
Ara Sınavlar | 1 | 25 | |
Final Sınavı | 1 | 31 | |
Toplam | 180 |
# | Program Yeterlilikleri / Çıktıları | * Katkı Düzeyi | ||||
1 | 2 | 3 | 4 | 5 | ||
1 | İktisat alanına özgü temel kavramların, teorilerin, ilkelerin ve araştırma yöntemlerinin bilgisine sahip olur. | X | ||||
2 | İktisadi verileri toplar, işler ve ekonomi politikalarına yol gösterebilecek bilimsel araştırmalar yapmak için uygun matematiksel, ekonometrik, istatistiksel yöntemleri ve veri analizi yöntemlerini uygular. | X | ||||
3 | İlgili akademik, mesleki, bölgesel ve global ağların içinde yer alır bu ağları etkin olarak kullanır. | |||||
4 | Bulunduğu toplumun ihtiyaçları konusunda yeterli sosyal sorumluluk bilincine sahip olur ve gerektiğinde sosyal dinamikleri etkileyebilecek aktiviteler düzenler. | |||||
5 | İhtiyaç duyduğu bilgiye erişmek için eğitim sürecinde edindiği ile kişisel bilgi birikimini sentezler. | X | ||||
6 | Eleştirel ve analitik düşünme becerisi ile kendi öğrenim gereksinimlerini belirler ve yaşam boyu öğrenme sürecini yönlendirir. | X | ||||
7 | Toplumsal dinamikleri iktisadi süreçlere hem bir girdi hem de sonuç olarak eklemleyebilmek için gerekli becerilere sahiptir. | X | ||||
8 | Üniversitede edindiği birikimini bulunduğu toplumun kültürel ve tarihsel yapısıyla ilişkilendirebilir ve toplumun farklı katmanlarına iletir. | X | ||||
9 | Bireysel ve grup üyesi olarak sorumluluk alır. | |||||
10 | Ekonomi ile ilgili verilerin toplanması, yorumlanması, duyurulması ve uygulanması aşamalarında toplumsal, bilimsel ve etik değerlere göre hareket eder. | X | ||||
11 | Bir yabancı dili kullanarak ekonomi ilgili bilgi toplar ve meslektaşları ile iletişim kurar .("European Language Portfolio Global Scale", Level B1) | X | ||||
12 | İkinci yabancı dili orta düzeyde kullanır. | |||||
13 | İnsanlık tarihi boyunca oluşan bilgi birikimini uzmanlık alanıyla ilişkilendirir. |
*1 Lowest, 2 Low, 3 Average, 4 High, 5 Highest