| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| Büyük Veriye Giriş | BSM 461 | 7 | 3 + 0 | 3 | 5 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler | |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Seçmeli |
| Dersin Koordinatörü | Dr.Öğr.Üyesi NUR BANU OĞUR |
| Dersi Verenler | Dr.Öğr.Üyesi NUR BANU OĞUR, |
| Dersin Yardımcıları | |
| Dersin Kategorisi | Diğer |
| Dersin Amacı | Büyük veri kavramı, depolama ve analiz yöntemleri aktarılacaktır. Büyük
veride sıklıkla uygulanan araçların kullanımı anlatılacaktır. Ayrıca büyük veri
uygulamalarının geliştirilmesi için gerekli altyapılar ile R, Python ve Java dilleri ile uygulamalar yapılacaktır. |
| Dersin İçeriği | Veri bilimindeki temel kavramlar, büyük veri depolama ve analizi, görselleştirmesi, kullanılan araçlar ve uygulamalarının aktarılması |
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | Büyük veri analizi ve temel kavramları öğrenmek | Anlatım, Soru-Cevap, Tartışma, | |
| 2 | Programlama ile model geliştirmeyi kavramak | Tartışma, Soru-Cevap, Anlatım, | |
| 3 | Büyük veri altyapı sistemlerini öğrenmek | Soru-Cevap, Anlatım, | |
| 4 | Depolama ve analiz işlemlerini uygulamak | Gözlem, Deney ve Laboratuvar, Problem Çözme, Tartışma, Soru-Cevap, Anlatım, | |
| 5 | Teknolojilerin entegrasyonunu kavramak | Deney ve Laboratuvar, Problem Çözme, Tartışma, Gözlem, |
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 1 | Büyük Veriye Giriş, Temel Bilgilendirme | |
| 2 | Python’a Giriş | |
| 3 | R Dili | |
| 4 | Büyük Veri Entegrasyon ve Planlama Gereksinimleri | |
| 5 | Depolama & Analiz | |
| 6 | Depolama & Analiz Teknolojileri | |
| 7 | Hadoop Sistemler | |
| 8 | Hadoop Sistem Uygulamaları-Cloudera | |
| 9 | Pig & Hive | |
| 10 | Büyük Veride MongoDB Java Uygulamaları | |
| 11 | Kafka & Zookeeper | |
| 12 | Spark Uygulamaları | |
| 13 | Spark Uygulamaları | |
| 14 | Proje Sunumları |
| Kaynaklar | |
|---|---|
| Ders Notu | |
| Ders Kaynakları | Çevrimiçi kaynak
• Stanford University, Computer Science Course - CS246: Mining Massive Datasets - CS345A: Data Mining Anand Rajaraman and Jeffrey David Ullman Available online at: http://infolab.stanford.edu/~ullman/mmds.html • Brigham Young University, Big Data Science & CAPSTONE Course Available online at: http://bigdata.cs.byu.edu/
Kitap
1- Hands-On Big Data Modeling, James Lee, Tao Wei, Suresh Kumar Mukhiya 2- An Introduction to Data Science (2013) 3rd edition , Jeffrey Stanton 3- Big Data Fundamentals, Thomas Erl, Wajid Khattak, Paul Buhler 4- R Programming for Data Science(2016), Roger D. Peng. 5- Big Data: Principles And Best Practices of Scalable Real-Time Data Systems, Nathan Marz with James Warren 6- Mining of Massive Datasets 2nd edition |
| Sıra | Program Çıktıları | Katkı Düzeyi | |||||
|---|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Matematik, fen bilimleri ve ilgili mühendislik disiplinine özgü konularda yeterli bilgi birikimi; bu alanlardaki kuramsal ve uygulamalı bilgileri, karmaşık mühendislik problemlerinde kullanabilme becerisi. | X | |||||
| 2 | Karmaşık mühendislik problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi. | X | |||||
| 3 | Mühendislik uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları geliştirme, seçme ve kullanma becerisi; bilişim teknolojilerini etkin bir şekilde kullanma becerisi. | X | |||||
| 4 | Karmaşık bir sistemi, süreci, cihazı veya ürünü gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlama becerisi; bu amaçla modern tasarım yöntemlerini uygulama becerisi. | X | |||||
| 5 | Karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisi. | X | |||||
| 6 | Bilişim Teknolojilerinin yönetim, denetim, gelişim ve güvenliği/güvenilirliği hakkında bilgi sahibi olma ve farkındalık, | ||||||
| 7 | Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi; bireysel çalışma becerisi. | X | |||||
| 8 | Türkçe sözlü ve yazılı etkin iletişim kurma becerisi; en az bir yabancı dil bilgisi; etkin rapor yazma ve yazılı raporları anlama, tasarım ve üretim raporları hazırlayabilme, etkin sunum yapabilme, açık ve anlaşılır talimat verme ve alma becerisi. | X | |||||
| 9 | Yaşam boyu öğrenmenin gerekliliği bilinci; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi. | X | |||||
| 10 | Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk bilinci; mühendislik uygulamalarında kullanılan standartlar hakkında bilgi. | ||||||
| 11 | Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi. | ||||||
| 12 | Mühendislik uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın mühendislik alanına yansıyan sorunları hakkında bilgi; mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık. | ||||||
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| 1. Ara Sınav | 40 |
| 1. Ödev | 40 |
| 1. Kısa Sınav | 10 |
| 2. Kısa Sınav | 10 |
| 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) | 14 | 3 | 42 |
| Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme) | 14 | 3 | 42 |
| Ara Sınav | 1 | 10 | 10 |
| Ödev | 1 | 18 | 18 |
| Final | 1 | 15 | 15 |
| Toplam İş Yükü | 127 | ||
| Toplam İş Yükü / 25 (Saat) | 5,08 | ||
| Dersin AKTS Kredisi | 5 | ||