Veri Bilimi ve Uygulamaları(IT 533)
| Ders Kodu | Dersin Adı | Yarıyıl | Teori | Uygulama | Lab | Kredisi | AKTS |
|---|---|---|---|---|---|---|---|
| IT 533 | Veri Bilimi ve Uygulamaları | 2 | 4 | 0 | 0 | 3 | 8 |
| Ön Koşul | |
| Derse Kabul Koşulları |
| Dersin Dili | İngilizce |
| Türü | Zorunlu |
| Dersin Düzeyi | Yüksek Lisans |
| Dersi Veren(ler) | Günce Keziban ORMAN korman@gsu.edu.tr (Email) |
| Dersin Yardımcıları | |
| Dersin Amacı | Bu ders, öğrencilere veri madenciliği sürecini tanıtmayı amaçlamaktadır. Bu kapsamda veri hazırlama ve ön işleme, çeşitli veri madenciliği algoritmaları ve bunların sonuçlarını değerlendirmek için kullanılan araçlar ele alınır. Ders; birliktelik kuralları çıkarımı, gözetimli sınıflandırma ve gözetimsiz sınıflandırma (kümeleme) konularında standart yaklaşımlara odaklanır. Madencilik algoritmalarını ve kalite değerlendirme araçlarını anlayabilmek için temel istatistik bilgisi gereklidir. |
| İçerik |
Giriş, genel bakış Betimleyici istatistikler Veri ön işleme Çıkarımsal istatistikler ve ön işleme araçları Kod uygulaması 1 Regresyon Sınıflandırma 1 Sınıflandırma 2 Kümeleme 1, 2 Kod uygulaması 2 Proje sunumları |
| Dersin Öğrenme Çıktıları |
Veri hazırlama Standart veri madenciliği algoritmalarına ilişkin teorik ve pratik bilgi Standart değerlendirme araçları |
| Öğretim Yöntemleri |
Teorik ve uygulamalı ders Ödevler |
| Kaynaklar |
• Data Mining - Practical Machine Learning Tools, 2nd edition, Ian H. Witten & Eibe Frank, Morgan Kaufmann, 2005. • Neural Networks - A Comprehensive Foundation, 2nd edition, Simon Haykin, Pearson/Prentice Hall,1999. • Data Mining: Concepts and Techniques, Jiawei Han & Micheline Kamber, Morgan Kaufmann, 2000. • Applied Statistics and Probabilities for Engineers, 4th edition, D.C. Montgomery & G.C. Runger, John Willey & sons, 2006. • The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd edition, T. Hastie, R. Tibshirani & J. Friedman, Springer, 2009. |
Teori Konu Başlıkları
| Hafta | Konu Başlıkları |
|---|---|
| 1 | Giriş, genel bakış |
| 2 | Tanımlayıcı istatistikler |
| 3 | Veri ön işleme |
| 4 | Çıkarımsal istatistikler ve ön işleme araçları |
| 5 | Kod uygulaması 1 |
| 6 | Regresyon |
| 7 | Sınıflandırma 1 |
| 8 | Sınıflandırma 2 |
| 9 | Kümeleme 1, 2 |
| 10 | Kod uygulaması 2 |
| 11 | Proje sunumları |
Uygulama Konu Başlıkları
| Hafta | Konu Başlıkları |
|---|
Başarı Notuna Etki Oranları
| Sayı | Katkı Payı | |
|---|---|---|
| Yarıyıl içi çalışmaların başarı notuna katkısı | 1 | 50 |
| Yarıyıl sonu çalışmaların başarı notuna katkısı | 1 | 50 |
| Toplam | 2 | 100 |
Yarıyıl İçi Çalışmaları
| Sayı | Katkı Payı | |
|---|---|---|
| Ödevler | 0 | 0 |
| Sunum | 0 | 0 |
| Arasınavlar (Hazırlık Süresi Dahil) | 1 | 50 |
| Proje | 0 | 0 |
| Laboratuar | 0 | 0 |
| Diğer Uygulamalar | 0 | 0 |
| Kısa Sınavlar | 0 | 0 |
| Dönem Ödevi / Projesi | 0 | 0 |
| Portfolyo Çalışmaları | 0 | 0 |
| Raporlar | 0 | 0 |
| Öğrenme Günlükleri | 0 | 0 |
| Bitirme Tezi/Projesi | 0 | 0 |
| Seminer | 0 | 0 |
| Diğer | 0 | 0 |
| Bütünleme | 0 | 0 |
| Toplam | 1 | 50 |
| Numara | Program Yeterlilikleri | Puan | ||||
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | ||
| 1 | Bilişim teknolojileri alanının çok disiplinli geniş kapsamını ve ilgili disiplinler arasıdaki etkileşimi tanımlar. | X | ||||
| 2 | Bilişim teknolojileri alanında uygulanan güncel teknik ve yöntemler ile bunların kısıtları, etkileri ve sonuçları hakkında kapsamlı bilgi sahibi olur. | X | ||||
| 3 | Bilişim teknolojileri alanında uygulamalı araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşır, bilgiyi değerlendirir ve uygular. | X | ||||
| 4 | Belirsiz, sınırlı ya da eksik verileri kullanarak, bilimsel yöntemlerle bilgiyi tamamlar ve uygular; değişik disiplinlere ait bilgileri bütünleştirir. | X | ||||
| 5 | Tanımlanmış mühendislik yönetimi problemlerini çözmek için yöntem geliştirir ve çözümlerde yenilikçi yöntemler uygular. | X | ||||
| 6 | Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilir, bu tür takımlarda liderlik yapabilir ve karmaşık durumlarda çözüm yaklaşımları geliştirebilir; bağımsız çalışabilir ve sorumluluk alır. | X | ||||
| 7 | Bilişim teknolojileri alanının yeni ve gelişmekte olan uygulamalarının farkında olup, bunları inceleme ve öğrenme yeteneğine sahip olur. | X | ||||
| 8 | Teknoloji alanında kullanılan yöntem ve yazılımlar ile iletişim teknolojilerini ileri düzeyde kullanır. | X | ||||
| 9 | Bir yabancı dili en az Avrupa Dil Portfoyü B2 Genel Düzeyinde kullanarak, sözlü ve yazılı iletişim kurar. | X | ||||
| 10 | Girişimcilik ve yenilikçilik boyutlarını dikkate alarak bilişim teknolojileri uygulamalarını gerçekleştirebilir. | |||||
| 11 | Verilerin toplanması, yorumlanması, duyurulması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetir. | X | ||||
| Etkinlikler | Sayı | Süre | Toplam İş Yükü |
|---|---|---|---|
| Ders Süresi | 9 | 4 | 36 |
| Sınıf Dışı Çalışma Süresi | 9 | 10 | 90 |
| Ödevler | 2 | 5 | 10 |
| Sunum | 1 | 10 | 10 |
| Arasınavlar (Hazırlık Süresi Dahil) | 0 | 0 | 0 |
| Proje | 1 | 20 | 20 |
| Laboratuar | 0 | 0 | 0 |
| Diğer Uygulamalar | 0 | 0 | 0 |
| Yarıyıl Sonu Sınavı (Hazırlık Süresi Dahil) | 1 | 15 | 15 |
| Kısa Sınavlar | 0 | 0 | 0 |
| Dönem Ödevi / Projesi | 0 | 0 | 0 |
| Portfolyo Çalışmaları | 0 | 0 | 0 |
| Raporlar | 1 | 10 | 10 |
| Öğrenme Günlükleri | 0 | 0 | 0 |
| Bitirme Tezi/Projesi | 0 | 0 | 0 |
| Seminer | 0 | 0 | 0 |
| Diğer | 0 | 0 | 0 |
| Bütünleme | 0 | 0 | 0 |
| Ts Yıl Sonu | 0 | 0 | 0 |
| Hazırlık Yıl Sonu | 0 | 0 | 0 |
| Hazırlık Bütünleme | 0 | 0 | 0 |
| Toplam İş Yükü | 191 | ||
| Toplam İş Yükü / 25 | 7.64 | ||
| Dersin AKTS Kredisi | 8 | ||