| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| Büyük Veri | SWE 307 | 5 | 3 + 0 | 3 | 5 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler | |
| Dersin Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Zorunlu |
| Dersin Koordinatörü | Prof.Dr. AHMET ÖZMEN |
| Dersi Verenler | Prof.Dr. AHMET ÖZMEN, |
| Dersin Yardımcıları | |
| Dersin Kategorisi | Diğer |
| Dersin Amacı | Derste büyük veri kavramı, veri görselleştirme ve analiz yöntemlerinin tanıtılması hedeflenmiştir. Büyük veriyi işlerken yaygın olarak kullanılan programlama dilleri ve yazılım araçları detayları ile tanıtılmaktadır. Bu yazılım araçlarının kurulumu ve veri işleme hatlarının oluşturulması örnek uygulamalar ile gösterilir. |
| Dersin İçeriği | Veri biliminde ve büyük data konusunda temel kavramlar. Büyük verinin analizi ve görselleştirme. Büyük verinin toplanması, saklanması ve işlenmesi için yazılım mimarileri, araçlar ve uygulamalar. |
| Kalkınma Amaçları |
|---|
|
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | Büyük veri analizi ve temel kavramların öğrenilmesi | Anlatım, Soru-Cevap, Tartışma, | |
| 2 | Büyük veri ve dağıtık paralel programlama, MapReduce hesaplama modeli | Tartışma, Soru-Cevap, Anlatım, | |
| 3 | Büyük veri modülleri ile web tabanlı bilgi sistemlerinin entegrasyonu | Grupla Çalışma, Soru-Cevap, Anlatım, | |
| 4 | Kafka-Spark-Cassandra ile veri hattı oluşturma | Gözlem, Problem Çözme, Tartışma, Soru-Cevap, Anlatım, | |
| 5 | Büyük veri problemleri için analiz, sistem tasarlama ve çözüm üretme | Gözlem, Deney ve Laboratuvar, Problem Çözme, Tartışma, |
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 1 | Büyük veriye giriş, temel bilgiler, data visualization | |
| 2 | R ile veri analizi ve modelleme | |
| 3 | Makine öğrenmesi: doğrusal regresyon, kümeleme ve sınıflandırma | |
| 4 | Hadoop mimari özellikleri, HDFS dağıtık dosyalama sistemi, MapReduce programlama modeli | |
| 5 | Apache-Yarn resource manager | |
| 6 | Apache-Spark mimari özellikleri ve Spark ile dağıtık paralel hesaplama | |
| 7 | Apache-Cassandra ile NoSQL uygulamaları, CAP ile ACID karşılaştırma | |
| 8 | Spark-Cassandra ile web tabanlı uygulama geliştirme | |
| 9 | Apache Kafka mimarisi, kurulumu ve uygulama geliştirme | |
| 10 | Data pipeline uygulaması: Kafka-Spark-Cassandra | |
| 11 | Apache-HBase mimari özellikleri ve NoSQL uygulamlar, Cassandra ile kıyaslama | |
| 12 | Data warehousing ve ETL, Apache Hive | |
| 13 | Apache NiFi, APache Sqoop data warehousing | |
| 14 | Apache Flume ile sosyal medya uygulamalarından data çekme uygulamaları |
| Kaynaklar | |
|---|---|
| Ders Notu | Mining of Massive Datasets, Jure Leskovec, Anand Rajaraman, Jeff Ullman, Cambridge University Press, 3rd Edition. Link: http://infolab.stanford.edu/~ullman/mmds/book0n.pdf |
| Ders Kaynakları | Sakti Mishra, Simplify Big Data Analytics with Amazon EMR, Packt Publising, March 2022. Nasir Raheem, Big Data: A Tutorial-Based Approach, CRC Press, 2019, ISBN0429592450, 9780429592454 |
| 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. | ||||||
| 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. | ||||||
| 9 | Yaşam boyu öğrenmenin gerekliliği bilinci; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi. | ||||||
| 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. | ||||||
| # | Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı | PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 | PÇ 10 | PÇ 11 | PÇ 12 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | Büyük veri analizi ve temel kavramların öğrenilmesi | 5 | |||||||||||
| 2 | Büyük veri ve dağıtık paralel programlama, MapReduce hesaplama modeli | 5 | |||||||||||
| 3 | Büyük veri modülleri ile web tabanlı bilgi sistemlerinin entegrasyonu | 5 | |||||||||||
| 4 | Kafka-Spark-Cassandra ile veri hattı oluşturma | 5 | |||||||||||
| 5 | Büyük veri problemleri için analiz, sistem tasarlama ve çözüm üretme | 5 |
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| 1. Ara Sınav | 40 |
| 1. Kısa Sınav | 10 |
| 2. Kısa Sınav | 10 |
| 1. Performans Görevi (Uygulama) | 40 |
| Toplam | 100 |
| 1. Yıl İçinin Başarıya | 50 |
| 1. Final | 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 | 1 | 14 |
| Ara Sınav | 1 | 15 | 15 |
| Kısa Sınav | 2 | 4 | 8 |
| Performans Görevi (Uygulama) | 1 | 25 | 25 |
| Final | 1 | 20 | 20 |
| Toplam İş Yükü | 124 | ||
| Toplam İş Yükü / 25 (Saat) | 4,96 | ||
| Dersin AKTS Kredisi | 5 | ||