| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| Büyük Veri | SWE 307 | 5 | 3 + 0 | 3 | 5 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler | |
| Dersin Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Zorunlu |
| Dersin Koordinatörü | Prof.Dr. AHMET ÖZMEN |
| Dersi Verenler | Prof.Dr. AHMET ÖZMEN, |
| Dersin Yardımcıları | |
| Dersin Kategorisi | Diğer |
| Dersin Amacı | Derste büyük veri kavramı, veri görselleştirme ve analiz yöntemlerinin tanıtılması hedeflenmiştir. Büyük veriyi işlerken yaygın olarak kullanılan programlama dilleri ve yazılım araçları detayları ile tanıtılmaktadır. Bu yazılım araçlarının kurulumu ve veri işleme hatlarının oluşturulması örnek uygulamalar ile gösterilir. |
| Dersin İçeriği | Veri biliminde ve büyük data konusunda temel kavramlar. Büyük verinin analizi ve görselleştirme. Büyük verinin toplanması, saklanması ve işlenmesi için yazılım mimarileri, araçlar ve uygulamalar. |
| Kalkınma Amaçları |
|---|
|
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | Büyük veri analizi ve temel kavramların öğrenilmesi | Anlatım, Soru-Cevap, Tartışma, | |
| 2 | Büyük veri ve dağıtık paralel programlama, MapReduce hesaplama modeli | Tartışma, Soru-Cevap, Anlatım, | |
| 3 | Büyük veri modülleri ile web tabanlı bilgi sistemlerinin entegrasyonu | Grupla Çalışma, Soru-Cevap, Anlatım, | |
| 4 | Kafka-Spark-Cassandra ile veri hattı oluşturma | Gözlem, Problem Çözme, Tartışma, Soru-Cevap, Anlatım, | |
| 5 | Büyük veri problemleri için analiz, sistem tasarlama ve çözüm üretme | Gözlem, Deney ve Laboratuvar, Problem Çözme, Tartışma, |
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 1 | Büyük veriye giriş, temel bilgiler, data visualization | |
| 2 | R ile veri analizi ve modelleme | |
| 3 | Makine öğrenmesi: doğrusal regresyon, kümeleme ve sınıflandırma | |
| 4 | Hadoop mimari özellikleri, HDFS dağıtık dosyalama sistemi, MapReduce programlama modeli | |
| 5 | Apache-Yarn resource manager | |
| 6 | Apache-Spark mimari özellikleri ve Spark ile dağıtık paralel hesaplama | |
| 7 | Apache-Cassandra ile NoSQL uygulamaları, CAP ile ACID karşılaştırma | |
| 8 | Spark-Cassandra ile web tabanlı uygulama geliştirme | |
| 9 | Apache Kafka mimarisi, kurulumu ve uygulama geliştirme | |
| 10 | Data pipeline uygulaması: Kafka-Spark-Cassandra | |
| 11 | Apache-HBase mimari özellikleri ve NoSQL uygulamlar, Cassandra ile kıyaslama | |
| 12 | Data warehousing ve ETL, Apache Hive | |
| 13 | Apache NiFi, APache Sqoop data warehousing | |
| 14 | Apache Flume ile sosyal medya uygulamalarından data çekme uygulamaları |
| Kaynaklar | |
|---|---|
| Ders Notu | Mining of Massive Datasets, Jure Leskovec, Anand Rajaraman, Jeff Ullman, Cambridge University Press, 3rd Edition. Link: http://infolab.stanford.edu/~ullman/mmds/book0n.pdf |
| Ders Kaynakları | Sakti Mishra, Simplify Big Data Analytics with Amazon EMR, Packt Publising, March 2022. Nasir Raheem, Big Data: A Tutorial-Based Approach, CRC Press, 2019, ISBN0429592450, 9780429592454 |
| Sıra | Program Çıktıları | Katkı Düzeyi | |||||
|---|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Mühendislik Bilgisi: Matematik, fen bilimleri, temel mühendislik, bilgisayarla hesaplama ve ilgili mühendislik disiplinine özgü konularda bilgi; bu bilgileri, karmaşık mühendislik problemlerinin çözümünde kullanabilme becerisi. | X | |||||
| 2 | Problem Analizi: Karmaşık mühendislik problemlerini, temel bilim, matematik ve mühendislik bilgilerini kullanarak ve ele alınan problemle ilgili BM Sürdürülebilir Kalkınma Amaçlarını gözeterek tanımlama, formüle etme ve analiz becerisi. | X | |||||
| 3 | Mühendislik Tasarımı: Karmaşık mühendislik problemlerine yaratıcı çözümler tasarlama becerisi; karmaşık sistemleri, süreçleri, cihazları veya ürünleri gerçekçi kısıtları ve koşulları gözeterek, mevcut ve gelecekteki gereksinimleri karşılayacak biçimde tasarlama becerisi. | X | |||||
| 4 | Teknik ve Araçların Kullanımı: Karmaşık mühendislik problemlerinin analizi ve çözümüne yönelik, tahmin ve modelleme de dahil olmak üzere, uygun teknikleri, kaynakları ve modern mühendislik ve bilişim araçlarını, sınırlamalarının da farkında olarak seçme ve kullanma becerisi. | X | |||||
| 5 | Araştırma ve İnceleme: Karmaşık mühendislik problemlerinin incelenmesi için literatür araştırması, deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama dahil, araştırma yöntemlerini kullanma becerisi. | X | |||||
| 6 | Mühendislik Uygulamalarının Küresel Etkisi: Mühendislik uygulamalarının BM Sürdürülebilir Kalkınma Amaçları* kapsamında, topluma, sağlık ve güvenliğe, ekonomiye, sürdürülebilirlik ve çevreye etkileri hakkında bilgi; mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık. | ||||||
| 7 | Mühendislik Etiği: Mühendislik meslek ilkelerine* uygun davranma, etik sorumluluk hakkında bilgi; hiçbir konuda ayrımcılık yapmadan, tarafsız davranma ve çeşitliliği kapsayıcı olma konularında farkındalık. | ||||||
| 8 | Bireysel ve Takım Çalışması: Bireysel olarak ve disiplin içi ve çok disiplinli takımlarda (yüz yüze, uzaktan veya karma) takım üyesi veya lideri olarak etkin biçimde çalışabilme becerisi. | ||||||
| 9 | Sözlü ve Yazılı İletişim: Hedef kitlenin çeşitli farklılıklarını (eğitim, dil, meslek gibi) dikkate alarak, teknik konularda sözlü, yazılı etkin iletişim kurma becerisi. | ||||||
| 10 | Proje Yönetimi: Proje yönetimi ve ekonomik yapılabilirlik analizi gibi iş hayatındaki uygulamalar hakkında bilgi; girişimcilik ve yenilikçilik hakkında farkındalık. | ||||||
| 11 | Yaşam Boyu Öğrenme: Bağımsız ve sürekli öğrenebilme, yeni ve gelişmekte olan teknolojilere uyum sağlayabilme ve teknolojik değişimlerle ilgili sorgulayıcı düşünebilmeyi kapsayan yaşam boyu öğrenme becerisi. | X | |||||
| # | Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı | PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 | PÇ 10 | PÇ 11 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | Büyük veri analizi ve temel kavramların öğrenilmesi | 5 | ||||||||||
| 2 | Büyük veri ve dağıtık paralel programlama, MapReduce hesaplama modeli | 5 | ||||||||||
| 3 | Büyük veri modülleri ile web tabanlı bilgi sistemlerinin entegrasyonu | 5 | ||||||||||
| 4 | Kafka-Spark-Cassandra ile veri hattı oluşturma | 5 | ||||||||||
| 5 | Büyük veri problemleri için analiz, sistem tasarlama ve çözüm üretme | 5 |
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| 1. Ara Sınav | 40 |
| 1. Kısa Sınav | 10 |
| 2. Kısa Sınav | 10 |
| 1. Performans Görevi (Uygulama) | 40 |
| Toplam | 100 |
| 1. Yıl İçinin Başarıya | 50 |
| 1. Final | 50 |
| Toplam | 100 |
| AKTS - İş Yükü Etkinlik | Sayı | Süre (Saat) | Toplam İş Yükü (Saat) |
|---|---|---|---|
| Ders Süresi (Sınav haftası dahildir: 16x toplam ders saati) | 14 | 3 | 42 |
| Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme) | 14 | 1 | 14 |
| Ara Sınav | 1 | 15 | 15 |
| Kısa Sınav | 2 | 4 | 8 |
| Performans Görevi (Uygulama) | 1 | 25 | 25 |
| Final | 1 | 20 | 20 |
| Toplam İş Yükü | 124 | ||
| Toplam İş Yükü / 25 (Saat) | 4,96 | ||
| dersAKTSKredisi | 5 | ||