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

School/Faculty/Institute

Gradutate School of Science and Engineering

Course Code

BDA 505

Course Title in English

Big Data Management

Course Title in Turkish

Büyük Veri Yönetimi

Language of Instruction

Type of Course

Flipped Classroom

Level of Course

Introductory

Semester

Güz

Contact Hours per Week

Lecture: 3

Recitation:

Lab:

Other:

Estimated Student Workload

174 hours per semester

Number of Credits

7.5 ECTS

Grading Mode

Standard Letter Grade

Pre-requisites

None

Expected Prior Knowledge

Querying on RDBMS systems

Co-requisites

None

Registration Restrictions

Only Graduate Students

Overall Educational Objective

To learn the basic designing relational database and big data systems.

Course Description

Big Data Analysis is the hot topic job nowadays. But it’s a big problem too. In this lesson’s aim is how to query on RDBMS and Big data ecosystems products, designing modern edition data warehouses and managing massively parallel processing data warehouse technologies on cloud platforms. We will start to ask a few questions: What’s the problem of data world. What’s the technologies? Why does this technology exist and why do I need it? How can I get the best out of it utilizing something familiar like SQL. How can I design and query on RDBMS system, Hadoop ecosystem products like Pig Latin, Hive, Spark etc. and MPP products like Azure SQL DW, AWS Redshift, Azure Stream Analytics, Big Data Lake Analytics etc.

Course Description in Turkish

Bu ders büyük veri analizine giriş olarak tasarlanmıştır. Günümüzde gittikçe önem kazanan ve aynı zamanda bir problem olarak karşımıza çıkan büyük veri yapılarının tasarlanması ve üzerinde çalışılması hedeflenmektedir. Derse bir kaç soru ile başlayacağız. Gerçek dünyanın veri dünyasındaki problemleri nelerdir ve bu problemler için hangi teknolojiler mevcuttur. Hangi problemde hangi teknolojileri ve muadillerini kullanmalıyız. Veritabanı ve büyük veri ekosistemindeki ürünlerin tasarlanması ve sorgulanması için gerekli programlama dillerinin öğrenilmesi ve ürünlerin kurulumlarının gerçekleştirilerek üzerinde gerçek dünya ile ilgili problemlerin çözümlerinin sunulması.

Course Learning Outcomes and Competences

Upon successful completion of the course, the learner is expected to be able to:
1) OLTP Sistemlerinin, bazı NoSQL Ürünlerinin ve Hadoop ürünlerinin tasarlanması ve sorgulanması.
2) Sorunlarla ilgili doğru ürünleri seçmek (diğer ürünleri karşılaştırmak).
3) Modern veri ambarı mimarisinin tasarlanması.
4) Gerçek dünya sorunları ve veri sistemleri üzerinde uygulama

Program Learning Outcomes/Course Learning Outcomes	1	2	3	4
1)
2)
3)
4)
5)
6)
7)
8)
9)
10)

Relation to Program Outcomes and Competences

N None	S Supportive	H Highly Related

	Program Outcomes and Competences	Level	Assessed by
1)		H
2)		H
3)		S
4)		S
5)		H
6)		H
7)		H
8)		N
9)		S
10)		N

Prepared by and Date	,
Course Coordinator	ÖZGÜR ÖZLÜK
Semester	Güz
Name of Instructor	Öğr. Gör. SERHAT ÇEVİKEL

Course Contents

Hafta	Konu
1)	1. Verilerin Geçmişi 1.1 OLTP Sistemlerinin Tanımı 1.2 Veri ambarı sistemlerine neden ihtiyacımız var? 1.3 Gerçek dünya sorunları (hacim, hız, çeşitlilik, değişkenlik) 2. Büyük Verinin Sağlayıcıları 2.1 Veri Dönüştürme Ürünleri 2.2 Veri Görselleştirme Ürünleri 2.3 Veri Analitiği Ürünleri 2.4 Bulut Odaklı MPP Sistemleri 2.5 Hacim Sorununa Odaklı Sağlayıcılar (Bulut Ürünleri ve Açık Kaynak) 2.6 Hız Sorununa Odaklı Sağlayıcılar (Bulut Ürünleri ve Açık Kaynak) 2.7 Çeşitli Sorun Odaklı Tedarikçiler (Bulut Ürünleri ve Açık Kaynak) 2.8 Değişkenlik Sorununa Odaklı Sağlayıcılar (Bulut Ürünleri ve Açık Kaynak) 2.9 Veri Madenciliği Sağlayıcıları (Bulut Ürünleri ve Açık Kaynak) 2.10 Otomatik Raporlama Ürünleri
2)	2. Veri Depolama ve İş Zekası İçgörüleri 2.1 Veri ambarının tasarlanması ve uygulanması 2.3 Veri Erişimi ve Dönüşüm Katmanının (ETL) Geliştirilmesi 2.4 Raporlama Katmanı 2.5 Analitik Katmanı 2.6 Veri Kalitesi Çözümleri Oluşturmak 2.6 Veri ambarı için senaryolar ve çözümler
3)	3. OLTP Sistemlerinde Tasarlama ve Sorgulama 3.1 Veritabanı Tasarımı 3.2 SQL Sorgusunu Öğrenmek (CRUD İşlemleri) 3.3 Mantıksal Sorgu İşleme 3.3 Programlanabilir SQL Nesneleri 3.4 Toplamalar ve Analiz 3.5 Sorgu Optimizasyonu ve Bellek İçi Tabloları Anlamak 3.6 İş Zekası Uygulayıcıları için T-SQL
4)	4. ETL Katmanını Tasarlama 4.1 Entegrasyon Hizmetlerine Giriş 4.2 Kontrol Akışı ve Veri Akışı Görevlerinin Öğrenme Öğeleri Listesi 4.3 Değişkenleri, Parametreleri ve İfadeleri Kullanmak 4.4 Hata ve Olay İşleme 4.3 Gerçek Dünyanın Kirli Verileriyle Veri Temizleme Demoları 4.4 ETL paketi izleme ve optimizasyonu 4.5 Özel Tasarım Senaryoları
5)	3. Hadoop'ta SQL 5.1 Hadoop Ekosistemlerine ve Azure HDInsight'a Giriş 5.2 Kovan Mimarisi ve İlkeleri 5.4 Hive Sorgu Dili Kullanılarak Veri Tanımı, Açıklama ve Seçimi 5.3 Hive Kullanarak Gelişmiş Veri Analizi
6)	3. Gerçek Zamanlı Analiz 3.7 Gerçek Zamanlı Analitiklerin Tanımı 3.2 Verileri Event Hub'lara Alma 3.8 Azure Event Hub ve Stream Analytics'in avantajları ve kullanım örnekleri 3.4 Azure Stream Analytics'te Sorgulama 3.5 Örnek Olay İncelemesi: Gerçek Zamanlı Sosyal Medya Analizi 3.6 Power BI'da Veri Akışı için Veri Görselleştirme
7)	4. Yapılandırılmamış Verilerle Çalışmak 4.1 Pig'in mantığını anlamak 4.2 Değerlendirme ve Filtre Fonksiyonlarının Yazılması 4.3 Pig Latince Komut Dosyalarının Geliştirilmesi ve Test Edilmesi 4.4 Gerçek Dünya Senaryoları: Dizi Analizi
8)	5. Devasa Paralel İşleme Ürünleri 5.1 MPP Sistemlerine Giriş 5.2 Amazon Veri Ambarı ve Amazon Redshift Entegrasyon Projeleri 5.3 Azure Veri Ambarına Genel Bakış
9)	5. Devasa Paralel İşleme Ürünleri 5.4 MPP Sistemlerinde Veri Tasarlama ve Sorgulama 5.5 Amazon Redshift ve Azure SQL Veri Ambarı için Ölçeklenebilirlik ve esneklik
10)	6. Veri Görselleştirme 6.1 Görselleştirme ve Kontrol Paneli Mimarisi Oluşturma 6.2 Microsoft Power BI ile Görsel Analiz 6.3 Qlikview kullanarak Bellek İçi Analiz
11)	6. İleri Analitik 6.4 Azure Machine Learning'e başlarken 6.5 Azure ML Studio'yu Kullanma
12)	6. İleri Analitik 6.6 ML Studio'ya Veri Alma ve Çıkarma 6.7 AWS Machine Learning ve Azure Machine Learning karşılaştırması 6.8 R Komut Dosyasını Kullanarak SQL Server 2016'da Gelişmiş Analiz
13)	8. Büyük Veri Gölü Analitiği 8.1 Veri Gölü İhtiyacı 8.2 ADLA, Hadoop sistemlerini tamamlar
14)	8. Büyük Veri Gölü Analitiği 8.3 U-SQL ile C# Kullanımı
15)	Proje/Sunum Dönemi
16)	Proje/Sunum Dönemi

Required/Recommended Readings

None

Teaching Methods

Flipped Classroom/Exercise/Laboratory/Project

Homework and Projects

Students are required to complete a portfolio to be able to enter the final exam

Laboratory Work

There will be laboratory session

Computer Use

Required

Other Activities

None

Assessment Methods

Assessment Tools	Count	Weight
Küçük Sınavlar	8	% 20
Ödev	1	% 30
Projeler	1	% 10
Final	1	% 40
TOTAL		% 100

Course Administration

02123953600

ECTS Student Workload Estimation

Activity	No/Weeks	Hours			Calculation
	No/Weeks per Semester	Preparing for the Activity	Spent in the Activity Itself	Completing the Activity Requirements
Ders Saati	14	2	1.5		49
Laboratuvar	14	2	1.5		49
Ödevler	9	2	1		27
Ara Sınavlar	1	30			30
Final	1	30	3		33
Total Workload					188
Total Workload/25					7.5
ECTS					7.5