| |
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. |
H |
|
| 3) |
Makine öğreniminde kullanılan analiz ve modelleme yöntemleri ve bunların sınırlamaları hakkında kapsamlı bilgi. |
S |
|
| 4) |
Analitik, modelleme ve deneye dayalı keşifsel araştırma tasarlama ve gerçekleştirme; bu süreçte karşılaşılan karmaşık durumlara çözümler üretme ve sonuçları yorumlama becerisi. |
S |
|
| 5) |
Analitik süreci ve sonuçlarını makine öğrenimi alanı içinde veya dışında ulusal ve uluslararası platformlarda hem sözlü hem de yazılı olarak tanımlayabilme. |
H |
|
| 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. |
H |
|
| 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 |
|
| 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 |
Bilgi Paketi / Ders Kataloğu