TEKSTİL VE MODA TASARIMI | |||||
Lisans | TYYÇ: 6. Düzey | QF-EHEA: 1. Düzey | EQF-LLL: 6. Düzey |
Ders Kodu | Ders Adı | Yarıyıl | Teorik | Pratik | Kredi | AKTS |
COP4434 | IBM Büyük Veri ve Analitik | Bahar | 3 | 0 | 3 | 6 |
Bu katalog bilgi amaçlıdır, dersin açılma durumu, ilgili bölüm tarafından yarıyıl başında belirlenir. |
Öğretim Dili: | İngilizce |
Dersin Türü: | Non-Departmental Elective |
Dersin Seviyesi: | LİSANS |
Dersin Veriliş Şekli: | Yüz yüze |
Dersin Koordinatörü: | Dr. Öğr. Üyesi CEMAL OKAN ŞAKAR |
Dersi Veren(ler): |
Prof. Dr. TAŞKIN KOÇAK Dr. Öğr. Üyesi CEMAL OKAN ŞAKAR |
Opsiyonel Program Bileşenleri: | Yok |
Dersin Amacı: | Öğrenciler, IBM'den üst düzey yöneticilerin derslerini alacaklar. Her ders farklı bir konuyu ele alacak ve öğretim üyesi kendi deneyimlerini konunun teorik temelleri ile paylaşacaktır. Kurslar, temel kavramlar, hizmetler, IBM yazılımı, donanım teklifleri ve IBM varlıkları da dahil olmak üzere İş Analitiği ve Büyük Veri yeteneklerini ve hizmet alanlarını içerecektir. Ayrıca, Büyük Veri hizmetlerinin etkili bir şekilde kullanılmasını göstermek için endüstri uygulamarı tartışılacaktır. Dersler, öğrencilerin başarılı bir profesyonel kariyere hazırlanmalarında yardımcı olacaktır. |
Bu dersi başarıyla tamamlayabilen öğrenciler; Beklenen faydalar aşağıdaki gibi çok boyutludur: - Mezun olan mühendislerin profesyonel iş için çok daha hazır olmaları - Gerçek hayat problemlerine ve iş ihtiyaçlarına yönelik akademik araştırmaları (tez dahil) yönlendirmek - Yeni teknolojilerin uygulaması olarak yeni sanayi projeleri yaratmak |
Ders, Büyük Veri hizmetleri, IBM yazılımı, donanım konseptleri ve IBM varlıkları da dahil olmak üzere Büyük Veri ve Analitiği yetenekleri ve uygulama alanlarını içerecektir. Ayrıca, Büyük Veri hizmetlerinin etkili bir şekilde kullanılmasını göstermek için endüstri uygulamaları kullanılacaktır. |
Hafta | Konu | Ön Hazırlık |
1) | Daha İyi İş Çıktıları için Büyük Veri ve Analitiği | |
2) | Endüstri Tabanlı Büyük Veri, En Çok Kullanıldığı Alanlar | |
3) | Büyük Veri Teknolojisine ve IBM Büyük Veri Platformuna Genel Bir Bakış | |
4) | IBM Büyük Veri Platformu, Veri Gezgini | |
5) | Veri depolama | |
6) | Bilgi Entegrasyonu, Master Data Yönetimi, Guardium, OPTİM | |
7) | Hadoop Teknolojisi | |
8) | Ara sınav | |
9) | Müşteri için Ana Veri Yönetimi | |
10) | Yapısal Olmayan Verilerin Kuruluşa Entegrasyonu | |
11) | Metin Analitiği | |
12) | Büyük Veri ve Analitik Altyapı | |
13) | Büyük Veri ve Analitik Altyapı | |
14) | Tekrar |
Ders Notları / Kitaplar: | Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die by E. Siegel |
Diğer Kaynaklar: |
Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
Küçük Sınavlar | 2 | % 5 |
Projeler | 1 | % 25 |
Ara Sınavlar | 1 | % 30 |
Final | 1 | % 40 |
Toplam | % 100 | |
YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 35 | |
YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 65 | |
Toplam | % 100 |
Aktiviteler | Aktivite Sayısı | Süre (Saat) | İş Yükü |
Ders Saati | 14 | 3 | 42 |
Proje | 1 | 20 | 20 |
Küçük Sınavlar | 2 | 14 | 28 |
Ara Sınavlar | 1 | 25 | 25 |
Final | 1 | 30 | 30 |
Toplam İş Yükü | 145 |
Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
Dersin Program Kazanımlarına Etkisi | Katkı Payı |