GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| 501003682024 | INTRODUCTION TO DATA SCIENCE | Seçmeli Ders Grubu | 3 | 6 | 4,00 |
Dersin Seviyesi
Lisans
Dersin Sunulduğu Dil
İngilizce
Dersin Amacı
Bu dersin amacı, öğrencilerin veri bilimi ve makine öğrenmesi ile ilgili temel kavramlar hakkında bilgi sahibi olmasını, tablo halindeki veriyi elde etme, temizleme, düzenleme, işleme, görselleştirme ve çözümleme (regresyon, sınıflandırma ve kümeleme) ile ilgili teknikleri kavrayabilmesini ve bu teknikleri Python temelli yazılım araçları ile uygulayabilme yeteneği kazanmasını sağlamaktır.
Dersi Veren Öğretim Görevlisi/Görevlileri
Özgür Gümüş
Öğrenme Çıktıları
| 1 | Veri bilimi ve makine öğrenmesi ile ilgili temel kavramları açıklayabilme |
| 2 | Tablo halindeki verileri ön işlemden geçirebilme |
| 3 | Tablo halindeki verileri işleyebilme |
| 4 | Tablo halindeki verileri görselleştirebilme |
| 5 | Bir tahmin problemine uygun veri çözümleme yöntemi seçebilme |
| 6 | Bir tahmin problemi için öğrenme modelleri geliştirebilme |
| 7 | Bir öğrenme modelinin başarısını değerlendirebilme |
| 8 | Python temelli veri bilimi ve makine öğrenmesi yazılım kütüphanelerini kullanabilme |
Öğretim Sistemi
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Ders İçin Önerilen Diğer Hususlar
[Yok]
Dersin İçeriği
Python Gözden Geçirme, Diziler ve Vektörel İşlemler, Seri ve Çerçeve Veri Yapıları, Veri Yükleme ve Hazırlama, Veri Birleştirme ve Gruplama, Veri Görselleştirme, Makine Öğrenmesi (Genel Kavramlar), Lineer Regresyon, Sınıflandırma: Lojistik Regresyon, Karar Ağacı ve Rastgele Orman, Kümeleme: K-means ve Hiyerarşik Kümeleme
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Konular (Teorik) | Öğretim Yöntem ve Teknikleri | Ön Hazırlık |
|---|---|---|---|
| 1 | Giriş ve Python Gözden Geçirme | ||
| 2 | Diziler ve Vektörel İşlemler-1 | ||
| 3 | Diziler ve Vektörel İşlemler-2 | ||
| 4 | Seri ve Çerçeve Veri Yapıları | ||
| 5 | Veri Yükleme ve Hazırlama | ||
| 6 | Veri Birleştirme ve Gruplama | ||
| 7 | Veri Görselleştirme ve Kapsamlı Bir Uygulama | ||
| 8 | Proje-1 Kontrolleri | ||
| 9 | Ara sınav | ||
| 10 | Makine Öğrenmesi (Giriş & Genel Kavramlar) | ||
| 11 | Lineer Regresyon | ||
| 12 | Sınıflandırma: Lojistik Regresyon | ||
| 13 | Sınıflandırma: Karar Ağacı ve Rastgele Orman | ||
| 14 | Kümeleme: K-means ve Hiyerarşik Kümeleme | ||
| 15 | Proje-2 Kontrolleri | ||
| 16 | Final Sınavı |
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
Wes McKinney, “Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython”, 2nd Ed, O’Reilly, 2017. Joel Grus, “Data Science from Scratch: First Principles with Python”, 1st Ed, O’Reilly, 2015. Gavin Hackeling, “Mastering Machine Learning with scikit-learn”, 1st Ed, Packt Publishing, 2014.
Planlanan Öğrenme Aktiviteleri ve Metodları
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 45 |
| Proje Hazırlama | 2 | 55 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 65 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 35 | |
Staj Durumu
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 2 | 2 |
| Final Sınavı | 1 | 2 | 2 |
| Derse Katılım | 14 | 3 | 42 |
| Proje Hazırlama | 2 | 20 | 40 |
| Ara Sınav İçin Bireysel Çalışma | 1 | 15 | 15 |
| Final Sınavı içiin Bireysel Çalışma | 1 | 15 | 15 |
| Toplam İş Yükü (saat) | 116 | ||
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 | PÇ 11 | |
| ÖÇ 1 | 4 | ||||||||||
| ÖÇ 2 | 5 | ||||||||||
| ÖÇ 3 | 5 | ||||||||||
| ÖÇ 4 | 5 | ||||||||||
| ÖÇ 5 | 3 | ||||||||||
| ÖÇ 6 | 5 | ||||||||||
| ÖÇ 7 | 3 | ||||||||||
| ÖÇ 8 | 4 | 4 | 3 | 2 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek