Introduction to Data Analysis(INF356)
| Course Code | Course Name | Semester | Theory | Practice | Lab | Credit | ECTS |
|---|---|---|---|---|---|---|---|
| INF356 | Introduction to Data Analysis | 5 | 3 | 0 | 0 | 3 | 4 |
| Prerequisites | IND211/INF256/INF257/INF211 |
| Admission Requirements | IND211/INF256/INF257/INF211 |
| Language of Instruction | French |
| Course Type | Compulsory |
| Course Level | Bachelor Degree |
| Course Instructor(s) | Günce Keziban ORMAN korman@gsu.edu.tr (Email) |
| Assistant | |
| Objective | This course aims that the students who already have basic knowledge about statistics might combine different statistical concepts, make statistical inference from data, develop models for their data and easily create the codes that implements their models when they come across real-world engineering problems. Hence, those students can approach at first sight theoretically, then develop theoretical solutions and finally create practical structures to the engineering problems related to data. |
| Content |
1. Week Data-Information-Knowledge, General View to Data Analysis 2. Week Basic Statistical Concepts, variable types, Data description, Introduction to R 3. Week Numerical Data Description - Application in R and R visualization functions 4. Week Parametric Statistic, Statistical Inference, creating toy data in R and inference from it 5. Week Comparing two samples, t-test, Interpreting the results, R application 6. Week Analysis of variance, AOV and ANOVA in R 7. Week Linear and Multiple regression, lm function in R 8. Week Midterm 9. Week Covariance analysis, R application 10. Week Variations of Linear Regression: Logic Regression,General Linear Model, Hierarchical linear Model 11. Week Time Series Analysis, Declaration of Term Project 12. Week Non-parametric Statistic, Significance test 13. Week Non-parametric Statistic, Measures of Association 14. Week Advanced non-parametric methods and project presentations |
| Course Learning Outcomes |
The students who succeeded in this course will have following qualifications: 1. Able to Use statistical Methods in Data Analysis 2. Able to Code Statistical Programming 3. Able to Design Statistical Models for Real-world Data analysis 4. Create Theoretical and Practical Background for Understanding Numerical Data 5. Able to Analyze Time Series and Find the trends |
| Teaching and Learning Methods |
1. Lecture 2. Discussion 3. Demonstration 4. Case Study 5. Problem Solving 6. Cooperative Learning 7. Question-Answer 8. Concept Mapping 9. Project 10. Brain Storming |
| References |
1. PDQ Statistics, Geoffrey R. Norman, David L. Streiner, 2003 2. The Art of R Programming, A tour of Statistical Software Design, Norman Matloff, 2011 3. Data Mining Concepts and Techniques, Jiawei Han, Micheline Kamber, 2006 4. An Introduction to Statistical Learning, Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani, 2013 5. Software for Data Analysis: Programming with R (Statistics and Computing), John M. Chambers, 2008 6. Modern Applied Statistics with S (Statistics and Computing), W.N. Venables, B.D. Ripley, 2002 |
Theory Topics
| Week | Weekly Contents |
|---|---|
| 1 | Data-Information-Knowledge, General View to Data Analysis |
| 2 | Basic Statistical Concepts, variable types, Data description |
| 3 | Numerical Data Description |
| 4 | Parametric Statistic, Statistical Inference |
| 5 | Comparing two samples, t-test, Interpreting the results |
| 6 | Analysis of variance |
| 7 | Linear and Multiple regression |
| 8 | Midterm |
| 9 | Covariance analysis |
| 10 | Variations of Linear Regression: Logic Regression,General Linear Model, Hierarchical linear Model |
| 11 | Time Series Analysis, Declaration of Term Project |
| 12 | Non-parametric Statistic, Significance test |
| 13 | Non-parametric Statistic, Measures of Association |
| 14 | Advanced non-parametric methods and project presentations |
Practice Topics
| Week | Weekly Contents |
|---|---|
| 1 | Introduction to R |
| 2 | Application in R and R visualization functions |
| 3 | Creating toy data in R and inference from it |
| 4 | AOV and ANOVA in R |
| 5 | lm function in R |
Contribution to Overall Grade
| Number | Contribution | |
|---|---|---|
| Contribution of in-term studies to overall grade | 2 | 60 |
| Contribution of final exam to overall grade | 1 | 40 |
| Toplam | 3 | 100 |
In-Term Studies
| Number | Contribution | |
|---|---|---|
| Assignments | 0 | 0 |
| Presentation | 0 | 0 |
| Midterm Examinations (including preparation) | 1 | 30 |
| Project | 1 | 30 |
| Laboratory | 0 | 0 |
| Other Applications | 0 | 0 |
| Quiz | 0 | 0 |
| Term Paper/ Project | 0 | 0 |
| Portfolio Study | 0 | 0 |
| Reports | 0 | 0 |
| Learning Diary | 0 | 0 |
| Thesis/ Project | 0 | 0 |
| Seminar | 0 | 0 |
| Other | 0 | 0 |
| Make-up | 0 | 0 |
| Toplam | 2 | 60 |
| No | Program Learning Outcomes | Contribution | ||||
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | ||
| 1 | Matematik, fizik ve mühendislik bilimlerine özgü konularda yeterli bilgi birikimi; bu alanlardaki kuramsal ve uygulamalı bilgileri, mühendislik problemlerinin modellenmesi ve çözümünde kullanabilme becerisi. | X | ||||
| 2 | Karmaşık bilgisayar mühendisliği problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi. | X | ||||
| 3 | Yazılımsal veya donanımsal karmaşık bir sistemi, süreci veya donanımı gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlama becerisi; bu amaçla modern tasarım yöntemlerini uygulama becerisi. | |||||
| 4 | Mühendislik uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları geliştirme, seçme ve kullanma becerisi; bilişim teknolojilerini etkin bir şekilde kullanma becerisi. | X | ||||
| 5 | Analitik düşünce ile bir sistemi, sistem bileşenini ya da süreci analiz etme, modelleme, deney tasarlama ve yapma, veri toplama, çözüm algoritmaları üretebilme, uygulamaya alma ve geliştirme becerileri. | X | ||||
| 6 | Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi; bireysel çalışma becerisi. | X | ||||
| 7 | Türkçe sözlü ve yazılı etkin iletişim kurma becerisi; en az iki yabancı dil bilgisi; etkin rapor yazma ve yazılı raporları anlama, yazılım ve donanım tasarımını, gerekirse teknik resim metotları kullanarak raporlayabilme, etkin sunum yapabilme becerisi. | X | ||||
| 8 | Bilgiye erişebilme ve bu amaçla kaynak araştırması yapabilme, veri tabanları ve diğer bilgi kaynaklarını kullanabilme becerisi | X | ||||
| 9 | Yaşam boyu öğrenmenin gerekliliği bilinci; kendini sürekli yenileme becerisi. | |||||
| 10 | Mesleki etik ilkelerine uygun davranma, mesleki sorumluluk bilinci; mühendislik uygulamalarında kullanılan standartlar hakkında bilgi. | |||||
| 11 | Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi. | X | ||||
| 12 | Mühendislik uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın mühendislik alanına yansıyan sorunları hakkında bilgi. | |||||
| 13 | Bilgisayar mühendisliği uygulamalarının hukuki ve etik boyutları konusunda farkındalık. | |||||
| Activities | Number | Period | Total Workload |
|---|---|---|---|
| Class Hours | 14 | 3 | 42 |
| Working Hours out of Class | 14 | 1 | 14 |
| Assignments | 2 | 2 | 4 |
| Presentation | 1 | 10 | 10 |
| Midterm Examinations (including preparation) | 0 | 0 | 0 |
| Project | 1 | 8 | 8 |
| Laboratory | 0 | 0 | 0 |
| Other Applications | 0 | 0 | 0 |
| Final Examinations (including preparation) | 0 | 0 | 0 |
| Quiz | 0 | 0 | 0 |
| Term Paper/ Project | 0 | 0 | 0 |
| Portfolio Study | 0 | 0 | 0 |
| Reports | 0 | 0 | 0 |
| Learning Diary | 0 | 0 | 0 |
| Thesis/ Project | 0 | 0 | 0 |
| Seminar | 0 | 0 | 0 |
| Other | 0 | 0 | 0 |
| Make-up | 0 | 0 | 0 |
| Total Workload | 78 | ||
| Total Workload / 25 | 3.12 | ||
| Credits ECTS | 3 | ||