Bilgi Paketi / Ders Kataloğu
| Büyük Veri Analitiği (İngilizce) (Tezsiz) | |||||
| Yüksek Lisans | Programın Süresi: 1.5 | Kredi Sayısı: 90 | TYYÇ: 7. Düzey | QF-EHEA: 2. Düzey | EQF: 7. Düzey |
Ders Genel Tanıtım Bilgileri
| Yüksekokul/Myo/Fakülte/Enstitü | Lisansüstü Eğitim Enstitüsü | ||||
| Ders Kodu | BDA 503 | ||||
| Ders Adı İngilizce | Data Analytics Essentials | ||||
| Ders Adı Türkçe | Veri Analitiğinin Temelleri | ||||
| Öğretim Dili | EN | ||||
| Ders Türü | Ters-Yüz Öğrenme | ||||
| Dersin Düzeyi | Başlangıç | ||||
| Dönem | Güz | ||||
| Haftalık İletişim Saatleri |
|
||||
| Tahmini Öğrenci İş Yükü | Dönem boyunca 188 saat | ||||
| Ders Kredileri | 7.5 AKTS | ||||
| Değerlendirme | Standart Harf Notu | ||||
| Ön Koşul | Yok | ||||
| Yan Koşul | Yok | ||||
| Beklenen Ön Bilgi | Temel olasılık bilgisi | ||||
| Kayıt Kısıtlamaları | Sadece Yüksek Lisans Öğrencileri | ||||
| Genel Eğitim Hedefi | Grafiksel ve niceliksel araçlar aracılığıyla verileri özetleyerek, dilimleyerek/parçalayarak ve analiz ederek verileri keşfetmek için modern araçları kullanarak temel veri analitiği sürecini mevcut uygulamalarla öğrenmek. | ||||
| Ders Açıklaması | Bu ders veri analitiğinin temellerini inceleyen bir ders olarak tasarlanmıştır. Araştırma amaçlı veri analitiği verinin altında yatan yapılanmayı anlamaya, veri seti hakkında sezgi geliştirmeye, verinin nasıl ortaya çıkıp, nasıl hazırlandığını düşünmeye ve formal istatistiki metotlarla nasıl derinlemesine incelenebileceğine odaklanır. |
Ders Öğrenme Çıktıları ve YeterliliklerBu dersi başarıyla tamamlayabilen öğrenciler:1) Bir veri kümesine soru sormak 2) Bir veri kümesini kullanılabilir bir formata dönüştürün ve onunla ilgili sorunları düzeltmek 3) Verileri keşfetmek, içindeki kalıpları bulmak ve bu verilerle ilgili sezgiler oluşturmak 4) Sonuç çıkarmak ve/veya tahminlerde bulunmak 5) Bulgularınızı iletin bilgisayar tabanlı istatistiksel ve analitik araçları kullanma |
| Program Öğrenme Çıktıları/Ders Öğrenme Çıktıları | 1 | 2 | 3 | 4 | 5 |
|---|---|---|---|---|---|
| 1) Lisans derecesi sırasında edinilen beceriler üzerine inşa edilen, makine öğrenimiyle ilgili büyük veri analitiği alanında geliştirilmiş ve derinleştirilmiş bir uzmanlık düzeyi. | |||||
| 2) Makine öğrenimiyle ilgili istatistik, hesaplama ve bilgisayar bilimi alanlarında derinlemesine teorik ve pratik bilgi uygulanmıştır. | |||||
| 3) Makine öğreniminde kullanılan analiz ve modelleme yöntemleri ve bunların sınırlamaları hakkında kapsamlı bilgi. | |||||
| 4) Analitik, modelleme ve deneye dayalı keşifsel araştırma tasarlama ve gerçekleştirme; bu süreçte karşılaşılan karmaşık durumlara çözümler üretme ve sonuçları yorumlama becerisi. | |||||
| 5) Analitik süreci ve sonuçlarını makine öğrenimi alanı içinde veya dışında ulusal ve uluslararası platformlarda hem sözlü hem de yazılı olarak tanımlayabilme. | |||||
| 6) Makine öğrenimi, işleme, kullanım, yorumlama ve yayma aşamaları ve ilgili tüm mesleki faaliyetlerle ilgili sosyal, bilimsel ve etik değerlerin farkında olma. | |||||
| 7) Makine öğrenimi alanındaki yeni ve ortaya çıkan uygulamalar hakkında profesyonel farkındalık ve bunların kullanımlarını gösterme becerisi. | |||||
| 8) Çok disiplinli takımlarda lider olarak hareket etme, karmaşık durumlara büyük veri odaklı çözümler geliştirme yeteneği; sorumluluk almak. | |||||
| 9) Avrupa Dil Portföyü Genel Seviye B2'de hem sözlü hem de yazılı olarak İngilizce iletişim kurabilme yeteneği. | |||||
| 10) Makine öğrenimi uygulamalarının sosyal ve çevresel yönlerini anlama. |
Program Sonuçları ve Yeterliliklerle İlişkisi
| N Yok | S Destekleyici | H Çok İlgili |
| Program Çıktıları ve Yeterlilikler | Düzey | Değerlendirme | |
| 1) | Lisans derecesi sırasında edinilen beceriler üzerine inşa edilen, makine öğrenimiyle ilgili büyük veri analitiği alanında geliştirilmiş ve derinleştirilmiş bir uzmanlık düzeyi. | H | |
| 2) | Makine öğrenimiyle ilgili istatistik, hesaplama ve bilgisayar bilimi alanlarında derinlemesine teorik ve pratik bilgi uygulanmıştır. | S | |
| 3) | Makine öğreniminde kullanılan analiz ve modelleme yöntemleri ve bunların sınırlamaları hakkında kapsamlı bilgi. | H | |
| 4) | Analitik, modelleme ve deneye dayalı keşifsel araştırma tasarlama ve gerçekleştirme; bu süreçte karşılaşılan karmaşık durumlara çözümler üretme ve sonuçları yorumlama becerisi. | H | |
| 5) | Analitik süreci ve sonuçlarını makine öğrenimi alanı içinde veya dışında ulusal ve uluslararası platformlarda hem sözlü hem de yazılı olarak tanımlayabilme. | S | |
| 6) | Makine öğrenimi, işleme, kullanım, yorumlama ve yayma aşamaları ve ilgili tüm mesleki faaliyetlerle ilgili sosyal, bilimsel ve etik değerlerin farkında olma. | H | |
| 7) | Makine öğrenimi alanındaki yeni ve ortaya çıkan uygulamalar hakkında profesyonel farkındalık ve bunların kullanımlarını gösterme becerisi. | S | |
| 8) | Çok disiplinli takımlarda lider olarak hareket etme, karmaşık durumlara büyük veri odaklı çözümler geliştirme yeteneği; sorumluluk almak. | N | |
| 9) | Avrupa Dil Portföyü Genel Seviye B2'de hem sözlü hem de yazılı olarak İngilizce iletişim kurabilme yeteneği. | S | |
| 10) | Makine öğrenimi uygulamalarının sosyal ve çevresel yönlerini anlama. | N |
| Hazırlayan ve Tarih | , |
| Ders Koordinatörü | ÖZGÜR ÖZLÜK |
| Dönem | Güz |
| Dersi Veren(ler) | Prof. Dr. ÖZGÜR ÖZLÜK |
Ders İçeriği
| Hafta | Konu |
| 1) | Veri Bilimine Giriş |
| 1) | Veri Bilimine Giriş |
| 2) | R'nin Temelleri |
| 3) | R'nin Temelleri |
| 4) | Veri Tartışması |
| 5) | Veri Tartışması |
| 6) | Veri Tartışması |
| 7) | Veri Analizi (tek değişken) |
| 8) | Veri Analizi (iki değişken) |
| 9) | Veri Analizi (çok değişkenli) |
| 10) | Veri Analizi (parametrik olmayan) |
| 11) | Veri goruntuleme |
| 12) | Veri goruntuleme |
| 13) | Veri goruntuleme |
| 14) | Son İnceleme |
| 15) | Proje/sunum Dönemi |
| 16) | Proje/Sunum Dönemi |
| Gerekli/Tavsiye Edilen Okumalar | Yok | ||||||||||||||||||
| Öğretme Teknikleri | Flipped sınıf/Uygulama/Laboratuvar/Aktif öğrenme | ||||||||||||||||||
| Ödev ve Projeler | Öğrencilerin final sınavına girebilmeleri için bir portfolyo doldurmaları gerekmektedir. | ||||||||||||||||||
| Laboratuvar Çalışması | Öğrenciler R kullanarak öğrendikleri yöntemleri laboratuvar saatlerinde uygulayacak | ||||||||||||||||||
| Bilgisayar Kullanımı | Öğrenciler R kullanarak öğrendikleri yöntemleri laboratuvar saatlerinde uygulayacak | ||||||||||||||||||
| Diğer Aktiviteler | Yok | ||||||||||||||||||
| Değerlendirme Yöntemleri |
|
||||||||||||||||||
| Ders Yönetimi |
orbayb@mef.edu.tr 02123953600 |
||||||||||||||||||
AKTS Öğrenci İş Yükü Tahmini
| AKtivite | Hafta Sayısı | Saat | Hesaplama | ||||
| Yarıyıl Başına Hafta Sayısı | Etkinliğe Hazırlık | Etkinliğin Kendisinde Harcanan | Etkinlik Gereksinimlerini Tamamlama | ||||
| Ders Saati | 14 | 2 | 1.5 | 49 | |||
| Laboratuvar | 14 | 2 | 1.5 | 49 | |||
| Proje | 9 | 2 | 1 | 27 | |||
| Ara Sınavlar | 1 | 30 | 30 | ||||
| Final | 1 | 30 | 3 | 33 | |||
| Toplam İş Yükü | 188 | ||||||
| Toplam İş Yükü/25 | 7.5 | ||||||
| AKTS | 7.5 | ||||||