| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| Veri Bilimi | SAU 909 | 0 | 1 + 0 | 2 | 2 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler | |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Seçmeli |
| Dersin Koordinatörü | Dr.Öğr.Üyesi FATMA AKALIN |
| Dersi Verenler | |
| Dersin Yardımcıları | |
| Dersin Kategorisi | Diğer |
| Dersin Amacı | Python programlama dili ve araçlarının veri bilimi alanında kullanımı üzerine beceri kazanılması hedeflenmektedir. |
| Dersin İçeriği | Veri bilimi ve veri bilimci nedir, veriden faydalı bilgi çıkarma aşamaları, veri biliminde kullanılan araçlar, keşifçi veri analizi işlemleri, veri görselleştirme, proje yapabilme, |
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | Veri bilimi hakkında bilgi sahibi olur | Gezi / Gözlem, Rol Oynama, Soru-Cevap, Bireysel Çalışma, | Doğru Yanlış Testleri, Boşluk Doldurma Testleri, |
| 2 | Veriden faydalı bilgi çıkarma aşamalarını öğrenir | Grupla Çalışma, Soru-Cevap, Rol Oynama, Anlatım, | Kısa Cevaplı Testler, Doğru Yanlış Testleri, |
| 3 | Veri bilimi ve modelleme araçlarını kullanma becerisi kazanır | Grupla Çalışma, Bireysel Çalışma, Soru-Cevap, Rol Oynama, Anlatım, | Doğru Yanlış Testleri, Boşluk Doldurma Testleri, Kısa Cevaplı Testler, |
| 4 | Veri seti üzerinde veri bilimi uygulaması geliştirir | Grupla Çalışma, Bireysel Çalışma, Gözlem, Gezi / Gözlem, Deney ve Laboratuvar, | Eşleştirme Testler, Kısa Cevaplı Testler, |
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 1 | Veri bilimine giriş | |
| 2 | Veri biliminde uygulama geliştirme aşamaları | |
| 3 | Veri biliminde kullanılan araçlara bakış | |
| 4 | Veri seti oluşturma ve hazır veri setlerinin yüklenmesi | |
| 5 | Keşifçi veri analizi işlemleri: veri seti üzerinde inceleme ve hazırlama işlemleri | |
| 6 | Keşifçi veri analizi işlemleri: öznitelik ekleme ve çıkarma | |
| 7 | Keşifçi veri analizi işlemleri: veri filtreleme, eksik verileri tamamlama | |
| 8 | Keşifçi veri analizi işlemleri: temel istatistiki bilgileri edinme | |
| 9 | Keşifçi veri analizi işlemleri: aykırı değer tespiti | |
| 10 | Keşifçi veri analizi işlemleri: veri görselleştirme | |
| 11 | Makine öğrenmesi algoritmalarının kullanımı (sınıflandırma ve kümeleme) | |
| 12 | Örnek projelerin incelenmesi | |
| 13 | Proje Sunumları | |
| 14 | Proje Sunumları |
| Kaynaklar | |
|---|---|
| Ders Notu | |
| Ders Kaynakları | 1. Doç.Dr. Deniz KILINÇ, Nezahat BAŞEĞMEZ, “Uygulamalarla Veri Bilimi”, Abaküs, 2018. 2. A. Neagoie, D. Bourke, Complete Machine Learning & Data Science Bootcamp 2021. |
| # | Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı |
|---|---|
| 1 | Veri bilimi hakkında bilgi sahibi olur |
| 2 | Veriden faydalı bilgi çıkarma aşamalarını öğrenir |
| 3 | Veri bilimi ve modelleme araçlarını kullanma becerisi kazanır |
| 4 | Veri seti üzerinde veri bilimi uygulaması geliştirir |
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| 1. Ara Sınav | 40 |
| 1. Ödev | 25 |
| 1. Proje / Tasarım | 35 |
| Toplam | 100 |
| 1. Final | 50 |
| 1. Yıl İçinin Başarıya | 50 |
| Toplam | 100 |
| AKTS - İş Yükü Etkinlik | Sayı | Süre (Saat) | Toplam İş Yükü (Saat) |
|---|---|---|---|
| Ders Süresi (Sınav haftası dahildir: 16x toplam ders saati) | 16 | 2 | 32 |
| Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme) | 16 | 3 | 48 |
| Ara Sınav | 1 | 15 | 15 |
| Final | 1 | 20 | 20 |
| Proje / Tasarım | 1 | 15 | 15 |
| Ödev | 1 | 5 | 5 |
| Toplam İş Yükü | 135 | ||
| Toplam İş Yükü / 25 (Saat) | 5,4 | ||
| dersAKTSKredisi | 2 | ||