|
JDZL7202 | CBS İçin Konumsal Veri Modelleri ve Veri Yapıları | 3+0+0 | AKTS:7.5 | Yıl / Yarıyıl | Güz Dönemi | Ders Duzeyi | Doktora | Yazılım Şekli | Seçmeli | Bölümü | HARİTA MÜHENDİSLİĞİ ANABİLİM DALI | Ön Koşul | Yok | Eğitim Sistemi | Yüz yüze | Dersin Süresi | 14 hafta - haftada 3 saat teorik | Öğretim Üyesi | Prof. Dr. Çetin CÖMERT | Diğer Öğretim Üyesi | Prof. Dr. Çetin CÖMERT | Öğretim Dili | Türkçe | Staj | Yok | | Dersin Amacı: | Konumsal Veri Modelleme ile ilgili temel konularda teorik ve uygulamalı bir altyapı oluşturmak. |
Öğrenim Kazanımları | PÖKK | ÖY | Bu dersi başarı ile tamamlayan öğrenciler : | | | ÖK - 1 : | Konumsal Veri Modelleme ile ilgili temel yabancı literatürü okuyup anlayabilecek ve analiz-sentez yapmasını sağlayacak temel ve kritik kavramları öğrenir. | 1,4,6,7 | | 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 | |
CBS için konumsal veri modelleri ve veri altyapıları; temel kavramlar. İlişkisel ve nesne tabanlı veri modelleri. Dinamik olguların modellenmesi; Eulerian ve Lagrangian temsil. Geleneksel ve Maikine Öğrenmesi (ML) temelli modeller. Süreksiz (discrete) ve sürekli modeller; Celular Automata (CA), Computational Fluid Dynamics (CFD) and its applications in GIS; Flood modelling, air pollution modelling. Hareket eden objeler modellemesi ; trajectory modelling. (Machine Learning) ML teknikleri. Yapay sinir ağları (ANN), Geleneksel yöntemler ve ANN karşılaştırması için bir durum çalışması; Heyelan riski analizi, Dönem Projesi. |
|
Haftalık Detaylı Ders Planı | Hafta | Detaylı İçerik | Önerilen Kaynak | Hafta 1 | CBS için konumsal veri modelleri ve veri altyapıları; temel kavramlar, dersin içeriği | | Hafta 2 | İlişkisel ve nesne tabanlı veri modelleri | | Hafta 3 | Dinamik olguların modellenmesi; Eulerian ve Lagrangian temsil. Geleneksel ve Maikine Öğrenmesi (ML) temelli
modeller. Süreksiz (discrete) ve sürekli modeller; Celular Automata (CA) | | Hafta 4 | Bilgisayarlı Akışkanlar dinamiği (CFD) ve CBS de uygulamaları. | | Hafta 5 | Lab: Flow-2d qgis plug in ile taşkın modelleme | | Hafta 6 | Kent gelişiminin modellenmesi; conventional and ML models | | Hafta 7 | Hareket eden objeler modellemesi ; trajectory modelling | | Hafta 8 | arasınav | | Hafta 9 | Lab : trajectory modelling and spatial SQL in Postgis | | Hafta 10 | Yapay sinir ağlarına (ANN) giriş ; temel kavramlar | | Hafta 11 | Yapay sinir ağlarında (ANN) hiper parametreler | | Hafta 12 | Lab: ANN uygulaması ; Python Keras | | Hafta 13 | Geleneksel yöntemler ve ANN karşılaştırması için bir durum çalışması; Heyelan riski analizi | | Hafta 14 | Dönem Projesi sözlü sunum ve sınavı | | Hafta 15 | Dönem Projesi sözlü sunum ve sınavı | | Hafta 16 | Final | | |
1 | Mickievicz D, Mackiev M, Nycz T. , 2017. Mastering PostGIS, Packt Publishing, Birmingham. | | |
Ölçme Yöntemi | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | | | | | | |
Öğrenci Çalışma Yükü | İşlem adı | Haftalık süre (saat) | Hafta sayısı | Dönem toplamı | Yüz yüze eğitim | 3 | 14 | 42 | Sınıf dışı çalışma | 2 | 14 | 28 | Arasınav için hazırlık | 6 | 1 | 6 | Arasınav | 1 | 1 | 1 | Proje | 3 | 6 | 18 | Dönem sonu sınavı için hazırlık | 6 | 1 | 6 | Dönem sonu sınavı | 1 | 1 | 1 | Toplam Çalışma Yükü | | | 102 |
|