| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| İşletmeler için Veri Görselleştirme ve İletişimi | MIS 311 | | | 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. R Programı ile Temel Veri İşlemleri |
| 2. Veri Güdümlü Dokümanlar/Raporlar |
| 3. Veri Görselleştirme ve Grafik Kalitesi |
| 4. Katmanlı Veri Grafikleri |
| 5. Skalar Veriler için Görselleştirme |
| |
| Dersin Önkoşulları ve Birlikte Alınması Gereken Dersler | Yok |
| Daha Önce Alınmış Olması Önerilen Dersler | Yok |
| |
Dersin Tanımı:
Veri görselleştirme ve iletişimi, verilerle çalışan ve karar veren profesyoneller için hayati bir beceri haline gelmiştir. Bu derste öğrenciler, R programı ile etkili görselleştirme ve içgörülerin etkili bir şekilde iletişimi konularına odaklanmaktadır. Ders, veri görselleştirmenin temel ilkeleri, teknikleri ve en iyi uygulamaları kapsamaktadır. Dersin sonunda öğrencilerin, veriler aracılığıyla etkileyici iletişim ve bilgilendirilmiş karar verme becerilerini geliştirmesi amaçlanmaktadır. Ayrıca, ggplot2 ve plotly dahil olmak üzere farklı R kütüphaneleri kullanarak öğrencilerin veri görselleştirme konusunda pratik deneyimler kazanmaları da beklenmektedir. |
| |
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 | Araştırıcı, Açıklayıcı Veri Sunumu |
| 3 | Araştırıcı, Açıklayıcı Veri Sunumu |
| 4 | R. Veri içe-dışa Aktarım, Veri Tipleri |
| 5 | Veri tipleri ve grafikleri: Örnekler |
| 6 | Veri Güdümlü Rapor ve Dökümanlar |
| 7 | Veri Görselleştirmenin Temelleri |
| 8 | Veri Özetleri, Tablolar |
| 9 | Veri Özetleri, Tablolar |
| 10 | Grafik Grameri, Katmanlı Grafikler |
| 11 | Nümerik Verileri için Görselleştirme: Miktarlar |
| 12 | Nümerik Verileri için Görselleştirme: Dağılımlar |
| 13 | Nümerik Verileri için Görselleştirme: İlişkiler |
| 14 | Renk ve Yazı |
| |
| 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 (%) |
| Aktiviteler | 4 | %40 |
| Proje/Sunum | 1 | %30 |
| Final Sınavı | 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. | 1 |
| 2 | Örgüt yapısına uygun bilişim sistemleri tasarlamak. | 0 |
| 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. | 4 |
| 6 | Firma içindeki veri odaklı yönetim süreçlerini takip etmek. | 4 |
| 7 | "Büyük Veri" kullanarak bilgi elde etme yöntemlerini öğrenmek. | 1 |
| 8 | Bilgi teknolojilerindeki gelişmeleri takip etmek. | 2 |
| 9 | Bir kuruluşun bilgi teknolojileri ve veri problemlerini anlamak ve değerlendirmek. | 1 |
| 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 |