Ders Detayı
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| VERİ AMBARI VE VERİ MADENCİLİĞİ | YBSYL1223699 | Bahar 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, veri ambarı ve veri madenciliği alanındaki temel kavramları, yöntemleri ve uygulamaları inceleyerek öğrencilerin büyük veri kümelerinden anlamlı bilgi elde etme, karar destek süreçlerini geliştirme ve veri odaklı çözümler üretme becerileri kazanmalarını sağlamaktır. |
| Dersin İçeriği | Bu ders; Veri Ambarına Giriş ve Temel Kavramlar,Veri Ambarı Mimarileri ve Bileşenleri,Veri Modelleme ve Boyutsal Modelleme,ETL Süreçleri ve Veri Entegrasyonu,Veri Kalitesi ve Veri Yönetimi,Veri Madenciliğine Giriş ve Süreç Modelleri,Veri Ön İşleme ve Veri Hazırlama Teknikleri,Sınıflandırma Yöntemleri,Kümeleme Yöntemleri,Birliktelik Kuralları Analizi,Tahminleme ve Regresyon Teknikleri,Veri Madenciliği Araçları ve Uygulamaları,Büyük Veri Analitiği ve Güncel Yaklaşımlar,Vaka Analizleri ve Öğrenci Sunumları; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| Veri ambarı ve veri madenciliğine ilişkin temel kavramları açıklar. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Veri ambarı mimarilerini ve veri entegrasyon süreçlerini değerlendirir. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Veri ön işleme ve veri hazırlama tekniklerini uygular. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Veri madenciliği yöntemlerini farklı problem alanlarına uygun şekilde analiz eder. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Sınıflandırma, kümeleme ve birliktelik kuralları gibi veri madenciliği tekniklerini kullanır. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Veri madenciliği sonuçlarını yorumlayarak karar verme süreçlerine katkı sağlar. | 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 Ambarına Giriş ve Temel Kavramlar | |
| 2 | Veri Ambarı Mimarileri ve Bileşenleri | |
| 3 | Veri Modelleme ve Boyutsal Modelleme | |
| 4 | ETL Süreçleri ve Veri Entegrasyonu | |
| 5 | Veri Kalitesi ve Veri Yönetimi | |
| 6 | Veri Madenciliğine Giriş ve Süreç Modelleri | |
| 7 | Veri Ön İşleme ve Veri Hazırlama Teknikleri | |
| 8 | Sınıflandırma Yöntemleri | |
| 9 | Kümeleme Yöntemleri | |
| 10 | Birliktelik Kuralları Analizi | |
| 11 | Tahminleme ve Regresyon Teknikleri | |
| 12 | Veri Madenciliği Araçları ve Uygulamaları | |
| 13 | Büyük Veri Analitiği ve Güncel Yaklaşımlar | |
| 14 | Vaka Analizleri ve Öğrenci Sunumları |
| Kaynak |
| 1. Kimball, R., & Ross, M. (2013). The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling (3. Baskı). Wiley. 2. Han, J., Pei, J., & Tong, H. (2022). Data Mining: Concepts and Techniques (4. Baskı). Morgan Kaufmann. 3. Reis, J., & Housley, M. (2022). Fundamentals of Data Engineering: Plan and Build Robust Data Systems. O'Reilly Media. 4. Serra, J. (2024). Deciphering Data Architectures: Choosing Between a Modern Data Warehouse, Data Fabric, Data Lakehouse, and Data Mesh. O'Reilly Media. 5. Dehghani, Z. (2022). Data Mesh: Delivering Data-Driven Value at Scale. O'Reilly Media. 6. James, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. (2023). An Introduction to Statistical Learning: with Applications in Python. Springer. |
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 AMBARI VE VERİ MADENCİLİĞİ | YBSYL1223699 | Bahar 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, veri ambarı ve veri madenciliği alanındaki temel kavramları, yöntemleri ve uygulamaları inceleyerek öğrencilerin büyük veri kümelerinden anlamlı bilgi elde etme, karar destek süreçlerini geliştirme ve veri odaklı çözümler üretme becerileri kazanmalarını sağlamaktır. |
| Dersin İçeriği | Bu ders; Veri Ambarına Giriş ve Temel Kavramlar,Veri Ambarı Mimarileri ve Bileşenleri,Veri Modelleme ve Boyutsal Modelleme,ETL Süreçleri ve Veri Entegrasyonu,Veri Kalitesi ve Veri Yönetimi,Veri Madenciliğine Giriş ve Süreç Modelleri,Veri Ön İşleme ve Veri Hazırlama Teknikleri,Sınıflandırma Yöntemleri,Kümeleme Yöntemleri,Birliktelik Kuralları Analizi,Tahminleme ve Regresyon Teknikleri,Veri Madenciliği Araçları ve Uygulamaları,Büyük Veri Analitiği ve Güncel Yaklaşımlar,Vaka Analizleri ve Öğrenci Sunumları; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| Veri ambarı ve veri madenciliğine ilişkin temel kavramları açıklar. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Veri ambarı mimarilerini ve veri entegrasyon süreçlerini değerlendirir. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Veri ön işleme ve veri hazırlama tekniklerini uygular. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Veri madenciliği yöntemlerini farklı problem alanlarına uygun şekilde analiz eder. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Sınıflandırma, kümeleme ve birliktelik kuralları gibi veri madenciliği tekniklerini kullanır. | 1, 5, Anlatım Yöntemi | Yazılı Sınav |
| Veri madenciliği sonuçlarını yorumlayarak karar verme süreçlerine katkı sağlar. | 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 Ambarına Giriş ve Temel Kavramlar | |
| 2 | Veri Ambarı Mimarileri ve Bileşenleri | |
| 3 | Veri Modelleme ve Boyutsal Modelleme | |
| 4 | ETL Süreçleri ve Veri Entegrasyonu | |
| 5 | Veri Kalitesi ve Veri Yönetimi | |
| 6 | Veri Madenciliğine Giriş ve Süreç Modelleri | |
| 7 | Veri Ön İşleme ve Veri Hazırlama Teknikleri | |
| 8 | Sınıflandırma Yöntemleri | |
| 9 | Kümeleme Yöntemleri | |
| 10 | Birliktelik Kuralları Analizi | |
| 11 | Tahminleme ve Regresyon Teknikleri | |
| 12 | Veri Madenciliği Araçları ve Uygulamaları | |
| 13 | Büyük Veri Analitiği ve Güncel Yaklaşımlar | |
| 14 | Vaka Analizleri ve Öğrenci Sunumları |
| Kaynak |
| 1. Kimball, R., & Ross, M. (2013). The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling (3. Baskı). Wiley. 2. Han, J., Pei, J., & Tong, H. (2022). Data Mining: Concepts and Techniques (4. Baskı). Morgan Kaufmann. 3. Reis, J., & Housley, M. (2022). Fundamentals of Data Engineering: Plan and Build Robust Data Systems. O'Reilly Media. 4. Serra, J. (2024). Deciphering Data Architectures: Choosing Between a Modern Data Warehouse, Data Fabric, Data Lakehouse, and Data Mesh. O'Reilly Media. 5. Dehghani, Z. (2022). Data Mesh: Delivering Data-Driven Value at Scale. O'Reilly Media. 6. James, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. (2023). An Introduction to Statistical Learning: with Applications in Python. Springer. |
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 | |