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 564

Course Title in English

End-To-End Big Data Analytics

Course Title in Turkish

Uçtan Uca Büyük Veri Analitiği

Language of Instruction

Type of Course

Flipped Classroom

Level of Course

Select

Semester

Summer School

Contact Hours per Week

Lecture: 3

Recitation:

Lab:

Other:

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 Competences

Upon 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)

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)		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

Course Contents

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

Assessment Tools	Count	Weight
Ödev	5	% 50
Final	1	% 50
TOTAL		% 100

Course Administration

cakart@mef.edu.tr
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	1	63
Laboratuvar	14	2	1.5	1	63
Ödevler	5	12			60
Total Workload					186
Total Workload/25					7.4
ECTS					10