GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| YO-567 | VERİ BİLİMİ VE ANALİĞİTİ | Seçmeli Ders Grubu | 1 | 1 | 6,00 |
Dersin Seviyesi
Yüksek Lisans
Dersin Sunulduğu Dil
Türkçe
Dersin Amacı
Bu dersin amacı, öğrencilerin büyük veri ve analitik gerektiren projelerde etkin bir şekilde görev alabilmeleri için gerekli bilgi ve pratik deneyime sahip olmalarını sağlamaktır.
Dersi Veren Öğretim GörevlisiGörevlileri
Dr.Öğr.Üyesi Mehmet Akif Kara
Öğrenme Çıktıları
| 1 | Büyük veri analitiği için kullanılan mimari bileşenleri ve programlama modellerini anlarlar. |
| 2 | Büyük veri ortamlarında veri analitiği yöntemlerini uygulayabilirler. |
Öğrenim Türü
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
yok
Ders İçin Önerilen Diğer Hususlar
yok
Dersin İçeriği
Veri Bilim ve Analitiği dersi, büyük veri ve analitik uygulamaları konularında öğrencileri yetiştirmek üzerine kurulmuştur. Ders, Büyük veri ve veri analizi yaşam döngüsü içerisinde yer alan iş odaklı sorunları çözmek için gerekli ve yeterli bilgi sağlar.
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Teorik | Uygulama | Laboratuvar |
|---|---|---|---|
| 1 | Ders izlencesi, ders işleyiş yöntemi, sınav ve ölçme değerlendirme kriterleri hakkında genel bilgiler verilmiştir | ||
| 2 | Veri bilimi ve ilgili kavramlar | ||
| 3 | Veri Bilimcisi, Endüstri Sektörlerinde Büyük Veri Analitiği | ||
| 4 | Veri analizinde temel istatistiki yöntemler | ||
| 5 | Keşfedici veri analizi, veri bilimi süreçleri ve temel araçlar | ||
| 6 | Özellik seçimi ve özellik üretimi | ||
| 7 | Açıklayıcı veri bilimi yöntemleri, temel eğitimsiz makine öğrenmesi algoritmaları (k-means) | ||
| 8 | Ara sınav | ||
| 9 | Tahminleyici veri bilimi yöntemleri, temel eğitimli makine öğrenmesi algoritmaları (linear regression, k-Nearest Neighbors, naïve bayes, decision trees) | ||
| 10 | Tahminleyici veri bilimi yöntemleri, temel eğitimli makine öğrenmesi algoritmaları (linear regression, k-Nearest Neighbors, naïve bayes, decision trees) | ||
| 11 | Veri bilimi modellerinin değerlendirmesi ve ölçülmesi | ||
| 12 | Büyük ölçekli veri analizi – büyük veri analizine giriş, dağıtık veri saklama ve analiz yöntemleri | ||
| 13 | Bilgi Görselleştirme ile etkili veri bilimi raporlama ve iletişim | ||
| 14 | Büyük ölçekli veri analizi – büyük veri analizine giriş, dağıtık veri saklama ve analiz yöntemleri | ||
| 15 | Büyük ölçekli veri analizi – büyük veri analizine giriş, dağıtık veri saklama ve analiz yöntemleri | ||
| 16 | Final Sınavı |
Ders Kitabı Malzemesi Önerilen Kaynaklar
Cielen, D., Ali, M., & Meysman, A. (2016). Introducing data science. Manning Publ. Cathy O’Neil and Rachel Schutt. Doing Data Science, Straight Talk From The Frontline.O’Reilly. 2014 Jure Leskovek, Anand Rajaraman and Jeffrey Ullman. Mining of Massive Datasets. v2.1, Cambridge University Press. 2014.
Planlanan Öğrenme Aktiviteleri ve Metodları
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 40 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 60 | |
Staj Durumu
yok
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 2 | 2 |
| Final Sınavı | 1 | 2 | 2 |
| Derse Katılım | 14 | 4 | 56 |
| Ara Sınav İçin Bireysel Çalışma | 14 | 4 | 56 |
| Final Sınavı içiin Bireysel Çalışma | 16 | 4 | 64 |
| Toplam İş Yükü (saat) | 180 | ||
Program ve Öğrenme Çıktıları İlişkisi
| ÖÇ 1 |
| ÖÇ 2 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek