| Dersin Türü | Seçmeli |
|---|
| Dersin Düzeyi | Tezli Yüksek Lisans |
|---|
| Dersin Yılı | - |
|---|
| Dersin Yarıyılı | - |
|---|
| AKTS | 10 |
|---|
| Öğretim Eleman(lar)ı |
- |
| Öğrenme Kazanımları |
Bu dersin sonunda öğrenciler;
- Büyük veri kavramlarını, terminolojiyi, veri analitiği özelliklerini, belli başlı büyük veri tiplerini öğreneceklerdir.
- Nitel - nicel veri madenciliği, istatistiksel analiz, A/B testi, korelasyon, regresyon analizi gibi analiz tekniklerini kavrarlar.
- Kümeleme, dağıtık dosya sistemleri, ilişkisel veritabanı sistemleri, hafıza içi depolama gibi depolama kavramlarına ve paralel, dağıtık, toplu veri işleme gibi büyük veri işleme kavramlarına hakim olurlar.
|
| Veriliş Biçimi | Yüz Yüze |
|---|
| Önkoşullar | Yok |
|---|
| Önerilen Dersler | Yok |
|---|
| Ders Tanımı | Büyük veri genel anlamıyla; yapısal, yarı yapısal ya da yapısal olmayan, büyük depolama alanları gerektiren, bilinen yazılım araçları ile makul zamanlarda işlenmesi zor olan verileri ifade etmektedir. Bu dersin amacı, büyük veri analizi ve veri bilimindeki temel kavramları ve yöntemleri tanıtmak ve öğrencilere "Büyük Veri"nin gerçek dünyada kullanımının temel özelliklerini kavramalarını sağlamaktır. |
|---|
| Ders İçeriği |
| HAFTA |
KONULAR |
|
1. Hafta |
Büyük veri nedir? |
|
2. Hafta |
Büyük veri ve açık veri: temel kavramlar |
|
3. Hafta |
Büyük veri teknolojileri ve araçları |
|
4. Hafta |
Büyük veri ile veri madenciliği |
|
5. Hafta |
Büyük veri güvenliği- mahremiyet |
|
6. Hafta |
Veri görselleştirme, iletişim ve yapay öğrenme |
|
7. Hafta |
Büyük veri analizi ve yöntemi |
|
8. Hafta |
Ara Sınav |
|
9. Hafta |
Siber güvenlik |
|
10. Hafta |
Türkiye'de büyük veri politik ve yasal çerçeve |
|
11. Hafta |
Kamu-özel kuruluşlarında büyük veri kullanımı- örnekler |
|
12. Hafta |
Mobil iletişim sektöründe büyük veri ve uygulama örnekleri |
|
13. Hafta |
Sosyal medya analitiği veri |
|
14. Hafta |
Sosyal medya analiği teknikleri - örnek uygulamalar |
|
| Kaynaklar | 1. Big Data Fundamentals: Concepts, Drivers & Techniques (1st ed.). Thomas Erl, Wajid Khattak, and Paul Buhler. Prentice Hall Press, Upper Saddle River, NJ, USA. 2016.
2. Big Data, Principles and Best Practices of Scalable Realtime Data Systems, Nathan Marz and James Warren, Manning Publications 2015. |
|---|
| Öğretim Yöntemleri |
- Anlatım
- Tartışma
- Soru-Cevap
- Sorun/Problem Çözme
- Deney
- Eğitim-Uygulama
|
|---|
| Değerlendirme |
|
Sayısı |
Toplam Katkısı (%) |
| Ara Sınav |
1 |
25 |
| Uygulama/Pratik |
1 |
20 |
| Proje |
1 |
10 |
| Toplam(%) |
|
55 |
| Yıl İçinin Başarıya Oranı(%) |
|
55 |
| Finalin Başarıya Oranı(%) |
|
45 |
| Toplam(%) |
|
100 |
|
| AKTS İş Yükü |
| Aktivite |
Sayı |
Süre (Saat) |
İş Yükü |
| Ara Sınav |
1 |
3 |
3 |
| Kısa Sınavlara hazırlık |
|
|
|
| Sınıf Dışı Ders Çalışma Süresi |
13 |
10 |
130 |
| Final Sınavına Hazırlık |
1 |
45 |
45 |
| Ders Saati |
13 |
3 |
39 |
| Ara Sınava Hazırlık |
1 |
30 |
30 |
| Laboratuvar |
|
|
|
| Final Sınavı |
1 |
3 |
3 |
| Ödevler |
1 |
20 |
20 |
| Proje |
1 |
30 |
30 |
| Toplam İş Yükü | 300 |
| Toplam İş Yükü / 30 | 10 |
| Dersin AKTS Kredisi | 10 |
|
| Dil | Türkçe |
|---|
| Staj / Uygulama | Yok |
|---|
