BAHÇEŞEHİR ÜNİVERSİTESİ BİLGİ PAKETİ / DERS KATALOĞU
| BÜYÜK VERİ ANALİTİĞİ VE YÖNETİMİ (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 |
Temel Bilgiler
| Öğretim Dili: | İngilizce |
| Dersin Türü: | Must Course |
| 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 |