Bilgi toplumuna dönüşüm yolunda önemli çalışmalar yürüten Türkiye Bilişim Vakfı ve gelişmiş analitik ve yapay zeka firması SAS olarak global vizyonumuzu, tecrübelerimizi Türkiye’nin gelişmesine katkı sunmak üzere paylaşmak istiyoruz. Çünkü, Türkiye’nin daha refah bir ülke haline gelmesi ve rekabette öne çıkması için şimdinin ve geleceğin ihtiyacı olan, teknolojinin gelişimi ile ortaya çıkan yeni meslek alanlarında yetişmiş insan açığının bir an önce kapatılması gerektiğine inanıyoruz.

Bu kapsamda TBV ile birlikte ilk yılın sonunda 1.000, 2023 sonuna kadar 50.000 veri bilimciyi yetiştirmeyi hedefliyoruz.

Öncelikli amacımız Türkiye’nin farklı bölgelerinden değerli akademisyenlere belirlenen bir tarihte İstanbul’da eğitimci eğitimleri vererek belirlenen ders içeriği konusunda katılımcıları eğitmek. Sonrasında eğitime katılan akademisyenler dersleri üniversitelerindeki bölümlerinde başlatmak üzere çalışmalarını gerçekleştirecektir.

Neden “Dijital Teknoloji Geliştiriciler”?

Türkiye’nin dijital dönüşümünde, Yapay Zeka önemli bir pay sahibi olmalı

Referans: Dijital Türkiye Platformu & PwC Türkiye “Dijitalleşme Yolunda Türkiye” Raporu PwC. (2017). “Küresel Zeka Çalışması: Ödülün büyüklüğünü belirleme.” Erişim adresi: https//wwww.pwc.com.tr/gundemdeki-konular/dijital/pwc-kuresel-yapay-zeka-calismasi.pdf

Kaynaklarımız İngilizce’dir ancak dersleri Türkçe ya da tercihinize göre İngilizce olarak da anlatabilirsiniz. Aynı zamanda vaka analizleri ile de dersi zenginleştirmek isteriz. Yol haritamız, ders planı ve konu başlıkları aşağıdaki gibidir:

“Veri Bilimciler ve İş Analistleri için Stratejiler ve Kavramlar”

Content Guide

Content Guide for the 1st Semester

SAS® Programming 1: Essentials

Essentials

  • The SAS programming process.
  • Using SAS programming tools.
  • Understanding SAS syntax.

Accessing Data

  • Understanding SAS data.
  • Accessing data through libraries.
  • Importing data into SAS.

Exploring and Validating Data

  • Exploring data.
  • Filtering rows.
  • Formatting columns.
  • Sorting data and removing duplicates.

Preparing Data

  • Reading and filtering data.
  • Computing new columns.
  • Conditional processing.

Analyzing and Reporting on Data

  • Enhancing reports with titles, footnotes, and labels.
  • Creating frequency reports.
  • Creating summary statistics reports.

Exporting Results

  • Exporting data.
  • Exporting reports.

Using SQL in SAS

  • Using Structured Query Language in SAS.
  • Joining tables using SQL in SAS.

Statistics 1: Introduction to ANOVA, Regression, and Logistic Regression

Course Overview and Review of Concepts

  • Descriptive statistics.
  • Inferential statistics.
  • Examining data distributions.
  • Obtaining and interpreting sample statistics using the UNIVARIATE procedure.
  • Examining data distributions graphically in the UNIVARIATE and FREQ procedures.
  • Constructing confidence intervals.
  • Performing simple tests of hypothesis.
  • Performing tests of differences between two group means using PROC TTEST.

ANOVA and Regression

  • Performing one-way ANOVA with the GLM procedure.
  • Performing post-hoc multiple comparisons tests in PROC GLM.
  • Producing correlations with the CORR procedure.
  • Fitting a simple linear regression model with the REG procedure.

More Complex Linear Models

  • Performing two-way ANOVA with and without interactions.
  • Understanding the concepts of multiple regression.

Model Building and Effect Selection

  • Automated model selection techniques in PROC GLMSELECT to choose from among several candidate models.
  • Interpreting and comparison of selected models.

Model Post-Fitting for Inference

  • Examining residuals.
  • Investigating influential observations.
  • Assessing collinearit.

Model Building and Scoring for Prediction

  • Understanding the concepts of predictive modeling.
  • Understanding the importance of data partitioning.
  • Understanding the concepts of scoring.
  • Obtaining predictions (scoring) for new data using PROC GLMSELECT and PROC PLM.

Categorical Data Analysis

  • Producing frequency tables with the FREQ procedure.
  • Examining tests for general and linear association using the FREQ procedure.
  • Understanding exact tests.
  • Understanding the concepts of logistic regression.
  • Fitting univariate and multivariate logistic regression models using the LOGISTIC procedure.
  • Using automated model selection techniques in PROC LOGISTIC including interaction terms.
  • Obtaining predictions (scoring) for new data using PROC PLM.

Machine Learning Using SAS® Viya®

Introduction

  • machine learning in business decision making
  • essentials of supervised prediction
  • introduction to SAS Viya

Data Preparation

  • data exploration
  • feature extraction
  • input transformations
  • feature selection
  • variable clustering (self-study)
  • best practices

Decision Trees and Ensembles of Trees

  • introduction
  • tree-structure models
  • recursive partitioning
  • pruning
  • ensemble of trees

Content Guide for the 2nd Semester

SAS Programming 2: Data Manipulation Techniques

Controlling DATA Step Processing

  • setting up for this course
  • understanding DATA step processing
  • directing DATA step output.

Summarizing Data

  • creating an accumulating column
  • processing data in groups.

Manipulating Data with Functions

  • understanding SAS functions and CALL routines
  • using numeric and date functions
  • using character functions
  • using special functions to convert column type.

Creating Custom Formats

  • creating and using custom formats
  • creating custom formats from tables.

Combining Tables

  • concatenating tables
  • merging tables
  • identifying matching and nonmatching rows.

Processing Repetitive Code

  • using iterative DO loops
  • using conditional DO loops.

Restructuring Tables

  • restructuring data with the DATA step
  • restructuring data with the TRANSPOSE procedure.

Predictive Modeling Using Logistic Regression

Predictive Modeling

  • Business applications.
  • Analytical challenges.

Fitting the Model

  • Parameter estimation.
  • Adjustments for oversampling.

Preparing the Input Variables

  • Missing values.
  • Categorical inputs.
  • Variable clustering.
  • Variable screening.
  • Subset selection.

Classifier Performance

  • ROC curves and lift charts.
  • Optimal cutoffs.
  • K-S statistic.
  • c statistic.
  • Profit.
  • Evaluating a series of models.

Machine Learning Using SAS® Viya®

Neural Networks

  • Introduction.
  • Network architecture.
  • Learning.

Support Vector Machines and Additional Topics

  • Large-margin linear classifier.
  • Methods of solution.
  • Nonlinear classifier:Kernel Trick.
  • Selecting your algorithm.
  • Additional tools.

Model Assessment and Deployment

  • Model assessment and comparison.
  • Model deployment.

Tavsiye edilen notlandırma yüzdeleri:

Katılım %20
Ödevler ve vaka analizleri makaleleri %20
Vize/ara sınav %25
Final sınavı %35

Teknik gereksinimler:
Öğrencilerin kendi laptop’ları ile derse gelmeleri yeterli olacaktır. Ya da üniversitenizde internet erişimi olan bir
bilgisayar laboratuvarınızda dersi planlayabiliriz.
Öğrencilerin Citrix üzerinden SAS çözümlerine erişebilecekleri haftalık bir ortam sağlanacaktır. Bu erişim yalnızca
uygulama yapılacak derslerin haftalarında açılacaktır.