Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
---|---|---|---|---|---|
Veri Bilimi | SAU 909 | 0 | 1 + 0 | 2 | 2 |
Ön Koşul Dersleri | |
Önerilen Seçmeli Dersler | |
Dersin Dili | Türkçe |
Dersin Seviyesi | Lisans |
Dersin Türü | Seçmeli |
Dersin Koordinatörü | Dr.Öğr.Üyesi FATMA AKALIN |
Dersi Verenler | |
Dersin Yardımcıları | |
Dersin Kategorisi | Diğer |
Dersin Amacı | Python programlama dili ve araçlarının veri bilimi alanında kullanımı üzerine beceri kazanılması hedeflenmektedir. |
Dersin İçeriği | Veri bilimi ve veri bilimci nedir, veriden faydalı bilgi çıkarma aşamaları, veri biliminde kullanılan araçlar, keşifçi veri analizi işlemleri, veri görselleştirme, proje yapabilme, |
# | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
---|---|---|---|
1 | Veri bilimi hakkında bilgi sahibi olur | Gezi / Gözlem, Rol Oynama, Soru-Cevap, Bireysel Çalışma, | Doğru Yanlış Testleri, Boşluk Doldurma Testleri, |
2 | Veriden faydalı bilgi çıkarma aşamalarını öğrenir | Grupla Çalışma, Soru-Cevap, Rol Oynama, Anlatım, | Kısa Cevaplı Testler, Doğru Yanlış Testleri, |
3 | Veri bilimi ve modelleme araçlarını kullanma becerisi kazanır | Grupla Çalışma, Bireysel Çalışma, Soru-Cevap, Rol Oynama, Anlatım, | Doğru Yanlış Testleri, Boşluk Doldurma Testleri, Kısa Cevaplı Testler, |
4 | Veri seti üzerinde veri bilimi uygulaması geliştirir | Grupla Çalışma, Bireysel Çalışma, Gözlem, Gezi / Gözlem, Deney ve Laboratuvar, | Eşleştirme Testler, Kısa Cevaplı Testler, |
Hafta | Ders Konuları | Ön Hazırlık |
---|---|---|
1 | Veri bilimine giriş | |
2 | Veri biliminde uygulama geliştirme aşamaları | |
3 | Veri biliminde kullanılan araçlara bakış | |
4 | Veri seti oluşturma ve hazır veri setlerinin yüklenmesi | |
5 | Keşifçi veri analizi işlemleri: veri seti üzerinde inceleme ve hazırlama işlemleri | |
6 | Keşifçi veri analizi işlemleri: öznitelik ekleme ve çıkarma | |
7 | Keşifçi veri analizi işlemleri: veri filtreleme, eksik verileri tamamlama | |
8 | Keşifçi veri analizi işlemleri: temel istatistiki bilgileri edinme | |
9 | Keşifçi veri analizi işlemleri: aykırı değer tespiti | |
10 | Keşifçi veri analizi işlemleri: veri görselleştirme | |
11 | Makine öğrenmesi algoritmalarının kullanımı (sınıflandırma ve kümeleme) | |
12 | Örnek projelerin incelenmesi | |
13 | Proje Sunumları | |
14 | Proje Sunumları |
Kaynaklar | |
---|---|
Ders Notu | |
Ders Kaynakları | 1. Doç.Dr. Deniz KILINÇ, Nezahat BAŞEĞMEZ, “Uygulamalarla Veri Bilimi”, Abaküs, 2018. 2. A. Neagoie, D. Bourke, Complete Machine Learning & Data Science Bootcamp 2021. |
# | Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı |
---|---|
1 | Veri bilimi hakkında bilgi sahibi olur |
2 | Veriden faydalı bilgi çıkarma aşamalarını öğrenir |
3 | Veri bilimi ve modelleme araçlarını kullanma becerisi kazanır |
4 | Veri seti üzerinde veri bilimi uygulaması geliştirir |
Değerlendirme Sistemi | |
---|---|
Yarıyıl Çalışmaları | Katkı Oranı |
1. Ara Sınav | 50 |
1. Proje / Tasarım | 25 |
1. Ödev | 25 |
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) | 16 | 2 | 32 |
Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme) | 16 | 3 | 48 |
Ara Sınav | 1 | 15 | 15 |
Final | 1 | 20 | 20 |
Proje / Tasarım | 1 | 15 | 15 |
Ödev | 1 | 5 | 5 |
Toplam İş Yükü | 135 | ||
Toplam İş Yükü / 25 (Saat) | 5,4 | ||
Dersin AKTS Kredisi | 2 |