Ders Detayı
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| VERİ ANALİZİ UYGULAMALARI | YBSYL1122691 | Güz Dönemi | 3+0 | 3 | 8 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | Tezli Yüksek Lisans |
| Dersin Türü | Programa Bağlı Seçmeli |
| Dersin Koordinatörü | |
| Dersi Verenler | |
| Dersin Yardımcıları | |
| Dersin Amacı | Bu dersin amacı, öğrencilere veri madenciliğinin temellerini, veri, enformasyon ve bilgi kavramlarını, veri tabanlarında bilgi keşfini ve veri ön işleme yöntemlerini öğretmek ve bu yöntemleri Pandas, NumPy ve Scikit-Learn gibi kütüphanelerden yararlanarak uygulatmaktır. Derste ayrıca makine öğrenmesinin türleri ve temel algoritmaları ele alınmaktadır. |
| Dersin İçeriği | Bu ders; Veri madenciliğine giriş, veri, bilgi ve model kurma ile ilgili temel kavramlar,Programlar, Araçlar ve Kütüphaneler (Pandas, NumPy, scikit-learn),Programlar, Araçlar ve Kütüphaneler (Pandas, NumPy, scikit-learn),Veri Ön İşleme ve Verilerin Temizlenmesi (Boş verilerin tespiti ve çözümü),Veri Ön İşleme ve Verilerin Temizlenmesi (Aykırı verilerin tespiti ve çözümü),Veri Ön İşleme (Normalizasyon, Standardizasyon ve Görselleştirme),Makine Öğrenmesi: Temel Kavramlar, Türleri,Denetimli Öğrenme Algoritmaları,Regresyon Teknikleri,Regresyon Teknikleri,Sınıflandırma Teknikleri,Denetimsiz Öğrenme Algoritmaları,Kümeleme,Kümeleme; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| Veri analizi ve veri madenciliği alanındaki temel kavramları, süreçleri ve yaklaşımları analiz eder. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Pandas, NumPy ve Scikit-Learn kütüphanelerini kullanarak veri işleme ve veri analizi uygulamaları geliştirir. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Veri kalitesini artırmak amacıyla veri ön işleme, dönüştürme ve hazırlama tekniklerini uygular. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Denetimli ve denetimsiz makine öğrenmesi yöntemlerini karşılaştırarak farklı problem alanları için uygun yaklaşımları belirler. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Regresyon, sınıflandırma ve kümeleme algoritmalarını kullanarak veri analizi modelleri geliştirir. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Öğretim Yöntemleri: | 1: Soru - Cevap Tekniği, 5: Tartışma Yöntemi, Anlatım Yöntemi: Anlatım Yöntemi |
| Ölçme Yöntemleri: | Yazılı Sınav: Yazılı Sınav |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Veri madenciliğine giriş, veri, bilgi ve model kurma ile ilgili temel kavramlar | |
| 2 | Programlar, Araçlar ve Kütüphaneler (Pandas, NumPy, scikit-learn) | |
| 3 | Programlar, Araçlar ve Kütüphaneler (Pandas, NumPy, scikit-learn) | |
| 4 | Veri Ön İşleme ve Verilerin Temizlenmesi (Boş verilerin tespiti ve çözümü) | |
| 5 | Veri Ön İşleme ve Verilerin Temizlenmesi (Aykırı verilerin tespiti ve çözümü) | |
| 6 | Veri Ön İşleme (Normalizasyon, Standardizasyon ve Görselleştirme) | |
| 7 | Makine Öğrenmesi: Temel Kavramlar, Türleri | |
| 8 | Denetimli Öğrenme Algoritmaları | |
| 9 | Regresyon Teknikleri | |
| 10 | Regresyon Teknikleri | |
| 11 | Sınıflandırma Teknikleri | |
| 12 | Denetimsiz Öğrenme Algoritmaları | |
| 13 | Kümeleme | |
| 14 | Kümeleme |
| Kaynak |
| 1. McKinney, W. (2022). Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter (3. Baskı). O'Reilly Media. 2. Géron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3. Baskı). O'Reilly Media. 3. James, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. (2023). An Introduction to Statistical Learning: with Applications in Python. Springer. 4. Han, J., Pei, J., & Tong, H. (2022). Data Mining: Concepts and Techniques (4. Baskı). Morgan Kaufmann. 5. Wickham, H., Çetinkaya-Rundel, M., & Grolemund, G. (2023). R for Data Science (2. Baskı). O'Reilly Media. 6. Murphy, K. P. (2022). Probabilistic Machine Learning: An Introduction. MIT Press. |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Yönetim bilişim sistemleri alanındaki güncel ve ileri düzey kuramsal ve uygulamalı bilgileri bütüncül bir bakış açısıyla değerlendirir. | X | |||||
| 2 | İşletme süreçleri, bilgi sistemleri ve dijital dönüşüm alanlarında karşılaşılan karmaşık problemleri bilimsel yöntemlerle analiz eder. | X | |||||
| 3 | Veri analitiği, iş zekası ve karar destek sistemleri alanlarında ileri düzey yöntem ve teknikleri kullanır. | X | |||||
| 4 | Nicel ve nitel araştırma yöntemlerini kullanarak bilimsel araştırmalar planlar, yürütür ve sonuçlarını değerlendirir. | X | |||||
| 5 | İşletmelerin ihtiyaçlarına yönelik yenilikçi bilgi sistemleri çözümleri tasarlar, geliştirir ve uygular. | X | |||||
| 6 | Analiz ve araştırma sonuçlarını teknik ve teknik olmayan paydaşlara yazılı, sözlü ve görsel araçlarla etkili biçimde sunar. | X | |||||
| 7 | Yönetim bilişim sistemleri alanındaki araştırma ve uygulama projelerini bağımsız olarak planlar, yürütür ve yönetir. | X | |||||
| 8 | Disiplinlerarası yaklaşımlar kullanarak karmaşık işletme ve bilişim problemlerine özgün çözümler geliştirir. | X | |||||
| 9 | Bilgi teknolojileri, yazılım, yapay zeka ve analitik araçları kullanarak alanına katkı sağlayacak özgün çalışmalar üretir. | X | |||||
| 10 | Bilgi sistemleri, siber güvenlik, veri yönetimi ve dijital riskleri analiz ederek uygun strateji ve önlemler geliştirir. | X | |||||
| 11 | Veri gizliliği, etik ilkeler, bilgi güvenliği ve bilimsel araştırma etiği doğrultusunda sorumluluk bilinciyle hareket eder. | X | |||||
| 12 | Alanındaki ulusal ve uluslararası bilimsel gelişmeleri takip ederek bilgi ve becerilerini sürekli geliştirir; yaşam boyu öğrenme yaklaşımını benimser. | X | |||||
| 13 | Alanıyla ilgili konularda yabancı dil kullanarak bilimsel iletişim kurar, uluslararası kaynakları etkin biçimde kullanır. | X | |||||
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 50 | |
| Genel Sınavın Başarıya Oranı | 50 | |
| Toplam | 100 | |
| AKTS / İşyükü Tablosu | ||||||
| Etkinlik | Sayı | Süresi (Saat) | Toplam İş Yükü (Saat) | |||
| Toplam İş Yükü (Saat) | 0 | |||||
| Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(0/30) | 0 | |||||
| Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır. | ||||||
Dersin Detaylı Bilgileri
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| VERİ ANALİZİ UYGULAMALARI | YBSYL1122691 | Güz Dönemi | 3+0 | 3 | 8 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | Tezli Yüksek Lisans |
| Dersin Türü | Programa Bağlı Seçmeli |
| Dersin Koordinatörü | |
| Dersi Verenler | |
| Dersin Yardımcıları | |
| Dersin Amacı | Bu dersin amacı, öğrencilere veri madenciliğinin temellerini, veri, enformasyon ve bilgi kavramlarını, veri tabanlarında bilgi keşfini ve veri ön işleme yöntemlerini öğretmek ve bu yöntemleri Pandas, NumPy ve Scikit-Learn gibi kütüphanelerden yararlanarak uygulatmaktır. Derste ayrıca makine öğrenmesinin türleri ve temel algoritmaları ele alınmaktadır. |
| Dersin İçeriği | Bu ders; Veri madenciliğine giriş, veri, bilgi ve model kurma ile ilgili temel kavramlar,Programlar, Araçlar ve Kütüphaneler (Pandas, NumPy, scikit-learn),Programlar, Araçlar ve Kütüphaneler (Pandas, NumPy, scikit-learn),Veri Ön İşleme ve Verilerin Temizlenmesi (Boş verilerin tespiti ve çözümü),Veri Ön İşleme ve Verilerin Temizlenmesi (Aykırı verilerin tespiti ve çözümü),Veri Ön İşleme (Normalizasyon, Standardizasyon ve Görselleştirme),Makine Öğrenmesi: Temel Kavramlar, Türleri,Denetimli Öğrenme Algoritmaları,Regresyon Teknikleri,Regresyon Teknikleri,Sınıflandırma Teknikleri,Denetimsiz Öğrenme Algoritmaları,Kümeleme,Kümeleme; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| Veri analizi ve veri madenciliği alanındaki temel kavramları, süreçleri ve yaklaşımları analiz eder. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Pandas, NumPy ve Scikit-Learn kütüphanelerini kullanarak veri işleme ve veri analizi uygulamaları geliştirir. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Veri kalitesini artırmak amacıyla veri ön işleme, dönüştürme ve hazırlama tekniklerini uygular. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Denetimli ve denetimsiz makine öğrenmesi yöntemlerini karşılaştırarak farklı problem alanları için uygun yaklaşımları belirler. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Regresyon, sınıflandırma ve kümeleme algoritmalarını kullanarak veri analizi modelleri geliştirir. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Öğretim Yöntemleri: | 1: Soru - Cevap Tekniği, 5: Tartışma Yöntemi, Anlatım Yöntemi: Anlatım Yöntemi |
| Ölçme Yöntemleri: | Yazılı Sınav: Yazılı Sınav |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Veri madenciliğine giriş, veri, bilgi ve model kurma ile ilgili temel kavramlar | |
| 2 | Programlar, Araçlar ve Kütüphaneler (Pandas, NumPy, scikit-learn) | |
| 3 | Programlar, Araçlar ve Kütüphaneler (Pandas, NumPy, scikit-learn) | |
| 4 | Veri Ön İşleme ve Verilerin Temizlenmesi (Boş verilerin tespiti ve çözümü) | |
| 5 | Veri Ön İşleme ve Verilerin Temizlenmesi (Aykırı verilerin tespiti ve çözümü) | |
| 6 | Veri Ön İşleme (Normalizasyon, Standardizasyon ve Görselleştirme) | |
| 7 | Makine Öğrenmesi: Temel Kavramlar, Türleri | |
| 8 | Denetimli Öğrenme Algoritmaları | |
| 9 | Regresyon Teknikleri | |
| 10 | Regresyon Teknikleri | |
| 11 | Sınıflandırma Teknikleri | |
| 12 | Denetimsiz Öğrenme Algoritmaları | |
| 13 | Kümeleme | |
| 14 | Kümeleme |
| Kaynak |
| 1. McKinney, W. (2022). Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter (3. Baskı). O'Reilly Media. 2. Géron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3. Baskı). O'Reilly Media. 3. James, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. (2023). An Introduction to Statistical Learning: with Applications in Python. Springer. 4. Han, J., Pei, J., & Tong, H. (2022). Data Mining: Concepts and Techniques (4. Baskı). Morgan Kaufmann. 5. Wickham, H., Çetinkaya-Rundel, M., & Grolemund, G. (2023). R for Data Science (2. Baskı). O'Reilly Media. 6. Murphy, K. P. (2022). Probabilistic Machine Learning: An Introduction. MIT Press. |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Yönetim bilişim sistemleri alanındaki güncel ve ileri düzey kuramsal ve uygulamalı bilgileri bütüncül bir bakış açısıyla değerlendirir. | X | |||||
| 2 | İşletme süreçleri, bilgi sistemleri ve dijital dönüşüm alanlarında karşılaşılan karmaşık problemleri bilimsel yöntemlerle analiz eder. | X | |||||
| 3 | Veri analitiği, iş zekası ve karar destek sistemleri alanlarında ileri düzey yöntem ve teknikleri kullanır. | X | |||||
| 4 | Nicel ve nitel araştırma yöntemlerini kullanarak bilimsel araştırmalar planlar, yürütür ve sonuçlarını değerlendirir. | X | |||||
| 5 | İşletmelerin ihtiyaçlarına yönelik yenilikçi bilgi sistemleri çözümleri tasarlar, geliştirir ve uygular. | X | |||||
| 6 | Analiz ve araştırma sonuçlarını teknik ve teknik olmayan paydaşlara yazılı, sözlü ve görsel araçlarla etkili biçimde sunar. | X | |||||
| 7 | Yönetim bilişim sistemleri alanındaki araştırma ve uygulama projelerini bağımsız olarak planlar, yürütür ve yönetir. | X | |||||
| 8 | Disiplinlerarası yaklaşımlar kullanarak karmaşık işletme ve bilişim problemlerine özgün çözümler geliştirir. | X | |||||
| 9 | Bilgi teknolojileri, yazılım, yapay zeka ve analitik araçları kullanarak alanına katkı sağlayacak özgün çalışmalar üretir. | X | |||||
| 10 | Bilgi sistemleri, siber güvenlik, veri yönetimi ve dijital riskleri analiz ederek uygun strateji ve önlemler geliştirir. | X | |||||
| 11 | Veri gizliliği, etik ilkeler, bilgi güvenliği ve bilimsel araştırma etiği doğrultusunda sorumluluk bilinciyle hareket eder. | X | |||||
| 12 | Alanındaki ulusal ve uluslararası bilimsel gelişmeleri takip ederek bilgi ve becerilerini sürekli geliştirir; yaşam boyu öğrenme yaklaşımını benimser. | X | |||||
| 13 | Alanıyla ilgili konularda yabancı dil kullanarak bilimsel iletişim kurar, uluslararası kaynakları etkin biçimde kullanır. | X | |||||
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 50 | |
| Genel Sınavın Başarıya Oranı | 50 | |
| Toplam | 100 | |