|
|
| ISTL7062 | Büyük Veri İçin Makine Öğrenmesi | 3+0+0 | AKTS:7.5 | | Yıl / Yarıyıl | Güz Dönemi | | Ders Duzeyi | Doktora | | Yazılım Şekli | Seçmeli | | Bölümü | İSTATİSTİK ve BİLGİSAYAR BİLİMLERİ ANABİLİM DALI | | Ön Koşul | Yok | | Eğitim Sistemi | Yüz yüze | | Dersin Süresi | 14 hafta - haftada 3 saat teorik | | Öğretim Üyesi | Dr. Öğr. Üyesi Uğur ŞEVİK | | Diğer Öğretim Üyesi | Yok | | Öğretim Dili | Türkçe | | Staj | Yok | | | | Dersin Amacı: | | Büyük Verinin tarihçesi, veri kaynakları, veri çeşitleri, büyük verinin yapısı ve özellikleri, mevcut teknolojileri, araçları, mimarileri ve sistemlerin kullanımını kapsıyarak analitik veri üretimi, depolama, yönetim, transfer ve gelen büyük verilerde derinlemesine analizin nasıl yapılacağını öğretmek. Ayrıca büyük veriyi analiz etmek için yapay zeka, makine öğrenme algoritmaları ve derin öğrenme gibi olguların kavranması. |
| Öğrenim Kazanımları | PÖKK | ÖY | | Bu dersi başarı ile tamamlayan öğrenciler : | | | | ÖK - 1 : | Büyük veri kavramlarını, terminolojiyi, veri analitiği özelliklerini, 3V, 5V, 10V-yapısal-yapısal olmayan-metadata gibi büyük veri tiplerini öğreneceklerdir. | 1,2,3,8 | 3, | | ÖK - 2 : | Nitel - nicel veri madenciliği, istatistiksel analiz, A/B testi, korelasyon, regresyon analizi gibi analiz tekniklerini kavrarlar. | 1,2,3,8 | 3, | | ÖK - 3 : | Büyük veri üzerinde makine öğrenmesi yöntemlerini kullanırlar. | 1,2,3,8 | 4, | | ÖK - 4 : | Kümeleme, dağıtık dosya sistemleri, ilişkisel veritabanı sistemleri, NoSQL, hafıza içi depolama gibi depolama kavramlarına ve paralel, dağıtık, toplu veri işleme gibi büyük veri işleme kavramlarına hakim olurlar. | 1,2,3,8 | 3, | | 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 | | |
| Büyük veri analizi için kullanılan veri madenciliği, bilgi keşfi, ön işleme, sınıflandırma yöntemleri, kümeleme yöntemleri, ilişkilendirme kuralları ve model değerlendirme yaklaşımları incelenecektir. |
| |
| Haftalık Detaylı Ders Planı | | Hafta | Detaylı İçerik | Önerilen Kaynak | | Hafta 1 | Büyük veri kavramı ve felsefesi | | | Hafta 2 | Büyük veri analiz ve yönetim araçları | | | Hafta 3 | Büyük veri ve makine öğrenmesi yaklaşımları | | | Hafta 4 | Büyük veri ve makine öğrenmesi yaklaşımları | | | Hafta 5 | Büyük veri ve makine öğrenmesi yaklaşımları | | | Hafta 6 | Modeller öznitelik seçimi ve model oluşturma | | | Hafta 7 | Modeller öznitelik seçimi ve model oluşturma | | | Hafta 8 | Büyük veri üzerinde makine öğrenmesi uygulamaları | | | Hafta 9 | Ödev Sunumu | | | Hafta 10 | Büyük veri üzerinde makine öğrenmesi uygulamaları | | | Hafta 11 | Büyük veri üzerinde makine öğrenmesi uygulamaları | | | Hafta 12 | Ödev Sunumu | | | Hafta 13 | Büyük veri üzerinde makine öğrenmesi uygulamaları | | | Hafta 14 | Büyük veri üzerinde makine öğrenmesi uygulamaları | | | Hafta 15 | Büyük veri üzerinde makine öğrenmesi uygulamaları | | | Hafta 16 | Ödev Sunumu | | | |
| 1 | Suthaharan S., 2015, Machine Learning Models and Algorithms for Big Data Classification: Thinking with Examples for Effective Learning, Springer. | | | |
| 1 | Dean J., 2014, Big Data, Data Mining, and Machine Learning: Value Creation for Business Leaders and Practitioners, Wiley. | | | |
| Ölçme Yöntemi | | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | | Ödev | 9
12 | 22/11/2021 | 2 | 50 | | Dönem sonu sınavı | 17 | 17/01/2022 | 3 | 50 | | |
| Öğrenci Çalışma Yükü | | İşlem adı | Haftalık süre (saat) | Hafta sayısı | Dönem toplamı | | Yüz yüze eğitim | 3 | 16 | 48 | | Sınıf dışı çalışma | 1 | 16 | 16 | | Ödev | 2 | 2 | 4 | | Dönem sonu sınavı | 2 | 1 | 2 | | Toplam Çalışma Yükü | | | 70 |
|