| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| Veri Analitiği | SWE 423 | 7 | 3 + 0 | 3 | 5 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler | |
| Dersin Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Seçmeli |
| Dersin Koordinatörü | Dr.Öğr.Üyesi NUR BANU OĞUR ETÇİOĞLU |
| Dersi Verenler | Dr.Öğr.Üyesi NUR BANU OĞUR ETÇİOĞLU, |
| Dersin Yardımcıları | |
| Dersin Kategorisi | Diğer |
| Dersin Amacı | Bu dersin amacı, veri analitiği alanındaki temel kavramlar, yöntemler ve endüstriyel uygulamalar hakkında bilgi vermektir. Derste, veri işleme ve görselleştirme, büyük veri, makine öğrenmesi ve yapay zekâya giriş ile etik ve güvenlik konularına ilişkin bilgilendirmeler yapılır. |
| Dersin İçeriği | Dönem boyunca veri analitiğinin temel kavramları ve süreçleri hakkında tanıtımlar yapılır. Güncel veri analizi ve görselleştirme araçları ile büyük veri ekosistemindeki teknolojiler tanıtılır. Ders içinde veri analitiği için kritik olan veri toplama, temizleme, analiz etme ve sonuçları etkili sunma becerilerini geliştirmek üzere ödevler ve sunumlar yaptırılır. Genel olarak bilimsel çalışma ve özel olarak veri analitiğini ilgilendiren konularda etik ve güvenlik ilkeleri öğretilir. |
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | The student designs real-time data streams with Apache Kafka and deploys a basic producer–consumer architecture. | Anlatım, Problem Çözme, Deney ve Laboratuvar, | Kısa Cevaplı Testler, Yazılı Sınavlar (Kısa ve Uzun Yanıtlı), Performans Değerlendirme, |
| 2 | The student uses Apache Spark to perform transformations/actions on large-scale data and optimize job performance. | Problem Çözme, Proje, Anlatım, Soru-Cevap, | Kısa Cevaplı Testler, Performans Değerlendirme, |
| 3 | The student develops an end-to-end machine learning pipeline in Python (data preparation, modeling, evaluation) and reports results with appropriate metrics. | Gösterip Yaptırma, Anlatım, Beyin Fırtınası, | Kısa Cevaplı Testler, Performans Değerlendirme, Yazılı Sınavlar (Kısa ve Uzun Yanıtlı), Sözlü Sınavlar, |
| 4 | The student designs and executes end‑to‑end data analysis pipelines in Python notebooks, ensuring code readability, reproducibility, and documentation. | Proje, Anlatım, Soru-Cevap, Problem Çözme, | Performans Değerlendirme, Yazılı Sınavlar (Kısa ve Uzun Yanıtlı), |
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 1 | Veri Analitiğine Giriş ve Yaşam Döngüsü | |
| 2 | İş Kolları ve Sektörel Uygulamalar | |
| 3 | Büyük Veri Nedir? | |
| 4 | Büyük Veri Analitiği Teknolojileri | |
| 5 | Büyük Veri Analitiği Uygulamaları-Kafka Temelleri | |
| 6 | Kafka Ekosistemi ve Entegrasyon | |
| 7 | Python ile Veri Analizine Giriş | |
| 8 | Python ile İleri Düzey Veri Analizi | |
| 9 | Python ile Veri Görselleştirme | |
| 10 | Veri ile Makine Öğrenmesine Giriş | |
| 11 | Spark Temelleri | |
| 12 | Spark Structured Streaming ve Kafka Entegrasyonu | |
| 13 | Veri Analitiğinde Etik ve Güvenlik | |
| 14 | Proje Sunumları ve Değerlendirme |
| Kaynaklar | |
|---|---|
| Ders Notu | |
| Ders Kaynakları | |
| 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. | X | |||||
| 7 | Mühendislik Etiği: Mühendislik meslek ilkelerine* uygun davranma, etik sorumluluk hakkında bilgi; hiçbir konuda ayrımcılık yapmadan, tarafsız davranma ve çeşitliliği kapsayıcı olma konularında farkındalık. | X | |||||
| 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. | X | |||||
| 9 | Sözlü ve Yazılı İletişim: Hedef kitlenin çeşitli farklılıklarını (eğitim, dil, meslek gibi) dikkate alarak, teknik konularda sözlü, yazılı etkin iletişim kurma becerisi. | X | |||||
| 10 | Proje Yönetimi: Proje yönetimi ve ekonomik yapılabilirlik analizi gibi iş hayatındaki uygulamalar hakkında bilgi; girişimcilik ve yenilikçilik hakkında farkındalık. | X | |||||
| 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 | The student designs real-time data streams with Apache Kafka and deploys a basic producer–consumer architecture. | 5 | 4 | 3 | 0 | 5 | 5 | 2 | 0 | 2 | 4 | 3 |
| 2 | The student uses Apache Spark to perform transformations/actions on large-scale data and optimize job performance. | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 |
| 3 | The student develops an end-to-end machine learning pipeline in Python (data preparation, modeling, evaluation) and reports results with appropriate metrics. | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 |
| 4 | The student designs and executes end‑to‑end data analysis pipelines in Python notebooks, ensuring code readability, reproducibility, and documentation. | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 |
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| Toplam | 0 |
| Toplam | 0 |
| AKTS - İş Yükü Etkinlik | Sayı | Süre (Saat) | Toplam İş Yükü (Saat) |
|---|