Computer Engineering Department

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 VEYA INF211
Admission Requirements IND211 VEYA INF211
Language of Instruction French
Course Type Compulsory
Course Level Bachelor Degree
Course Instructor(s) 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
Print the course contents
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 4 60
Contribution of final exam to overall grade 1 40
Toplam 5 100
In-Term Studies
  Number Contribution
Assignments 2 10
Presentation 0 0
Midterm Examinations (including preparation) 1 25
Project 1 25
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
Toplam 4 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. X
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. X
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
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
Total Workload 78
Total Workload / 25 3,12
Credits ECTS 3
Scroll to Top