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 564 | ||||
| Ders Adı İngilizce | End-To-End Big Data Analytics | ||||
| Ders Adı Türkçe | Uçtan Uca Büyük Veri Analitiği | ||||
| Öğretim Dili | EN | ||||
| Ders Türü | Ters-Yüz Öğrenme | ||||
| Dersin Düzeyi | Seçiniz | ||||
| Dönem | Yaz Okulu | ||||
| Haftalık İletişim Saatleri |
|
||||
| Tahmini Öğrenci İş Yükü | Dönem boyunca 186 saat | ||||
| Ders Kredileri | 10 AKTS | ||||
| Değerlendirme | Standart Harf Notu | ||||
| Ön Koşul | Yok | ||||
| Yan Koşul | Yok | ||||
| Beklenen Ön Bilgi | Yok | ||||
| Kayıt Kısıtlamaları | Sadece Yüksek Lisans Öğrencileri | ||||
| Genel Eğitim Hedefi | Uygulamalı uygulamalarla uçtan uca büyük veri analitiğinin temellerini ve tekniklerini öğrenmek ve uygulamak. | ||||
| Ders Açıklaması | 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. |
Ders Öğrenme Çıktıları ve YeterliliklerBu dersi başarıyla tamamlayabilen öğrenciler: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 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. | H | |
| 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. | S | |
| 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. | H | |
| 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. | S |
| Hazırlayan ve Tarih | , |
| Ders Koordinatörü | ÖZGÜR ÖZLÜK |
| Dönem | Yaz Okulu |
| Dersi Veren(ler) | Dr. Öğr. Üyesi TUNA ÇAKAR |
Ders İçeriği
| 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 |
| Gerekli/Tavsiye Edilen Okumalar | Yok | ||||||||||||
| Öğretme Teknikleri | Flipped sınıf/Uygulama/Laboratuvar/Aktif öğrenme | ||||||||||||
| Ödev ve Projeler | Öğrencilere 5 ödev verilecektir: 2. haftadan 7. haftaya kadar her hafta bir ödev. Her ödev sınıfta öğretilecek yöntem veya modellerin sayısal uygulamalarını içerecektir. Öğrencilere ödev teslimi için bir hafta süre verilecektir. | ||||||||||||
| Laboratuvar Çalışması | Öğrenciler öğrendikleri yöntemleri istatistiksel bir hesaplama programı kullanarak uygulayacaklardır. | ||||||||||||
| Bilgisayar Kullanımı | Öğrenciler öğrendikleri yöntemleri istatistiksel bir hesaplama programı kullanarak uygulayacaklardır. | ||||||||||||
| Diğer Aktiviteler | Yok | ||||||||||||
| Değerlendirme Yöntemleri |
|
||||||||||||
| Ders Yönetimi |
cakart@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 | 1 | 63 | ||
| Laboratuvar | 14 | 2 | 1.5 | 1 | 63 | ||
| Ödevler | 5 | 12 | 60 | ||||
| Toplam İş Yükü | 186 | ||||||
| Toplam İş Yükü/25 | 7.4 | ||||||
| AKTS | 10 | ||||||