ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ (İNGİLİZCE, TEZSİZ)
Yüksek Lisans TYYÇ: 7. Düzey QF-EHEA: 2. Düzey EQF-LLL: 7. Düzey

Ders Tanıtım Bilgileri

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.

Temel Bilgiler

Öğretim Dili: İngilizce
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.

Öğrenme Kazanımları

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.

Dersin İçeriği

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

Haftalık Ayrıntılı Ders İçeriği

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

Kaynaklar

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

Değerlendirme Sistemi

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

Program ve Öğrenme Kazanımları İlişkisi

Etkisi Yok 1 En Düşük 2 Düşük 3 Orta 4 Yüksek 5 En Yüksek
           
Dersin Program Kazanımlarına Etkisi Katkı Payı