Bilgi Paketi / Ders Kataloğu
| Bilgisayar Bilimleri ve Mühendisliği Doktora (İngilizce) | |||||
| Doktora | Programın Süresi: 4 | Kredi Sayısı: 240 | TYYÇ: 8. Düzey | QF-EHEA: 3. Düzey | EQF: 8. Düzey |
Ders Genel Tanıtım Bilgileri
| Yüksekokul/Myo/Fakülte/Enstitü | Lisansüstü Eğitim Enstitüsü | ||||||
| Ders Kodu | CSE 602 | ||||||
| Ders Adı İngilizce | Advanced Data Science and Engineering | ||||||
| Ders Adı Türkçe | İleri Veri Bilimi ve Mühendisliği | ||||||
| Öğretim Dili | EN | ||||||
| Ders Türü | Ters-Yüz Öğrenme | ||||||
| Dersin Düzeyi | İleri | ||||||
| Dönem | Bahar | ||||||
| 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 | Yok | ||||||
| Kayıt Kısıtlamaları | Sadece Doktora Öğrencileri | ||||||
| Genel Eğitim Hedefi | İleri veri bilimi ve mühendislik yöntemlerini ve yeni hibrit modeller tarafından belirlenen büyük veriler üzerinde akıllı sistemlerin nasıl oluşturulacağını ve uygulanacağını öğrenmek. | ||||||
| Ders Açıklaması | Bu ders temel olarak veri bilimi ve mühendisliğinde yaygın olarak kullanılan ileri metotları öğretmek için tasarlanmıştır. Bu ders, büyük veri analitiği, keşifsel veri analizi ve zenginleştirilmiş görselleştirme, ileri yapay öğrenme ve derin öğrenmeye kapsamlı bir yaklaşım sağlar. Ders içeriği, yapay zekanın farklı alt dallarında yaygın olarak kullanılan algoritmalarla ilgili matematiksel temellere özel bir vurgu yapmaktadır. Ayrıca mimari kararlar, ilgili algoritmaları uygulama, model performansını artırmak için uygun değerlendirme ölçütlerini seçme ve ölçeklenebilirlik dahil olmak üzere pratik uygulamalara vakalar üzerinden giriş sağlanacaktır. |
Ders Öğrenme Çıktıları ve YeterliliklerBu dersi başarıyla tamamlayabilen öğrenciler:1) Veri kümesindeki kalıpları araştırmak için büyük veri tabanlı makine öğrenimi ve yapay zeka algoritmalarını uygulamak 2) Büyük verilerde gelecekteki eğilimi tahmin etmek için gelişmiş sınıflandırma ve kümeleme yöntemlerini uygulamak 3) Büyük veriler için veri bilimi yöntemlerinin performansını değerlendirmek 4) Büyük veriler için hibrit veri işleme yöntemleri tasarlamak ve oluşturmak 5) Raporlar ve sunumlar aracılığıyla etkili iletişim kurun 6) Verileri analiz edin, yorumlayın ve sonuç çıkarmak için analitik düşünmeyi kullanmak 7) Gerektiğinde yeni bilgiler edinmek ve uygulamak |
| Program Öğrenme Çıktıları/Ders Öğrenme Çıktıları | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
|---|
Program Sonuçları ve Yeterliliklerle İlişkisi
| N Yok | S Destekleyici | H Çok İlgili |
| Program Çıktıları ve Yeterlilikler | Düzey | Değerlendirme |
| Hazırlayan ve Tarih | , |
| Ders Koordinatörü | İLKER BEKMEZCİ |
| Dönem | Bahar |
| Dersi Veren(ler) | Prof. Dr. İLKER BEKMEZCİ |
Ders İçeriği
| Hafta | Konu |
| 1) | Büyük veri ön işleme ve kalite hususları |
| 2) | Veri yoğun hesaplamanın hesaplama karmaşıklığı |
| 3) | Büyük veri problemlerinin çözümüne yönelik algoritmaların tasarımında yenilikçi yöntemler |
| 4) | Büyük verinin temsili, modellenmesi ve görselleştirilmesi |
| 5) | Büyük verinin saklanması ve yönetimi, |
| 6) | Büyük veriye yönelik Veri Madenciliği yöntemleri ve yaklaşımları |
| 7) | Büyük veritabanına dayalı makine öğrenimi |
| 8) | Büyük veri tabanına dayalı karar verme |
| 9) | Büyük verinin istatistiksel hesaplanması |
| 10) | Büyük verilerin grafik-teorik hesaplanması |
| 11) | Büyük verinin optimizasyonu |
| 12) | Büyük veride yeni uygulamalar |
| 13) | Büyük veri için yeni hibrit yöntemler |
| 14) | Büyük veriye yönelik yeni yaklaşımlar ve yeni trendler |
| 15) | Proje/Sunum Dönemi |
| 16) | Proje/Sunum Dönemi |
| Gerekli/Tavsiye Edilen Okumalar | Journal of Data Science and Engineering, Springer | |||||||||||||||
| Öğretme Teknikleri | Flipped öğrenme. Öğrenciler uygulamalı ödevler için bireysel olarak çalışıcaklar. | |||||||||||||||
| Ödev ve Projeler | Ödev | |||||||||||||||
| Laboratuvar Çalışması | Yok | |||||||||||||||
| Bilgisayar Kullanımı | Gerekli | |||||||||||||||
| Diğer Aktiviteler | Yok | |||||||||||||||
| Değerlendirme Yöntemleri |
|
|||||||||||||||
| Ders Yönetimi |
karahocaa@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 | 3 | 2 | 98 | ||
| Laboratuvar | 7 | 0 | 3 | 1 | 28 | ||
| Ödevler | 3 | 10 | 30 | ||||
| Ara Sınavlar | 1 | 10 | 3 | 13 | |||
| Final | 1 | 16 | 3 | 19 | |||
| Toplam İş Yükü | 188 | ||||||
| Toplam İş Yükü/25 | 7.5 | ||||||
| AKTS | 7.5 | ||||||