Uncategorized

Management Information Systems

İstanbul City University

Course Name: Management Information Systems

Course Code: MGT 332

Language of Course: English

Credit: 3

Course Coordinator / Instructor: Şadi Evren ŞEKER

Contact:mis2018@sadievrenseker.com

Schedule:Wed 15.00 – 17.00 and Fri 16.00 – 17.00 -> Updated to Wed 15.00 – 18.00

Location : ACAD Building 1302

Course Description:

MIS is one of the key concepts for the today’s organizations. We mainly focus on the core technologies in modern enterprises and their management strategies and key concepts. This course is not a technology or computer or software course. Instead we focus on the leverage of the information systems, to operate efficiently. Whether the organization is a new entrepreneurial start-up, an established business, a non-profit, or a government enterprise, its ability to deliver on its mission and implement its strategy could be significantly impeded without knowledgeable individuals to guide the design, acquisition, effective use, and support of the information systems that provide the foundation for the organization.

Because the role of MIS is critical for many organizations, it has become an exciting career choice that allows you the flexibility to apply the skills you develop through your study of management information systems to a broad range of disciplines. An organization is made up of four key components—technology, data, processes, and people. A career in MIS can offer you many options: you could take a strategic approach and become a systems or enterprise architect who is an expert in integrating across these components; or you could become a specialist in data analytics, process redesign, or technology management. What distinguishes MIS from other types of information technology is the recognition of the role and importance of people in both enabling and constraining organizations.

The guiding principle behind this course is that for an enterprise to run efficiently, its information systems need to work efficiently. Modern organizations are simply too complex, with too many people and too much data, for work to be done manually or inefficiently.

Course also concentrates on the digital firm and data management concepts. One of the major key concepts in the course is monetizing the technology and data in the new technology age.

Course Objective: 

  • understand and articulate fundamental concepts of information technology management.
  • assess and apply IT to solve common business problems.
  • suggest and defend effective solutions to business problems, and design a database application to solve a business problem.
  • discuss the ethical aspects of information technology use in the organization and its governance issues.

Reference Text Book and other Resources: 

Management Information Systems: Managing the Digital Firm, Kenneth C. Laudon and Jane P. Laudon, 15th edition, 2017, Pearson


Grading

  • Case Studies, Homework, Reading, Attendence and Discussions: 30%
  • Project: 30%
  • Final Exam: 40%

Course Content:

  • I. Organizations, Management, and the Networked Enterprise
    • 1. Information Systems in Global Business Today
    • 2. Global E-business and Collaboration
    • 3. Information Systems, Organizations, and Strategy
    • 4. Ethical and Social Issues in Information Systems
  • II. Information Technology Infrastructure
    • 5. IT Infrastructure and Emerging Technologies
    • 6. Foundations of Business Intelligence: Databases and Information Management
    • 7. Telecommunications, the Internet, and Wireless Technology
    • 8. Securing Information Systems
  • III. Key System Applications for the Digital Age
    • 9. Achieving Operational Excellence and Customer Intimacy: Enterprise Applications
    • 10. E-commerce: Digital Markets, Digital Goods
    • 11. Managing Knowledge
    • 12. Enhancing Decision Making
    • 13. Building Information Systems
    • 14. Managing Projects
    • 15. Managing Global Systems

Weekly Plan 

Week 1 (Feb 28) : Introduction to Course Content and Syllabus

Week 2 (Mar 7): Introduction to Global Systems and Key Concepts (Slides) :

  • Data, Information, Knowledge and Wisdom Pyramid,
  • Business Information Value Chain
  • Management Levels ( Senior, Midlevel and Operational)
  • Plans (Strategic, Tactic and Optimum Planning)
  • Blackbox Approach to system and I/O of Information System and Feedback
  • Information System and Relations between Organization, Technology and Management
  • Retail Value Chain

Week 3 ( Mar 14): Global e-business and Collaboration (Slides , Slides (PPT) ):

  • Introduction to Knowledge Economy
  • Knowledge Workers
  • Knowledge Management
  • Development Stages, Industrializaion and Knowledge economy
  • Tacit vs Explicit Knowledge
  • Types of Capital: Intellectual Capital,  Social Capital
  • Transaction Processing Systems
  • Relation among Knowledge, Process and People
  • Enterprise Application Architecture
  • Knowledge Management Framework

Week 4 ( Mar 21): Information Systems, Organizations and Strategy ( Slides ):

  • Comparative Definition of Organization
  • Key Relations between Organization and IS
  • Systems Approach and Black Box
  • Business Processes and Routines
  • Organizational Culture
  • IS effect 1: Flattening organizations
  • IS effects 2: Resistance to change (Technology acceptance model)
  • IS effects 3: Digitalization
  • Strategical, tactical and optimum planning
  • Porter’s competitive forces model
  • Value chain model
  • The value web
  • BCG Matrix
  • IS effect 4: strategy and DSS

Week 5 ( Mar 28): Introduction to IT and key concepts (Slides)

  • Some Key Concepts:
    • Relation between Business Strategy, IT Strategy and Information Technology,
    • Brief history of computers and evolution of computer architectures
    • Client Server architecture and n-tiered architectures
    • Moore’s Law
    • Metcalfe’s Law
    • Databases
    • Operating Systems
    • Open Source and Free Softwares
    • Cloud Computing
    • Green Computing
    • TPS and Transaction Cost Theory
    • Agency Cost Theory
    • SOA (Service Oriented Architecture)
    • Privacy and IT Relation: Privacy of employees and Corporate Privacy and Secrecy
  • Case Study 1: (Due Date: May 2) Prepare an essay about IT and computers and address the questions below:
    • What has been the impact of faster and cheaper computers for personal and company use? What technological advances and benefits are driving the expansion in the use of personal computers? What are the limitations of faster and cheaper computers? If you cannot think of a strategy for answering this question, you may want to consider weaving all or some of the Case Learning Outcomes into your response by addressing the following: 1. What are the main components of personal computers used in an office environment? 2. How has the cost of computers used in an office changed over the past 30 – 40 years? Which main component of the computer is driving this change? 3. What has been the result of this cost change in the last 20 years? 4. What limits the price from changing drastically in the future? 5. What is e-waste and why is it a problem?

Week 6 (Apr 4): Business Intelligence, Database and Information Management ( Slides )

  • Projects : What to do?, How to do? Groups, project topics and discussions.
  • Homework 1: Prepare a business plan for your organization (Due Date: Apr 18) (click for a template questionnaire )
  • Some Key Concepts:
    • What is BI
    • Introduction to Databases: RDBMS
    • Data Warehouses and Data Marts
    • ETL
    • Database Normalization
    • Dashboards
    • Big Data
  • Case Study 2: (Due Date: May 9): Read the following case study (click here) and discuss below questions
    • What is the business strategy of HiCar?
    • What are the tactics of HiCar?
    • How would you differentiate strategic and tactical objectives?
    • Would you add or update any part of their ICT model if they operate outside of EU, such as Turkey?
    • Suggest an update for HiCar with self driving cars (cars do not need any driver). Think about, charging stations, parking, delivery or entertainment in these new cars and suggests an update to the HiCar information model and business rules, explain the updates and their complications in detail.

Week 7 (Apr 11): Telecommunication, Internet and Wireless Technologies ( Slides )

  • Some Key Concepts:
    • PAN, LAN, MAN, WAN
    • Cabling alternatives and Physical Layer: F/O, WiFi, UTP, Dial up, ADSL
    • Protocols: Packet Switching, TCP/IP, Routers
    • Client/Server communication
    • VPN, Internet, Extranet, Intranet
  • Homework 2: Prepare a database and BI Dashboardsfor your organization (Due Date : Apr 25)

Week 8 (Apr 18): Security of Information Systems( Slides)

  • Video Cases:
  • Some Key Concepts
    • System Vulnerabilities
    • Data Breach,
    • Hacking vs Cracking
    • Firewalls
    • Spywares
    • Viruses
    • Spoofing
    • Sniffing
    • Denial of Service Attack
    • Distributed Denial of Service Attack
    • Computer Crime vs Real Life Crimes
    • Identity Theft
    • Phishing
    • Evil Twins
    • Pharming
    • Click Fraud
    • Human Factor, Internal Threat: Employees
    • Electronic Evidence
    • ISO 27001, 27002, COBIT, ITIL
    • Security Profiling and Auditing
    • MIS Auditing
    • Public Key Cryptography vs Private Key Cryptography
  • Homework 3: Prepare a telecommunication strategy for your business ( Due Date : May 2)
  • Case Study 3 (Due Date: May 16): Read the following case study ( click here ) and discuss below questions:
    • What are the strengths and weaknesses of UK Electrol system in the case study?
    • In your opinion, what are the most critical components of the system and if you would change one of these components, which one would you change and how?
    • Draw a database diagram for holding possible data tables of the system
    • Draw a deployment diagram for the possible information system
    • Point out the possible security problems and suggest solutions for them.
    • What would you like to monitor on the system if you would design a BI dashboard?
  • Submissions this week : Project Proposal Report, Homework 1

Week 9 (Apr 25): Operational Excellence and Customer Intimacy (Slides)

  • Homework 4: Prepare a network strategy for your organization (Due Date: May 9)
  • Submissions to this week : Business Plan for your project, Homework 2

Week 10 (May 2): Digital Markets Digital Goods and Digitalization (Slides)

  • Homework 5: Prepare a security plan for your organization. (Due Date: May 16)
  • Submissions to this week : Case Study 1, Homework 3

Week 11 ( May 9): Managing Knowledge (Slides)

  • Homework 6: Digitalization strategy report (Due Date: May 23)
  • Submissions to this week : Case Study 2, Homework 4, Technology report of your project

Week 12 ( May 16): Decision Making and DSS (Slides)

  • Submissions to this week : Case Study 3, Homework 5, E-Commerce Strategy Report for your project

Week 13 ( May 23): Building an Information System (Slides)

  • Submissions to this week : Knowledge management report for your project, Homework 6

Week 14 ( May 30): Project Presentations, submit all your files (Please report, presentations or all supplemental documents until May 29 midnight)

 

 


Project Details

You are free to form a project group of maximum 4 people. You are also free to come with a project idea (which is suitable for digital firm).

Project reports are listed as below:

  1. Proposal report (briefly explain your project and digital firm idea) (due date: Apr 18)
  2. Business plan (click for a template questionnaire ) (due date: Apr 25)
  3. Technology report of your organization (due date: May 9)
  4. E-Commerce strategy report (due date: May 16)
  5. Knowledge management report (due date: May 23)

Project deliveries:

  1. A project report, which covers all the reports above besides the report of your team performance and experiences.
  2. A project presentation (presentation will take place at May 23 and May 30, so all the deadlines are strict)

Project Grading:

  • Submission on time (until May 29 midnight, LMT): 10%
  • Project presentation 30%
  • Project Report 60%

 


Grades

STUNo HW 1 HW2 HW3 HW4 CS1 CS2
213112795 1 1 1 1 1 1
214051717
213903610 0 0 1 1 1 1
215372000
214001856 1 1 1 1 1 1
214051453 1 1 1
214291745 1
213862415 1 1 1 1 1 1
214100938 1 1 1 1 1
214602080
213010379
214111202 1 1 1 1
214040369 1 1 1 1 1 1
213131551 1
214110163 1 1 1 1 1
717741596 1
212971656 1 1 1 1
213012209
213912140 1 1 1 1 1 1
214051231 1 1 1 1
213901483 1 1 1 1 1
213911106 1 1 1 1 1
717740647 1 1 1 1 1 1
213862698 1 1 1 1 1 1
213962664 1 1 1 1 1 1
213351225 1 1 1 1 1 1
213861889 1
216750736
717742673 1 1 1 1 1
514572550
214042266 1 1 1 1
213951503 1 1 1 1 1 1
213912464 1 1 1 1 1 1
717740681 1 1 1 1 1 1
216420697
216792460 1 1 1 1
213900820 1 1 1 1 1 1
717742559 1 1 1 1 1 1
213910298 1
216750737
214011064 1 1 1 1 1 1
215312783 1 1 1
213081051
213071521
214101987 1 1 1 1 1 1
214212011 1 1 1 1 1 1
213130541 1 1 1 1
216291722 1 1 1
211630985
210110159
212102935
213911523 1 1 1 1 1 1
213012225 1
214971189 1 1 1 1
212061312 1 1 1
212460545 1 1 1 1
213963404 1 1
213011250 1 1 1 1 1
212030215 1 1 1 1
213131500
215191281 1
213060080
613502082 1 1 1 1
213490216
717740650 1 1 1 1 1 1
213962946
212971312 1 1 1 1 1
213010430 1 1 1

 

 

 

Uygulamalı Veri Bilimi (Data Science Practicum)

T. C. İstanbul Şehir Üniversitesi

İş Analitiği Yüksek Lisans Dersi

Ders izlencesi ve ders ile ilgili faydalı içerik

Dersin Adı: Uygulamalı İleri İş Analitiği Yöntemleri, Uçtan Uca Veri Bilimi Uygulamaları (End-to-end Data Science Practicum)

Dersin Kodu: IAN 506

Dönemi: Bahar 2018

Kredisi : 3

Öğretim Üyesi: Doç. Dr. Şadi Evren ŞEKER

İletişim: veribilimi2018@sadievrenseker.com

Ders İçeriği:
Bu dersin amacı, yüksek lisans programında bulunan derslerde edinilen bilgi birikimini pekiştirmek ve birleştirmektir. Bu amaçla tanımlayıcı analitik (Descriptive analytics), tahminci analitik (predictive analytics) ve buyrukçu analitik ( prescriptive analytics) kavramları birleştirilerek uygulamalar yapılacaktır. Ders kapsamında aşağıda listelenen araçlar karşılaştırmalı olarak kullanılacaktır:

  • Rapid Miner
  • R
  • Python
  • Knime
  • Weka

Ayrıca güncel konulara da yer verilecek ve örneğin derin öğrenme gibi konular için de tensor flow benzeri kütüphanelere giriş yapılacaktır.

Dersin amacı, katılımcıları, veri bilimi, veri analitiği ve iş analitiği dünyasında kullanılan temel teknolojileri, algoritmaları ve görselleştirme / analiz araçlarını temel düzeyde kullanacak seviyeye getirmektir.

Kaynak Kitaplar

  • Python for Data Analysis, 2nd Edition Data Wrangling with Pandas, NumPy, and IPython,  William McKinney, 2017
  • Learning scikit-learn: Machine Learning in Python Paperback – November 25, 2013, Raúl Garreta, Guillermo Moncecchi
  • Building Machine Learning Systems with Python , Willi Richert, Luis Pedro Coelho , 2013

Ders boyunca öğrencilere okumaları gereken bazı ufak vaka çalışmaları ile makaleler verilecektir.

Vaka Çalışmaları:
Ders kapsamında, uygulama eğitim yolu izlenecektir ve çok sayıda vaka üzerinde veri analizi python dili kullanılarak yapılacaktır. Ders kapsamında verilen örnek veri kümeleri üzerinde katılımcıları gerçek hayat projelerini uygulamaları beklenmektedir.

Ödevler:
Ders kapsamında, 5 farklı ödev verilmesi planlanmaktadır. Bu ödevlerin süresi bir hafta ile iki hafta arasında değişmekle birlikte genelde her hafta yeni bir ödev verilecektir. Ödevler bireysel olarak yapılacaktır.

Projeler:

Ders kapsamında, her öğrenciye bir dönem projesi verilmesi ve projenin baştan sona öğrenci tarafından yürütülerek raporunun ve sunumunun hazırlanması beklenmektedir. Projelerin rapor ve proje dosyası dışında sunumları 19 ve 26 Mayıs tarihlerinde yapılacaktır. En geç proje teslim tarihi (rapor + sunum + proje dosyası) 18 Mayıs’tır. (Güncellendi: Proje teslim tarihleri aşağıdaki notlama kısmında belirtilen şekilde güncellenmiştir).

Proje Notlama: 

  • Sunum günü sabah 9’da yapılacak yoklama : 10%
  • 25 Mayıs 2018 (sunumdan bir gün önce) en geç gece yarısına kadar proje raporu ve sunumu yollamış olmak : 10%
  • Uçtan uca (CRISP-DM adımlarının tamamı sorgulanacaktır) çalışan bir proje teslimi : 40%
  • Problemi doğru adreslemek ve tam olarak çözen bir model geliştirmek : 10%
  • Doğru veri ön işleme adımları : 10%
  • Doğru modellerin denenmiş olması : 10%
  • Modellerin iyileştirilmesi : 10%
  • Doğru değerlendirme kriterlerinin tanımı ve modellerin ölçümü : 10%

Ders içi uygulamalar:
Derste anlatılan konular, katılımcılar ile birlikte birebir örnek veriler üzerinde uygulanacaktır. Bu yüzden katılımcılaırn bilgisayarlarını getirmeleri ve ilk derste anlatılan python yazılımını kurmaları gerekmektedir, ayrıca her ders için gereken ilave kütüphaneler bir önceki derste veya ilgili derste anlatılacaktır.

Derste ulaşılması hedeflenenler:

  1. Veri bilimi proje yönetim tekniklerini ve projenin başlangıç, bitiş koşullarını tanımlayabiliyor olmak.
  2. Bir veri bilimi projesini baştan sona yönetebiliyor olmak.
  3. Veri bilimi için kritik olan problem algılama, problemleri sınıflandırma ve literatürde konumlama yeteneğine sahip olmak.
  4. Gerekli veri ön işleme aşamalarını yapabiliyor olmak ve proje sürecinde doğru ön işleme aşamalarına karar vermek
  5. Veri bilimi dünyasında sık kullanılan makine öğrenmesi ve istatistiksel modelleri tanıyor ve probleme uygun olarak doğru parametrelerle kullanabiliyor olmak.
  6. Veri bilimi projesinin çıktılarını doğru yargılayabiliyor ve sunabiliyor olmak.

Ders İzlencesi:

  • Hafta 1 (10 Mart): Derse giriş, izlenecek metodoloji (CRISP-DM), Veri Önişleme kavramlarına giriş
  • Hafta 2 ( 17 Mart): Veri Önişleme örnekleri (knime dosyasını indirmek için tıklayınız)
  • Hafta 3 (24 Mart) : Regresyon modellerine giriş (basit doğrusal, çoklu doğrusal regresyon (multiple linear regression)) , korelasyon matrisi, p-value ve değişken seçimi, backward elimination, forward selection  (knime dosyaları: dosya 1 , dosya 2)
  • Hafta 4 (31 Mart): Regresyon modelleri ve karşılaştırma yöntemleri (Decision Tree, Random Forest, Linear, Polynomial)  (knime dosyasını indirmek için tıklayınız)
  • Hafta 5 (7 Nisan): Tahmin modellerinin karşılaştırılması (R2 ve adjusted R2 hesaplanması), Sınıflandırma problemlerine giriş ve Logistic Regression
    • Proje Konusu: Dönem sonuna kadar yapmayı planladığınız bir proje konusu belirleyiniz. Proje konusu ile ilgili konuyu açıklayan (iş süreci ve veri açıklaması çok önemli (crisp-dm hatırlayınız)) ve tahmini olarak izleyeceğiniz veri ön işleme, model oluşturma ve değerlendirme adımlarını içeren bir raporu gönderiniz (teslim tarihi: 14 Nisan).
    • Ödev 1: Tahmin (Prediction Uygulaması): Geliştireceğiniz veri önişleme ve tahmin yöntemleri ile günlük borsa tahmini, ve dolar kuru tahmini yapan knime projeleri geliştiriniz, başarınızı nasıl ölçtüğünüzü tartışınız ve başarının iyileştirilmesi için izlediğiniz yolları anlatınız. (teslim tarihi: 21 Nisan)
    • Logistic Regression ve Sınıflandırmaya giriş (knime dosyasını indirmek için)
    • K-NN ve Mesafe Fonksiyonları (knime dosyasını indirmek için)
  • Hafta 6 (14 Nisan): Zaman Serisi (Time Series Analysis) Analizi , Sınıflandırma algoritmaları, SVM, Decision Tree ve Random Forest
    • Hatırlatma! : Proje konusu için son teslim tarihi gece yarısına kadardır.
    • Ödev 1 Değerlendirme: Ödev 1’de kullandığınız veri kümesinden de faydalanarak (sadece son kolon için) aşağıdaki tabloyu tamamlayınız (Teslim Tarihi 28 Nisan).
    • Ödev 2: Sınıflandırma (Classification) Uygulaması: Kaggle üzerindeki reklam takibi ve sahtekarlık yakalama ile ilgili şu yarışmaya katılınız. (link için tıklayınız) Burada bulunan eğitim ve test verilerini indirerek en az, derste öğrendiğimiz algoritmalar (Logistic Regression, KNN, SVM, Decision Tree, Random Forest) ve bu algoritmaların parametrelerini kullanarak sınıflandırma modellerinizi çalıştırınız. (Teslim tarihi 28 Nisan)
    • Proje İlerleme Raporu 1: Projenizde CRISP-DM metodunu kullanarak 3 döngüde ilerlemeniz hedeflenmektedir. Dolayısıyla, CRISP-DM’de bulunan adımları 3 kere dönecek ve her döngüde iyileştirmeler yapacaksınız. İlk döngünün ilk iki adımı olan problem analizi ve veri analizi raporlarınızı hazırlayınız (problemi ve veriyi tanımlayın). (Teslim tarihi 21 Nisan)
    • Zaman Öznitelik Çıkarımı (tarih ve Saat için): (knime dosyası için tıklayınız) (örnek CSV dosyası ödev 2’de bulunan kaggle projesindeki örnek (train_sample.csv) dosyasıdır)
    • Zaman Serisi Analizi ve bir örnek olarak Hareketli Ortalama (Moving Average): (knime dosyası için tıklayınız)
    • Titanic Veri Kümesi (CSV)
    • Sınıflandırma Örneği (Knime dosyası için tıklayınız)
  • Hafta 7 ( 21 Nisan): Sınıflandırma Algoritmaları Özet ve Kümeleme Algoritmaları
    • Hatırlatma!: Proje ilerleme Raporu 1 ve 1. Ödev için son teslim tarihi gece yarısına kadardır.
    • Ödev 2 Değerlendirme: Ödev 2’de kullandığınız veri kümesinden de faydalanarak (sadece son kolon için) aşağıdaki tabloyu tamamlayınız (Teslim Tarihi 5 Mayıs).
    • Proje ilerleme Raporu 2: Projenizde farklı veri ön işleme yöntemleri kullanarak çıktıları karşılaştırınız, işlenmesi ve çözülmesi gereken önemli problemleri tanımlayarak hangi veri işleme yöntemleri ile çözdüğünüzü açıklayınız. (örneğin, eksik veri, gürültülü veya kirli ver, tarih veya zaman alanları, veri zenginleştirme, dengesiz veri vs.)
    • Ödev 3: Kümeleme Problemleri Uygulaması: Ekte bulunan bağlantıdan Customer Excel dosyasını indiriniz (bağlantı için tıklayınız) ardından Excel’de oluşturulan özet tabloyu (pivot) knime ile oluşturun (Exceldeki sheet3 sayfasında) ve kmeans algoritmasını kullanarak derste yaptığımız üç işlemin benzerlerini aşağıdaki şekilde gerçekleştirin (Teslim tarihi 12 Mayıs)
      • 1. müşteri segmentasyonunu oluşturun (mantıklı olan öznitelikleri kullanarak)
      • 2. Aylara ve bölgelere göre pivot tablosunu oluşturun
      • 3. indirim oranına göre müşteri segmentlerini çıkarın
      • 4. Bölgelere göre segmentasyon yaparak teklifler (offerinformation) ve işlemler (transaction) karşılaştırın
    • Dengesiz Veri Kümeleri ( Unbalanaced Data Set) ve çözümleri : Under-sampling, SMOTE (Knime dosyasını ve örnek veri kümesini indirmek için tıklayınız)
    • Okuma Konuları:
    • Müşteri Segmentasyonu Örneği (Customer Segmentation) ve Python Kodu ( Knime dosyalarını indirmek için tıklayınız , Veri Kümesini indirmek için tıklayınız)
  • Hafta 8 (28 Nisan): Kümeleme Algoritmaları Devam
    • Hatırlatma! : Proje İlerleme Raporu 2, Ödev 1 değerlendirme raporu ve Ödev 2 için son teslim gece yarısına kadardır.
    • Ödev 4: Bir önceki ödevde ( Ödev 3) elde ettiğiniz önizlemesi tamamlanmış veriyi, Hiyerarşik Bölütleme / Kümeleme ve K-Means ve K-Medoids yöntemlerine göre bölümleyin. En verimli bölüt sayısını (WCSS dirsek metodunu ve dendrogram metodunu kullanarak) bulun ve çıkan bölümleme sonuçlarını raporlayarak karşılaştırın. (Teslim tarihi 19 Mayıs)
    • Proje ilerleme Raporu 3: Projenize uygun veri madenciliği modellerini belirleyerek hangi yöntemleri neden seçtiğinizi açıklayınız. Ardından, yöntemleri deneyerek çıktıları karşılaştırınız. Kullandığınız yöntemlere uygun olarak değerlendirme (evaluation) metriklerini belirleyin, hangi metrikleri ve neden kullandığınızı açıklayın. Son adımda, yöntemleri iyileştirmek için gerekli parametre iyileştirmelerini yaparak hangi parametreleri neden ve nasıl iyileştirdiğinizi açıklayınız.
    • Bölütleme / Kümeleme Algoritmaları : K-Means, K-Medoids ve Hierarchical Clustering (HC) Yöntemlerinin karşılaştırılması. K-Means için WCSS kullanılarak en optimum bölüt sayısının bulunması ve HC için dendrogram kullanarak en optimum bölüt sayısının bulunması ve HC için farklı linkage yöntemleri (min, Max, group average, center, ward’s method) : aşağıdaki knime workflow’u indirmek için tıklayınız.
    • Yukarıda yapılan workflow adımları:
    • 1. Iris verisini yükleyin
      1.1. column filter ile sınıf bilgilerini atın
      2. K-Means ve K-Medoids için
      2.1. Kümeleme için en ideal K değerini bulun (entropy)
      2.2. K-means ve K-medoids ile kümeleme yapın
      3. Hierarchical Clustering(HC) için en ideal K değerini bulun
      (dendrogram kullanarak)
      4. HC ile kümeleme yapın
      5. K = 3 için 3 yöntemi de tekrar çalıştırın
      6. Orjinal Sınıf bilgileri ile K=3 için çıkan sonuçları karşılaştırın
      7. Başarısı en yüksek olan bölütleme yöntemini raporlayın.
    • Elde edilen sonuçlar:HC : 150 ‘de 24 hata
      KMeans : 17 hata
      KMedoids : 16 hata
  • İptal : Hafta 9 ( 5 Mayıs) : Bu hafta ders yapılmayacaktır.
    • Hatırlatma! : Ödev 2 Değerlendirme için ve Proje İlerleme Raporu 3 için son teslim tarihi gece yarısına kadardır.
    • Proje ilerleme Raporu 4: Projenizdeki bütün adımları 2. kere geçerek başarıda iyileştirmeye gitmeye çalışın, denemelerinizi ve ulaştığınız sonuçları raporlayın.
  • Hafta 10 ( 12 Mayıs): Metin Madenciliği (Text Mining)
    • Hatırlatma! : Ödev 3 ve Proje İlerleme Raporu 4 için son teslim tarihi gece yarısına kadardır.
    • Ödev 5: RSS Feed kullanarak bir gazetenin ekonomi, politika ve magazin haberlerini çekin (3 sınıf olması yeterli, bu sınıfları değiştirebilirsiniz). Ardından bu haberleri etiketlemeden kümeleme (clustering) algoritmaları ile 5 farklı kümeye bölün. Orijinal verinizdeki 3 sınıfın hangi kümeye, ne oranda dağıldığını bulun.  (Teslim tarihi 26 Mayıs)
    • Proje ilerleme Raporu 5: Projenizdeki bütün adımları 3. kere geçerek başarıda iyileştirmeye gitmeye çalışın, denemelerinizi ve ulaştığınız sonuçları raporlayın.
    • Derste kullanacağımız örnek metin dosyası için tıklayınız. 
    • RSS Workflow örneği (Eklentilerden : Palladian ve Text Processing Kurulu olması gerekir)
    • Metin Etiketleme (tagging) ve etiket bulutu (tag cloud): Knime Workflow indirmek için tıklayın.
    • Metin Sınıflandırma (Text Classification): Knime Workflow indirmek için tıklayın.

 

  • Tatil: Hafta 11 ( 19 Mayıs) : Pekiştirmeli Öğrenme Tekrar ve Karmaşık Olay İşleme (Complex Event Processing)
    • Hatırlatma! :  Proje İlerleme Raporu 5 için son teslim tarihi gece yarısına kadardır.  Proje dosyalarının teslimi için son tarih 25 Mayıs gece yarısına kadardır. Ödev 4 için son teslim tarihi gece yarısına kadardır.
    • Proje Nihayi Raporu ve Sunum: Şimdiye kadar olan proje adımlarını birleştirerek tek bir rapor haline getirin ve sunumunuzu hazırlayarak yollayın (Son Teslim Tarihi 25 Mayıs gece yarısıdır).
  • Hafta 12 ( 26 Mayıs) : Proje Sunumları, Saat 9:00’da başlayacaktır ve 9’da yoklama alınacaktır
    • Hatırlatma!: Proje dosyalarının teslimi için son tarih 25 Mayıs gece yarısına kadardır. Ödev 5 için son teslim tarihi gece yarısına kadardır.

Notlar 

Notlarınız teslimlere göre buradan duyurulmaktadır. Ders kapsamında geç gönderme ile ilgili bir uygulama bulunmadığı için (istisna olarak proje ile ilgili durum yukarıda belirtilmiştir) lütfen vaktinde ödev ve projelerinizi teslim edin, aksi halde değerlendirmeye alınmayacaktır.

Kişisel bilgilerin korunması gereği, isim yerine okul numaralarınız ile notlarınız duyurulmaktadır.

Öğrencinin numarası Ödev 1 Açıklama Ödev 1 Değerlendirme Ödev 2 Açıklama Ödev 2 değerlendirme
317290717 100 0 0
317290718 100 80 100
317290749 100 0 0
317291226 0 0 0
317340543 70 rapor yok 0 100
317341572 0 0 0
317350880 0 0 0
317401766 0 0 0
317401777 0 0 0
317410550 0 0 30 Proje dosyası yok, sadece rapor gelmiş
317411502 0 0 0
317411574 80 rapor eksik 0 0
317412563 70 rapor yok 0 100
317420715 0 0 0
317422050 100 0 0
317792235 0 0 0
317960719 0 0 0
317961796 100 100 70 rapor yok
317963707 100 0 70 rapor yok 100

 

 

Business Data Analytics

İstanbul City University

Course Name: Business Data Analytics

Course Code: MBA 556

Language of Course: English

Credit: 3

Course Coordinator / Instructor: Şadi Evren ŞEKER

Contact: businessDA@sadievrenseker.com

Schedule: Thursday 19.00 – 22.00

Course Description:  This course is an introduction level course to data analsis, specialized on business processes and real life cases.

This course will uncover you of the information analytics hones executed in the business globe. We will investigate such magic ranges Concerning illustration the explanatory process, how information will be created, stored, accessed, what’s more entryway the association meets expectations with information and makes nature’s turf in which analytics could prosper. The thing that you take in this span will provide for you An solid framework On the whole those territories that backing analytics What’s more will assistance you on preferred position yourself to victory inside your association. You’ll create abilities What’s more An viewpoint that will settle on you All the more profitable speedier Also permit you should turned a profitable advantage should your association. This span additionally gives a support for setting off deeper under propelled investigative Furthermore computational methods, which you bring a chance to investigate On future courses of the information Analytics for benefits of the business specialization.

This course is outlined with have wide bid over Numerous sorts from claiming learners. Anybody who is looking should get an Comprehension about how benefits of the business analytics is really performed for genuine associations will profit. This course will be essential pointed toward experts who have a bachelor’s degree or A percentage introduction of the benefits of the business reality. The individuals for specialized foul degrees or a greater amount propelled business degrees like a mba will discover certain ranges simpler will absorb, What’s more might get most extreme esteem from those span. However, Indeed undergraduates to non-technical fields or propelled high-school people seeking after internships will have the capacity on take after mossycup oak ideas Also get quality from the span. Finally, Significantly experts who bring required profound encounters over systems will inclined discover esteem in this course.

Course Objective: 

1.     Understanding of real life cases about data

2.     Understanding of real life data related problems

3.     Understanding of data analysis methodologies

4.     Understanding of some basic data operations like: preprocessing, transformation or manipulation

5.     Understanding of new technologies like bigdata, nosql, cloud computing

6.     Ability to use some trending software in the industry

7.     Introduction to data related problems and their applications

Method:

List of course software:

·       Excel,

·       KNIME,

·       RapidMiner

·       MS-SQL, SSAS, SSIS

·       Oracle Database, ODI, BI

·       Apache Cassandra

This course is following hands on experience in all the steps. So attendance with laptop computers is necessary. Also the software list above, will be provided during the course and the list is subject to updates.

Grading

 

Reading, Attendence and Discussions: 30%

Homeworks: 30%

Project: 40%

Course Content:

Week 1: Introduction to Data, Problems and Real World Examples:

Some useful information:

DIKW Pyramid: DIKW pyramid – Wikipedia

CRISP-DM: Cross-industry standard process for data mining – Wikipedia

Slides from first week:week1

Week 2: Introduction to Descriptive Analytics

Splitting data into sets : Training, Test and Validation Sets

First Problem Type: Classification

Slides from second week: week 2

Homework #1 (Due Date: Nov. 23, 2017) : Download the data set of customers (click to download). In the data set you can see, each record is holding the salary and age of the customer and their action in the store (buy: they buy a product, notbuy: they don’t buy any product). Create your own Rapid Miner data flow and decide if the below customers buy or not:

Salary Age
1000 21
2300 22
4300 25

Write a brief explanation for your submission (which algorithm did you use, what are the results you have achieved and how)

Analytical Problems and Analysis
Business Model, conceptualization and frameworks
Information – Action Value Chain
Data Capturing and data sources: Thinking in Data
Analytical Technologies: Data Storage
Analytical Technologies: Big Data, Cloud and Evolution of Web
Analytical Technologies: Relational Databases
Analytical Technologies: Virtualization, In Memory and NoSQL
Analytical Technologies: Introduction to SQL: Simple Queries
Analytical Technologies: SQL – 2: Multiple Tables, Sub Queries
Data Mining and Data Science Basics 1: Classification Problems
Data Mining and Data Science Basics 2: Regression and Prediction
Understanding Error
Business Intelligence Tools and Applications

 

Python 2017 – 2018

T. C. İstanbul Şehir Üniversitesi

İş Analitiği Yüksek Lisans Dersi

Ders izlencesi ve ders ile ilgili faydalı içerik

Dersin Adı: Veri Odaklı Programlama, Python ile

Dersin Kodu: IAN 502

Dönemi: Güz 2017

Kredisi : 3

Öğretim Üyesi: Doç. Dr. Şadi Evren ŞEKER

İletişim: python2017@sadievrenseker.com

Ders İçeriği:
Veri odaklı programlama dersinin 3 farklı seviyeden öğrencilere hitap etmesi beklenmektedir. Henüz programlama ile yeni tanışan kişiler, programlama hakkında bilgisi olan ama çok fazla tecrübesi ve uzmanlığı olmayan kişiler ve progralama konusunda tecrübeli ve uzman ancak veri odaklı progralmama konusuna yeni olan katılımcılar.

Dersin amacı, programlama bilgisi olmayan kişilerin programlama dilleri ile ilk kez karşılaşacağı ve kodlamanın temellerini öğreneceği ve sonrasında veri odaklı program yazabileceği geçişi sağlamaktır.

Programlama geçmişi olan kişilere ise daha çok veri temelli program yazabilecekleri, veri analizinde karşılaşacakları problemlere karşılık gelen uçtan uca problem çözümlerini geliştirebilecekleri programlama yeteneklerini öğretmektir.

Ders kapsamında Python programlama dili öğretilecek olup, dilin temellerinin yanında veri analizine yönelik olarak, python dili içerisinde bulunan bazı kütüphaneler aşağıdaki şekildedir:

  • ·      NumPy
  • ·      SciPy
  • ·      Pandas
  • ·      Matplotlib
  • ·      Scikit-learn

Ayrıca güncel konulara da yer verilecek ve örneğin derin öğrenme gibi konular için de tensor flow benzeri kütüphanelere giriş yapılacaktır.

Dersin amacı, katılımcıları, veri bilimi, veri analitiği ve iş analitiği dünyasında kullanılan temel teknolojileri, algoritmaları ve görselleştirme / analiz araçlarını temel düzeyde kullanacak seviyeye getirmektir.

Kaynak Kitaplar

  • Python for Data Analysis, 2nd Edition Data Wrangling with Pandas, NumPy, and IPython,  William McKinney, 2017
  • Learning scikit-learn: Machine Learning in Python Paperback – November 25, 2013, Raúl Garreta, Guillermo Moncecchi
  • Building Machine Learning Systems with Python , Willi Richert, Luis Pedro Coelho , 2013

Ders boyunca öğrencilere okumaları gereken bazı ufak vaka çalışmaları ile makaleler verilecektir.

 

Derse Katılım:

Ders boyunca öğrencilere okumaları gereken bazı ufak vaka çalışmaları ile makaleler verilecektir.

Derse Katılım:
Ders 3 modülden oluşmaktadır.
1. Programlamaya giriş (hiç bilmeyenler için)
2. Makine öğrenmesi ve veri analitiğine giriş
3. İleri veri analitiği yöntemleri
Katılımcılar, farklı bilgi düzeylerinden geldikleri için ilk modüle katılım zorunlu olmamakla birlikte verilen bütün ödev ve projelerin yapılması zorunludur. Sadece 3 hafta sürecek, ilk modül için benimle görüşerek öncesinde izin alabilir ve ödev/projeleri yaparak ilk modülden muaf sayılabilirler. Bunun dışında, derse katılım zorunlu olup, özel durumlar için önceden haberleşilerek izin alınabilir. Dersleri kaçırma veya tekrar çalışma ihtimallerine karşı, ders boyunca dijital içerik oluşturularak öğrencilerle azami seviyede paylaşılmaya çalışılacaktır.
Derste yapılacaklar:
• Yapısal programlamaya (structural programming) giriş : temel programlama teknikleri, değişken, döngü, koşullar ve fonksiyon gibi temel kavramlara giriş ve uygulamaları
• Veri yapılarına giriş (Data structures): temel veri yapılarının çalışma mantığı ve kullanım alanları, diziler, listeler, yığın (stack), sıra (queue), ağaçlar (trees) , haritalar (maps), v.b. kavramlar.
• Nesne Yönelimli programlamaya giriş (object oriented programming) : Nesne, kalıtım (inheritance), kapsülleme (encapsulation), çok şekillilik (polymorphism) v.b. kavramlar.
• Veri analizine giriş ve veri kümelerinin yönetilmesi / yüklenmesi
• NumPy temelleri ve temel dizi analizi, vektörize hesaplamalar, dosya işlemleri ve doğrusal cebir (linear algebra), rasgele sayı (random number) üretimi
• Tanımlayıcı istatistiğe giriş (descriptive statistics), Pandas kütüphanesi ve veri yapıları
• Dosya yükleme (Loading) , saklama (Storage) ve dosya formatları
• Veri ön işleme ve ver sarmallama (wrangling): veri kümelerinin birleştirilmesi ve eklenmesi, yeniden şekillendirme (reshaping) ve döndürme (pivoting), veri dönüşümü (data Transformation), ve dizgi işlemleri (string manipulations)
• Tahminci istatistiğe giriş (predictive statistics), scikit-learn kütüphanesi ve temel sınıflandırma, kümeleme ve regrezisyon analizi yöntemlerinin kullanılması
• Çizim ve görselleştirme (plotting and visualization): matplotlib kütüphanesine giriş, pandas ile fonksiyonların görselleştirilmesi, diğer alternatif görselleştirme araçlarına giriş
• Grup operasyonları ile veri birleştirme (data aggregation): GrouBy çalışması, veri birleştirme (aggregation), grup boyunca operasyonlar ve dönüşümler (transformations), pivot tablolar ve çapraz tablolama.
• Zaman Serileri: Tarih ve zaman veri tipleri, zaman serilerine giriş, veri aralıkları (Ranges), frekans ve kayma (shift) kavramları, Priyotlar ve periyodik aritmetik, hareketli pencere fonksiyonları (moving window functions).
• Güncel ve gelişmekte olan veri analizi yöntemlerinin python ile kullanılması: ileri makine öğrenmesi kütüphaneleri, derin öğrenme kütüphaneleri.
Vaka Çalışmaları:
Ders kapsamında, uygulama eğitim yolu izlenecektir ve çok sayıda vaka üzerinde veri analizi python dili kullanılarak yapılacaktır. Ders kapsamında verilen örnek veri kümeleri üzerinde katılımcıları gerçek hayat projelerini uygulamaları beklenmektedir.

Ödevler:
Ders kapsamında, 13 farklı ödev verilmesi planlanmaktadır. Bu ödevlerin süresi bir hafta ile iki hafta arasında değişmekle birlikte genelde her hafta yeni bir ödev verilecektir. Ödevler grup halinde yapılacaktır ve her ödev için yeni bir grup kurulacak bu sayede grup çalışması teşvik edilecektir.

Ders içi uygulamalar:
Derste anlatılan konular, katılımcılar ile birlikte birebir örnek veriler üzerinde uygulanacaktır. Bu yüzden katılımcılaırn bilgisayarlarını getirmeleri ve ilk derste anlatılan python yazılımını kurmaları gerekmektedir, ayrıca her ders için gereken ilave kütüphaneler bir önceki derste veya ilgili derste anlatılacaktır.

Ders Web Sitesi
Ders içerikleri ve bu ders izlencesi, www.sadievrenseker.com/python2017 adresinden takip edilebilir. Verilen ödevler, projeler ve gerekli yazılım için bağlantılar sayfada güncel olarak yer alacaktır.

Takım Çalışması ve Takım Üyesi Değerlendirmesi
Öğrenciler kendi takımlarının her bir üyesini projedeki performansına göre değerlendireceklerdir. Her bir öğrenci 100 puanı kendisi de dahil olacak şekilde takım arkadaşlarına dağıtacaktır. Bu dağıtım öğrencinin her bir takım üyesinin projeye katkısını yansıtacak şekilde yapılacaktır. Puanlama, takım üyesinin projeye harcadığı zamanı değil, projeye olan katkısını ölçecek şekilde yapılmalıdır. Katkıdan kasıt, fikir geliştirme, araştırma, analiz, yazı yazma, sözlü sunum, rapor yazma vb.’dir. Eğer takım çalışması iyi ise o zaman öğrenciler aynı puanı diğer takım üyelerine verebilirler. Ancak bazı takım üyeleri kendi yapmaları gerekeni yerine getirmediyse bu durumda puanlar eşit olmayan bir şekilde dağıtılacaktır.

Tüm takım üyeleri tarafından verilen puanlar ders hocası tarafından kümülatif hale getirilecektir. Her bir öğrenci kendi takım arkadaşlarının ve kendisinin verdiği puana göre bir takım çalışması katkı puanı alacak, ama bu puanın nasıl oluştuğu (kimin kime kaç puan verdiği bilgisi) öğrenciler ile paylaşılmayacaktır).

Takım üyeleri arasında bir konsensüs oluşmadığı zamanlarda; örneğin üç öğrencinin puanları eşit dağıtması ve bir öğrencinin farklı puanlama yapması gibi bir durumda, hoca kendi muhakemesini kullanarak takım katkı puanı hesaplayacaktır. Bu hesaplama esnasında takım üyeleri ile görüşmesi gerekebilir.

Eğer birbiri ile çelişen puanlamalar söz konusu ise hoca büyük ihtimalle takım üyeleri ile mülakat yapacak ve ona göre puanlama yapacaktır.

Geçmiş tecrübeler çoğu takımın puanlarını eşit olarak dağıttıkları şeklindedir. Takım çalışmasının proje notunu etkilediği durumlar azınlıkta bulunmaktadır. Bu puanlamanın amacı takımlarına destek olmayan takım üyelerinin hak etmedikleri puanı almanın önüne geçmektir. Aynı zamanda, bazı öğrencilerin payından çok daha fazlasını yapmaları durumunda öğrencinin puanının daha da yukarıya taşımak mümkün olacaktır.

Takım değerlendirmesinin puanlaması sizin proje puanınıza direkt etki edecektir. Örneğin, takım puanı 30 üzerinden 25 ise ve sizin takım üyesi puanlamanıza göre ortalamanın altında bir katkıda bulunduğunuz gözüküyorsa, sizin proje puanınız 25’ten küçük olacaktır. Bu düşürümün miktarı ile ilgili kolay bir kural yoktur.
Derste ulaşılması hedeflenenler:

  1. İlk kez programlamaya girecek katılımcılara programlamanın temellerini öğrenebileceği bir ortam sağlamak.
  2. Temel veri yapılarına giriş yapmak
  3. Nesne yönelimli programlamaya giriş yapmak
  4. Python ve kütüphanelerini kullanarak tanımlayıcı (descriptive) ve tahminci (predictive) veri analizi yöntemleri geliştirebilmek
  5. Python ve kütüphanelerini kullanarak görselleştirme projelerini yapabilmek
  6. Python ve kütüphanelerini kullanarak uçtan uca, veri yükleme, veri ön işleme, veri dönüşümü, veri modellemesi ve veri görselleştirmesi işlemlerini yapabiliyor olmak.

Ders İzlencesi:

  • Hafta 1: Derse giriş, yazılımların tanıtılması, ders izlencesi ve tanışma: temel programlama teknikleri, değişken, döngülere giriş
  • Hafta 2: Yapısal programlamaya (structural programming) giriş :  koşullar (if, else, elif:) for döngüleri, range fonksiyonu, ve fonksiyon kavramına ( def f(x): ) giriş ve uygulamaları
    • Derste Yazılan Örnek Kodlar:
    • ile ilgili yazılan 2. hafta kodları (indirmek için buraya tıklayın >>> listeler_fonksiyonlar_donguler  ):
      • if, else ve elif kullanımı ve koşullar : untitled.py
      • If kavramı, kullanıcıdan sayı okumak ve int değerine dönüştürmek. Verilen bir 100’lük notun harf notuna dönüşümü örneği: ikinci.py
      • Döngü kavramı ve while, for döngüleri: ucuncu.py
      • range ve liste kavramları ve for döngüsünü kullanarak ortalama, toplam hesaplama: dort.py
      • Kullanıcıdan -1 girilene kadar sayı alan ve bu sayıların toplamını döndüren kod (break ve continue kavramları): bes.py
      • Fibonacci serisini hesaplayan fonksiyon: alti.py
      • Faktöriyel ve Kombinasyon hesaplayan fonksiyonlar: yedi.py
      • değişken ve liste çağrılması ve fonksiyon içerisinde yapılan değişiklerin çağrılan yere etkisi (kopyalayarak çağırma ve referans ile çağırma (call by value, call by reference) kavarmları: sekiz.py
      • bir liste alarak listedeki sayilarin toplamini döndüren fonksiyon : dokuz.py
      • Parametre sayısı belirsiz parametreyi alıp işleyen fonksiyon ( *l ) : on.py

  • Hafta 3: Veri yapılarına giriş (Data structures): temel veri yapılarının çalışma mantığı ve kullanım alanları, diziler, listeler, yığın (stack), sıra (queue), ağaçlar (trees) , haritalar (maps), v.b. kavramlar.

UDEMY : Uçtan Uca Veri Bilimi (Knime ile)

  • Hafta 10: SCI-KIT Learn Kütüphanesine giriş ve makine öğrenme algoritmaları (Rapid Miner, Knime ve Python kütüphanelerinin karşılaştırmalı çalıştırılması)
    • Yazılan Örnek kodlar (cinsiyet excel dosyasından makine öğrenmesi ve sınıflandırma örnekleri), aşağıdaki algoritmalar için çalışmaktadır.
    • Örnek Kod 1: Cinsiyet 
    • Örnek Kod 2: Emlak
    • Ödev 6:
      • Görev 1: Titanic veri kümesini yükleyerek derste üzerinden geçilen algoritmalardan en az birisi ile hayatta kalan veya kalmayanları tahmin etmeye (sınıflandırmaya) çalışın.
      • Görev 2: Derste işlenen bütün algoritmaları deneyin ve hangisinin en başarılı olduğunu yorumlayın (bir iki satır yazarak anlatın).
      • Görev 3: Bu işlemler sırasında bütün verileri (sayısal veya nominal) kullanın (herhangi bir kolonu dışarıda bırakmayın, eksik veya kirli veri varsa önizlemeye tabi tutun, kullandığınız algoritma, veri tipi ile uyumlu değilse veriyi uyumlu hale dönüştürün).
  • Hafta 11 ve Sonrasını içeren kodlar: indirmek için tıklayınız:
    • SCI-Kit Learn ile a priori algorithması ve birliktelik kural çıkarımı
    • Bölütleme-Kümeleme örnekleri ve kodları (clustering)
      • Hata ölçüm yöntemleri : Root Mean Square Error (RMSE), R2 Score , RAE, MAE
      • K-Means Algoritması ve Kodlaması
    • k-Fold Cross Validation ve Leave One Out yöntemleri
    • Linear Modeller ve Linear Regression, Polynomial Regression

  • Hafta 14: Pythonun farklı kullanım alanları, web ve diğer ortamlarda Python kullanımı ve kütüphaneleri:

Duyurular:

Ders ile ilgili duyurular burada yer alacaktır…

CSC 290 : Introduction to Artificial Intelligence, Smith College, Department of Computer Science, Spring 2017

CSC290: Introduction to Artificial Intelligence

Classes: Monday – Wednesday 2.40 – 4.00 pm

Location: Ford Hall 342

Instructor: Dr. Şadi Evren ŞEKER (Office: Ford Hall 252)

Office Hours

  • Tuesday, 13.00 – 15.00
  • Other times by appointment/as available
  • Lunch meetings available by request for small groups

E-Mail: ai@sadievrenseker.com

Web Site: http://sadievrenseker.com/wp/?p=1172

Course Content:

  • History and Philosophy of the Artificial Intelligence (AI)
  • Classical AI approaches like search problems, machine learning, constraint satisfaction, graphical models, logic etc.
  • Learning how to model a complex real-world problem by the classical AI approach

Objectives:

  • Introduction to Artificial Intelligence Problems
  • Programming with a mathematical notation language (like a lisp variant, scheme)
  • Writing a real world application with an AI module (like a game)
  • Introducing sub-AI topics like neural computing, uncertainity and bayesian networks, concept of learning (supervised / unsupervised) etc.

Texts:

  • S. Russell and P. Norvig Artificial Intelligence: A Modern Approach Prentice Hall
  • —A must check : http://aima.cs.berkeley.edu
  • Some parts of the course is related to Machine Learning, Data Science, Data Mining, Pattern Recognition, Natural Language Processing, Statistics, Logic, Artificial Neural Networks and Fuzzy Logic, so you can read any [text] books about the topics.

—Grading: Programming assignment / Homeworks (30%), —Midterm Exam (20%), Final Exam (50%)

—Midterm and Final Exams (take home for 24 hours)

Course Outline:

  • —Introduction and Agents (chapters 1,2)
  • —Search (chapters 3,4,5,6)
  • —Logic (chapters 7,8,9)
  • —Planning (chapters 11,12)
  • —Uncertainty (chapters 13,14)
  • —Learning (chapters 18,20)
  • —Natural Language Processing (chapter 22,23)

Schedule and Contents (Very Very Very Tentative):

  • Class 1, Jan 30 : Introduction : Course Demonstration Slides, Introduction Slides
  • Class 2, Feb 1: Agents
  • Class 3, Feb 6:  Search
  • Class 4, Feb 8: Introduction to Scheme 1, Search Homework 1 (Due Date: TBA)
  • Class 5, Feb 13: Heuristic Search
  • Class 6, Feb 15:  Scheme Practice 2, Heuristic Homework 2  (Due Date: TBA)
  • Class 7, Feb 20: Constraint Satisfaction Problems
  • Class 8, Feb 22: Scheme Practice 3, CSP Homework 3  (Due Date: TBA)
  • Class 9, Feb 27: Game Playing
  • Class 10, Mar 1: Scheme Practice 4, Game Homework 4  (Due Date: TBA)
  • Class 11, Mar 6: Midterm
  • Class 12, Mar 8: Midterm Solutions
  • Mar 13, 15: No Classes , Spring Recess
  • Class 10, Mar 20:  Logic
  • Class 11, Mar 22: First Order Logic
  • Class 12, Mar 27: Inference in First Order Logic
  • Class 13, Mar 29: Scheme Practice 5, Logic Homework 5  (Due Date: TBA)
  • Class 14, Apr 3: Uncertainity and Fuzzy Logic
  • Class 15, Apr 5: Machine Learning and Problems
  • Class 16, Apr 10: Supervised / Unsupervised Learning and Classification / Clustering Problems, k-nn and k-means
  • Class 17, Apr 12: Naive Bayes, Decision Trees, Rule Based Learning, Error Calculation
  • Class 18, Apr 17: Scheme Practice 6, ML Homework 6  (Due Date: TBA)
  • Class 19, Apr 19: Prediction, Regression and Association Rule Mining
  • Class 20, Apr 24: Artificial Neural Networks
  • Class 21, Apr 26: Natural Language Processing
  • Class 22, May 1: Final Exam
  • Class 23, May 3: Final Exam Solutions

Collaboration Policy: You may freely use internet resources and your course notes in completing assignments and quizzes for this course. You may not consult any person other than the professor when completing quizzes or exams. (Clarifying questions should be directed to the professor.) On assignments you may collaborate with others in the course, so long as you personally prepare the materials submitted under your name, and they accurately reflect your understanding of the topic. Any collaborations should be indicated by a note submitted with the assignment.

Announcements

Please fill the knowledge card attached here, and send it back via email.

CSC102- 01: HOW THE INTERNET WORKS, Smith College, Department of Computer Science, Spring 2017

CSC102- 01: HOW THE INTERNET WORKS 

Classes: Tuesday- Thursday 10.30 – 11.50

Location: Ford Hall 342

Instructor: Dr. Şadi Evren ŞEKER (Office: Ford Hall 252)

Office Hours

  • Tuesday, 13.00 – 15.00
  • Other times by appointment/as available
  • Lunch meetings available by request for small groups

E-Mail: htiw@sadievrenseker.com

Web Site: http://sadievrenseker.com/wp/?page_id=631

Introduction: The Internet has transformed society, opening up communication channels never dreamed of by previous generations. This course introduces students to the structure, design, and operation of the Internet, beginning with the electronic and physical construction of networks and basic network protocols. It addresses personal safety online, how email and Web browsers work, and the design of simple Web pages. Along the way it explores the historical and societal implications of this new medium.

Texts:

Optional / also recommended (on reserve in Young library):

  • How The Internet Works, by Preston Gralla: Contains detailed labeled diagrams of many internet-related topics.
  • Basics of Web Design by Terry Felke-Morris: Contains detailed information on web page design and specific aspects of HTML, aimed at beginners. The more advanced portions of this book will also be useful if you take CSC 105.
  • Web 101, by Wendy Lehnert and Richard Kopec, which was used for this course in previous semesters.

In addition to the texts above, Wikipedia usually contains accurate information focused on specific topics relating to the Internet.

Tentative Course Outline

Class Topic Readings
I2N LWD P&IS HtIW BoWD W101
[PPT] Jan 26: Physics of Networks: SignalsFiber optics Ch. 1-3 ~ ~ Ch.1-2 ~ 1.1-1.4
2

[PPT1]

[PPT2]

Jan 31: History of InternetLANIP Ch. 4-5 ~ ~ Ch 3-4 ~ 1.5-1.6
3

[PPT]

Feb 2: Communications Protocols:  TCPDNS Ch. 6 ~ ~ Ch. 5-6 ~ ~
4

[PPT]

Feb 7: WWW Intro; HTTPURL Ch. 7 Ch. 1-2 ~ Ch. 17-18 Ch. 1 & 4 1.7-1.8
5

[PPT]

Feb 9: HTMLintroduction ~ 4-6 ~ Ch. 19-20 Ch. 2-3 9.1-9.3
[PPT] Feb 14: HTML: tablesrelative URL, etc. ~ 7-8 ~ Ch. 21 Ch. 9 10.1-10.2
[PPT] Feb 16: Color & ImagesForms ~ Ch. 9, 21 ~ Ch. 22 Ch. 6 & 10 9.6, 10.5
[PPT] Feb 21: Style rules; Multimedia ~ 10-13 ~ ~ Ch. 5 & 7 & 11 10.3-10.4
[PPT] Feb 23: EmailSMTPspam ~ ~ Ch. 13 Ch. 11-12 ~ 3.1-3.6
10 [PPT] Feb 28: Personal Safety: cookiesphishing, etc. ~ ~ Ch. 4 & 6 Ch. 44-49 ~ 2.1-2.16
11

[PPT]

Mar 2: Web searchingPage rank ~ ~ Ch. 5 & 8 Ch. 27-28 ~ 5.3-5.4
12

[PPT]

Mar 7: Cryptography;  Security; ~ ~ ~
13

 

Mar 9: Review or Final presentations Final projects/exams due

I2N = Introduction to Networking: How the Internet Works
LWD = Learning Web Design: A Beginner’s Guide to HTML, CSS, JavaScript, and Web Graphics
P&IS = How Personal & Internet Security Work
WtIW = How the Internet Works
BoWD = Basics of Web Design
W101 = Web 101

Grading

Assignment Weight
Homework sets 50%
Project 50%

Collaboration Policy: You may freely use internet resources and your course notes in completing assignments and quizzes for this course. You may not consult any person other than the professor when completing quizzes or exams. (Clarifying questions should be directed to the professor.) On assignments you may collaborate with others in the course, so long as you personally prepare the materials submitted under your name, and they accurately reflect your understanding of the topic. Any collaborations should be indicated by a note submitted with the assignment.

Announcements

Please fill the knowledge card attached here, and send it back via email.

 

Opportunity Assessment Plan Guide

Questionaries:

A.An opportunity assessment plan is NOT a business plan. Compared to a business plan, it should:

  1. Be shorter
  2. Focus on the opportunity, not the venture
  3. Have no computer-based spreadsheet
  4. Be the basis to make the decision on whether to act on an opportunity or wait until another, better opportunity comes along

B.It should include:

1.A description of the product or service

a.What is the market need for the product or service?

b.What are the specific aspects of the product or service (include any copyright, patent or trademark information)?

c.What competitive products are available filling this need?

What are the competitive companies in this product market space? Describe their competitive behavior

e.What are the strengths and weaknesses of each of your competitors?

f.What are the unique selling propositions of this product or service?

g.What is the mission of the new venture?

h.What development work has been completed to date?

i.What patents might be available to fulfill this need?

2.An assessment of the opportunity:

a.What market need does it fill?

b.What is the size and past trends of this market?

c.What is the future growth and characteristics of this market?

d.What social condition underlines this market need?

e.What market research data can be marshaled to describe this market need?

f.What does the international market look like?

g.What does international competition look like?

h.What are total industry sales over the past five years?

i.What is anticipated growth in this industry?

j.How many new firms have entered this industry in the past three years?

k.What new products have been recently introduced in this industry?

l.What is the profile of your customers?

m.Where is the money to be made in this activity? (The activity that interests you most may be just off center from where the money to be made from this opportunity will be located.)

3.Entrepreneurial self-assessment and the entrepreneurial team:

a.Why does this opportunity excite you?

b.What are your reasons for going into business?

c.Why will this opportunity sustain you once the initial excitement subsides?

d.How does it fit into your background and experience?

e.What experience do you have and/or will you need to successfully implement the business plan?

f.Why will you be successful in this venture?

4.What needs to be done to translate this opportunity into a viable venture?

a.Examine each critical step.

b.Then think about the sequence of activity and put these critical steps into some expected sequential order.

c.How much time and how much money will each step require?

d.If you cannot self-finance, where would you get the needed capital?

 

 

MGT 436 Entrepreneurship, Istanbul Sehir University, Department of Business, Spring 2016

İstanbul Şehir University

MGT 436- Entrepreneurship

Course Title Code Semester Hour (T+P) Credit ECTS
Entrepreneurship MGT 436 Spring 2016      3    3 5
Prerequisites MGT100
Language of Instruction English
Course Type (Required/ Elective) Elective
Course Content In today’s economies, entrepreneurship is the engine of economic growth and prosperity. It is important for you to understand the underlying principles and concepts about entrepreneurship and the entrepreneurial process. This course covers the personal characteristics and qualities of the entrepreneur, innovation, creativity, opportunity assessment, and the role of entrepreneurship in developed and developing economies. Aspects of the family business, an important part of every economy, are also covered to provide an understanding of their role in a developed or emerging economy.

One of the key issues in successfully starting and growing a venture, particularly if outside capital is needed, is to create a global business plan. The development of a business plan and all of its components with particular focus on the marketing plan, financial plan, production plan, and organizational plan are presented. The various organizational structures available are discussed in terms of their applicability as well as important legal issues. The sources of capital and how to obtain them, starting, managing and growing a new venture, new venture valuation, and building a lasting venture are also discussed. Each person is to develop an opportunity assessment plan and a business plan. The business plan will be presented to venture capitalists and other investors for funding possibilities. Lectures, discussions, cases, and a few guest speakers will make this class a robust, valuable learning experience.

The primary goal of this course is to provide an understanding of entrepreneurship and the global business plan. This course will broaden a basic understanding obtained in the functional areas as they apply to new venture creation and growth, the business plan, and obtaining funding.

Learning Outcomes 1.     Integrate functional area material as it applies to starting a new venture and its growth.

2.     Develop an understanding of the role and activities of entrepreneurship in a global setting.

3.     Provide an opportunity to evaluate your own entrepreneurial tendencies and ability to create a global business plan.

4.     Understand all aspects of developing and submitting a business plan.

5.     Understand the various capital sources and the process of obtaining outside funding.

Teaching Method(s) The following teaching methods are used in this course: lectures, presentations, questions and answers, in-class discussions. Students are expected to read the assigned material before coming to the class. Students should also follow the instructor’s lectures by taking notes in class and contribute to in-class discussions. Students are waited to prepare a business plan and present it for potential investors.
Assessment Criteria Assessment Component Weight in Assessment (%)
Submissions 20
Presentations 40
Project 40
Total 100 %

 

WEEKLY PLAN

Weeks Material
1 Entrepreneurship and Entrepreneurial Mindset
2 Corporate Entrepreneurship
3 Entrepreneurial Strategy: Generating and Exploiting New Entries
4 Creativity and Business Idea
5 Identifying and Analyzing Domestic and International Opportunities
6 Protecting the Idea and Other Legal Issues
7 Apr. 6 2016, Business Plan
8 Apr. 13 2016, Marketing Plan
9 Apr, 20 2016, Organizational Plan  (Deadline for submission of project proposals)
10 Apr, 27 2016, Financial Plan
11 May, 4 2016, Sources of Capital (Deadline for submission of project reports)
12 Business Plan Presentations to Sources of Funding
13 Business Plan Presentations to Sources of Funding
14 Business Plan Presentations to Sources of Funding
TEXTBOOK
Required Textbook Hisrich, Robert D., Peters, Michael P. and Shepherd, Dean A., Entrepreneurship, 9th Edition (Chicago: McGraw-Hill/Irwin), 2013.

 

Required Submissions (Each of the Submissions has 2 weeks (14 days) deadline)

  • Mar. 23, 2016, Methods of creating new ideas. Demonstrate your understanding of methods : Brain Writing, Gordon Method, Delphi Method, Checklist Method (SCAMPER), Free Association, Forced Relationship, Collective Notebook Method, Attribute Listing, Big Dream Approach. Submission due to Mar 30, 2016.
  • Mar. 30, 2016, Identifying and Analysing Domestic and International Opportunities, Prepare an opportunity assessment plan, evaluate current micro and macro environment of your proposal, select a foreign market and prepare two opportunity assessment plans (one for Turkey and one for your selected foreign country). Answer the questionaries attached here.
  • Apr. 6, 2016, Prepare your business plan. Please remember that, there is no one size fits all formula for the business plans, but the provided check list can guide you and can be reach the checklist file from here.
  • Apr. 13, 2016, Prepare a marketing plan. Again the marketing plan can be in a very flexible format and again I am attaching a sample template with 15 Sections and you can reach the attachment from here.
  • Apr. 20, 2016, Prepare an organisational plan. Select one of three organisational structures and include all the attributes in the attached file. 
  • Apr. 27, 2016, Prepare a financial plan. You can download the template file and prepare a fictive company financial plan and the attached file can be reached from here. 

Submissions and Presentation Weeks

Student Number Team No. Submissions 1 – 10 Presentation Week (1 = May 11, 2= May 18)
210112807 1 1
212071570 8 + + 5 1 1
212111092 8 + + 5 1 1
210101291 5 + 1
210103504 1
212071179 10 5 5 + 5 1
715030036 4 3 + 3 1 1 1 1
715032192 4 5 + + 3 1 1 1
715031048 4 5 5 + 3 1 1 1 1 1
213013404 4 5 1 1 1
211641950 13 3 1 1
210111434 13 + 5 + 2 1 1 1 1
210112164 13 + + 1
210111125 13 3 5 + 1 1 1 1
212061635 9 5 + + 2 1
210121661 9 5 5 + 1
211591087 1 1
210111272 14 + + + 1
211592623 14 + + 2 1 1
210102349 14 1
212112031 14 3 5 + 2 1 1
211601595 15 + + 1 1 2
211601371 15 + + 1 2
211630986 7 5 + + 4 1 1 1 1 2
211702295 7 + + 4 1 2
212332205 7 + + 4 1 1 2
211592465 6 + 5 + 2
211550621 7 5 + + 4 1 1 1 1 1 2
211631757 6 5 + 3 2
211760225 3 5 + 4 2
211760785 3 5 + 1 1 2
212151746 3 5 5 + 4 1 1 1 2
212182215 3 5 + 4 1 2
213490265 not Submitted
314260275 1 + + 3 1 1 1 1 1 1 not Submitted
213910298 + not Submitted
212970238 5 + 5 5 1 not Submitted
213081051 2 5 + 5 1 not Submitted
211602364 11 + 5 1 not Submitted
210110515 + not Submitted
314782510 1 + + + 3 1 1 1 1 1 not Submitted
211640372 9 + 1 not Submitted
314251225 1 + + 3 1 1 1 1 1 not Submitted
213071275 2 5 5 + 5 1 1 1 1 not Submitted
213131500 not Submitted
211591168 5 3 + 5 not Submitted

Data Mining Course, Istanbul Commerce University

DERS İZLENCESİ (Syllabus)

Veri Madenciliği

Data Mining

14.00 – 17.00 Wed.

Dersi Veren : Doç. Dr. Şadi Evren ŞEKER

Instructor: Dr. Şadi Evren ŞEKER

E-Mail: datamining@sadievrenseker.com

Web Sitesi: http://sadievrenseker.com/wp/?p=558

Giriş: Günümüzde Internet’in gelişimine paralel olarak hızla gelişen trendlerden birisi de gerek internet gerekse diğer veri kaynakları üzerinde işletilen veri madenciliği çalışmalarıdır. Bu çalışmaların genel olarak amacı, verinin işlenerek faydalı sonuçların çıkarılmasıdır. Özellikle çok büyük miktarlardaki verinin işlenmesi ve bilginin değişim hızı, çeşitliliği ve güvenilirliği ile ilgili problemlerin çözülmesi için güncel ve son trend teknolojilerin katılımcılara kazandırılması, bununla birlikte klasik veri madenciliği teorisinin kazandırılarak güncel uygulamalara adapte edilmesi bu dersin hedefleri arasındadır.

Dersin Çıktıları

Bu dersin sonunda katılımcıların aşağıdaki hedeflere ulaşması beklenmektedir:

  1. Klasik veri madenciliği problemlerini anlayabiliyor olmak ve verilen bir problemin veri madenciliği dünyasındaki karşılığını anlayabiliyor olmak.
  2. Veri madenciliği dünyasındaki klasik problemleri çözebilecek yeterlilikte olmak.
  3. Veri madenciliğinde kullanılan temel yöntemleri anlayabiliyor, gerçek problemlere uygulayabiliyor ve alternatif yöntemler arasından doğru yöntemi seçebiliyor olmak.
  4. Büyük veri ve büyük veri dünyasına ait problemleri tanımlayabiliyor olmak
  5. Büyük veri dünyasındaki veri madenciliği uygulamalarını anlayabiliyor ve mevcut çözüm yöntemlerini biliyor olmak.
  6. En az bir adet veri madenciliği aracını kullanabiliyor olmak ve gerçek veriler üzerinde derste anlatılan teorik yöntemleri uygulayabiliyor olmak.
  7. Veri madenciliği çalışmalarının istatistiksel arka planını anlayabiliyor olmak ve istatistik ile veri madenciliği çalışmalarını ilintilendirebiliyor olmak.

Introduction: Data mining studies, parallel to the increasing trend of Internet technologies and all other data sources has an important impact on the computer science world. One major aim of data mining studies is processing the data and reaching knowledge level results from the data. Especially processing data in big volumes and with high speed, great variety and with trust problems are major problems of today’s data mining problems. Also the data mining theory and classical data mining approaches will be covered during the class and the practice of theoretical back ground on real world examples will be covered.

COURSE OBJECTIVES

  1. Understanding of data mining problems and ability to find a solution in data mining world for a real life problem
  2. Ability to solve generic data mining problems
  3. Understanding basic techniques in data mining world and ability to adapt these solutions into real world problems. Ability to select the correct solution methods among alternatives.
  4. Ability to define the problems of big data
  5. Understanding the data mining applications on big data problems and knowledge of current techniques
  6. Ability to use at least one data mining suite.
  7. Understanding the statistical background of data mining studies and relating the statistical methods with data mining.

Ders Kitabı (REQUIRED COURSE MATERIALS )

  1. TEXTBOOK:
    Ian H. Witten and Eibe Frank, Data Mining: Practical Machine Learning Tools and Techniques (Second Edition), Morgan Kaufmann, 2005, ISBN: 0-12-088407-0.
  2. TEXTBOOK 2:

Mining of Massive Datasets, Jure Leskovec, Anand Rajaraman, Jeff Ullman, http://infolab.stanford.edu/~ullman/mmds/book.pdf

Derste Kullanılacak Yazılımlar (Softwares Required)

  • Weka
  • R-Project ve R Studio
  • Knime
  • Hadoop ve Mahout (belki)

Not Değerlendirmesi

  • 40% Final
  • 30% Proje
  • 30% Vize

GRADING

  • 40 % Final exam
  • 30 % Projects
  • 30% Midterm

Ders İçeriği

  1. Veri Madenciliğine Giriş (Sunumlar , PDF)

Makine Öğrenmesi, VTYS, OLAP, İstatistiksel kavramlar, KDD adımları, Uygulama problemleri. Veri kümelerinin tanınması (ilk veri kümesi olarak weather.arff)

  1. Veri Ambarları ve OLAP (Sunumlar, PDF)

Veri ambarları ve veri tabanları, çok boyutlu veri modelleri, OLAP, veri bilimi ve iş zekası kavramlarına giriş.

  1. Veri Ön işleme (Sunumlar, PDF)

Kirli ver ve veri temizleme, verinin dönüştürülmesi, boyut azaltılması, verinin ayrık hale getirilmesi, veri filtrelenmesi

  1. Sınıflandırma (Sunumlar, PDF)

Sınıflandırma problem, gözetimli ve gözetimsiz yöntemler, KNN sınıflandırma yöntemine giriş.

  1. Sınıflandırma Devam

Doğrusal ayrıma dayalı sınıflandırma yöntemleri (LDA, SVM gibi) ve çoklu sınıflarda kullanımı

  1. Bölütleme (Kümeleme)

Bölütleme problemleri, k-means algoritması,

  1. Tahmin ve Birliktelik Çıkarımı

Regrezisyon ile tahmin, Kitle kaynak kullanımı ve tahmin, apriori algoritması ile birliktelik kurallarının madenciliği

  1. Çoklu veri madenciliği yöntemlerinin kullanımı

Boosting, MaVL,

  1. Vize
  2. Yapay Sinir Ağları ve Regrezisyon Yöntemleri

Regrezisyon ve yapay sinir ağları ile klasik problemlerin çözümleri.

  1. Büyük Veriyi İşleme

Map-Reduce problemleri,

  1. Metin Madenciliği

Metin özellik çıkarım yöntemleri, Doğal dil işlemeye giriş ve problemler, uygulama olarak yazar sınıflandırma ve yazar tanıma problemi

  1. Sosyal Ağ ve Web Madenciliği

Knime ile web madenciliği uygulaması ve Twitter verisinin işlenmesi

  1. Uygulamalar

Course Outline

  1. Introduction to Data Mining (Slides in PDF)

Machine Learning, DBMS, OLAP, Statistical concepts, KDD steps, Application Problems. Introduction to data sets (weather.arff)

  1. Data Warehouse and OLAP (Slides in PDF)

Data warehouse and data bases, multi dimensional data models, OLAP, data science and business intelligence.

  1. Data Preprocessing (Slides in PDF)

Feature Extraction, Dirty data, cleaning data, transforming data, dimension reduction, discretization of data, filters, normalization

  1. Classification (Slides in PDF)

Classification problems, supervised and unsupervised learning, OneR, TwoR, KNN, Naïve Bayes

  1. Classification, Continue

Linear Classification methods (LDA, SVM gibi) multiple classification

  1. Clustering

Clustering concept, k-means,

  1. Prediction and Association Rule Mining

Regression, corwd sourcing, apriori algorithm.

  1. Multiple methods for Data Mining

Boosting, MaVL,

  1. Midterm
  2. Artificial Neural Networks, Regression Analysis

Regression methods and ANN approaches to classical data mining problems.

  1. Processing Big Data

Map-Reduce

  1. Text Mining

Feature extraction methods for texts. Introduction to natural language processing, author attribution and classification problems.

  1. Social Network and Web Mining

Web mining by Knime and a Social mining application on twitter data.

  1. Applications

Haftalık Plan (Weekly Plan)

Kitabın yazarının hazırladığı slaytlar (Slides from the Author of Book)
http://web.engr.illinois.edu/~hanj/bk3/bk3_slidesindex.htm
Bu slaytların işleniş sırası aşağıdaki şekildedir:

  • Hafta 1 : Genel giriş, dersin işlenişi, ders takvimi, ölçme ve değerlendirme kriterleri, projeler, derste anlatılacak yazılımlar ve genel olarak veri madenciliği kavramlarına giriş yapılmıştır
  • Hafta 2 (30 Eylül 2015): Chapter 1 Introduction
  • Hafta 3 (07 Ekim 2015) : Chapter 4 Data Warehousing and On-Line Analytical Processing
  • Hafta 4 (14 Ekim 2015) : Chapter 3 Preprocessing ve Weka’ya giriş (ders lab’ta yapılacak)
  • Hafta 5 (21 Ekim 2015): Chapter 8 Sınıflandırma (Classification) kavramına giriş ve bazı sınıflandırma algoritmaları
  • Hafta 6 (28 Ekim 2015): 29 Ekim Bayramı dolayısıyla ders yapılmamıştır
  • Hafta 7 ( 4 Kasım 2015): Chapter 8 Sınıflandırma (Classification) algoritmaları: KNN, OneR, ZeroR, Naive Bayes, Decision Trees, Rule Based Classification
  • Hafta 8 (11 Kasım 2015): Vize İmtihanı (sorular ve çözümleri için tıklayınız)
  • Hafta 9 (18 Kasım 2015): İleri Sınıflandırma Algoritmaları: SVM, Linear Regression, ANN, non-linear Regression

Notlar

Vize Notları için Tıklayınız.

Proje Teslim Süresi 27 Aralık 2015 Pazar akşamına kadar uzatılmıştır. ilgili tarihi taşıdığı sürece projenizi teslim edebilirsiniz (gece yarısına kadar).

Final 120 üzerindendi ancak notlar çok düşük olduğu için (orjinal notlarınzı tabloda var) final notlarını da %33 oranında yukarı çektim. Dolayısıyla vize notlarınızı 2 ile çarpıp final notlarınızı da %33 arttırmış olduk. Harf notlarınızı buna göre hesapladım ancak yine notları düşük bulduğum için bu kez birer harf ilave ederek yükselttim. Sonuçları dosyadan görebilirsiniz. Hepinize başarılı ve mutlu bir yeni yıl dilerim. Final, Proje ve Harf notlarınız için tıklayın. Lütfen itirazınız varsa en kısa sürede bana ulaşın (ben de insanın ve ne kadar dikkat edersem edeyim hata yapabiliyorum, özellikle proje konusunda ders için belirlediğimiz mail adresi dışında maillere proje gönderildiği için hepsini toparlamak çok fazla vaktimi aldı, yine de gözden kaçmış olma ihtimali var, böyle bir durum varsa veya başka bir itirazınız varsa bana en kısa sürede ulaşın).

ERP Course, Istanbul Medeniyet University

DERS İZLENCESİ (Syllabus)

Kurumsal Otomasyon Sistemleri Uygulamaları

ERP (Enterprise Resource Planning) Practices

17.30 – 20.30 (bi-weekly)

Dersi Veren : Doç. Dr. Şadi Evren ŞEKER

Instructor: Dr. Şadi Evren ŞEKER

Web Sitesi: http://sadievrenseker.com/wp/?p=559

E-Mail: erp@sadievrenseker.com

Giriş: Bu kursun amacı kurumsal otomasyon sistemlerinin teorik yapısı, bu sistemlerin gerçek dünyadaki uygulamaları, yazılım üzerinde gerçeklemeleri, bu sistemlerin alt sistemlerinin incelenmesidir. Alt sistemlerden tedarik zinciri, iş süreçleri analizleri, karar destek sistemleri, tahmin destek sistemleri, kaynak yönetim sistemleri, üretim planlama sistemleri gibi kritik sistemler özel olarak ele alınacaktır.

  • Modül 1: ERP Sistemlerine giriş, sistemlere geçiş ve uygulama
  • Modül 2: İş süreçleri ve tedarik zincirleri
  • Modül 3: ERP sistemleri ile süreç yönetimi

Introduction: Aim of this course is delivering the theoretical structure of ERP systems besides the practices in the real world. The course will give a brief information about ERP applicatinos on software development steps, as well as the sub systems of ERP systems such as, MRP, MRP 2, supply chain management (SCM), business process modeling (BPM), decision support systems (DSS), and forecasting.

  • Module 1: Overview of Enterprise Systems and Implementation/Transformation
  • Module 2: BPM & SCM
  • Module 3: Using ERP to Manage Supply Chains & Make Business Decisions

COURSE OBJECTIVES

  1. To build an understanding of the fundamental business processes used to run companies with a focus on supply chain processes, (e.g., purchase‐to‐pay, order‐to‐cash)
  2. To provide an overview of enterprise systems including their business purpose, typical modules, historical evolution, and current short‐comings and challenges experienced in industry
  3. Understand the difficulties and solutions for the implementation of ERP systems.
  4. To learn how to manage the supply chain of a company using an ERP system in simulated, real‐ time environment
  5. To learn how to effectively analyze information from an ERP system to make business decisions
  6. To gain an understanding and appreciation of the importance that leading people and managing change plays in the success of ERP implementations and long‐term competitive advantage of companies
  7. To prepare students for career opportunities in industry

Ders Kitabı (REQUIRED COURSE MATERIALS )

  1. TEXTBOOK:
    Essentials of Business Processes and Information Systems
    Simha Magal and Jeffrey Word. ISBN‐13: 978‐0‐470‐23059‐6
  2. TEXTBOOK 2:

Integrated Business Processes with ERP Systems, Simha R. Magal, Jeffrey Word, ISBN-10: 0470478446

Not Değerlendirmesi

40% Final

30% Proje

30% Case Studies

GRADING

40 % Final exam
30 % Projects

30% Case Studies

Ders Takvimi

# Tarih Konu Teorik Uygulama
1 30 Eylül Giriş Ders içeriği (bu doküman)
2 7- Ekim Kurumsal otomasyon sistemleri ve iş süreçleri Chapter 1 ‐ Magal & Word, “Hershey’s Bittersweet Lesson” –
3 14- Ekim Ders Yok Chapter 2 ‐ Magal & Word, “Slow Product Ramps‐ups Challenge Oracle and SAP”
4 21- Ekim ERP için yatırımın geri dönüşü
5 28- Ekim Ders Yok The San Diego City Schools: ERP Return on Investment case study
6 4- Kasım BPM İş Süreçleri ile ERP entegrasyonu
7 11 – Kasım Ders Yok Buradaki hikayelerden birisini seçin (değişebilir) : http://www.orbis-software.com/customers/
8 18- Kasım Kalite Kalite Yönetimi ve ERP
9 25 Kasım Ders Yok Proje konusunun seçimi ve proje teklif raporu
10 2 Aralık Üretim Süreci Tedarik Yönetim Sistemi ve ERP
11 9- Aralık Ders Yok Kalite veya tedarik zinciri ile ilgili uygulama konusu
12 16- Aralık ERP sistemlerinin uygulanması Karar destek sistemleri ve tahmin yöntemleri
13 23- Aralık Ders Yok ERPism
14 30- aralık ERP ve optimizasyon problemleri
15 13- Ocak Tahmini son tarih Final Sınavı Projelerin teslimi için son gün

 

Course Schedule

# Date Topics Theory Practice
1 30 Sept Course introduction Syllabus
2 7- Oct Overview of ERP Systems and Business Processes Chapter 1 ‐ Magal & Word, “Hershey’s Bittersweet Lesson” –
3 14- Oct No Class Chapter 2 ‐ Magal & Word, “Slow Product Ramps‐ups Challenge Oracle and SAP”
4 21- Oct Return on Investment of ERP
5 28- Oct No Class The San Diego City Schools: ERP Return on Investment case study
6 4- Nov BPM Integrating BPMs with ERP
7 11 – Nov No Class Pick one case study from : http://www.orbis-software.com/customers/
8 18- Nov The Fulfillment Process Quality and ERP
9 25 Nov No Class Pick project topics and prepare a project proposal
10 2 Dec The Production Process SCM and ERP
11 9- Dec No Class Case Study on Quality or SCM
12 16- Dec Implementation of ERP systems DSS , Forecaseting and ERP
13 23- Dec No Class ERPism
14 30- Dec Optimization and ERP
15 13- Jan Tentative Deadline Final Exam Deadline for Projects

 


Okuma Listesi (Read List)

Hafta 2: erp_hershey , erp_oracle_SAP_meydanokuma

Hafta 4: San Diego Şehir Okulları ERP Projesi ROI vaka analizi (dosyalar derste çıktı olarak verilecektir). Teslim tarihi uzatılmıştır.