| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| İşletmeler için İleri Veri İletişimi Özel Konular | MIS 407 | | | 3 + 0 | 3 | 5,00 |
| |
| Ders Bilgileri |
| Dersin Öğretim Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | |
| Dersin Veriliş Biçimi | Yüz Yüze |
| |
Dersin Öğrenme Kazanımları:
Bu dersi başarı ile tamamlayan öğrenciler: |
| 1. Veri Tiplerinin Anlaşılması |
| 2. Tablo ve Grafik ile Veri İletişimi |
| 3. Verilerin Grafiksel Temsili, Grafik Kalitesi |
| 4. R ve Rmarkdown ile Veri Güdümlü Dokümanlar/Raporlar |
| 5. Verilerin Manipülasyonu, Önişlemesi |
| 6. Grafik Grammeri |
| 7. Etkileşimli Tablolar |
| 8. Etkileşimli Grafikler |
| 9. Veri Görselleri Animasyonu |
| 10. Veri ile Haritalar |
| |
| Dersin Önkoşulları ve Birlikte Alınması Gereken Dersler | Yok |
| Daha Önce Alınmış Olması Önerilen Dersler | Yok |
| |
Dersin Tanımı:
Bu ders veri iletişimi hakkında özel konuları içeren seçmeli derstir. Derste R programı ve kütüphaneleri kullanılarak öğrencilerin veri görselleştirme ve veri odaklı karar almak için verilerin sunumu konusunda becerilerini geliştirmeleri hedeflenmektedir. Etkileşimli veri tabloları, etkileşimli veri görselleri, Şebeke görselleri, haritalar ile karmaşık verilerin iletişim konusunda stratejiler tartışılacaktır. |
| |
Üretken Yapay Zeka Kullanımı:
Öğrencilerin, ChatGPT ve Copilot gibi üretken yapay zeka araçlarını, problem çözme konusunda rehberlik almak, kendi çözümlerini yapay zeka tarafından üretilen yanıtlarla karşılaştırmak ve hatalarını tespit etmek için çözümleri adım adım analiz etmek amacıyla kullanmaları teşvik edilecektir. Bu uygulama öğrencilerin eleştirel düşünme ve problem çözme becerilerini geliştirecektir. Yapay zeka öğrenme sürecinde değerli bir destek aracı olarak hizmet etse de, öğrencilerin üretilen çıktıları eleştirel bir bakış açısıyla değerlendirmeleri ve bağımsız analitik düşünme yetilerini güçlendirmeleri teşvik edilecektir |
| |
| Dersin İçeriği (Haftalık Konu Dağılımı): |
| |
| Hafta | Konu |
| 1 | Veri, Veri Tipleri |
| 2 | Açıklayıcı Veri Sunumu |
| 3 | R. Veri içe-dışa Aktarım, Veri Tipleri |
| 4 | Zaman Serileri ve Diğer Verilerin Manipulasyonu, Dönüşümü ve Önişlemesi |
| 5 | Veri Güdümlü Rapor ve Dokümanlar |
| 6 | Zaman Serileri Özetleri, Tabloları |
| 7 | R ile Görsel Tabloların Hazırlanması |
| 8 | R ile Etkileşimli Görsel Tabloların Hazırlanması |
| 9 | Etkileşimli Grafikler |
| 10 | Veri İçeren Haritalar |
| 11 | Ağ Verilerinin Grafikleri |
| 12 | Zaman Serilerinin Görselleştirmeleri |
| 13 | Etkileşimli Zaman Serilerinin Görselleştirmeleri |
| 14 | R ile Veri Görselleştirme Animasyonları |
| |
| Kaynaklar: |
| Data Visualization: A Practical Introduction, Kieran Healy, 1st Edition, 2018
Storytelling with Data: A Data Visualization Guide for Business Professionals, Cole Nussbaumer Knaflic, 2015
R Graphics Cookbook: Practical Recipes for Visualizing Data, Winston Chang, 2nd Edition, 2018
|
| |
| Diğer Kaynaklar: |
| ggplot2: Elegant Graphics for Data Analysis, Hadley Wickham, Danielle Navarro, and Thomas Lin Pedersen, Online
R Markdown: The Definitive Guide, Yihui Xie, J. J. Allaire, Garrett Grolemund, Online
|
| |
| Öğretim Yöntem ve Teknikleri: |
| Dersler uygulama örnekleri ve vaka çalışmaları işle desteklenerek öğrencilere uygulama alanında tecrübe kazanmaları sağlanacaktır. Sınıf içinde öğrencilerin tartışmalara katılmaları teşvik edilecek ve grup olarak yapılan çalışmalar ve sunumları ile takım çalışması tecrübesi kazanmaları sağlanacaktır |
| |
| Değerlendirme Sistemi: |
| Yöntem | Adet | Katkı (%) |
| Ödev | 4 | %40 |
| Sunum/Presentation | 1 | %30 |
| Final | 1 | %20 |
| Ders Katılımı | 1 | %10 |
| |
| Ders İşbaşı Eğitimi (iş yerinde eğitim) Gerektiriyor mu? |
| Gerektirmiyor |
| |
Dersin Program Yeterlilikleri vs. Öğrenme Kazanımları:
|
| # | Program Yeterlilikleri | Katkı |
| 1 | Bilişim teknolojileri altyapısını öğrenmek ve gelişmeleri takip etmek. | 2 |
| 2 | Örgüt yapısına uygun bilişim sistemleri tasarlamak. | 3 |
| 3 | Yazılım bilgileri edinmek ve etkin bir şekilde kullanabilmek. | 4 |
| 4 | Veri toplama, temizleme ve saklama yöntemlerini öğrenmek. | 3 |
| 5 | Gelecekteki veri ve yazılım gereksinimlerini tahmin edebilmek. | 2 |
| 6 | Firma içindeki veri odaklı yönetim süreçlerini takip etmek. | 3 |
| 7 | "Büyük Veri" kullanarak bilgi elde etme yöntemlerini öğrenmek. | 2 |
| 8 | Bilgi teknolojilerindeki gelişmeleri takip etmek. | 3 |
| 9 | Bir kuruluşun bilgi teknolojileri ve veri problemlerini anlamak ve değerlendirmek. | 4 |
| 10 | Veri toplama, yorumlama, analiz etme ve yayma süreçlerinde bilimsel, sosyal ve etik standartları korumak. | 3 |
| 11 | Bilgi sistemleri arasındaki birlikte çalışabilirliği anlamak. | 1 |
| 12 | İş ortamını anlamak ve değerlendirmek. | 3 |