SİBER GÜVENLİK (İNGİLİZCE, TEZSİZ) | |||||
Yüksek Lisans | TYYÇ: 7. Düzey | QF-EHEA: 2. Düzey | EQF-LLL: 7. Düzey |
Ders Kodu | Ders Adı | Yarıyıl | Teorik | Pratik | Kredi | AKTS |
BDA5001 | Büyük Veriye Giriş | Güz | 3 | 0 | 3 | 8 |
Bu katalog bilgi amaçlıdır, dersin açılma durumu, ilgili bölüm tarafından yarıyıl başında belirlenir. |
Öğretim Dili: | English |
Dersin Türü: | Departmental Elective |
Dersin Seviyesi: | LİSANSÜSTÜ |
Dersin Veriliş Şekli: | Yüz yüze |
Dersin Koordinatörü: | Dr. Öğr. Üyesi SERKAN AYVAZ |
Dersi Veren(ler): |
Dr. Öğr. Üyesi YÜCEL BATU SALMAN Dr. Öğr. Üyesi SERKAN AYVAZ |
Dersin Amacı: | Bu dersin amacı, Büyük Veri analizi ve Veri bilimindeki temel kavramları ve yöntemleri tanıtmak ve öğrencilere "Büyük Veri"nin gerçek dünyada kullanımının temel özelliklerini kavramalarını sağlamaktır. |
Bu dersi başarıyla tamamlayabilen öğrenciler; R programlama dilini kullanarak temel istatistik modellerini nasıl geliştireceğini öğrenir Varsayımlar, değer sağlayıcıları ve risklerle ilgili bilgi kazanımı için büyük veri kümelerini nasıl analiz edeceğini öğrenir. Belirsizliği ve analitik sonuçları açıklamakta ve karar vermeye rehberlik etmekte farklı yollar bulmak için istatistiksel modelleri kullanabilir. Metin madenciliği, arama motorları ve öneri sistemleri oluşturmada temel yöntemleri nasıl kullanılacağını öğreneceklerdir. |
Giriş ve Temel Big Data ve Data Science kavramları İstatistiksel programming: Introduction to R and RStudio Veri modelleme temelleri/Veri toplama/temizleme/işleme Veri görselleştirme ve iletişim Doğrusal Regresyon: Giriş, İstatiksel ve Pratik önemleri Esnek Regresyon Modelleri: Dummy değişkenler Esnek Regresyon Modelleri: Veri Dönüşümü Seçici Regresyon Modelleri Metin madenciliği Temelleri Arama motoru geliştirme Öneri sistemlerinin çalışma prensipleri |
Hafta | Konu | Ön Hazırlık |
1) | Büyük Veriye Giriş ve Veri Bilimi | |
2) | İstatistiksel programlama: R ve RStudio'ya giriş | |
3) | Veri Modelleme Temelleri / Veri Toplama / Temizleme / İşleme | |
4) | Veri Görselleştirme ve İletişim | |
5) | Basit Regresyon: Bağımsız değişkenler, İstatistiki ve Pratik Önem | |
6) | Esnek Regresyon Modelleri: Dummy Değişkenler | |
7) | Esnek Regresyon Modelleri: Veri Dönüşümü | |
8) | Seçici Regresyon Modelleri | |
9) | Metin Madenciliği | |
10) | Arama motoru geliştirme | |
11) | Öneri sistemlerinin çalışma prensipleri | |
12) | Proje Sunumları | |
13) | Proje Sunumları |
Ders Notları / Kitaplar: | Jeffrey Stanton. An Introduction to Data Science (2013) edition 3. Wolfgang Jank. Business Analytics for Managers (2011). Roger D. Peng. R Programming for Data Science(2016) |
Diğer Kaynaklar: | Doing Data Science, Rachel Schutt and Cathy O’Neil. 2014. O’Reilly. The Art of Data Science: A Guide for Anyone Who Works with Data, Roger D. Peng and Elizabeth Matsui An Introduction to Statistical Learning with Applications in R, Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani R for Beginners, Emmanuel Paradis, 2005 , http://cran.r-project.org/other-docs.html |
Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
Ödev | 1 | % 10 |
Projeler | 1 | % 35 |
Ara Sınavlar | 1 | % 15 |
Final | 1 | % 40 |
Toplam | % 100 | |
YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 25 | |
YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 75 | |
Toplam | % 100 |
Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
Dersin Program Kazanımlarına Etkisi | Katkı Payı | |
1) | Lisans düzeyi yeterliliklerine dayalı olarak, aynı veya farklı bir alanda bilgilerini uzmanlık düzeyinde geliştirebilme ve derinleştirebilme. | 4 |
1) | Alanı ile ilgili uzmanlık gerektiren bir çalışmayı bağımsız olarak yürütebilme. | 4 |
1) | Alanı ile ilgili verilerin toplanması, yorumlanması, uygulanması ve duyurulması aşamalarında toplumsal, bilimsel, kültürel ve etik değerleri gözeterek denetleyebilme ve bu değerleri öğretebilme. | 4 |
1) | Alanında edindiği uzmanlık düzeyindeki bilgi ve becerileri eleştirel bir yaklaşımla değerlendirebilme ve öğrenmesini yönlendirebilme. | 4 |
1) | Alanında edindiği bilgileri farklı disiplin alanlarından gelen bilgilerle bütünleştirerek yorumlayabilme ve yeni bilgiler oluşturabilme, | 4 |
1) | Alanındaki güncel gelişmeleri ve kendi çalışmalarını, nicel ve nitel veriler ile destekleyerek alanındaki ve alan dışındaki gruplara, yazılı, sözlü ve görsel olarak sistemli biçimde aktarabilme. | 4 |
2) | Alanının ilişkili olduğu disiplinler arası etkileşimi kavrayabilme. | 5 |
2) | Alanında edindiği uzmanlık düzeyindeki kuramsal ve uygulamalı bilgileri kullanabilme. | 5 |
2) | Sosyal ilişkileri ve bu ilişkileri yönlendiren normları eleştirel bir bakış açısıyla incelemeyebilme, geliştirebilme ve gerektiğinde değiştirmek üzere harekete geçebilme. | 5 |
2) | Alanı ile ilgili konularda strateji, politika ve uygulama planları geliştirebilme ve elde edilen sonuçları, kalite süreçleri çerçevesinde değerlendirebilme. | 4 |
2) | Alanı ile ilgili uygulamalarda karşılaşılan ve öngörülemeyen karmaşık sorunların çözümü için yeni stratejik yaklaşımlar geliştirebilme ve sorumluluk alarak çözüm üretebilme. | 5 |
3) | Alanında özümsedikleri bilgiyi, problem çözme ve/veya uygulama becerilerini, disiplinlerarası çalışmalarda kullanabilme. | 5 |
3) | Alanı ile ilgili sorunların çözümlenmesini gerektiren ortamlarda liderlik yapabilme . | 5 |
3) | Alanı ile ilgili karşılaşılan sorunları araştırma yöntemlerini kullanarak çözümleyebilme. | 4 |