Ders Detayı
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|
| VERİ BİLİMİ | - | Bahar Dönemi | 3+0 | 3 | 6 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler | |
| Dersin Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Zorunlu |
| Dersin Koordinatörü | Prof.Dr. Reda ALHAJJ |
| Dersi Verenler | Prof.Dr. Reda ALHAJJ |
| Dersin Yardımcıları | |
| Dersin Amacı | Bu ders 21. yy'da hızla gelişen ve hem araştırmacılar hem de uygulamacılar için çok popüler olan veri biliminin temellerini ortaya koyar. Ders bir veri bilimcisinin sahip olması gereken temel yetenekleri öğrenciye aktarır ve öğrencinin bunları tıp, savunma sanayi, mühendislik, ve finans gibi farklı alanlara uygulamasını sağlar. Dersin amaçları 1) Verilen bir veride bilginin keşfinin gerçekleştirilmesi ve bunun için gerekli adımlar olan problemin tanımlanması, verinin toplanması, entegrasyonu, yönetimi, analizi, ve görüntülenmesi yani sunulması, 2) Verinin boyutu, çeşitliliği, değişimi, ve değeri gibi hususlarının öneminin anlaşılması ve bu tip farklılıklara nasıl yaklaşılması gerektiği, 3) Verideki bilginin keşfinde kullanılabilecek olan temel istatistiksel ve makine öğrenme yaklaşımlarının sunulması, 4) Ağ modellemesi ve graf analiz gibi güçlü alternatif teknikler ile veriden anlamlı bilginin çıkarılması, 5) Verinin sunulmasının iletişim için ne kadar etkin bir konu olduğunun anlaşılması, ve 6) Tavsiye sistemlerinin temellerinin anlaşılmasıdır. |
| Dersin İçeriği | Bu ders; Veri Bilimine, olasılık, istatistik ve lineer cebir konuların genel bir giriş. ,Temel veri modelleri, varlıkların ilişkisel modelleri, ilişkisel modeller ve SQL.,SQL'den NoSQL'e, ilişkisel olmayan veritabanları ve ilgili veri modelleri XML Modeli ve Xquery. ,NoSQL veritabanı, Mongo veritabanının durumu. ,Büyük verinin kaynakları ve tipleri, sıkça gerçekleşen örüntü analizleri. ,Öğrencilerin araştırma konuları ve teknikleri ile ilgili sunumları. ,Öğrencilerin araştırma konuları ve teknikleri ile ilgili sunumları. ,Ara sınav tekrarı,Kümelenme,Sınıflandırma,Artımlı veri analizi ve veri yönetimi ve analizi için ölçeklenebilir metotlar. ,Ağ modelleri ve grafik analizleri. ,Verinin görselleştirilmesi. ,Tavsiye sistemleri; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| 1. Veri biliminin temelleri ve bir veri bilimcisinin sahip olması gereken farklı yeteneklerinin ne olduğunun anlaşılması. | 2, 9 | A, E, F, G |
| 2. Veri biliminin süreçleri arasında yer alan veri toplama için temellerin anlaşılması, verinin modellenmesi ve yönetiminin kavranması. | 2, 9 | A, E, F, G |
| 3. Temel istatistiksel modellemenin ve analizin veri bilimi süreçleri içerisinde anlaşılması. | 2, 9 | A, E, F, G |
| 4. Veri biliminin işlerini gerçekleştirmede kullanılan makine öğrenmesi algoritmalarının ve tekniklerinin anlaşılması. | 2, 9 | A, E, F, G |
| 4. Veri biliminin işlerini gerçekleştirmede kullanılabilecek olan makine öğrenmesi algoritmalarının ve tekniklerinin anlaşılması. | 2, 9 | A, E, F, G |
| 5. Veri biliminin işlerini gerçekleştirmede kullanılabilecek olan temel ağ modellemesinin ve graf analizlerinin anlaşılması. | 2, 9 | A, E, F, G |
| 6. Verinin sunumu ya da görüntülemesi için temel yaklaşımların ve verinin sunumunun temel iletişim için öneminin anlaşılması. | 2, 9 | A, E, F, G |
| Öğretim Yöntemleri: | 2: Proje Temelli Öğrenme Modeli, 9: Anlatım Yöntemi |
| Ölçme Yöntemleri: | A: Klasik Yazılı Sınav, E: Ödev, F: Proje Görevi, G: Kısa Sınav |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|
| 1 | Veri Bilimine, olasılık, istatistik ve lineer cebir konuların genel bir giriş. | Ders notları 1. Hafta |
| 2 | Temel veri modelleri, varlıkların ilişkisel modelleri, ilişkisel modeller ve SQL. | Lecture Notes, 2. Hafta. |
| 3 | SQL'den NoSQL'e, ilişkisel olmayan veritabanları ve ilgili veri modelleri XML Modeli ve Xquery. | Ders Notları 3. Hafta |
| 4 | NoSQL veritabanı, Mongo veritabanının durumu. | Ders notları, 4. Hafta. |
| 5 | Büyük verinin kaynakları ve tipleri, sıkça gerçekleşen örüntü analizleri. | Ders Notları 5. Hafta |
| 6 | Öğrencilerin araştırma konuları ve teknikleri ile ilgili sunumları. | Literatürün taraması. |
| 7 | Öğrencilerin araştırma konuları ve teknikleri ile ilgili sunumları. | Literatürün taraması. |
| 8 | Ara sınav tekrarı | 7. haftaya kadar olan tüm konular |
| 9 | Kümelenme | Ders Notları 9. Hafta |
| 10 | Sınıflandırma | Ders Notları 10. Hafta |
| 11 | Artımlı veri analizi ve veri yönetimi ve analizi için ölçeklenebilir metotlar. | Ders Notları 11. Hafta |
| 12 | Ağ modelleri ve grafik analizleri. | Ders Notları 12. Hafta |
| 13 | Verinin görselleştirilmesi. | Ders Notları 13. Hafta |
| 14 | Tavsiye sistemleri | Ders Notları 14. Hafta |
| Kaynak |
| Bu ders için temel bir kitap önerilmemektedir. Ders notları, ders sunuları, araştırma makaleleri, ve bazı kitap kısımları bu ders için kaynak teşkil edeceklerdir. |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı |
| No | Program Yeterliliği | Katkı Düzeyi |
| 1 | 2 | 3 | 4 | 5 |
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 | 0 | 0 | 0 |
| Problem Çözümü / Ödev / Proje / Rapor Tanzimi | 5 | 8 | 40 |
| Okul Dışı Diğer Faaliyetler | 0 | 0 | 0 |
| Proje Sunumu / Seminer | 2 | 24 | 48 |
| Kısa Sınav (QUİZ) ve Hazırlığı | 5 | 1 | 5 |
| Ara Sınav ve Hazırlığı | 1 | 24 | 24 |
| Genel Sınav ve Hazırlığı | 1 | 24 | 24 |
| Performans Görevi, Bakım Planı | 0 | 0 | 0 |
| Toplam İş Yükü (Saat) | 183 |
| Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(183/30) | 6 |
| Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır. |
Dersin Detaylı Bilgileri
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|
| VERİ BİLİMİ | - | Bahar Dönemi | 3+0 | 3 | 6 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler | |
| Dersin Dili | İngilizce |
| Dersin Seviyesi | Lisans |
| Dersin Türü | Zorunlu |
| Dersin Koordinatörü | Prof.Dr. Reda ALHAJJ |
| Dersi Verenler | Prof.Dr. Reda ALHAJJ |
| Dersin Yardımcıları | |
| Dersin Amacı | Bu ders 21. yy'da hızla gelişen ve hem araştırmacılar hem de uygulamacılar için çok popüler olan veri biliminin temellerini ortaya koyar. Ders bir veri bilimcisinin sahip olması gereken temel yetenekleri öğrenciye aktarır ve öğrencinin bunları tıp, savunma sanayi, mühendislik, ve finans gibi farklı alanlara uygulamasını sağlar. Dersin amaçları 1) Verilen bir veride bilginin keşfinin gerçekleştirilmesi ve bunun için gerekli adımlar olan problemin tanımlanması, verinin toplanması, entegrasyonu, yönetimi, analizi, ve görüntülenmesi yani sunulması, 2) Verinin boyutu, çeşitliliği, değişimi, ve değeri gibi hususlarının öneminin anlaşılması ve bu tip farklılıklara nasıl yaklaşılması gerektiği, 3) Verideki bilginin keşfinde kullanılabilecek olan temel istatistiksel ve makine öğrenme yaklaşımlarının sunulması, 4) Ağ modellemesi ve graf analiz gibi güçlü alternatif teknikler ile veriden anlamlı bilginin çıkarılması, 5) Verinin sunulmasının iletişim için ne kadar etkin bir konu olduğunun anlaşılması, ve 6) Tavsiye sistemlerinin temellerinin anlaşılmasıdır. |
| Dersin İçeriği | Bu ders; Veri Bilimine, olasılık, istatistik ve lineer cebir konuların genel bir giriş. ,Temel veri modelleri, varlıkların ilişkisel modelleri, ilişkisel modeller ve SQL.,SQL'den NoSQL'e, ilişkisel olmayan veritabanları ve ilgili veri modelleri XML Modeli ve Xquery. ,NoSQL veritabanı, Mongo veritabanının durumu. ,Büyük verinin kaynakları ve tipleri, sıkça gerçekleşen örüntü analizleri. ,Öğrencilerin araştırma konuları ve teknikleri ile ilgili sunumları. ,Öğrencilerin araştırma konuları ve teknikleri ile ilgili sunumları. ,Ara sınav tekrarı,Kümelenme,Sınıflandırma,Artımlı veri analizi ve veri yönetimi ve analizi için ölçeklenebilir metotlar. ,Ağ modelleri ve grafik analizleri. ,Verinin görselleştirilmesi. ,Tavsiye sistemleri; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| 1. Veri biliminin temelleri ve bir veri bilimcisinin sahip olması gereken farklı yeteneklerinin ne olduğunun anlaşılması. | 2, 9 | A, E, F, G |
| 2. Veri biliminin süreçleri arasında yer alan veri toplama için temellerin anlaşılması, verinin modellenmesi ve yönetiminin kavranması. | 2, 9 | A, E, F, G |
| 3. Temel istatistiksel modellemenin ve analizin veri bilimi süreçleri içerisinde anlaşılması. | 2, 9 | A, E, F, G |
| 4. Veri biliminin işlerini gerçekleştirmede kullanılan makine öğrenmesi algoritmalarının ve tekniklerinin anlaşılması. | 2, 9 | A, E, F, G |
| 4. Veri biliminin işlerini gerçekleştirmede kullanılabilecek olan makine öğrenmesi algoritmalarının ve tekniklerinin anlaşılması. | 2, 9 | A, E, F, G |
| 5. Veri biliminin işlerini gerçekleştirmede kullanılabilecek olan temel ağ modellemesinin ve graf analizlerinin anlaşılması. | 2, 9 | A, E, F, G |
| 6. Verinin sunumu ya da görüntülemesi için temel yaklaşımların ve verinin sunumunun temel iletişim için öneminin anlaşılması. | 2, 9 | A, E, F, G |
| Öğretim Yöntemleri: | 2: Proje Temelli Öğrenme Modeli, 9: Anlatım Yöntemi |
| Ölçme Yöntemleri: | A: Klasik Yazılı Sınav, E: Ödev, F: Proje Görevi, G: Kısa Sınav |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|
| 1 | Veri Bilimine, olasılık, istatistik ve lineer cebir konuların genel bir giriş. | Ders notları 1. Hafta |
| 2 | Temel veri modelleri, varlıkların ilişkisel modelleri, ilişkisel modeller ve SQL. | Lecture Notes, 2. Hafta. |
| 3 | SQL'den NoSQL'e, ilişkisel olmayan veritabanları ve ilgili veri modelleri XML Modeli ve Xquery. | Ders Notları 3. Hafta |
| 4 | NoSQL veritabanı, Mongo veritabanının durumu. | Ders notları, 4. Hafta. |
| 5 | Büyük verinin kaynakları ve tipleri, sıkça gerçekleşen örüntü analizleri. | Ders Notları 5. Hafta |
| 6 | Öğrencilerin araştırma konuları ve teknikleri ile ilgili sunumları. | Literatürün taraması. |
| 7 | Öğrencilerin araştırma konuları ve teknikleri ile ilgili sunumları. | Literatürün taraması. |
| 8 | Ara sınav tekrarı | 7. haftaya kadar olan tüm konular |
| 9 | Kümelenme | Ders Notları 9. Hafta |
| 10 | Sınıflandırma | Ders Notları 10. Hafta |
| 11 | Artımlı veri analizi ve veri yönetimi ve analizi için ölçeklenebilir metotlar. | Ders Notları 11. Hafta |
| 12 | Ağ modelleri ve grafik analizleri. | Ders Notları 12. Hafta |
| 13 | Verinin görselleştirilmesi. | Ders Notları 13. Hafta |
| 14 | Tavsiye sistemleri | Ders Notları 14. Hafta |
| Kaynak |
| Bu ders için temel bir kitap önerilmemektedir. Ders notları, ders sunuları, araştırma makaleleri, ve bazı kitap kısımları bu ders için kaynak teşkil edeceklerdir. |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı |
| No | Program Yeterliliği | Katkı Düzeyi |
| 1 | 2 | 3 | 4 | 5 |
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme |
| Ara Sınavın Başarıya Oranı | | 30 |
| Genel Sınavın Başarıya Oranı | | 70 |
| Toplam | | 100 |
Sayısal Veriler
Yayınlanma Tarihi: 06/04/2026 - 14:55Son Güncelleme Tarihi: 06/04/2026 - 14:58
