GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| 1302009172021 | VERİ BİLİMİ | Seçmeli Ders Grubu | 3 | 5 | 5,00 |
Dersin Seviyesi
Lisans
Dersin Sunulduğu Dil
Dersin Amacı
Veri bilimini uygulamalı bir şekilde tanıtma
Dersi Veren Öğretim Görevlisi/Görevlileri
Doç. Dr. Haydar YALÇIN
Öğrenme Çıktıları
| 1 | Veri biliminin temelleri |
| 2 | Veri biliminde kullanılan yöntemleri uygulama ile bütünleştirme |
Öğretim Sistemi
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Yok
Ders İçin Önerilen Diğer Hususlar
Yok
Dersin İçeriği
Ders kapsamında İstatistiksel kavramlara ve yöntemlere, özellikle kısmen yeni, ancak birçok etkili uygulaması olan makine öğrenmesi algoritmalarına hakimiyet sağlanması hedeflenmektedir. Veriye uygun modelleme, model seçimi ve istatistiki uygulamalarının çıktılarını yorumlama gücüne sahip birey yetiştirmek de dersin diğer hedefleri arasındadır. Deney tasarımı, veri toplama hattı (data pipeline) oluşturulması (automated systems for collection of data and forming databases) elde edilen verinin analizi ve görselleştirilmesi konularında bilgi ve beceri sahibi olunmasını sağlamak ve bunu R vb gibi açık kaynak kodlu yazılım araçları ile yapabilen öğrenciler yetiştirilmesi hedeflenmektedir. Ders sayesinde Verinin erişim ve toplanmasından analizine kadar bütün aşamalardaki işlemleri yapabilme yeteneğine sahip uygulamacı ve araştırmacılar yetiştirmeyi hedeflemektedir.
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Konular (Teorik) | Öğretim Yöntem ve Teknikleri | Ön Hazırlık |
|---|---|---|---|
| 1 | Makine Öğrenmesine Giriş | ||
| 2 | Makine Öğrenmesi temel kavramları ve konuları | ||
| 3 | Yapay Öğrenme (Denetimli, Denetimsiz, Takviyeli) | ||
| 4 | Gerçek makine öğrenme uygulamaları | ||
| 5 | Bayes Öğrenme: Bayes Teoremi, Naive Bayes Sınıflandırıcı | ||
| 6 | Karar Ağacı Öğrenmesi | ||
| 7 | Yapay Sinir Ağları | ||
| 8 | Genetik Algoritma | ||
| 9 | Örnek Tabanlı Öğrenme: K-En Yakın Komşu | ||
| 10 | Takviyeli Öğrenme | ||
| 11 | Denetimsiz Öğrenme: Kümeleme | ||
| 12 | Öz Düzenleyici Özellik Haritası | ||
| 13 | Sunumlar | ||
| 14 | Sunumlar | ||
| 15 | Uygulama Örnekleri | ||
| 16 | Final |
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
Runkler, T. A. (2020). Data Analytics. Springer Fachmedien Wiesbaden. Baesens, B. (2014). Analytics in a big data world: The essential guide to data science and its applications. John Wiley & Sons.
Planlanan Öğrenme Aktiviteleri ve Metodları
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 60 |
| Rapor Hazırlama | 1 | 20 |
| Rapor Sunma | 1 | 20 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 40 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 60 | |
Staj Durumu
Yok
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 1 | 1 |
| Final Sınavı | 1 | 1 | 1 |
| Derse Katılım | 14 | 3 | 42 |
| Rapor Hazırlama | 20 | 3 | 60 |
| Rapor Sunma | 20 | 2 | 40 |
| Toplam İş Yükü (saat) | 144 | ||
Program ve Öğrenme Çıktıları İlişkisi
| PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 | PÇ 10 | |
| ÖÇ 1 | 3 | 3 | 3 | 3 | 3 | 5 | 5 | 5 | 4 | 5 |
| ÖÇ 2 | 3 | 3 | 3 | 3 | 3 | 5 | 5 | 5 | 4 | 5 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek