|
|
| BIL3020 | Veri Bilimine Giriş | 3+0+0 | AKTS:4 | | Yıl / Yarıyıl | Bahar Dönemi | | Ders Duzeyi | Lisans | | Yazılım Şekli | Seçmeli | | Bölümü | BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ | | Ön Koşul | Yok | | Eğitim Sistemi | Yüz yüze | | Dersin Süresi | 14 hafta - haftada 3 saat teorik | | Öğretim Üyesi | Dr. Öğr. Üyesi Murat AYKUT | | Diğer Öğretim Üyesi | | | Öğretim Dili | Türkçe | | Staj | Yok | | | | Dersin Amacı: | | Bu ders kapsamında, veri biliminin temellerinin oluşturulması, veri ön işleme, veri azaltımı, öğrenme yaklaşımları ve veri görselleştirmenin uygulamalı olarak öğretilmesi hedeflenmektedir. |
| Öğrenim Kazanımları | PÖKK | ÖY | | Bu dersi başarı ile tamamlayan öğrenciler : | | | | ÖK - 1 : | Veri biliminin temel kavramlarını öğrenir. | 1.1 | 1, | | ÖK - 2 : | Veri ön işleme, veri azaltımı ve veri artırma yöntemleri hakkında bilgi kazanabilir. | 1.1 | 1,3, | | ÖK - 3 : | Veriden öğrenme yaklaşımları hakkında bilgi kazanabilir. | 1.1 | 1,3, | | ÖK - 4 : | Öğrenme yöntemlerinin değerlendirme yaklaşımları hakkında bilgi kazanabilir. | 1.1 | 1, | | PÖKK :Program öğrenim kazanımlarına katkı, ÖY : Ölçme ve değerlendirme yöntemi (1: Yazılı Sınav, 2: Sözlü Sınav, 3: Ev Ödevi, 4: Laboratuvar Çalışması/Sınavı, 5: Seminer / Sunum, 6: Dönem Ödevi / Proje),ÖK : Öğrenim Kazanımı | | |
| Giriş; Veri Tipleri; Veri Ön Hazırlama; Kayıp Veriyle Başa Çıkma; Gürültülü Veriyle Başa Çıkma; Veri Azaltımı; Veri Arttırma; Özellik Seçimi; Örnek Seçimi; Aykırı Değer Kaldırma; Ayrıklaştırma; Danışmanlı Öğrenme; Regresyon Modelleme; Danışmansız Öğrenme; Model Değerlendirme; Birliktelik Kuralları; Veri Özetleme ve Görselleştirme. |
| |
| Haftalık Detaylı Ders Planı | | Hafta | Detaylı İçerik | Önerilen Kaynak | | Hafta 1 | Giriş, Veri Tipleri | | | Hafta 2 | Veri Ön Hazırlama, Kayıp Veri, Gürültülü Veri | | | Hafta 3 | Veri Azaltımı: Özellik Seçimi | | | Hafta 4 | Veri Azaltımı: Örnek Seçimi, Ayrıklaştırma | | | Hafta 5 | Veri Arttırma | | | Hafta 6 | Aykırı Değer Kaldırma | | | Hafta 7 | Danışmanlı Öğrenme; Lojistik Regresyon, kNN, Karar Ağaçları | | | Hafta 8 | Danışmanlı Öğrenme: Naive Bayes, SVM, Topluluk Öğrenme | | | Hafta 9 | Arasınav / Ödev | | | Hafta 10 | Regresyon Modelleme | | | Hafta 11 | Danışmansız Öğrenme: K-Ortalama, Beklenti Büyütme, Hiyerarşik Kümeleme | | | Hafta 12 | Model Değerlendirme | | | Hafta 13 | Birliktelik Kuralları: Apriori, FP-Growth, İşbirlikçi Filtreleme | | | Hafta 14 | Metin Madenciliğinin Temelleri | | | Hafta 15 | Veri Özetleme ve Görselleştirme | | | Hafta 16 | Dönemsonu Sınavı | | | |
| 1 | Larose, C. D., Larose, D. T. 2019; Data Science Using Python and R, Wiley Publishing, 256 pages.
| | | |
| 1 | Garcia, S., Luengo, J., Herrera, F. 2015; Data Preprocessing in Data Mining, Springer, 320 pages. | | | 2 | Igual, L., Seguí, S. 2017; Introduction to Data Science: A Python Approach to Concepts, Techniques and Applications, Springer, 218 pages. | | | |
| Ölçme Yöntemi | | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | | Ödev | 11 | | 2 | 50 | | Dönem sonu sınavı | 15 | | 2 | 50 | | |
| Öğrenci Çalışma Yükü | | İşlem adı | Haftalık süre (saat) | Hafta sayısı | Dönem toplamı | | Yüz yüze eğitim | 3 | 14 | 42 | | Sınıf dışı çalışma | 3 | 14 | 42 | | Ödev | 8 | 1 | 8 | | Dönem sonu sınavı için hazırlık | 6 | 1 | 6 | | Dönem sonu sınavı | 2 | 1 | 2 | | Toplam Çalışma Yükü | | | 100 |
|