| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| Veri Bilimine Giriş | CENG 474 | | | 3 + 0 | 3 | 5,00 |
| |
| Ders Bilgileri |
| Dersin Öğretim Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Seçmeli |
| Dersin Veriliş Biçimi | Yüz Yüze |
| |
Dersin Öğrenme Kazanımları:
Bu dersi başarı ile tamamlayan öğrenciler: |
| 1. Gerçek dünyadaki uygulamalar ve veri bilimcileri tarafından kullanılan araçlar dahil veri bilimindeki temel kavramları anlamak |
| 2. Veri toplama ve yönetim komutları geliştirmek, web kazıma ve veri API'ları aracılığıyla veri elde etmek |
| 3. Dağınık veri kümelerini temizlemek ve yeniden şekillendirmek |
| 4. Verileri analiz etmek için kümeleme ve görselleştirme gibi araçlar kullanmak |
| 5. Bir veri kümesini istatistiksel olarak analiz etmek için program kodu üretmek |
| 6. Programlama kullanarak verilerden görselleştirmeler oluşturmak ve planlamak |
| 7. Doğrusal regresyon analizi gerçekleştirmek |
| 8. Sınıflandırma ve kümelendirme yöntemlerini kullanma ve uygulama |
| 9. Sonuçları değerlendirmek ve verilere dayalı kararlar almak |
| 10. Sonuçları etkili bir şekilde iletmek |
| |
| Dersin Önkoşulları ve Birlikte Alınması Gereken Dersler | Yok |
| Daha Önce Alınmış Olması Önerilen Dersler | Yok |
| |
Dersin Tanımı:
Verileri elde etmek, temizlemek, analiz etmek, keşfetmek ve görselleştirmek için araçlar ve yazma programları kullanarak veri bilimine giriş; veriye dayalı çıkarımlar yapmak ve kararlar almak; ve sonuçları etkili bir şekilde iletmek. Veri işlemeyi öğrenme, istatistik ve makine öğrenimi ile veri analizi, bilgi görselleştirme ile veri iletişimi, en yeni teknikleri kullanarak verilerle çalışma. |
| |
| Dersin İçeriği (Haftalık Konu Dağılımı): |
| |
| Hafta | Konu |
| 1 | Veri bilimine giriş |
| 2 | Veri bilimi süreçleri |
| 3 | Veri bilimi araçları |
| 4 | Diziler ve vektörleştirilmiş hesaplama |
| 5 | Veri keşfi, veri birleştirme, veri entegrasyonu |
| 6 | Veri biçimleri, veri toplama, örnekleme |
| 7 | Veri normalleştirme, gürültü giderme, dönüştürme, eksik değerler, temizleme |
| 8 | Özellik çıkarma |
| 9 | Boyutsal küçültme |
| 10 | Keşif ve veri görselleştirme |
| 11 | Tanımlayıcı istatistikler |
| 12 | Verilerden öğrenme: regresyon, naive bayes, nearest neighbours |
| 13 | Verilerden öğrenme: karar destek makineleri, karar ağaçları |
| 14 | Proje sunumları |
| |
| Kaynaklar: |
| Joel Grus. Data Science from Scratch: First Principles with Python. O’Reilly. 2015. ISBN: 149190142X.
Wes McKinney. Python for Data Analysis. O’Reilly. 2013. ISBN: 978-1-449-31979-3.
John Paul Muller, Luca Massaron. Python for Data Science. Wiley. 2019. ISBN: 978-1-119-54762-4. |
| |
| Diğer Kaynaklar: |
| |
| |
| Öğretim Yöntem ve Teknikleri: |
| Dersler yüzyüze yapılacaktır. Öğrencileri önemli konuları daha detaylı araştırmaya teşvik etmek için bir dizi ev ödevi kullanılacaktır. Öğrencilerden, bazı veri bilimi problemlerini etkili kod geliştirme, sonuçların analizi ve sunumu ile çözmek için bir dönem projesi geliştirmek üzere ekipler halinde çalışmaları istenecektir. |
| |
| Değerlendirme Sistemi: |
| Yöntem | Adet | Katkı (%) |
| Ödev | 3 | %20 |
| Ara sınav | 1 | %20 |
| Proje | 1 | %40 |
| Final sınavı | 1 | %20 |
| |
| Ders İşbaşı Eğitimi (iş yerinde eğitim) Gerektiriyor mu? |
| Gerektirmiyor |