Genel Bilgi
Kod | CENG0028 |
Ad | Applied Data Science |
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 | İngilizce |
Seviye | Yüksek Lisans Dersi |
Tür | Normal |
Öğretim Şekli | Yüz Yüze Öğretim |
Bilgi Paketi Koordinatörü | Dr. Öğr. Üyesi SERKAN KARTAL |
Dersin Amacı / Hedefi
Bu dersin ana hedefleri, verileri temizlemek, analiz etmek, araştırmak ve görselleştirmek için araçların nasıl kullanılacağını öğrenmek; veriye dayalı çıkarımlar ve kararlar vermek.
Dersin İçeriği
Bu kursun içeriğinde, veriler üzerinde uygulamalar geliştirebilmek için python tabanlı programlama araçlarının nasıl kullanılacağını öğretilecektir.
Dersin Ön Koşulu
Python programlamaya aşinalık ve NumPy, pandas ve matplotlib'in temel kullanımı hakkında bilgi sahibi olmak gerekmektedir.
Kaynaklar
Applied Data Science with Python and Jupyter by Alex Galea
Notlar
Python Data Science Handbook by Jake VanderPlas
Dersin Öğrenme Çıktıları
Sıra | Dersin Öğrenme Çıktıları |
---|---|
ÖÇ01 | Dağınık veri kümelerini temizlemeyi ve yeniden şekillendirmeyi öğrenme |
ÖÇ02 | Verileri analiz etmek için kümeleme ve görselleştirme gibi araçları kullanma |
ÖÇ03 | Temel bileşen analizi gibi boyut azaltma araçlarını uygulama |
ÖÇ04 | Bir sınıflandırıcı oluşturmak için lojistik regresyon, en yakın komşular, karar ağaçları, destek vektör makineleri ve sinir ağları gibi yöntemleri kullanma. |
Program Öğrenme Çıktıları ile İlişkisi
Sıra | Tür | Program Öğrenme Çıktıları | Duzey |
---|---|---|---|
PÖÇ01 | Bilgi - Kuramsal, Olgusal | Lisans düzeyinde kazanılan yetkinlikler temelinde Bilgisayar Mühendisliği temel alanında özgün çalışmalar için gerekli temeli sağlayan ileri düzeyde bilgi ve kavrayışa sahiptir. | 3 |
PÖÇ02 | Bilgi - Kuramsal, Olgusal | Mühendislik alanında bilimsel araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşır, bilgiyi değerlendirir, yorumlar ve uygular. | 2 |
PÖÇ03 | Yetkinlikler - Öğrenme Yetkinliği | Mesleğinin yeni ve gelişmekte olan uygulamalarının farkında olup, gerektiğinde bunları inceler ve öğrenir. | 4 |
PÖÇ04 | Yetkinlikler - Öğrenme Yetkinliği | Mühendislik problemlerini kurgular, çözmek için yöntem geliştirir ve çözümlerde yenilikçi yöntemler uygular. | 4 |
PÖÇ05 | Yetkinlikler - Öğrenme Yetkinliği | Analitik, modelleme ve deneysel esaslı araştırmaları tasarlar ve uygular, bu süreçte karşılaşılan karmaşık durumları çözümler ve yorumlar. | 4 |
PÖÇ06 | Yetkinlikler - Öğrenme Yetkinliği | Yeni ve/veya özgün fikir ve yöntemler geliştirir, sistem, parça veya süreç tasarımlarında yenilikçi çözümler geliştirir. | 4 |
PÖÇ07 | Beceriler - Bilişsel, Uygulamalı | Öğrenme becerilerine sahip olur. | 2 |
PÖÇ08 | Beceriler - Bilişsel, Uygulamalı | Bilgisayar Mühendisliğinin yeni ve gelişmekte olan uygulamalarının farkında olup gerektiğinde bunları inceler ve öğrenir. | 3 |
PÖÇ09 | Beceriler - Bilişsel, Uygulamalı | Çalışmalarının süreç ve sonuçlarını Bilgisayar Mühendisliği alanındaki veya alan dışındaki ulusal ve uluslararası ortamlarda açık bir şekilde yazılı veya sözlü olarak aktarır. | |
PÖÇ10 | Beceriler - Bilişsel, Uygulamalı | Bilgisayar Mühendisliğinde uygulanan güncel teknik ve yöntemler ile bunların kısıtları hakkında kapsamlı bilgiye sahip olur. | |
PÖÇ11 | Beceriler - Bilişsel, Uygulamalı | Bilgisayar Mühendisliğinin gerektirdiği düzeyde bilgisayar yazılımı ile birlikte bilişim ve iletişim teknolojilerini ileri düzeyde etkileşimli olarak kullanır. | |
PÖÇ12 | Bilgi - Kuramsal, Olgusal | Mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetir. |
Haftalık Akış
Hafta | Konu | Ön Hazırlık | Yöntemler |
---|---|---|---|
1 | Python'da veri analizi araçlarına giriş | Ders notlarının okunması | Öğretim Yöntemleri: Gösteri, Anlatım |
2 | Tanımlayıcı istatistikler | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Gösteri |
3 | Pandas ile veri yapıları | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Gösteri |
4 | Hipotez testi ve istatistiksel çıkarıma giriş | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Gösteri |
5 | API'ler aracılığıyla veri toplama | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Gösteri |
6 | Doğrusal regresyon | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Gösteri |
7 | Lojistik regresyon, k-en yakın komşular, karar ağaçları, destek vektör makineleri ve sinir ağları vb. sınıflandırma yöntemleri | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Gösteri |
8 | Ara Sınavlar | Ders notlarının okunması | Ölçme Yöntemleri: Yazılı Sınav, Ödev |
9 | Sınıflandırma yöntemleri devam | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Gösteri |
10 | Veri görüntüleme | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Gösteri |
11 | Kümeleme metotları | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Gösteri |
12 | Temel bileşen analizini kullanarak boyut azaltma | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Gösteri |
13 | Ağ analizi | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Gösteri |
14 | Düzenli ifadeler kullanarak dağınık veri kümelerini temizleme ve yeniden biçimlendirme | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Gösteri |
15 | Büyük veri etiği | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Gösteri |
16 | Yarıyıl Sonu Sınavları | Ders notlarının okunması | Ölçme Yöntemleri: Yazılı Sınav |
17 | Yarıyıl Sonu Sınavları | Ders notlarının okunması | Ölçme Yöntemleri: Yazılı Sınav |
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 |