| ENDÜSTRİ 4.0 (İNGİLİZCE, TEZLİ) | |||||
| Yüksek Lisans | TYYÇ: 7. Düzey | QF-EHEA: 2. Düzey | EQF-LLL: 7. Düzey | ||
| Ders Kodu | Ders Adı | Yarıyıl | Teorik | Pratik | Kredi | AKTS |
| SEN4018 | Python Dili ile Veri Bilimi | Güz | 3 | 0 | 3 | 6 |
| Bu dersin açılması ilgili bölüm tarafından yarıyıl başında belirlenir |
| Öğretim Dili: | En |
| Dersin Türü: | Departmental Elective |
| Dersin Seviyesi: | LİSANSÜSTÜ |
| Dersin Veriliş Şekli: | Yüz yüze |
| Dersin Koordinatörü: | DERYA BODUR |
| Dersin Amacı: | Bu dersin amacı öğrencilere veriden bilgi çıkartmayı öğretmektir. Öğrenciler veri analizi, tahmine dayalı modelleme, açıklayıcı modelleme, veri ürünü oluşturma ve dahil olmak üzere çeşitli veri bilimi uygulamalarında ihtiyaç duyacakları kavramları, teknikleri ve araçları öğreneceklerdir. Bu konuların ele alınması bir konuda derinlemsine ilerlemekten çok konu çeşitliliğini arttıracak şekilde olacak ve kavramların entegrasyonu ve sentezi ile problem çözme uygulamaları üzerinde durulacaktır. Öğrenmeyi pekiştirmek amacıyla çeşitli disiplinlerden gelen gerçek veri setleri Python ile birlikte kullanılacaktır. |
|
Bu dersi başarıyla tamamlayabilen öğrenciler; Bu dersi başarıyla tamamlayan öğrenciler; 1) Veri araştırma tekniklerini anlar ve kullanır. 2) Veri ön işleme, dönüştürme, normalleştirme ve standardizasyonu anlarve uygular. 3) Verileri yorumlayabilir ve buna göre veri görselleştirme yapabilir. 4) Farklı denetimli ve denetimsiz öğrenme algoritmalarını yorumlar ve kullanır. 5) Farklı denetimli ve denetimsiz öğrenme değerlendirme yöntemlerini anlar ve kullanır. 6) Python için hazırlanmış kitaplıkları uygulama geliştirirken kullanma becerisini gösterir. 7) Mevcut araştırma etik standartlarına uygun olarak yerleşik mühendislik ilkelerine göre bağımsız, sınırlı veri toplama, analiz ve değerlendirme yapar. |
| Python ile Giriş ve Programlama Tekrarı Numpy ile Diziler, Matrisler, Matematiksel Fonksiyonlar Pandas ile Veri Manipülasyonu ve Analizi Veri Ön İşleme, Dönüştürme, Normalleştirme, Standardizasyon Veri Görselleştirme Denetimli Öğrenme - Regresyon Denetimli Öğrenme - Sınıflandırma Çapraz Doğrulama Değerlendirme Metrikleri Denetimsiz Öğrenme |
| Hafta | Konu | Ön Hazırlık | |
| 1) | Python ile Giriş ve Programlama Tekrarı | ||
| 1) | |||
| 2) | Numpy ile Diziler, Matrisler, Matematiksel Fonksiyonlar | ||
| 3) | Pandas ile Veri Manipülasyonu ve Analizi | ||
| 4) | Veri Ön İşleme, Dönüştürme, Normalleştirme, Standardizasyon | ||
| 5) | Veri Görselleştirme | ||
| 6) | Denetimli Öğrenme - Regresyon | ||
| 7) | Denetimli Öğrenme - Regresyon | ||
| 8) | Denetimli Öğrenme - Regresyon | ||
| 9) | Denetimli Öğrenme - Sınıflandırma | ||
| 10) | Denetimli Öğrenme - Sınıflandırma | ||
| 11) | Denetimli Öğrenme - Sınıflandırma | ||
| 12) | Çapraz Doğrulama | ||
| 13) | Değerlendirme Metrikleri | ||
| 14) | Denetimsiz Öğrenme | ||
| Ders Notları: | Ethem Alpaydın, Introduction To Machine Learning, 3rd Edition, MIT Press, 2015, ISBN-13: 978-8120350786. |
| Diğer Kaynaklar: | Pang-Ning Tan, Michael Steinbach and Vipin Kumar, Introduction to Data Mining, 1st Edition, Pearson, 2005, ISBN-13: 978-0321321367. Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006, ISBN-13: 978-0387310732. |
| Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
| Devam | % 0 | |
| Laboratuar | % 0 | |
| Uygulama | % 0 | |
| Arazi Çalışması | % 0 | |
| Derse Özgü Staj | % 0 | |
| Küçük Sınavlar | 4 | % 20 |
| Ödev | % 0 | |
| Sunum | % 0 | |
| Projeler | 1 | % 30 |
| Seminer | % 0 | |
| Ara Sınavlar | % 0 | |
| Ara Juri | % 0 | |
| Final | 1 | % 50 |
| Rapor Teslimi | % 0 | |
| Juri | % 0 | |
| Bütünleme | % 0 | |
| Toplam | % 100 | |
| YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 20 | |
| YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 80 | |
| Toplam | % 100 | |
| Aktiviteler | Aktivite Sayısı | Süre (Saat) | İş Yükü |
| Ders Saati | 14 | 3 | 42 |
| Laboratuvar | 0 | 0 | 0 |
| Uygulama | 0 | 0 | 0 |
| Derse Özgü Staj | 0 | 0 | 0 |
| Arazi Çalışması | 0 | 0 | 0 |
| Sınıf Dışı Ders Çalışması | 14 | 2 | 28 |
| Sunum / Seminer | 0 | 0 | 0 |
| Proje | 6 | 3 | 18 |
| Ödevler | 0 | 0 | 0 |
| Küçük Sınavlar | 6 | 3 | 18 |
| Ara Juri | 0 | 0 | 0 |
| Ara Sınavlar | 6 | 3 | 18 |
| Rapor Teslimi | 0 | 0 | 0 |
| Juri | 0 | 0 | 0 |
| Final | 6 | 3 | 18 |
| Toplam İş Yükü | 142 | ||
| Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
| Dersin Program Kazanımlarına Etkisi | Katkı Payı |