|
|
| YZLM5130 | Veri Bilimi Ve Analitiği | 3+0+0 | AKTS:7.5 | | Yıl / Yarıyıl | Bahar Dönemi | | Ders Duzeyi | Yüksek Lisans(Tezli) | | Yazılım Şekli | Seçmeli | | Bölümü | YAZILIM MÜHENDİSLİĞİ ANABİLİM DALI | | Ön Koşul | Yok | | Eğitim Sistemi | Yüz yüze | | Dersin Süresi | 14 hafta - haftada 3 saat teorik | | Öğretim Üyesi | Doç. Dr. Özcan ÖZYURT | | Diğer Öğretim Üyesi | | | Öğretim Dili | Türkçe | | Staj | Yok | | | | Dersin Amacı: | | Bu ders, öğrencilere veri bilimi ve analitiği alanında temel ve ileri düzey konseptleri öğretmeyi amaçlar. Python programlama dili kullanılarak veri toplama, işleme, analiz etme ve sonuçları yorumlama becerileri kazandırmayı hedefler. Öğrenciler, gerçek dünya verileri üzerinde çalışarak veri odaklı karar alma süreçlerini destekleyecek pratik uygulama ve analitik düşünme yeteneklerini geliştireceklerdir.
|
| Program Kazanımları | BPKK | ÖY | | Bu dersi başarı ile tamamlayan öğrenciler : | | | | PK - 1 : | Veri toplama, işleme, analiz etme ve sonuçları yorumlaya süreçlerini anlar
| 1,4 | 1,3, | | PK - 2 : | Veri temizleme, ön işleme ve sayısal işlemlerin nasıl yapıldığı bilir
| 1,4 | 1,3, | | PK - 3 : | Verileri görselleştirebilir | 1,4 | 1,3, | | PK - 4 : | Veri setlerini anlar, istatistiksel ve keşifçi veri analizleri yapabilir | 1,4 | 1,3, | | PK - 5 : | Makine öğrenmesi, derin öğrenme, zaman serisi analizi, metin madenciliği ve doğal dil işleme gibi alanlarda analizler yapabilir. | 1,4 | 1,3, | | BPKK :Bölüm program kazanımlarına katkı, ÖY : Ölçme ve değerlendirme yöntemi (1: Yazılı Sınav, 2: Sözlü Sınav, 3: Ev Ödevi, 4: Laboratuvar Çalışması/Sınavı, 5: Seminer / Sunum, 6: Dönem Ödevi / Proje),PK : Öğrenim Kazanımı | | |
| Veri Bilimi ve Analitiğine Giriş, Python Programlama Temelleri, Pandas ile Veri Temizleme ve Ön İşleme, Numpy ile Sayısal İşlemler, Matplotlib ve Seaborn ile Veri Görselleştirme, Veri Setlerini Anlama, İstatistiksel Analizler, Scikit-learn ile Makine Öğrenmesine Giriş, Sınıflandırma, Regresyon, Kümeleme, Tensorflow ve Keras ile Temel Derin Öğrenme, Pandas ve Statsmodels ile Zaman Serisi Analizi, Python ile Metin Ön İşleme, Konu Modelleme, Sentiment Analizi, PySpark ile Büyük Veri İşleme ve Analizi, Veri Bilimi Projeleri için İyi Uygulamalar, Gerçek Dünya Veri Bilimi Projeleri
|
| |
| Haftalık Detaylı Ders İçeriği | | Hafta | Detaylı İçerik | Önerilen Kaynak | | Hafta 1 | Giriş ve Python Programlama Temelleri | | | Hafta 2 | Pandas ile Veri Temizleme ve Ön İşleme | | | Hafta 3 | Numpy ile Sayısal İşlemler | | | Hafta 4 | Matplotlib ve Seaborn ile Veri Görselleştirme | | | Hafta 5 | Keşifçi Veri Analizi | | | Hafta 6 | Scikit-learn ile Makine Öğrenmesine Giriş | | | Hafta 7 | Sınıflandırma Algoritmaları | | | Hafta 8 | Regresyon Algoritmaları | | | Hafta 9 | Ara sınav | | | Hafta 10 | Kümeleme Teknikleri | | | Hafta 11 | Tensorflow ve Keras ile Temel Derin Öğrenme | | | Hafta 12 | Zaman Serisi Analizi | | | Hafta 13 | Python ile Metin Ön İşleme ve NLP | | | Hafta 14 | PySpark ile Büyük Veri İşleme ve Analizi | | | Hafta 15 | Veri Bilimi Projeleri için İyi Uygulamalar ve Gerçek Dünya Uygulamaları (Ödev sunumları) | | | Hafta 16 | Dönem Sonu Sınavı | | | |
| 1 | McKinney, W. 2022, Python for Data Analysis, 3E, O'Reilly, USA.
| | | |
| 1 | Geron, A. 2019, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition, O'Relly, USA. | | | |
| Ölçme Yöntemi | | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | | Arasınav | 9 | | | 30 | | Ödev | 15 | | | 20 | | Dönem sonu sınavı | 16 | | | 50 | | |
| Öğrenci Çalışma Yükü | | İşlem adı | Haftalık süre (saat) | Hafta sayısı | Dönem toplamı | | Yüz yüze eğitim | 14 | 3 | 42 | | Sınıf dışı çalışma | 4 | 14 | 56 | | Arasınav için hazırlık | 12 | 1 | 12 | | Arasınav | 2 | 1 | 2 | | Ödev | 5 | 14 | 70 | | Dönem sonu sınavı için hazırlık | 15 | 1 | 15 | | Dönem sonu sınavı | 3 | 1 | 3 | | Toplam Çalışma Yükü | | | 200 |
|