Ders Adı Büyük veri analizinde mühendislik uygulamaları
Ders Kodu 171e099b8c8b44c9b4
Dersin Türü Zorunlu
Ders Biriminin Seviyesi Lisansüstü
Yıl Hazırlık
Dönem 1.Yarıyıl
AKTS 6
Dersi Veren(ler) 3-Muhammed Maruf Öztürk
Dersin Yardımcıları
Dersin Öğrenme Çıktıları Veri Biliminin ne olduğunu ve yetenekleri bir veri bilimcisi olmak için gerekli olanları tanımlayabilme Olasılık dağılımlarını belirleyebilme Temel istatistiksel modelleme ve analizi gerçekleştirmek için R kullanabilme Veri biliminde keşifsel veri analizinin (EDA) önemini açıklayın. Temel araçları uygulayabilme (Çizikler, grafikler, özet istatistikler) EDA'nı yürütebilme Veri Bilim Süreci ve bileşenleri arasındaki etkileşimi açıklayabilme
Ders İşleme Biçimi Yüz Yüze
-
Dersin İçeriği Bu ders öğrencileri bu hızla gelişen- Kendi alanlarındaki temel ilke ve araçların yanı sıra genel zihniyetini de kazandırmak. Öğrenciler, verilerin çeşitli yönleriyle başa çıkmak için ihtiyaç duydukları kavramları, teknikleri ve araçları öğreneceklerdir. Veri toplama ve entegrasyon, keşifsel veri analizi, tahminsel bilim uygulamaları Modelleme, tanımlayıcı modelleme, veri ürününün oluşturulması, değerlendirilmesi ve etkili iletişim. Bu konuların ele alınışındaki odağı derinlikten ziyade genişlik olacak ve ağırlık vurgu olacak Kavramların bütünleşmesi ve sentezi ve sorunların çözümüne uygulamaları üzerinde durulacaktır. Için Öğrenmeyi bağlamsal hale getirir, çeşitli disiplinlerden gelen gerçek veri setleri kullanılacaktır.
Dersin Verildiği Diller Türkçe
Dersin Hedefleri Veri bilimin temel tekniklerini öğrenmek İstatistiksel bazı yöntemlerle verilerden anlam çıkarmayı öğrenmek R aracının temel fonksiyonlarını öğrenmek Bazı makine öğrenme algoritmalarının R ile kullanımını öğrenmek
Dersin Amacı Bu dersin amacı, verilerden anlam çıkarmayı öğrenmek, bunu yaparken matematik, istatistik, makine öğrenmesi gibi alanlarda uzmanlaşmaktır.
WorkPlacement
Hafta Konular  
1 Giriş: Veri Bilimi Nedir?
2 İstatistiksel Çıkarsama
3 R'ye giriş
4 Exploratory Veri Analizi ve Veri Bilimi Süreci
5 Üç Temel Makine Öğrenme Algoritması
6 Doğrusal Regresyon
7 k-En Yakın Komşular (k-NN), kmeans
8 Uygulamalarda Bir Daha Fazla Makine Öğrenme Algoritması ve Kullanımı
9 Özellik Oluşturma ve Özellik Seçimi (Veriden Anlamı Çıkarma)
10 Öneri Sistemleri: Kullanıcıya Yönelik Veri Ürünü Oluşturma
11 Sosyal Ağ Grafikleri Madenciliği
12 Veri Görselleştirme
13 Veri görselleştirme için temel ilkeler, fikirler ve araçlar
14 Veri Bilimi ve Etik Konular
No Bölüm Öğrenme Çıktısı Katkı Düzeyi
1 Matematik ve fen bilgilerini mühendislikte uygulama becerisi kazanır. 3
2 Deney tasarlama, deney yapma, deney sonuçlarını analiz etme ve yorumlama becerisi kazanır. 4
3 İstenen gereksinimleri karşılayacak biçimde bir sistemin(donanım veya yazılım) süreçlerini tasarlayabilir. 4
4 Çok disiplinli konularda çalışabilir. 5
5 Mühendislik problemlerini tanımlama, modelleme ve çözme becerisi kazanır 5
6 Mesleki ve etik sorumluluk bilinci kazanır. 2
7 Mühendislik çözümlerinin evrensel ve ulusal boyutlarda etkilerini anlama becerisi kazanır. 4
8 Yaşam boyu öğrenmenin gerekliliği, bilinci ve bunu gerçekleştirebilme becerisi kazanır 4
9 Mühendislik uygulamaları için gerekli olan teknikleri ve modern araçları kullanma becerisi kazanır 4
10 Zaman yönetimi yapabilme ve meslek gelişimi planlayabilme becerisi kazanır. 5
11 Bilgisayar mühendisliği ile ilgili projeleri ayrıntıları ile planlayabilme becerileri kazanır. 2
12 Yenilikçi ve sorgulayıcı düşünüp sıra dışı yollar keşfedebilme becerisi kazanır 4
Yarıyıl İçi Çalışmaları Sayısı Katkı Payı
Ara Sınav 1 40
Kısa Sınav 2 30
Ödev 1 30
Devam 0 0
Uygulama 0 0
Labaratuvar 0 0
Proje 0 0
Atölye 0 0
Seminer 0 0
Arazi Çalışması 0 0
TOPLAM 100
Yıliçinin Başarıya Oranı 40
Finalin Başarıya Oranı 60
TOPLAM 100
AKTS kredilerinin belirlenmesinde öğrenci işyükü anketlerinden faydalanılmaktadır.
Etkinlik Sayısı Süresi Toplam
Ders Süresi (Sınav Haftaları Hariç) 0 0 0
Sınıf Dışı Ders Çalışma Süresi 0 0 0
Ödevler 0 0 0
Sunum 0 0 0
Proje 0 0 0
Laboratuar Çalışması 0 0 0
Arazi ya da Alan Çalışması 0 0 0
Ara Sınavlar 0 0 0
Yarıyıl Sonu Sınavı 0 0 0
İşyükü Saati (30) 0
Toplam İşyükü / Saat 0    
Dersin Akts Kredisi 0    
Ders Notu Veri bilimi yapmak. Ön çizgiden düz konuşma
Diğer Kaynaklar Jure Leskovek, Anand Rajaraman and Jeffrey Ullman. Mining of Massive Datasets. v2.1, Cambridge University Press. 2014. (free online) Mohammed J. Zaki andWagner Miera Jr. Data Mining and Analysis: Fundamental Concepts and Algorithms. Cambridge University Press. 2014.
Materyal
Dökümanlar Jiawei Han, Micheline Kamber and Jian Pei. Data Mining: Concepts and Techniques, Third Edition. ISBN 0123814790. 2011.
Ödevler
Sınavlar
Materyal Diğer
Planlanmış Öğrenme Faaliyetleri ve Öğretim Yöntemleri
Konferanslar, Uygulamalı Dersler, Sunumlar, Seminerler, Projeler, Laboratuar Uygulamaları(gerekirse)