| Dersin Türü | Seçmeli |
|---|
| Dersin Düzeyi | Lisans |
|---|
| Dersin Yılı | - |
|---|
| Dersin Yarıyılı | - |
|---|
| AKTS | 5 |
|---|
| Öğretim Eleman(lar)ı |
|
| Öğrenme Kazanımları |
Bu dersin sonunda öğrenciler;
- Yapay zekanın temel kavramlarını, uygulama alanlarını ve bireysel, sosyal ve iş dünyasına olan etkilerini bilir.
- Veri bilimi, büyük veri, veri madenciliği ve makine öğrenmesi konularını, temel bileşenlerini, farklılıklarını, uygulama amaçlarını ve yöntemlerini açıklar.
- Python programlama dilinin yapısını, çalışma modelini ve temel özelliklerini kavrar.
- Python ve veri bilimi yazılım geliştirme ortamlarını (Anaconda, Jupyter, Google Colab, Spyder vb.) ve bu ortamların kurulum süreçlerini öğrenir.
- Python programlama dilinde değişkenler, basit veri türleri, atamalar ve aritmetik işlemler hakkında bilgi sahibi olur.
- Python'da kontrol ve döngü ifadelerini kullanma becerisi kazanır.
- Python programlama dilinde veri yapıları hakkında bilgi edinir.
- Python'da fonksiyon kullanımını, yazılımların fonksiyonel analizini ve tasarımını bilir.
- Python'da sınıfları kullanma yetkinliği geliştirir.
- Veri bilimi projelerinin ana aşamalarını tanır.
- Veri toplama, temizleme ve işleme süreçlerini, keşifsel veri analizini, veri modellerinin ve algoritmalarının tasarımı ve kullanım aşamalarını bilir.
- Gözetimli makine öğrenmesi modellerini ve algoritmalarını tanır.
- Gözetimsiz makine öğrenmesi modellerini ve algoritmalarını tanır.
- Bir dönem projesini uygulama düzeyinde geliştirebilecek bilgi ve becerilere sahip olur.
|
| Veriliş Biçimi | Yüz Yüze |
|---|
| Önkoşullar | Yok |
|---|
| Önerilen Dersler | Yok |
|---|
| Ders Tanımı | Bu dersin iki ana amacı vardır: (a) Python programlama dilinin yapısı ve bileşenlerini öğrenerek veri bilimi, makine öğrenmesi, kurumsal uygulama ve web yazılımlarını geliştirmek için gerekli temel programlama bilgi ve becerilerini edinmek, (b) edinilen programlama bilgi ve becerilerini kullanarak giriş düzeydeki veri bilimi ve makine öğrenmesi uygulamalarını gerçekleştirmektir. |
|---|
| Ders İçeriği |
| HAFTA |
KONULAR |
|
1. Hafta |
Yapay zekaya giriş ve temel kavramlar; uygulama alanları; kişisel, sosyal ve iş dünyasına etkileri; veri bilimi, büyük veri, veri madenciliği, makine öğrenmesi ve temel bileşenleri; Python yazılım geliştirme ortamları ve kurulumları (Anaconda, Google Colab, Jupyter, Spyder vb.) |
|
2. Hafta |
Python programlama dili yazım kuralları ve farklılıkları (boşluk, hücre kavramı), değişkenler, basit veri türleri, deyimler, atamalar ve aritmetik işlemler; Python'da veri yapıları; Python'da hazır paketler ve kullanım alanları |
|
3. Hafta |
Kontrol ve döngü deyimleri, for ve while deyimleriyle veri işleme, hata ve istisna yönetimi |
|
4. Hafta |
Fonksiyonların kullanımı, Python yazılımlarının fonksiyonel analizi ve tasarımı |
|
5. Hafta |
Nesne yönelimli programlama temel kavramları, sınıfların kullanımları, Python projelerinde kaynak kodların organize edilme yöntemleri (fonksiyonel, nesne yönelimli programlama, modül, paket kavramları), MVC şablonuyla Python projelerinin düzenlenmesi |
|
6. Hafta |
Python'da veri yapıları ve kullanımları |
|
7. Hafta |
Veri bilimi ve makine öğrenmesi proje yönetimi genel aşamaları; projenin tanımlanması ve başlatılması (ihtiyaç analizi ve problemin tanımı, proje amaçlarının belirlenmesi, proje başlatma belgesinin hazırlanması); projenin yürütülmesi (veri bilimi adımları: ihtiyaç belirtimi, veri kaynaklarının belirlenmesi ve verinin elde edilmesi) |
|
8. Hafta |
Ara sınav |
|
9. Hafta |
Keşfe yönelik veri analizi, verinin hazırlanması (temizlenmesi, birleştirilmesi, dönüştürülmesi), verinin görselleştirilmesine yönelik Python kütüphaneleri (Seaborn, Matplotlib vb.), veri işleme ve hesaplamaya yönelik Python kütüphaneleri (Pandas, Numpy, Scipy vb.) |
|
10. Hafta |
Makine öğrenmesi temel kavramları, makine öğrenmesi uygulama adımları ve alanları, öğrenme modelleri |
|
11. Hafta |
Gözetimli makine öğrenmesi modelleri (k-NN öğrenme modeli vb.) |
|
12. Hafta |
Gözetimsiz makine öğrenmesi (k-means öğrenme modeli vb.) |
|
13. Hafta |
Genel tekrar |
|
14. Hafta |
Dönem projelerinin sunulması ve değerlendirme |
|
| Kaynaklar | Singh, P. (2019). Machine learning with PySpark. APress Media.
Mathur, P. (2019). Machine learning applications using Python: Case studies from healthcare, retail, and finance. APress Media.
Müller, A. C., & Guido, S. (2016). Introduction to machine learning with Python: A guide for data scientists. O'Reilly Media.
Theobald, O. (2018). Machine learning for absolute beginners: A plain English introduction (Machine learning from scratch). Independent Publisher.
Mueller, J. P., & Massaron, L. (2016). Machine learning for dummies. John Wiley & Sons, Inc.
|
|---|
| Öğretim Yöntemleri |
Project-Supported Traditional Instructional Method
|
|---|
| Değerlendirme |
|
Sayısı |
Toplam Katkısı (%) |
| Ara Sınav |
1 |
30 |
| Mini-Sınav |
1 |
10 |
| Proje |
1 |
25 |
| Toplam(%) |
|
65 |
| Yıl İçinin Başarıya Oranı(%) |
|
65 |
| Finalin Başarıya Oranı(%) |
|
35 |
| Toplam(%) |
|
100 |
|
| AKTS İş Yükü |
| Aktivite |
Sayı |
Süre (Saat) |
İş Yükü |
| Ara Sınav |
1 |
1.5 |
1.5 |
| Kısa Sınavlara hazırlık |
|
|
|
| Sınıf Dışı Ders Çalışma Süresi |
14 |
1 |
14 |
| Final Sınavına Hazırlık |
1 |
22 |
22 |
| Ders Saati |
13 |
2 |
26 |
| Ara Sınava Hazırlık |
1 |
14 |
14 |
| Laboratuvar |
13 |
1 |
13 |
| Final Sınavı |
1 |
1.5 |
1.5 |
| Ödevler |
|
|
|
| Sunum (Hazırlık dahil) |
1 |
3 |
3 |
| Proje |
1 |
24 |
24 |
| Rapor yazma |
1 |
23 |
23 |
| Toplam İş Yükü | 142 |
| Toplam İş Yükü / 30 | 4.73 |
| Dersin AKTS Kredisi | 5 |
|
| Dil | Türkçe |
|---|
| Staj / Uygulama | Yok |
|---|
