TÜRKÇE
ENGLISH
Genel Bilgi
| Kod | ISB009 |
| Ad | Python ile Veri Analizi |
| Dönem | 2024-2025 Eğitim-Öğretim Yılı |
| Yarıyıl | . Yarıyıl |
| Süre (T+U) | 3-0 (T-U) (17 Hafta) |
| AKTS | 6 AKTS |
| Yerel Kredi | 3 Yerel Kredi |
| Eğitim Dil | Türkçe |
| Seviye | Doktora Dersi |
| Tür | Normal |
| Öğretim Şekli | Yüz Yüze Öğretim |
| Bilgi Paketi Koordinatörü | Prof. Dr. MAHMUDE REVAN ÖZKALE |
Dersin Amacı / Hedefi
Öğrencilere veri bilimi çerçevesindeki teori bilgileri Python programında uygulama becerisi kazandırmak.
Dersin İçeriği
Phyton Dili Temelleri, Yerleşik Veri Yapıları, İşlevler ve Dosyalar,NumPy Temelleri, Pandas Kitaplığı, Veri Yükleme, Depolama ve Dosya Biçimleri, Veri Temizleme ve Hazırlama, Veri Düzenleme, Çizim ve Görselleştirme, Veri Toplama ve Grup İşlemleri, Veri Analizi ve Örnekler.
Dersin Ön Koşulu
yok
Kaynaklar
McKinney, W. 2018. Python for Data Analysis. OReilly Media, 2nd edition
Notlar
ders notları
Dersin Öğrenme Çıktıları
| Sıra | Dersin Öğrenme Çıktıları |
|---|---|
| ÖÇ01 | Python programının temel kavramlarını açıklayabilme |
| ÖÇ02 | Python programında döngü kurabilme |
| ÖÇ03 | Python programı ile temel istatistiksel analizler yapabilme |
| ÖÇ04 | Python programı ile grafik çizimleri yapabilme |
| ÖÇ05 | Python programında kütüphaneleri kullanma |
Program Öğrenme Çıktıları ile İlişkisi
| Sıra | Tür | Program Öğrenme Çıktıları | Duzey |
|---|---|---|---|
| PÖÇ01 | Bilgi - Kuramsal, Olgusal | İstatistiksel problemlerin modellenmesinde ve probleme özgü çözümlerin üretilmesinde yeni yöntem ve stratejiler geliştirir. | 3 |
| PÖÇ02 | Bilgi - Kuramsal, Olgusal | İstatistik alanında belirli bir konu hakkında detaylı araştırma yapabilir. | 4 |
| PÖÇ03 | Bilgi - Kuramsal, Olgusal | İstatistik literatürüne katkı yapabilecek düzeyde istatistik teorisine hakimdir. | 4 |
| PÖÇ04 | Bilgi - Kuramsal, Olgusal | İstatistik alanında edindiği bilgiyi disiplinler arası çalışmalarda kullanabilir. | 4 |
| PÖÇ05 | Yetkinlikler - Öğrenme Yetkinliği | İstatistik alanında proje ve etkinlikler düzenleyebilir. | 5 |
| PÖÇ06 | Yetkinlikler - Öğrenme Yetkinliği | Bir projenin oluşturulması, yürütülmesi ve sonuçların raporlanması aşamalarını gerçekleştirebilir. | 5 |
| PÖÇ07 | Beceriler - Bilişsel, Uygulamalı | Bilimsel irdeleme yetisine sahip olur. | 3 |
| PÖÇ08 | Bilgi - Kuramsal, Olgusal | İstatistik alanında bilimsel yayın üretebilir. | |
| PÖÇ09 | Bilgi - Kuramsal, Olgusal | Analitik düşünme becerisine sahip olur. | 4 |
| PÖÇ10 | Yetkinlikler - Öğrenme Yetkinliği | Mesleki yenilik ve gelişmeleri hem ulusal hem de uluslar arası düzeyde takip edebilir. | 4 |
| PÖÇ11 | Yetkinlikler - Öğrenme Yetkinliği | İstatistik literatürünü takip edebilir. | 4 |
| PÖÇ12 | Beceriler - Bilişsel, Uygulamalı | Yabancı dil bilgisini, alanında yabancı dilde yayın ve sunum yapabilecek düzeyde geliştirebilir. | 5 |
| PÖÇ13 | Bilgi - Kuramsal, Olgusal | Bilişim teknolojilerini ileri düzeyde kullanabilir. | 5 |
| PÖÇ14 | Bilgi - Kuramsal, Olgusal | Bireysel çalışma becerisi ve bağımsız karar verebilme yetisine sahip olur. | 5 |
| PÖÇ15 | Yetkinlikler - Bağımsız Çalışabilme ve Sorumluluk Alabilme Yetkinliği | Takım çalışmalarında gerekli olan niteliklere sahiptir. | 5 |
| PÖÇ16 | Bilgi - Kuramsal, Olgusal | Mesleki ve etik sorumluluk bilincine sahip olur. | 3 |
| PÖÇ17 | Bilgi - Kuramsal, Olgusal | Bilimsel etik kurallara uygun davranır. | 3 |
Haftalık Akış
| Hafta | Konu | Ön Hazırlık | Yöntemler |
|---|---|---|---|
| 1 | Python dilinin temelleri | Kaynak okuma | Öğretim Yöntemleri: Alıştırma ve Uygulama |
| 2 | Yerleşik veri yapıları, işlevler, dosyalar | Kaynak okuma | Öğretim Yöntemleri: Alıştırma ve Uygulama |
| 3 | Numpy temelleri | Kaynak okuma | Öğretim Yöntemleri: Alıştırma ve Uygulama |
| 4 | pandas'ya giriş | Kaynak okuma | Öğretim Yöntemleri: Alıştırma ve Uygulama |
| 5 | Veri yükleme, depolama ve dosyalar | Kaynak okuma | Öğretim Yöntemleri: Alıştırma ve Uygulama |
| 6 | Veri temizleme ve hazırlama | Kaynak okuma | Öğretim Yöntemleri: Alıştırma ve Uygulama |
| 7 | Veri birleştirme, yeniden şekillendirme | Kaynak okuma | Öğretim Yöntemleri: Alıştırma ve Uygulama |
| 8 | Proje hazırlama | Kaynak okuma | Ölçme Yöntemleri: Performans Değerlendirmesi |
| 9 | Çizim ve görselleştirme | Kaynak okuma | Öğretim Yöntemleri: Alıştırma ve Uygulama |
| 10 | Data aggregation and group operations | Kaynak okuma | Öğretim Yöntemleri: Alıştırma ve Uygulama |
| 11 | Python ile zaman serileri | Kaynak okuma | Öğretim Yöntemleri: Alıştırma ve Uygulama |
| 12 | Gelişmiş pandas | Kaynak okuma | Öğretim Yöntemleri: Alıştırma ve Uygulama |
| 13 | Python'da kütüphaneleri modelleme | Kaynak okuma | Öğretim Yöntemleri: Alıştırma ve Uygulama |
| 14 | Veri analizi | Veri derleme | Öğretim Yöntemleri: Gösterip Yaptırma, Alıştırma ve Uygulama |
| 15 | Yüksek boyutlu veri analizi | Veri derleme | Öğretim Yöntemleri: Alıştırma ve Uygulama, Gösterip Yaptırma |
| 16 | Proje sunumu | Veri derleme, raporlama | Öğretim Yöntemleri: Alıştırma ve Uygulama, Gösterip Yaptırma |
| 17 | Final Sınavı | Kaynak okuma | Ölçme Yöntemleri: Performans Değerlendirmesi |
Öğrenci İş Yükü - AKTS
| Çalışmalar | Sayısı | Süresi (Saat) | İş Yükü (Saat) |
|---|---|---|---|
| Ders ile İlgili Çalışmalar | |||
| Ders (Sınav haftaları dahil değildir) | 14 | 3 | 42 |
| Sınıf Dışı Ders Çalışma (Ön çalışma, pekiştirme) | 14 | 5 | 70 |
| Değerlendirmeler ile İlgili Çalışmalar | |||
| Ödev, Proje, Diğer | 0 | 0 | 0 |
| Ara Sınavlar (Yazılı, Sözlü, vs.) | 1 | 15 | 15 |
| Yarıyıl/Yıl Sonu/Final Sınavı | 1 | 30 | 30 |
| Toplam İş Yükü (Saat) | 157 | ||
| Toplam İş Yükü / 25 (s) | 6,28 | ||
| AKTS | 6 AKTS | ||