Ders Detayı
Ders Tanımı
Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
---|---|---|---|---|---|
VERİ ANALİTİĞİ İÇİN PROGRAMLAMA | İEVY1112884 | Güz Dönemi | 3+0 | 3 | 9 |
Ders Programı |
Ön Koşul Dersleri | |
Önerilen Seçmeli Dersler |
Dersin Dili | Türkçe |
Dersin Seviyesi | Yüksek Lisans |
Dersin Türü | Programa Bağlı Seçmeli |
Dersin Koordinatörü | Dr.Öğr.Üye. Kevser ŞAHİNBAŞ |
Dersi Verenler | Dr.Öğr.Üye. Kevser ŞAHİNBAŞ |
Dersin Yardımcıları | |
Dersin Amacı | Bu dersin amacı veri analitiği alanında öğrencilerin veri temizleme, düzenleme, işleme ve analiz etme konularında temek konuları öğretmektir. Yoğun veri kullanımı olan uygulamalarda makine öğrenmesi algoritmaları ile farklı veri analizleri yapılacaktır. Bu analizler yardımıyla veri analitiğine ve Python programlama dili kullanarak bilimsel analizlere giriş yapılacaktır. |
Dersin İçeriği | Bu ders; Veri analitiği için Python Python Giriş Değişkenler ve Veri Türleri,Python kullanarak, verileri anlama ve istatistiksel yaklaşımları,Pandas, Numpy uygulama örnekleri,Koşullu ifadeler (if-else, while) ve Python İşlevleri, regresyon, PCA, groupby, merge, ve pivot tablo fonksiyonları,Gerçek verilerle Keşifsel veri analizi, veri ön işlemleri ve veri görselleştirme (Scatter, Plot), Matplotlib paketi,Gerçek verilerle Keşifsel veri analizi, veri ön işlemleri ve veri görselleştirme (Scatter, Plot), Matplotlib paketi,Gerçek verilerle Keşifsel veri analizi, veri ön işlemleri ve veri görselleştirme (Scatter, Plot), Matplotlib paketi,Model Performansını Değerlendirme (Mape, MAE, RMSE, ROC Eğrisi, Karışıklık Matrisi) Bias ve Varyans,Linear Interpolation uygulaması,Hazır kütüphane kullanımı olmadan python da uygulama geliştirme (Baes),Denetimli Öğrenme ile Veri Analizi (SVM, RF, Naive Bayes) Model&Tahmin, Model Tunning,XGBoost, CatBoost Model&Tahmin, Model Tunning,Denetimsiz Öğrenme Uygulama K-means Model ve Görselleştirme Optimum küme sayısının belirlenmesi,Denetimsiz Öğrenme Uygulama K-means Model ve Görselleştirme Optimum küme sayısının belirlenmesi; konularını içermektedir. |
Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
1. Değişken ve veri türlerini açıklar. | 2 | A, E, F |
2. Python dilini kullanarak verileri anlayabilecek ve tanımlar. | 2 | A, E, F |
3. Pandas, Numpy kütüphanelerini uygular. | 2 | A, E, F |
4. Koşullu ifadeleri tanımlar. | 2 | A, E, F |
4.1 İşlevleri, regresyon, PCA, groupby, merge, ve pivot tablo fonksiyonları uygular. | 6 | A, F |
5. 1. Sınıflandırma modellerini uygular. | 6 | A, F |
5. 2. Kümeleme modellerini uygular. | 6 | A, F |
5. Gerçek verilerle veri analizi yapar. | 2 | A, E, F |
6. Veri ön işlemleri ve veri görselleştirme (Scatter, Plot), Matplotlib paketilerini uygular. | 2 | A, E, F |
7. Model Performansını tanımlayabilecek ve uygular. | 2 | A, E, F |
8. Linear Interpolation'ı uygular. | 2 | A, E, F |
9. Baes uygular. | 2 | A, E, F |
10. Denetimli öğrenmeyi tanımlar. | 2 | A, E, F |
10.1 SVM algoritmasını uygular. | 6 | A, F |
10.2 RF algoritmasını uygular. | 6 | A, F |
10.3 Naive Bayes algoritmasını uygular. | 6 | A, F |
11. Model tuning yapar. | 2 | A, E, F |
12. Denetimsiz Öğrenmeyi tanımlar. | 2 | A, E, F |
13. Kümeleme kavramını açıklar. | 2 | A, E, F |
14. K-means algoritmasını uygular. | 2 | A, E, F |
15. Sınıflandırma algoritmalarını veriler üzerinde uygular. | 2 | A, E, F |
15.1 Kümeleme algoritmalarını veriler üzerinde uygular. | 6 | A, F |
Öğretim Yöntemleri: | 2: Proje Temelli Öğrenme Modeli, 6: Deneyimle Öğrenme Modeli |
Ölçme Yöntemleri: | A: Klasik Yazılı Sınav, E: Ödev, F: Proje Görevi |
Ders Akışı
Sıra | Konular | Ön Hazırlık |
---|---|---|
1 | Veri analitiği için Python Python Giriş Değişkenler ve Veri Türleri | İlgili bölüm kitaptan okunacak. |
2 | Python kullanarak, verileri anlama ve istatistiksel yaklaşımları | İlgili bölüm kitaptan okunacak. |
3 | Pandas, Numpy uygulama örnekleri | İlgili bölüm kitaptan okunacak. |
4 | Koşullu ifadeler (if-else, while) ve Python İşlevleri, regresyon, PCA, groupby, merge, ve pivot tablo fonksiyonları | İlgili bölüm kitaptan okunacak. |
5 | Gerçek verilerle Keşifsel veri analizi, veri ön işlemleri ve veri görselleştirme (Scatter, Plot), Matplotlib paketi | İlgili bölüm kitaptan okunacak. |
6 | Gerçek verilerle Keşifsel veri analizi, veri ön işlemleri ve veri görselleştirme (Scatter, Plot), Matplotlib paketi | İlgili bölüm kitaptan okunacak. |
7 | Gerçek verilerle Keşifsel veri analizi, veri ön işlemleri ve veri görselleştirme (Scatter, Plot), Matplotlib paketi | İlgili bölüm kitaptan okunacak. |
8 | Model Performansını Değerlendirme (Mape, MAE, RMSE, ROC Eğrisi, Karışıklık Matrisi) Bias ve Varyans | İlgili bölüm kitaptan okunacak. |
9 | Linear Interpolation uygulaması | İlgili bölüm kitaptan okunacak. |
10 | Hazır kütüphane kullanımı olmadan python da uygulama geliştirme (Baes) | İlgili bölüm kitaptan okunacak. |
11 | Denetimli Öğrenme ile Veri Analizi (SVM, RF, Naive Bayes) Model&Tahmin, Model Tunning | İlgili bölüm kitaptan okunacak. |
12 | XGBoost, CatBoost Model&Tahmin, Model Tunning | İlgili bölüm kitaptan okunacak. |
13 | Denetimsiz Öğrenme Uygulama K-means Model ve Görselleştirme Optimum küme sayısının belirlenmesi | İlgili bölüm kitaptan okunacak. |
14 | Denetimsiz Öğrenme Uygulama K-means Model ve Görselleştirme Optimum küme sayısının belirlenmesi | İlgili bölüm kitaptan okunacak. |
Kaynak |
1. Python ile Veri Bilimi, Pusula Yayıncılık, Dr. İlker Arslan. 2. Python, Dikeyeksen Yayıncılık, Mustafa Başer. 3. Python ile Makine Öğrenmesi, Abaküs Kitap, Doç. Dr. Engin Sorhun. |
Öğretim üyesi tarafından sağlanacaktır. |
Dersin Program Yeterliliklerine Katkısı
Dersin Program Yeterliliklerine Katkısı | |||||||
No | Program Yeterliliği | Katkı Düzeyi | |||||
1 | 2 | 3 | 4 | 5 | |||
1 | Bilişim ve yönetim alanında teorik bilgileri tanımlar. | X | |||||
2 | Bilişim ve yönetim alanında gerekli ileri düzeyde matematiksel ve istatistiki yöntemleri anlatır. | X | |||||
3 | Enformatik, yönetim ve büyük veri ile ilgili gerekli en az bir bilgisayar programı veya teknolojiyi kullanır. | X | |||||
4 | Bilişim projeleri hazırlar ve takım çalışmalarını yönetir. | X | |||||
5 | Disiplinler arası çalışmalar yürütebilmek için farklı disiplinlerde (ekonomi, finans, sosyoloji, hukuk, işletme) temel bilgileri ve verileri analiz ederek alanında kullanır. | X | |||||
6 | Büyük verileri analiz için hazırlar. | X | |||||
7 | Alana özgü bilimsel tez, rapor, makale ve benzerlerini yazar. | X | |||||
8 | Mesleki alanda yaşam boyu öğrenmenin gerekliliği bilinciyle bilim ve teknolojideki gelişmeleri izleyerek kendini sürekli yenileyip edindiği bilgi ve becerileri eleştirel olarak değerlendirir. | X | |||||
9 | Alanının ilişkili olduğu disiplinler arası etkileşimi açıklar. | X |
Değerlendirme Sistemi
Katkı Düzeyi | Mutlak Değerlendirme | |
Ara Sınavın Başarıya Oranı | 50 | |
Genel Sınavın Başarıya Oranı | 50 | |
Toplam | 100 |
AKTS / İşyükü Tablosu | ||||||
Etkinlik | Sayı | Süresi (Saat) | Toplam İş Yükü (Saat) | |||
Ders Saati | 14 | 3 | 42 | |||
Rehberli Problem Çözme | 14 | 1 | 14 | |||
Problem Çözümü / Ödev / Proje / Rapor Tanzimi | 14 | 1 | 14 | |||
Okul Dışı Diğer Faaliyetler | 14 | 3 | 42 | |||
Proje Sunumu / Seminer | 14 | 3 | 42 | |||
Kısa Sınav (QUİZ) ve Hazırlığı | 2 | 1 | 2 | |||
Ara Sınav ve Hazırlığı | 7 | 5 | 35 | |||
Genel Sınav ve Hazırlığı | 15 | 5 | 75 | |||
Performans Görevi, Bakım Planı | 1 | 8 | 8 | |||
Toplam İş Yükü (Saat) | 274 | |||||
Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(274/30) | 9 | |||||
Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır. |
Dersin Detaylı Bilgileri
Ders Tanımı
Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
---|---|---|---|---|---|
VERİ ANALİTİĞİ İÇİN PROGRAMLAMA | İEVY1112884 | Güz Dönemi | 3+0 | 3 | 9 |
Ders Programı |
Ön Koşul Dersleri | |
Önerilen Seçmeli Dersler |
Dersin Dili | Türkçe |
Dersin Seviyesi | Yüksek Lisans |
Dersin Türü | Programa Bağlı Seçmeli |
Dersin Koordinatörü | Dr.Öğr.Üye. Kevser ŞAHİNBAŞ |
Dersi Verenler | Dr.Öğr.Üye. Kevser ŞAHİNBAŞ |
Dersin Yardımcıları | |
Dersin Amacı | Bu dersin amacı veri analitiği alanında öğrencilerin veri temizleme, düzenleme, işleme ve analiz etme konularında temek konuları öğretmektir. Yoğun veri kullanımı olan uygulamalarda makine öğrenmesi algoritmaları ile farklı veri analizleri yapılacaktır. Bu analizler yardımıyla veri analitiğine ve Python programlama dili kullanarak bilimsel analizlere giriş yapılacaktır. |
Dersin İçeriği | Bu ders; Veri analitiği için Python Python Giriş Değişkenler ve Veri Türleri,Python kullanarak, verileri anlama ve istatistiksel yaklaşımları,Pandas, Numpy uygulama örnekleri,Koşullu ifadeler (if-else, while) ve Python İşlevleri, regresyon, PCA, groupby, merge, ve pivot tablo fonksiyonları,Gerçek verilerle Keşifsel veri analizi, veri ön işlemleri ve veri görselleştirme (Scatter, Plot), Matplotlib paketi,Gerçek verilerle Keşifsel veri analizi, veri ön işlemleri ve veri görselleştirme (Scatter, Plot), Matplotlib paketi,Gerçek verilerle Keşifsel veri analizi, veri ön işlemleri ve veri görselleştirme (Scatter, Plot), Matplotlib paketi,Model Performansını Değerlendirme (Mape, MAE, RMSE, ROC Eğrisi, Karışıklık Matrisi) Bias ve Varyans,Linear Interpolation uygulaması,Hazır kütüphane kullanımı olmadan python da uygulama geliştirme (Baes),Denetimli Öğrenme ile Veri Analizi (SVM, RF, Naive Bayes) Model&Tahmin, Model Tunning,XGBoost, CatBoost Model&Tahmin, Model Tunning,Denetimsiz Öğrenme Uygulama K-means Model ve Görselleştirme Optimum küme sayısının belirlenmesi,Denetimsiz Öğrenme Uygulama K-means Model ve Görselleştirme Optimum küme sayısının belirlenmesi; konularını içermektedir. |
Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
1. Değişken ve veri türlerini açıklar. | 2 | A, E, F |
2. Python dilini kullanarak verileri anlayabilecek ve tanımlar. | 2 | A, E, F |
3. Pandas, Numpy kütüphanelerini uygular. | 2 | A, E, F |
4. Koşullu ifadeleri tanımlar. | 2 | A, E, F |
4.1 İşlevleri, regresyon, PCA, groupby, merge, ve pivot tablo fonksiyonları uygular. | 6 | A, F |
5. 1. Sınıflandırma modellerini uygular. | 6 | A, F |
5. 2. Kümeleme modellerini uygular. | 6 | A, F |
5. Gerçek verilerle veri analizi yapar. | 2 | A, E, F |
6. Veri ön işlemleri ve veri görselleştirme (Scatter, Plot), Matplotlib paketilerini uygular. | 2 | A, E, F |
7. Model Performansını tanımlayabilecek ve uygular. | 2 | A, E, F |
8. Linear Interpolation'ı uygular. | 2 | A, E, F |
9. Baes uygular. | 2 | A, E, F |
10. Denetimli öğrenmeyi tanımlar. | 2 | A, E, F |
10.1 SVM algoritmasını uygular. | 6 | A, F |
10.2 RF algoritmasını uygular. | 6 | A, F |
10.3 Naive Bayes algoritmasını uygular. | 6 | A, F |
11. Model tuning yapar. | 2 | A, E, F |
12. Denetimsiz Öğrenmeyi tanımlar. | 2 | A, E, F |
13. Kümeleme kavramını açıklar. | 2 | A, E, F |
14. K-means algoritmasını uygular. | 2 | A, E, F |
15. Sınıflandırma algoritmalarını veriler üzerinde uygular. | 2 | A, E, F |
15.1 Kümeleme algoritmalarını veriler üzerinde uygular. | 6 | A, F |
Öğretim Yöntemleri: | 2: Proje Temelli Öğrenme Modeli, 6: Deneyimle Öğrenme Modeli |
Ölçme Yöntemleri: | A: Klasik Yazılı Sınav, E: Ödev, F: Proje Görevi |
Ders Akışı
Sıra | Konular | Ön Hazırlık |
---|---|---|
1 | Veri analitiği için Python Python Giriş Değişkenler ve Veri Türleri | İlgili bölüm kitaptan okunacak. |
2 | Python kullanarak, verileri anlama ve istatistiksel yaklaşımları | İlgili bölüm kitaptan okunacak. |
3 | Pandas, Numpy uygulama örnekleri | İlgili bölüm kitaptan okunacak. |
4 | Koşullu ifadeler (if-else, while) ve Python İşlevleri, regresyon, PCA, groupby, merge, ve pivot tablo fonksiyonları | İlgili bölüm kitaptan okunacak. |
5 | Gerçek verilerle Keşifsel veri analizi, veri ön işlemleri ve veri görselleştirme (Scatter, Plot), Matplotlib paketi | İlgili bölüm kitaptan okunacak. |
6 | Gerçek verilerle Keşifsel veri analizi, veri ön işlemleri ve veri görselleştirme (Scatter, Plot), Matplotlib paketi | İlgili bölüm kitaptan okunacak. |
7 | Gerçek verilerle Keşifsel veri analizi, veri ön işlemleri ve veri görselleştirme (Scatter, Plot), Matplotlib paketi | İlgili bölüm kitaptan okunacak. |
8 | Model Performansını Değerlendirme (Mape, MAE, RMSE, ROC Eğrisi, Karışıklık Matrisi) Bias ve Varyans | İlgili bölüm kitaptan okunacak. |
9 | Linear Interpolation uygulaması | İlgili bölüm kitaptan okunacak. |
10 | Hazır kütüphane kullanımı olmadan python da uygulama geliştirme (Baes) | İlgili bölüm kitaptan okunacak. |
11 | Denetimli Öğrenme ile Veri Analizi (SVM, RF, Naive Bayes) Model&Tahmin, Model Tunning | İlgili bölüm kitaptan okunacak. |
12 | XGBoost, CatBoost Model&Tahmin, Model Tunning | İlgili bölüm kitaptan okunacak. |
13 | Denetimsiz Öğrenme Uygulama K-means Model ve Görselleştirme Optimum küme sayısının belirlenmesi | İlgili bölüm kitaptan okunacak. |
14 | Denetimsiz Öğrenme Uygulama K-means Model ve Görselleştirme Optimum küme sayısının belirlenmesi | İlgili bölüm kitaptan okunacak. |
Kaynak |
1. Python ile Veri Bilimi, Pusula Yayıncılık, Dr. İlker Arslan. 2. Python, Dikeyeksen Yayıncılık, Mustafa Başer. 3. Python ile Makine Öğrenmesi, Abaküs Kitap, Doç. Dr. Engin Sorhun. |
Öğretim üyesi tarafından sağlanacaktır. |
Dersin Program Yeterliliklerine Katkısı
Dersin Program Yeterliliklerine Katkısı | |||||||
No | Program Yeterliliği | Katkı Düzeyi | |||||
1 | 2 | 3 | 4 | 5 | |||
1 | Bilişim ve yönetim alanında teorik bilgileri tanımlar. | X | |||||
2 | Bilişim ve yönetim alanında gerekli ileri düzeyde matematiksel ve istatistiki yöntemleri anlatır. | X | |||||
3 | Enformatik, yönetim ve büyük veri ile ilgili gerekli en az bir bilgisayar programı veya teknolojiyi kullanır. | X | |||||
4 | Bilişim projeleri hazırlar ve takım çalışmalarını yönetir. | X | |||||
5 | Disiplinler arası çalışmalar yürütebilmek için farklı disiplinlerde (ekonomi, finans, sosyoloji, hukuk, işletme) temel bilgileri ve verileri analiz ederek alanında kullanır. | X | |||||
6 | Büyük verileri analiz için hazırlar. | X | |||||
7 | Alana özgü bilimsel tez, rapor, makale ve benzerlerini yazar. | X | |||||
8 | Mesleki alanda yaşam boyu öğrenmenin gerekliliği bilinciyle bilim ve teknolojideki gelişmeleri izleyerek kendini sürekli yenileyip edindiği bilgi ve becerileri eleştirel olarak değerlendirir. | X | |||||
9 | Alanının ilişkili olduğu disiplinler arası etkileşimi açıklar. | X |
Değerlendirme Sistemi
Katkı Düzeyi | Mutlak Değerlendirme | |
Ara Sınavın Başarıya Oranı | 50 | |
Genel Sınavın Başarıya Oranı | 50 | |
Toplam | 100 |