| 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. |
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | Büyük veri analizi ve temel kavramların öğrenilmesi | Anlatım, Soru-Cevap, Tartışma, | |
| 2 | Büyük veri işleme için model geliştirme | Tartışma, Soru-Cevap, Anlatım, | |
| 3 | Büyük veri işeyen altyapı sistemlerinin oluşturulması | Grupla Çalışma, Soru-Cevap, Anlatım, | |
| 4 | Verilerin grafiksel gösterimi hakkında bilgi sahibi olunması | Gözlem, Problem Çözme, Tartışma, Soru-Cevap, Anlatım, | |
| 5 | Büyük veri problemleri için çözüm üretme | Gözlem, Deney ve Laboratuvar, Problem Çözme, Tartışma, |
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 1 | Büyük veriye giriş, temel bilgiler, data visualization | |
| 2 | Büyük veride sıkça kullanılan yazılım dilleri: Python, Java, C++, R ve SQL | |
| 3 | Makine öğrenmesi: doğrusal regresyon, kümeleme ve sınıflandırma | |
| 4 | Hadoop ve HDFS mimari özellikleri | |
| 5 | MapReduce programlama modeli | |
| 6 | Apache-HBase, Apache-Hive and Presto | |
| 7 | Apache Kafka ve RabbitMQ | |
| 8 | Apache-Cassandra (Amazon EMR) | |
| 9 | Apache-Spark | |
| 10 | Data pipeline: Kafka-Spark-Cassandra | |
| 11 | Java, HDFS ve data pipeline entegrasyonu | |
| 12 | Örnek büyük veri uygulamaları ve projele çalışmalarının belirlenmesi | |
| 13 | Örnek büyük veri uygulamaları | |
| 14 | Projelerin sunulması ve değerlendirilmesi |
| 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. | ||||||
| 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. | ||||||
| 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 | ||