| Dersin Türü | Seçmeli |
|---|
| Dersin Düzeyi | Tezli Yüksek Lisans |
|---|
| Dersin Yılı | - |
|---|
| Dersin Yarıyılı | - |
|---|
| AKTS | 10 |
|---|
| Öğretim Eleman(lar)ı |
- |
| Öğrenme Kazanımları |
Bu dersin sonunda öğrenciler;
- Veri bilimi sürecinin temel aşamalarını (veri toplama, temizleme, analiz) ileri düzeyde analiz etmek.
- İstatistiksel yöntemleri ve makine öğrenmesi algoritmalarını veri kümelerine uygun şekilde uygulamak.
- Büyük veri işleme araçlarını ve veri madenciliği tekniklerini kullanarak anlamlı örüntüler çıkarmak.
- Veri görselleştirme tekniklerini kullanarak analiz sonuçlarını etkili biçimde sunmak.
- Veri bilimi projelerini etik ve veri gizliliği ilkelerine uygun biçimde akademik ve profesyonel standartlarda yönetmek.
|
| Veriliş Biçimi | Yüz Yüze |
|---|
| Önkoşullar | Yok |
|---|
| Önerilen Dersler | |
|---|
| Ders Tanımı | Veri biliminin temel kavramlarından başlayarak; veri toplama, temizleme ve ön işleme süreçlerini, istatistiksel analiz ve makine öğrenmesi yöntemlerini, büyük veri teknolojilerini ve veri görselleştirme tekniklerini inceleyerek; öğrencilere veriye dayalı karar destek sistemleri geliştirme ve veri analitiği yetkinliği kazandıran bir derstir. |
|---|
| Ders İçeriği |
| HAFTA |
KONULAR |
|
1. Hafta |
Veri Bilimine Giriş: Temel Kavramlar, Süreç ve Uygulama Alanları |
|
2. Hafta |
Veri Toplama Yöntemleri ve Veri Kaynakları |
|
3. Hafta |
Veri Temizleme ve Ön İşleme (Data Wrangling) Teknikleri |
|
4. Hafta |
Keşifsel Veri Analizi (Exploratory Data Analysis) |
|
5. Hafta |
İstatistiksel Analiz Yöntemleri: Betimsel ve Çıkarımsal İstatistik |
|
6. Hafta |
Makine Öğrenmesine Giriş: Gözetimli ve Gözetimsiz Öğrenme |
|
7. Hafta |
Regresyon ve Sınıflandırma Algoritmaları |
|
8. Hafta |
Ara Sınav |
|
9. Hafta |
Kümeleme (Clustering) ve Boyut İndirgeme Teknikleri |
|
10. Hafta |
Veri Madenciliği: Örüntü Tanıma ve Birliktelik Kuralları |
|
11. Hafta |
Büyük Veri Teknolojileri: Hadoop, Spark ve Dağıtık İşleme |
|
12. Hafta |
Veri Görselleştirme: Grafik ve Gösterge Paneli (Dashboard) Tasarımı |
|
13. Hafta |
Model Değerlendirme, Doğrulama ve Performans Ölçütleri |
|
14. Hafta |
Veri Etiği, Veri Gizliliği ve Dönem Projesi Sunumu |
|
| Kaynaklar | 1. Provost, F. ve Fawcett, T. 2013. Data Science for Business
2. Ders dokümanları
|
|---|
| Öğretim Yöntemleri |
- Anlatım
- Tartışma
- Soru-Cevap
- Sorun/Problem Çözme
|
|---|
| Değerlendirme |
|
Sayısı |
Toplam Katkısı (%) |
| Ara Sınav |
1 |
40 |
| Toplam(%) |
|
40 |
| Yıl İçinin Başarıya Oranı(%) |
|
40 |
| Finalin Başarıya Oranı(%) |
|
60 |
| Toplam(%) |
|
100 |
|
| AKTS İş Yükü |
| Aktivite |
Sayı |
Süre (Saat) |
İş Yükü |
| Ara Sınav |
1 |
1 |
1 |
| Kısa Sınavlara hazırlık |
|
|
|
| Sınıf Dışı Ders Çalışma Süresi |
14 |
10 |
140 |
| Final Sınavına Hazırlık |
14 |
3 |
42 |
| Ders Saati |
13 |
3 |
39 |
| Ara Sınava Hazırlık |
8 |
3 |
24 |
| Laboratuvar |
|
|
|
| Final Sınavı |
1 |
1 |
1 |
| Ödevler |
1 |
40 |
40 |
| Toplam İş Yükü | 287 |
| Toplam İş Yükü / 30 | 9.56 |
| Dersin AKTS Kredisi | 10 |
|
| Dil | Türkçe |
|---|
| Staj / Uygulama | Yok |
|---|
