| Dersin Türü | Seçmeli |
|---|
| Dersin Düzeyi | Lisans |
|---|
| Dersin Yılı | - |
|---|
| Dersin Yarıyılı | - |
|---|
| AKTS | 4 |
|---|
| Öğretim Eleman(lar)ı |
|
| Öğrenme Kazanımları |
Bu dersin sonunda öğrenciler;
- Veri, veri analizi, veri bilimi ve temel kavramlarını tanımlayabilir ve bu konulardaki soruları cevaplayabilir.
- Programlama ve kodlamayı tanımlayabilir, programlama dillerini anlayabilir ve programlama dilleri arasındaki farkları söyleyebilir ve çok dilli (R ve Python) iş akışlarını yönetmek için Positron gibi yapay zeka eklentili (AI-extensible) IDE'leri kullanabilir.
- Temel R ve Python kodlama bilgisine sahip olur ve bunları temel veri analizinde kullanabilir.
- R paketlerini kullanarak istatistiksel yöntemler uygulayabilir ve verilerin görselliğini yapabilir
- Makine öğretisi ve derin öğrenme tekniklerini tanımlayabilir ve uygulamalarını ayırt edebilir. Ayrıca biyolojik araştırma kodlarını optimize etmek ve hataları ayıklamak için yapay zeka destekli kodlama uygulamalarından faydalanabilir.
|
| Veriliş Biçimi | Yüz Yüze |
|---|
| Önkoşullar | Yok |
|---|
| Önerilen Dersler | Yok |
|---|
| Ders Tanımı | Bu derste öğrenciler, temel terminoloji ve uçtan uca analitik süreçler dahil olmak üzere veri biliminin temel ilkelerini öğrenirler. Veri analizi araçlarıyla pratik deneyim kazanırken, yeni nesil yapay zeka eklentili (AI-extensible) bir IDE olan Positron kullanarak veri uygulamalarında yetkinlik kazanırlar. Ayrıca ders, öğrencilerin biyolojik veri analizi iş akışlarını optimize etmelerine yardımcı olmak amacıyla yapay zeka destekli kodlama uygulamalarını müfredata entegre eder. |
|---|
| Ders İçeriği |
| HAFTA |
KONULAR |
|
1. Hafta |
Veri Bilimi Nedir? Giriş, Temel Kavramlar ve Süreç |
|
2. Hafta |
Veri, Veri Analizi, Veri Analiz Aşamaları ve Kavramlar |
|
3. Hafta |
Veri Analiz Araçlarını Keşfetme (Spreedsheets ve SQL) |
|
4. Hafta |
Programlama Dilleri |
|
5. Hafta |
R ve R-Studio'ya Giriş |
|
6. Hafta |
R Paketleri ve Temel R Kodları |
|
7. Hafta |
R ile İstatistik (Vaka Uygulamaları) |
|
8. Hafta |
R ile İstatistik (Vaka Uygulamaları) |
|
9. Hafta |
Görselleştirme ve R Markdown |
|
10. Hafta |
Görselleştirme ve R Markdown |
|
11. Hafta |
Makina Öğrenimi (ML) ve Derin Öğrenme (DL): Makina Öğrenimi modelini R'da incelemek |
|
12. Hafta |
Python'a Giriş ve Positron (Yapay Zeka eklentili Bütünleşik Geliştirme Ortamı) |
|
13. Hafta |
Temel Python Syntax'ı ve Yapay zeka destekli kodlama uygulamaları |
|
14. Hafta |
Python Uygulamaları ve Yapay Zeka ile Otomatik Biyolojik Veri İşlem Hatları |
|
| Kaynaklar | Biostatistics with R: An Introduction to Statistics Through Biological Data, 2012th Edition, Babak Shahbaba, Springer, 2011.
Python Programming for Biology, First Edition, Tim j. Stevens, Wayne Boucher, 2014.
An Introduction to Statistics with Python: With Applications in the Life Sciences, First Edition, Thomas Haslwanter, Springer, 2016. |
|---|
| Öğretim Yöntemleri |
- Anlatım
- Tartışma
- Soru-Cevap
- Eğitim-Uygulama
- Sunum
- Sorun/Problem Çözme
|
|---|
| Değerlendirme |
|
Sayısı |
Toplam Katkısı (%) |
| Ara Sınav |
1 |
30 |
| Ödev |
4 |
30 |
| Toplam(%) |
|
60 |
| Yıl İçinin Başarıya Oranı(%) |
|
60 |
| Finalin Başarıya Oranı(%) |
|
40 |
| Toplam(%) |
|
100 |
|
| AKTS İş Yükü |
| Aktivite |
Sayı |
Süre (Saat) |
İş Yükü |
| Ara Sınav |
1 |
2 |
2 |
| Kısa Sınavlara hazırlık |
|
|
|
| Sınıf Dışı Ders Çalışma Süresi |
|
|
|
| Final Sınavına Hazırlık |
1 |
20 |
20 |
| Ders Saati |
14 |
2 |
28 |
| Ara Sınava Hazırlık |
1 |
20 |
20 |
| Laboratuvar |
|
|
|
| Final Sınavı |
1 |
2 |
2 |
| Ödevler |
4 |
5 |
20 |
| Uygulama |
14 |
2 |
28 |
| Toplam İş Yükü | 120 |
| Toplam İş Yükü / 30 | 4 |
| Dersin AKTS Kredisi | 4 |
|
| Dil | İngilizce |
|---|
| Staj / Uygulama | Yok |
|---|
