Büyük Veri Analitiği (İngilizce) (Tezsiz) | |||||
Yüksek Lisans | Programın Süresi: 1.5 | Kredi Sayısı: 90 | TYYÇ: 7. Düzey | QF-EHEA: 2. Düzey | EQF: 7. Düzey |
School/Faculty/Institute | Gradutate School of Science and Engineering | ||||
Course Code | BDA 564 | ||||
Course Title in English | End-To-End Big Data Analytics | ||||
Course Title in Turkish | Uçtan Uca Büyük Veri Analitiği | ||||
Language of Instruction | EN | ||||
Type of Course | Flipped Classroom | ||||
Level of Course | Select | ||||
Semester | Summer School | ||||
Contact Hours per Week |
|
||||
Estimated Student Workload | 172 hours per semester | ||||
Number of Credits | 10 ECTS | ||||
Grading Mode | Standard Letter Grade | ||||
Pre-requisites | None | ||||
Expected Prior Knowledge | None | ||||
Co-requisites | None | ||||
Registration Restrictions | Only Graduate Students | ||||
Overall Educational Objective | To learn and apply the fundamentals and techniques of end-to-end big data analytics with hands-on applications. | ||||
Course Description | This course comprehensively addresses the fundamental concepts, methods, and applications of big data analytics. It thoroughly examines all stages of the process, from data collection and processing to analysis and interpretation of results. Students will gain the ability to extract valuable information from large data sets by learning data mining, machine learning, artificial intelligence, and statistical analysis techniques. | ||||
Course Description in Turkish | Bu yüksek lisans dersi, büyük veri analitiğinin temel kavramlarını, yöntemlerini ve uygulamalarını kapsamlı bir şekilde ele alır. Kurs, veri toplamadan işlemeye, analizden sonuçların yorumlanmasına kadar olan süreçlerin tüm aşamalarını detaylı bir şekilde inceler. Öğrenciler, veri madenciliği, makine öğrenimi, yapay zeka ve istatistiksel analiz tekniklerini öğrenerek büyük veri setlerinden değerli bilgiler çıkarma becerisini kazanacaklardır. |
Course Learning Outcomes and CompetencesUpon successful completion of the course, the learner is expected to be able to:1) Anlamlı bilgiler elde etmek için büyük veri kümelerini analiz etmek, istatistiksel yöntemleri ve makine öğrenimi algoritmalarını kullanma konusunda güçlü bir yeterlilik geliştirmek 2) Sınıfta öğrenilen teorilerin pratik uygulamasını mümkün kılan endüstri standardı büyük veri araçları ve platformlarıyla uygulamalı deneyim kazanmak 3) Büyük veri zorluklarıyla ilgili karmaşık problem çözme senaryolarına katılarak, yenilikçi çözümler geliştirme yeteneğini teşvik ederek eleştirel düşünme yeteneklerini geliştirmek 4) Karmaşık analitik sonuçları hem teknik hem de teknik olmayan izleyicilere etkili bir şekilde iletmeyi öğrenerek veri görselleştirme becerileri kazanmak 5) Bu alanda sorumlu uygulama için gerekli olan veri gizliliği ve güvenliği de dahil olmak üzere büyük veri analitiğinde etik ve yasal hususlara ilişkin bir anlayış geliştirmek |
Program Learning Outcomes/Course Learning Outcomes | 1 | 2 | 3 | 4 | 5 |
---|---|---|---|---|---|
1) | |||||
2) | |||||
3) | |||||
4) | |||||
5) | |||||
6) | |||||
7) | |||||
8) | |||||
9) | |||||
10) |
N None | S Supportive | H Highly Related |
Program Outcomes and Competences | Level | Assessed by | |
1) | H | ||
2) | H | ||
3) | H | ||
4) | H | ||
5) | S | ||
6) | S | ||
7) | S | ||
8) | H | ||
9) | S | ||
10) | S |
Prepared by and Date | , |
Course Coordinator | ÖZGÜR ÖZLÜK |
Semester | Summer School |
Name of Instructor | Dr. Öğr. Üyesi TUNA ÇAKAR |
Hafta | Konu |
1) | ● Büyük Veri kavramlarına genel bakış ve modern dünyadaki önemi. ● Büyük Verideki temel zorlukların ve fırsatların tartışılması. |
2) | ● Çeşitli kaynaklardan büyük veri toplama teknikleri. ● Veri temizleme, dönüştürme ve ön işleme yöntemleri. |
3) | ● Farklı veri depolama çözümlerini (SQL, NoSQL) anlama. ● Veri ambarı ve veritabanı yönetiminin ilkeleri. |
4) | ● Veri analitiğinde istatistiksel analizin temelleri. ● İstatistiksel yazılım ve araçlara giriş. |
5) | ● Makine öğreniminin temel kavramları ve türleri: denetimli ve denetimsiz öğrenme. ● Basit makine öğrenimi algoritmaları ve uygulamaları. |
6) | ● Gelişmiş makine öğrenimi modellerini keşfetme. ● Büyük veri senaryolarında makine öğreniminin uygulanması. |
7) | ● Büyük veride yapay zekanın rolü. ● Örüntü tanıma ve tahmine dayalı modelleme için yapay zeka teknikleri. |
8) | ● Hadoop, Spark vb. gibi büyük veri teknolojilerine giriş. ● Büyük veri araçlarıyla uygulamalı alıştırmalar. |
9) | ● Etkili veri görselleştirmenin ilkeleri. ● Büyük veriyi görselleştirmek için Tableau, PowerBI gibi araçların kullanımı. |
10) | ● Gerçek zamanlı veri işleme teknikleri. ● Akış işleme çerçeveleri ve uygulamaları. |
11) | ● Bulut bilişimin büyük veri analitiğiyle entegrasyonu. ● Veri analitiği için bulut platformlarının araştırılması. |
12) | ● Veri gizliliği, güvenliği ve büyük verilerde etik sonuçlar. ● Yasal çerçeveleri ve uyumluluk sorunlarını anlamak. |
13) | ● Sağlık, finans ve perakende gibi farklı sektörlerden vaka çalışmaları. ● Büyük veri analitiğinin işletmeleri nasıl dönüştürdüğüne ilişkin tartışma. |
14) | ● Öğrenilen temel kavramların ve tekniklerin gözden geçirilmesi. ● Ortaya çıkan trendler ve büyük veri analitiğinin geleceği üzerine tartışma. |
15) | Proje/Sunum Haftası |
16) | Proje/Sunum Dönemi |
Required/Recommended Readings | None | ||||||||||||
Teaching Methods | Flipped classroom/Exercise/Laboratory/Active learning | ||||||||||||
Homework and Projects | Students will be given 5 assignments: one assignment each week from week #2 to week #7. Each assignment will include numerical applications of the methods or models that will be taught in class. Students will have one week to submit an assignment. | ||||||||||||
Laboratory Work | Students will apply the methods they learned using a statistical computation program. | ||||||||||||
Computer Use | Students will apply the methods they learned using a statistical computation program. | ||||||||||||
Other Activities | None | ||||||||||||
Assessment Methods |
|
||||||||||||
Course Administration |
cakart@mef.edu.tr 02123953600 |
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 | 1 | 63 | ||
Laboratuvar | 14 | 2 | 1.5 | 1 | 63 | ||
Ödevler | 5 | 12 | 60 | ||||
Total Workload | 186 | ||||||
Total Workload/25 | 7.4 | ||||||
ECTS | 10 |