BAHÇEŞEHİR ÜNİVERSİTESİ BİLGİ PAKETİ / DERS KATALOĞU
| BÜYÜK VERİ ANALİTİĞİ VE YÖNETİMİ (İNGİLİZCE, TEZLİ) | |||||
| 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 |
| BDA5015 | Keşifsel Veri Analizi ve Görselleştirme | Bahar 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: | |
| Dersin Koordinatörü: | Dr. Öğr. Üyesi ECE GELAL SOYAK |
| Opsiyonel Program Bileşenleri: | Öğrencilerin temel istatistiksel kavramlar hakkında önceden bilgi sahibi olmaları ve Python veya R programlama deneyimine sahip olmaları gerekir. Ayrca veri görselleştirme kütüphanelerine (ör. Matplotlib, Seaborn, Plotly) aşinalık tavsiye edilir. |
| Dersin Amacı: | Dersin amacı, veri odaklı karar vermede birlikte oluşturma ve birlikte üretme metodolojilerini vurgulayarak Keşifsel Veri Analitiği ve Görselleştirmenin derinlemesine incelenmesini sağlamaktır. Öğrenciler gerçek dünya veri kümelerini analiz ederler ve veri ön işleme, keşifsel veri analizi ve gelişmiş görselleştirme yöntemlerinde beceriler geliştirirler. Vaka çalışmaları, interaktif tartışmalar ve pratik uygulamalar aracılığıyla öğrenciler, veri odaklı sonuçları etkili bir şekilde iletmek için teknikleri işbirliği içinde keşfederler. |
Öğrenme Kazanımları
|
Bu dersi başarıyla tamamlayabilen öğrenciler; Dersin sonunda öğrenciler şunları yapabilirler: 1. Keşifsel veri analitiği ve görselleştirmenin temellerini anlama. 2. Veri ön işleme ve dönüştürme tekniklerini uygulayabilme. 3. Kalıpları ve eğilimleri ortaya çıkarmak için keşifsel veri analizi gerçekleştirme. 4. Farklı veri türleri için etkili veri görselleştirme teknikleri uygulama. 5. Tableau ve Power BI gibi etkileşimli görselleştirme araçlarını kullanma. 6. Görsel hikaye anlatımını geliştirmek için istatistiksel ve makine öğrenimi tekniklerini uygulama. 7. Jeo-uzamsal veri görselleştirme ile çalışma. 8. Veri analitiği ve görselleştirmede etik hususları değerlendirme. 9. Gerçek zamanlı veri keşfi için etkileşimli gösterge panoları geliştirme. 10. İşbirliği içinde içgörü ve çözümler üretmek için birlikte yaratma ve birlikte üretme uygulamalarına katılma. |
Dersin İçeriği
| Bu ders, öğrencileri analitik düşünme, problem çözme yetenekleri ve veri görselleştirme araçlarında yeterlilik kazandırarak keşifsel veri analitiği ve görselleştirme konusunda temel becerilerle donatır. Birlikte yaratma ve birlikte üretmenin dahil edilmesi, işbirliğine dayalı öğrenmeyi ve sektörle ilgili veri odaklı karar verme yaklaşımlarını geliştirir. |
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Konu | Ön Hazırlık |
| 1) | Disiplinler Arası Köprü Kurmak: Veri ve Yapay Zekanın Sosyal Bilimlerdeki Rolü ve Toplumsal Etkileri | |
| 2) | Keşifsel Veri Analitiği ve Görselleştirmeye Giriş ve Toplumsal Etkileri | |
| 3) | Veri Ön İşleme ve Temizleme Teknikleri | |
| 4) | Keşifsel Veri Analizi | |
| 5) | İstatistiksel Görselleştirmenin Temelleri | |
| 6) | Python ve R ile İleri Düzey Grafik Oluşturma | |
| 7) | Zaman Serisi ve Akış Verilerini Görselleştirme | |
| 8) | Birlikte Üretim Metodolojileri ile Veri Hikayesi Anlatımı ve Anlatı Görselleştirme | |
| 9) | Ara sınav | |
| 10) | Jeo-uzamsal Veri Görselleştirme | |
| 11) | Proje Güncellemeleri | |
| 12) | Proje Güncellemeleri | |
| 13) | Proje Güncellemeleri | |
| 14) | Veri Görselleştirme ve Birlikte Yaratma Uygulamalarında Geleceğin Trendleri [Final Proje Raporu Sunumu] |
Kaynaklar
| Ders Notları / Kitaplar: | |
| Diğer Kaynaklar: | • Tufte, E. (2001) The Visual Display of Quantitative Information. • Hadley Wickham (2009). ggplot2: Elegant Graphics for Data Analysis. • Aggarwal (2015) Data Mining: The Textbook. • Cole Nussbaumer Knaflic (2015). Storytelling with Data: A Data Visualization Guide for Business Professionals • Leskovec, Rajaraman, Ullman (2020) Mining of Massive Datasets. • Russell & Norvig (2021) Artificial Intelligence: A Modern Approach. |
Değerlendirme Sistemi
| Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
| Ara Sınavlar | 1 | % 40 |
| Juri | 1 | % 60 |
| Toplam | % 100 | |
| YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 100 | |
| YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % | |
| Toplam | % 100 | |
AKTS / İş Yükü Tablosu
| Aktiviteler | Aktivite Sayısı | Süre (Saat) | İş Yükü |
| Ders Saati | 14 | 3 | 42 |
| Sınıf Dışı Ders Çalışması | 14 | 4 | 56 |
| Sunum / Seminer | 0 | 15 | 0 |
| Ödevler | 3 | 10 | 30 |
| Ara Sınavlar | 1 | 30 | 30 |
| Final | 1 | 40 | 40 |
| Toplam İş Yükü | 198 | ||
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 | |
| 1) | Bilimsel literatürü takip eder, eleştirel biçimde analiz eder ve mühendislik problemlerinin çözümünde etkin biçimde kullanır. | 4 |
| 2) | Büyük Veri Analitiği ve Yönetimi ile ilgili özgün projeler tasarlar, planlar, uygular ve yönetir. | 3 |
| 3) | Büyük Veri Analitiği ve Yönetimi ile ilgili çalışmaları bağımsız olarak yürütür, bilimsel sorumluluk alır ve elde edilen sonuçları eleştirel bir bakış açısıyla değerlendirir. | 2 |
| 4) | Yaptığı araştırma ve projelerin sonuçlarını akademik standartlara uygun biçimde yazılı, sözlü ve görsel olarak etkili bir şekilde sunar. | 2 |
| 5) | Büyük Veri Analitiği ve Yönetimi alanıyla ilgili uzmanlık gerektiren konularda bağımsız araştırma yapar, özgün düşünce geliştirir ve bu bilgileri uygulamaya aktarır. | 3 |
| 6) | Büyük Veri Analitiği ve Yönetimi alanına özgü ileri düzey kuramsal ve uygulamalı bilgileri etkin bir biçimde kullanır. | 3 |
| 7) | Mesleki, bilimsel ve etik değerlere uygun hareket eder; mühendislik uygulamalarının toplumsal, çevresel ve etik etkilerini gözeterek sorumluluk alır. | 4 |