Ders Detayı
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| İLERİ PROGRAMLAMA | - | Bahar Dönemi | 3+2 | 4 | 5 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Programa Bağlı Seçmeli |
| Dersin Koordinatörü | Prof.Dr. Selim AKYOKUŞ |
| Dersi Verenler | Prof.Dr. Selim AKYOKUŞ, Öğr.Gör. Malek Jamal Abdulah MALKAWI |
| Dersin Yardımcıları | |
| Dersin Amacı | Bu dersin amacı, programlama uygulamaları, verimlilik ve veri bilimi üzerinde durularak Python kullanan öğrencilerin programlama ve problem çözme yeteneklerini ve becerilerini geliştirmektir. Python, çok sayıda kütüphane ile eğitim, bilimsel hesaplama ve veri biliminde yaygın olarak kullanılan bir dildir. Öğrenciler, bu derste yapay zeka ve veri bilimi için geliştirilmiş yerleşik kitaplıklardan yararlanan verimli programları arkalarındaki karmaşık mantık ve matematik hakkında bilgi sahibi olmak zorunda kalmadan öğrenecek, tasarlayacak, geliştirecek ve test edecektir. Programlama verimliliği ve analizi, bazı temel algoritmaların incelenmesi ve analizi, grafik kullanıcı arayüzleri, Python'un gelişmiş özellikleri, Python Veri Yapıları, Farklı Veri Depolarından Veri Setleri Yükleme, NumPy ile Dizi Yönelimli Programlama, Yüksek Performanslı NumPy Dizileri, Pandas Serisi ve DataFrames, Düzenli İfadeler ve Veri Düzenleme, Zaman Serileri ve Basit Doğrusal Regresyon, Doğal Dil İşleme (NLP), Web Tarama, Veri Madenciliği Twitter: Duygu Analizi, Makine Öğrenimi: Sınıflandırma, Regresyon ve Kümeleme, Derin Öğrenme Evrişimli ve Tekrarlayan Sinir Ağları, İşbirlikçi Filtreleme, Optimizasyon ile Öneriler. |
| Dersin İçeriği | Bu ders; Verimli algoritma geliştirme,Arama ve sıralama algoritma analizi,Python Veri Yapıları,Veri Analizi ve Görselleştirme,Numpy ve Scipy ile Dizi-Tabanlı ve Bilimsel Programlama,Pandas ile Veri İşleme,Veri Yükleme, depolama ve dosya Formatları; Veri Görselleştirme,Zaman Serileri ve Basit Lineer Regresyon,Doğal Dil İşleme ve Web Veri Çıkarma,Twitter Veri Madenciliği: Duygu Analizi, JSON ve Web Servisleri,Makine Öğrenme: Sınıflandırma, Regresyon ve Kümeleme ,Derin Öğrenme: Evrişimli ve Tekrarlayan SinirAğları,İşbirlikçi Filtreleme, Öneri Sunma,Optimizasyon; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| 1 - Verimli program tasarlama, uygulama ve test etme. | ||
| 2 - Farklı problemler için program kodunu öğrenerek, analiz ederek, çözerek ve geliştirerek programlama becerilerini geliştirme. | ||
| 3 - Yapılandırılmış programlama, soyut veri türleri, sınıflar ve nesneler kullanarak modüler programların nasıl tasarlanacağını, geliştirileceğini ve uygulanacağını öğrenme. | ||
| 4 - Birçok alanda bulunan yerleşik ve üçüncü taraf yazılım kütüpanelerinin özelliklerinden yararlanma. | ||
| 5 - Verilerin nasıl depolayacağını, yükleneğini, değiştirileceğini ve keşfedileceğini öğrenme. | ||
| 6 - Verileri özetleme, görselleştirme ve analiz etme. | ||
| 7 - Matematik, bilim, mühendislik, finans, yapay zeka ve oyun konularında çok çeşitli problemler için program yazma. | ||
| 8 - Birkaç örnek üzerinde bazı makine öğrenimi, veri madenciliği ve optimizasyon kitaplıklarının nasıl kullanılacağını ve uygulanacağını öğrenme. |
| Öğretim Yöntemleri: | |
| Ölçme Yöntemleri: |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Verimli algoritma geliştirme | |
| 2 | Arama ve sıralama algoritma analizi | |
| 3 | Python Veri Yapıları | |
| 4 | Veri Analizi ve Görselleştirme | |
| 5 | Numpy ve Scipy ile Dizi-Tabanlı ve Bilimsel Programlama | |
| 6 | Pandas ile Veri İşleme | |
| 7 | Veri Yükleme, depolama ve dosya Formatları; Veri Görselleştirme | |
| 8 | Zaman Serileri ve Basit Lineer Regresyon | |
| 9 | Doğal Dil İşleme ve Web Veri Çıkarma | |
| 10 | Twitter Veri Madenciliği: Duygu Analizi, JSON ve Web Servisleri | |
| 11 | Makine Öğrenme: Sınıflandırma, Regresyon ve Kümeleme | |
| 12 | Derin Öğrenme: Evrişimli ve Tekrarlayan SinirAğları | |
| 13 | İşbirlikçi Filtreleme, Öneri Sunma | |
| 14 | Optimizasyon |
| Kaynak |
| Intro to Python for Computer Science and Data Science: Learning to Program with AI, Big Data and The Cloud, Paul Deitel, Harvey Deitel, Pearson, 2020 |
| - Toby Segaran, Programming Collective Intelligence, O Reilly Press, 2007. - Brad Miller and David Ranum, Luther College, Problem Solving with Algorithms and Data Structures using Python, Franklin, Beedle & Associates, 2011 |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı | |||||||
| No | Program Yeterliliği | 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 | ||||||
| 2 | Karmaşık mühendislik problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi | ||||||
| 3 | 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 | ||||||
| 4 | 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 | |||||
| 5 | Karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisi | ||||||
| 6 | Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi; bireysel çalışma becerisi | ||||||
| 7 | 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 | X | |||||
| 8 | Yaşam boyu öğrenmenin gerekliliği bilinci; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi | X | |||||
| 9 | Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk bilinci; mühendislik uygulamalarında kullanılan standartlar hakkında bilgi | ||||||
| 10 | Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi | ||||||
| 11 | 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
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 30 | |
| Genel Sınavın Başarıya Oranı | 70 | |
| Toplam | 100 | |
| AKTS / İşyükü Tablosu | ||||||
| Etkinlik | Sayı | Süresi (Saat) | Toplam İş Yükü (Saat) | |||
| Ders Saati | 14 | 3 | 42 | |||
| Rehberli Problem Çözme | 10 | 4 | 40 | |||
| Problem Çözümü / Ödev / Proje / Rapor Tanzimi | 6 | 6 | 36 | |||
| Okul Dışı Diğer Faaliyetler | 0 | 0 | 0 | |||
| Proje Sunumu / Seminer | 0 | 0 | 0 | |||
| Kısa Sınav (QUİZ) ve Hazırlığı | 2 | 6 | 12 | |||
| Ara Sınav ve Hazırlığı | 1 | 12 | 12 | |||
| Genel Sınav ve Hazırlığı | 1 | 20 | 20 | |||
| Performans Görevi, Bakım Planı | 0 | 0 | 0 | |||
| Toplam İş Yükü (Saat) | 162 | |||||
| Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(162/30) | 5 | |||||
| Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır. | ||||||
Dersin Detaylı Bilgileri
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| İLERİ PROGRAMLAMA | - | Bahar Dönemi | 3+2 | 4 | 5 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Programa Bağlı Seçmeli |
| Dersin Koordinatörü | Prof.Dr. Selim AKYOKUŞ |
| Dersi Verenler | Prof.Dr. Selim AKYOKUŞ, Öğr.Gör. Malek Jamal Abdulah MALKAWI |
| Dersin Yardımcıları | |
| Dersin Amacı | Bu dersin amacı, programlama uygulamaları, verimlilik ve veri bilimi üzerinde durularak Python kullanan öğrencilerin programlama ve problem çözme yeteneklerini ve becerilerini geliştirmektir. Python, çok sayıda kütüphane ile eğitim, bilimsel hesaplama ve veri biliminde yaygın olarak kullanılan bir dildir. Öğrenciler, bu derste yapay zeka ve veri bilimi için geliştirilmiş yerleşik kitaplıklardan yararlanan verimli programları arkalarındaki karmaşık mantık ve matematik hakkında bilgi sahibi olmak zorunda kalmadan öğrenecek, tasarlayacak, geliştirecek ve test edecektir. Programlama verimliliği ve analizi, bazı temel algoritmaların incelenmesi ve analizi, grafik kullanıcı arayüzleri, Python'un gelişmiş özellikleri, Python Veri Yapıları, Farklı Veri Depolarından Veri Setleri Yükleme, NumPy ile Dizi Yönelimli Programlama, Yüksek Performanslı NumPy Dizileri, Pandas Serisi ve DataFrames, Düzenli İfadeler ve Veri Düzenleme, Zaman Serileri ve Basit Doğrusal Regresyon, Doğal Dil İşleme (NLP), Web Tarama, Veri Madenciliği Twitter: Duygu Analizi, Makine Öğrenimi: Sınıflandırma, Regresyon ve Kümeleme, Derin Öğrenme Evrişimli ve Tekrarlayan Sinir Ağları, İşbirlikçi Filtreleme, Optimizasyon ile Öneriler. |
| Dersin İçeriği | Bu ders; Verimli algoritma geliştirme,Arama ve sıralama algoritma analizi,Python Veri Yapıları,Veri Analizi ve Görselleştirme,Numpy ve Scipy ile Dizi-Tabanlı ve Bilimsel Programlama,Pandas ile Veri İşleme,Veri Yükleme, depolama ve dosya Formatları; Veri Görselleştirme,Zaman Serileri ve Basit Lineer Regresyon,Doğal Dil İşleme ve Web Veri Çıkarma,Twitter Veri Madenciliği: Duygu Analizi, JSON ve Web Servisleri,Makine Öğrenme: Sınıflandırma, Regresyon ve Kümeleme ,Derin Öğrenme: Evrişimli ve Tekrarlayan SinirAğları,İşbirlikçi Filtreleme, Öneri Sunma,Optimizasyon; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| 1 - Verimli program tasarlama, uygulama ve test etme. | ||
| 2 - Farklı problemler için program kodunu öğrenerek, analiz ederek, çözerek ve geliştirerek programlama becerilerini geliştirme. | ||
| 3 - Yapılandırılmış programlama, soyut veri türleri, sınıflar ve nesneler kullanarak modüler programların nasıl tasarlanacağını, geliştirileceğini ve uygulanacağını öğrenme. | ||
| 4 - Birçok alanda bulunan yerleşik ve üçüncü taraf yazılım kütüpanelerinin özelliklerinden yararlanma. | ||
| 5 - Verilerin nasıl depolayacağını, yükleneğini, değiştirileceğini ve keşfedileceğini öğrenme. | ||
| 6 - Verileri özetleme, görselleştirme ve analiz etme. | ||
| 7 - Matematik, bilim, mühendislik, finans, yapay zeka ve oyun konularında çok çeşitli problemler için program yazma. | ||
| 8 - Birkaç örnek üzerinde bazı makine öğrenimi, veri madenciliği ve optimizasyon kitaplıklarının nasıl kullanılacağını ve uygulanacağını öğrenme. |
| Öğretim Yöntemleri: | |
| Ölçme Yöntemleri: |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Verimli algoritma geliştirme | |
| 2 | Arama ve sıralama algoritma analizi | |
| 3 | Python Veri Yapıları | |
| 4 | Veri Analizi ve Görselleştirme | |
| 5 | Numpy ve Scipy ile Dizi-Tabanlı ve Bilimsel Programlama | |
| 6 | Pandas ile Veri İşleme | |
| 7 | Veri Yükleme, depolama ve dosya Formatları; Veri Görselleştirme | |
| 8 | Zaman Serileri ve Basit Lineer Regresyon | |
| 9 | Doğal Dil İşleme ve Web Veri Çıkarma | |
| 10 | Twitter Veri Madenciliği: Duygu Analizi, JSON ve Web Servisleri | |
| 11 | Makine Öğrenme: Sınıflandırma, Regresyon ve Kümeleme | |
| 12 | Derin Öğrenme: Evrişimli ve Tekrarlayan SinirAğları | |
| 13 | İşbirlikçi Filtreleme, Öneri Sunma | |
| 14 | Optimizasyon |
| Kaynak |
| Intro to Python for Computer Science and Data Science: Learning to Program with AI, Big Data and The Cloud, Paul Deitel, Harvey Deitel, Pearson, 2020 |
| - Toby Segaran, Programming Collective Intelligence, O Reilly Press, 2007. - Brad Miller and David Ranum, Luther College, Problem Solving with Algorithms and Data Structures using Python, Franklin, Beedle & Associates, 2011 |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı | |||||||
| No | Program Yeterliliği | 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 | ||||||
| 2 | Karmaşık mühendislik problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi | ||||||
| 3 | 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 | ||||||
| 4 | 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 | |||||
| 5 | Karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisi | ||||||
| 6 | Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi; bireysel çalışma becerisi | ||||||
| 7 | 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 | X | |||||
| 8 | Yaşam boyu öğrenmenin gerekliliği bilinci; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi | X | |||||
| 9 | Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk bilinci; mühendislik uygulamalarında kullanılan standartlar hakkında bilgi | ||||||
| 10 | Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi | ||||||
| 11 | 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
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 30 | |
| Genel Sınavın Başarıya Oranı | 70 | |
| Toplam | 100 | |