| | | | | | | | | | | | ISPARTA UYGULAMALI BİLİMLER ÜNİVERSİTESİ PROGRAM DERS BİLGİ PAKETİ DERS İÇERİĞİ |
| | | | | | | |
| | | | | | | | | | | Bölüm | Teknik Bilimler Meslek Yüksekokulu Bilgisayar Programcılığı | DERS BİLGİLERİ(Revizyon Tarihi:08.06.2026 11:18:00) | Ders Kodu | Ders Adı | Kredi Teorik+ Uygulama (Saat) | Kredi Toplam | AKTS | Yarı Yılı | BPR-3190 | Veri Bilimi | 3,0 | 3,0 | 3,0 | 2. Yarıyıl | Dersin Dili | Türkçe | Ders Düzeyi | ÖNLİSANS TYYÇ:5.DÜZEY EQF-LLL:5.DÜZEY QF-EHEA:KISA DÜZEY | Dersin Türü | Seçmeli | Dersi Verenler | | Dersin Yardımcıları | | Ofis Yeri | | E-Posta | | Ofis Görüşme Saatleri | | İş Telefonu | | Dersin Amacı/Hedefleri | Öğrencilere veri odaklı düşünme becerisi kazandırarak farklı kaynaklardan elde edilen verilerin işlenmesi, analiz edilmesi ve anlamlı bilgiye dönüştürülmesini öğretmeyi amaçlar. Dersin sonunda öğrencilerin veri toplama, veri temizleme, keşifsel veri analizi yapma, temel istatistiksel yöntemleri kullanma, veri görselleştirme tekniklerini uygulama ve temel makine öğrenmesi algoritmalarını tanıyarak basit düzeyde veri analizi projeleri geliştirebilmesi hedeflenmektedir. | Dersin İçeriği | Veri Bilimi dersinde öncelikle veri bilimine giriş yapılarak temel kavramlar, veri türleri ve veri kaynakları ele alınır. Ardından veri toplama yöntemleri ve farklı veri setleri üzerinde çalışma prensipleri öğretilir. Dersin devamında veri temizleme ve ön işleme süreçleri, eksik ve hatalı verilerin düzenlenmesi ile veri setlerinin analize uygun hale getirilmesi üzerinde durulur. Keşifsel veri analizi kapsamında verinin yapısını anlama, temel istatistiksel ölçüler ve veri görselleştirme teknikleri (grafikler, tablolar vb.) uygulanır.
Daha sonra Python programlama dili kullanılarak Pandas ve NumPy kütüphaneleri ile veri analizi süreçleri gerçekleştirilir ve veri dönüşümleri yapılır. Özellik mühendisliği kavramı tanıtılarak veriden yeni değişkenler üretme yöntemleri incelenir. Makine öğrenmesine giriş bölümünde denetimli ve denetimsiz öğrenme algoritmaları (regresyon, sınıflandırma, kümeleme) temel düzeyde ele alınır ve uygulamalar yapılır. Son olarak model değerlendirme yöntemleri anlatılır ve öğrencilerin gerçek veri setleri üzerinde proje geliştirdiği uygulamalı bir çalışma ile ders tamamlanır. | Önkoşul Dersleri | | Dersi İşleyiş Yöntemi | Yüz Yüze | DERSİN KATEGORİSİ | Dersin Kategorisi (Genel) | Katkı Düzeyi (%) | Temel/Alana Özgü Mesleki Ders | 60 | Uzmanlık/Program Dersi | 0 | Matematik ve temel bilimler | 0 | Genel Eğitim | 0 | Destek Dersi | 0 | Beceri, İletişim ve Yönetim Becerileri Dersi | 20 | Aktarılabilir Beceri Dersi | 20 |
| |
| | | | | | | | DERSİN KAZANIMLARI(Revizyon Tarihi:08.06.2026 10:21:00) | | Veri bilimi sürecinin temel aşamalarını (veri toplama, temizleme, analiz, görselleştirme ve yorumlama) açıklayabilme ve uygulayabilme | | Farklı veri kaynaklarından elde edilen verileri analiz edebilmek için uygun veri hazırlama ve ön işleme tekniklerini kullanabilme | | Veri analizi için temel istatistiksel yöntemleri ve veri odaklı düşünme yaklaşımını kullanabilme | | Veri görselleştirme tekniklerini kullanarak veriden anlamlı sonuçlar çıkarabilme ve yorumlayabilme | | Veri bilimi araçları (Python, pandas, matplotlib vb.) ile gerçek veri setleri üzerinde temel analizler gerçekleştirebilme |
| | | |
|
| |