Course Detail
Course Detail
Course Description
| Course | Code | Semester | T+P (Hour) | Credit | ECTS |
|---|---|---|---|---|---|
| VERİ MADENCİLİĞİ | MGS4113728 | Güz Dönemi | 1+2 | 2 | 5 |
| Course Program | Salı 14:30-15:15 Salı 15:30-16:15 Salı 16:30-17:15 Cumartesi 14:30-15:15 Cumartesi 15:30-16:15 Cumartesi 16:30-17:15 |
| Prerequisites Courses | |
| Recommended Elective Courses |
| Language of Course | Türkçe |
| Course Level | Lisans |
| Course Type | Programa Bağlı Seçmeli |
| Course Coordinator | Prof.Dr. Başak GEZMEN |
| Name of Lecturer(s) | Dr.Öğr.Üye. Alaattin ASLAN |
| Assistant(s) | |
| Aim | Veri madenciliği temel kavramlarını öğretir ve verilerden anlamlı sonuçlar çıkararak yararlı bilgiler elde edilmesini sağlar. |
| Course Content | Bu ders; Veri Bilimi, Dersin işlenişi ve içeriğinin açıklanması,Verinin tanımı, Veri setleri ile çalışma,Pandas Kütüphanesi ile Veri setlerini Manipüle etme,Verilerin Analizi ve Özetlenmesi,Veri Görselleştirme tanımı ve temel bileşenleri,Keşifsel veri Analizi teknikleri,Uygulama: Veri Toplama, Keşifsel Veri Analizi,Uygulama: Veri Görselleştirme uygulamaları,Makine öğrenimi temel kavramları,Makine öğrenim algoritmaları,Uygulama: Lineer Regression,Sınıflandırma Problemleri,Uygulama: Sınıflandırma Uygulaması,Derin öğrenme temel kavramları; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Teaching Methods | Assessment Methods |
| Veri Toplama yöntemlerini kavrar. | 16, 6, 9 | A, E |
| Veri Setleri Yönetimi analizini yapar. | 16, 6, 9 | A, E |
| Veri Görselleştirme kategorilerini çözümler | 16, 6, 9 | E |
| Teaching Methods: | 16: Soru - Cevap Tekniği , 6: Deneyimle Öğrenme Modeli, 9: Anlatım Yöntemi |
| Assessment Methods: | A: Klasik Yazılı Sınav, E: Ödev |
Course Outline
| Order | Subjects | Preliminary Work |
|---|---|---|
| 1 | Veri Bilimi, Dersin işlenişi ve içeriğinin açıklanması | ilgili kaynaktan ilgili bölümlerin okunması |
| 2 | Verinin tanımı, Veri setleri ile çalışma | ilgili kaynaktan ilgili bölümlerin okunması |
| 3 | Pandas Kütüphanesi ile Veri setlerini Manipüle etme | ilgili kaynaktan ilgili bölümlerin okunması |
| 4 | Verilerin Analizi ve Özetlenmesi | ilgili kaynaktan ilgili bölümlerin okunması |
| 5 | Veri Görselleştirme tanımı ve temel bileşenleri | ilgili kaynaktan ilgili bölümlerin okunması |
| 6 | Keşifsel veri Analizi teknikleri | ilgili kaynaktan ilgili bölümlerin okunması |
| 7 | Uygulama: Veri Toplama, Keşifsel Veri Analizi | ilgili kaynaktan ilgili bölümlerin okunması |
| 8 | Uygulama: Veri Görselleştirme uygulamaları | ilgili kaynaktan ilgili bölümlerin okunması |
| 9 | Makine öğrenimi temel kavramları | ilgili kaynaktan ilgili bölümlerin okunması |
| 10 | Makine öğrenim algoritmaları | ilgili kaynaktan ilgili bölümlerin okunması |
| 11 | Uygulama: Lineer Regression | ilgili kaynaktan ilgili bölümlerin okunması |
| 12 | Sınıflandırma Problemleri | ilgili kaynaktan ilgili bölümlerin okunması |
| 13 | Uygulama: Sınıflandırma Uygulaması | ilgili kaynaktan ilgili bölümlerin okunması |
| 14 | Derin öğrenme temel kavramları | ilgili kaynaktan ilgili bölümlerin okunması |
| Resources |
| Florin Gorunescu. Data Mining- Concepts, Models and Techniques. Springer Publishing, 2011 Graham J. WilliamsSimeon J. Simoff, Data Mining Theory, Methodology, Techniques, and Applications, Springer, 2006 Joel Grus , Data Science from Scratch: First Principles with Python, O'Reilly Media, 2019 |
Course Contribution to Program Qualifications
| Course Contribution to Program Qualifications | |||||||
| No | Program Qualification | Contribution Level | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Medya ve Görsel Sanatlar disiplinlerinin temel kavramlarını bilir. | X | |||||
| 2 | Medya ve Görsel Sanatlar disiplinlerinin temel kuramlarını bilir. | X | |||||
| 3 | Medya ve Görsel Sanatlarda gerekli olan bilgisayar programlarını ve çoklu medya tekniklerini bilir. | X | |||||
| 4 | Medya ve Görsel Sanatlarda gerekli olan estetik kuralları bilir. | X | |||||
| 5 | Mesleki ve bilimsel çalışmalarda ulusal ve uluslararası etik kodlara bağlı kalacak şekilde hareket eder. | X | |||||
| 6 | Kültürlerin sembol sistemlerini anlar. | X | |||||
| 7 | Medya ve Görsel Sanatlar ile ilgili olguları boyutlarıyla analiz eder. | X | |||||
| 8 | Kurumların/kişilerin ihtiyaçları doğrultusunda görsel tasarım sürecini planlar. | X | |||||
| 9 | Kurumların/kişilerin ihtiyaçları doğrultusunda görsel iletişim sürecini gerçekleştirir. | X | |||||
| 10 | Medya ve Görsel Sanatlar uygulamaları için gereken araç, yöntem ve teknikleri kullanır. | X | |||||
| 11 | Gerçek, 2 Boyutlu ve 3 Boyutlu görüntü üretme, işleme ve değerlendirme becerisine sahiptir. | ||||||
| 12 | Yeni medya ortamlarında görsel tasarım tekniklerini uygular. | ||||||
| 13 | Tasarım konusunda estetik farkındalığa ve kavrayışa sahiptir. | ||||||
| 14 | Mesleğini “İş Sağlığı ve Güvenliği” kurallarını göz önünde bulundurarak gerçekleştirir. | ||||||
| 15 | Medya ve Görsel Sanatlar ile ilgili projelerde sorumluluk alarak ortaya çıkan sorunları çözer. | X | |||||
| 16 | Medya ve Görsel Sanatlar disiplinlerine ve alt disiplinlerine ait kuramsal ve olgusal sorunları bilimsel yöntemlerle yayına dönüştürebilir. | X | |||||
| 17 | Medya ve Görsel Sanatlar alanındaki gelişmeleri düzenli olarak takip ederek çalışmalarında etkin şekilde kullanır. | ||||||
| 18 | Türkçeyi bilimsel ve mesleki çalışmalarda akıcı ve doğru bir biçimde kullanır. | ||||||
| 19 | En az bir yabancı dili B1 seviyesinde okuyup anlayabilir. | ||||||
| 20 | Sosyal sorumluluk projeleri planlayarak görev alır. | X | |||||
| 21 | Yapay zekayı (yapay öğrenme/makine öğrenimi) yaratım sürecine dahil eder. | X | |||||
Assessment Methods
| Contribution Level | Absolute Evaluation | |
| Rate of Midterm Exam to Success | 40 | |
| Rate of Final Exam to Success | 60 | |
| Total | 100 | |
| ECTS / Workload Table | ||||||
| Activities | Number of | Duration(Hour) | Total Workload(Hour) | |||
| Ders Saati | 14 | 3 | 42 | |||
| Rehberli Problem Çözme | 20 | 1 | 20 | |||
| Problem Çözümü / Ödev / Proje / Rapor Tanzimi | 20 | 1 | 20 | |||
| Okul Dışı Diğer Faaliyetler | 14 | 2 | 28 | |||
| Proje Sunumu / Seminer | 0 | 0 | 0 | |||
| Kısa Sınav (QUİZ) ve Hazırlığı | 0 | 0 | 0 | |||
| Ara Sınav ve Hazırlığı | 1 | 20 | 20 | |||
| Genel Sınav ve Hazırlığı | 1 | 20 | 20 | |||
| Performans Görevi, Bakım Planı | 0 | 0 | 0 | |||
| Total Workload(Hour) | 150 | |||||
| Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(150/30) | 5 | |||||
| ECTS of the course: 30 hours of work is counted as 1 ECTS credit. | ||||||
Detail Informations of the Course
Course Description
| Course | Code | Semester | T+P (Hour) | Credit | ECTS |
|---|---|---|---|---|---|
| VERİ MADENCİLİĞİ | MGS4113728 | Güz Dönemi | 1+2 | 2 | 5 |
| Course Program | Salı 14:30-15:15 Salı 15:30-16:15 Salı 16:30-17:15 Cumartesi 14:30-15:15 Cumartesi 15:30-16:15 Cumartesi 16:30-17:15 |
| Prerequisites Courses | |
| Recommended Elective Courses |
| Language of Course | Türkçe |
| Course Level | Lisans |
| Course Type | Programa Bağlı Seçmeli |
| Course Coordinator | Prof.Dr. Başak GEZMEN |
| Name of Lecturer(s) | Dr.Öğr.Üye. Alaattin ASLAN |
| Assistant(s) | |
| Aim | Veri madenciliği temel kavramlarını öğretir ve verilerden anlamlı sonuçlar çıkararak yararlı bilgiler elde edilmesini sağlar. |
| Course Content | Bu ders; Veri Bilimi, Dersin işlenişi ve içeriğinin açıklanması,Verinin tanımı, Veri setleri ile çalışma,Pandas Kütüphanesi ile Veri setlerini Manipüle etme,Verilerin Analizi ve Özetlenmesi,Veri Görselleştirme tanımı ve temel bileşenleri,Keşifsel veri Analizi teknikleri,Uygulama: Veri Toplama, Keşifsel Veri Analizi,Uygulama: Veri Görselleştirme uygulamaları,Makine öğrenimi temel kavramları,Makine öğrenim algoritmaları,Uygulama: Lineer Regression,Sınıflandırma Problemleri,Uygulama: Sınıflandırma Uygulaması,Derin öğrenme temel kavramları; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Teaching Methods | Assessment Methods |
| Veri Toplama yöntemlerini kavrar. | 16, 6, 9 | A, E |
| Veri Setleri Yönetimi analizini yapar. | 16, 6, 9 | A, E |
| Veri Görselleştirme kategorilerini çözümler | 16, 6, 9 | E |
| Teaching Methods: | 16: Soru - Cevap Tekniği , 6: Deneyimle Öğrenme Modeli, 9: Anlatım Yöntemi |
| Assessment Methods: | A: Klasik Yazılı Sınav, E: Ödev |
Course Outline
| Order | Subjects | Preliminary Work |
|---|---|---|
| 1 | Veri Bilimi, Dersin işlenişi ve içeriğinin açıklanması | ilgili kaynaktan ilgili bölümlerin okunması |
| 2 | Verinin tanımı, Veri setleri ile çalışma | ilgili kaynaktan ilgili bölümlerin okunması |
| 3 | Pandas Kütüphanesi ile Veri setlerini Manipüle etme | ilgili kaynaktan ilgili bölümlerin okunması |
| 4 | Verilerin Analizi ve Özetlenmesi | ilgili kaynaktan ilgili bölümlerin okunması |
| 5 | Veri Görselleştirme tanımı ve temel bileşenleri | ilgili kaynaktan ilgili bölümlerin okunması |
| 6 | Keşifsel veri Analizi teknikleri | ilgili kaynaktan ilgili bölümlerin okunması |
| 7 | Uygulama: Veri Toplama, Keşifsel Veri Analizi | ilgili kaynaktan ilgili bölümlerin okunması |
| 8 | Uygulama: Veri Görselleştirme uygulamaları | ilgili kaynaktan ilgili bölümlerin okunması |
| 9 | Makine öğrenimi temel kavramları | ilgili kaynaktan ilgili bölümlerin okunması |
| 10 | Makine öğrenim algoritmaları | ilgili kaynaktan ilgili bölümlerin okunması |
| 11 | Uygulama: Lineer Regression | ilgili kaynaktan ilgili bölümlerin okunması |
| 12 | Sınıflandırma Problemleri | ilgili kaynaktan ilgili bölümlerin okunması |
| 13 | Uygulama: Sınıflandırma Uygulaması | ilgili kaynaktan ilgili bölümlerin okunması |
| 14 | Derin öğrenme temel kavramları | ilgili kaynaktan ilgili bölümlerin okunması |
| Resources |
| Florin Gorunescu. Data Mining- Concepts, Models and Techniques. Springer Publishing, 2011 Graham J. WilliamsSimeon J. Simoff, Data Mining Theory, Methodology, Techniques, and Applications, Springer, 2006 Joel Grus , Data Science from Scratch: First Principles with Python, O'Reilly Media, 2019 |
Course Contribution to Program Qualifications
| Course Contribution to Program Qualifications | |||||||
| No | Program Qualification | Contribution Level | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Medya ve Görsel Sanatlar disiplinlerinin temel kavramlarını bilir. | X | |||||
| 2 | Medya ve Görsel Sanatlar disiplinlerinin temel kuramlarını bilir. | X | |||||
| 3 | Medya ve Görsel Sanatlarda gerekli olan bilgisayar programlarını ve çoklu medya tekniklerini bilir. | X | |||||
| 4 | Medya ve Görsel Sanatlarda gerekli olan estetik kuralları bilir. | X | |||||
| 5 | Mesleki ve bilimsel çalışmalarda ulusal ve uluslararası etik kodlara bağlı kalacak şekilde hareket eder. | X | |||||
| 6 | Kültürlerin sembol sistemlerini anlar. | X | |||||
| 7 | Medya ve Görsel Sanatlar ile ilgili olguları boyutlarıyla analiz eder. | X | |||||
| 8 | Kurumların/kişilerin ihtiyaçları doğrultusunda görsel tasarım sürecini planlar. | X | |||||
| 9 | Kurumların/kişilerin ihtiyaçları doğrultusunda görsel iletişim sürecini gerçekleştirir. | X | |||||
| 10 | Medya ve Görsel Sanatlar uygulamaları için gereken araç, yöntem ve teknikleri kullanır. | X | |||||
| 11 | Gerçek, 2 Boyutlu ve 3 Boyutlu görüntü üretme, işleme ve değerlendirme becerisine sahiptir. | ||||||
| 12 | Yeni medya ortamlarında görsel tasarım tekniklerini uygular. | ||||||
| 13 | Tasarım konusunda estetik farkındalığa ve kavrayışa sahiptir. | ||||||
| 14 | Mesleğini “İş Sağlığı ve Güvenliği” kurallarını göz önünde bulundurarak gerçekleştirir. | ||||||
| 15 | Medya ve Görsel Sanatlar ile ilgili projelerde sorumluluk alarak ortaya çıkan sorunları çözer. | X | |||||
| 16 | Medya ve Görsel Sanatlar disiplinlerine ve alt disiplinlerine ait kuramsal ve olgusal sorunları bilimsel yöntemlerle yayına dönüştürebilir. | X | |||||
| 17 | Medya ve Görsel Sanatlar alanındaki gelişmeleri düzenli olarak takip ederek çalışmalarında etkin şekilde kullanır. | ||||||
| 18 | Türkçeyi bilimsel ve mesleki çalışmalarda akıcı ve doğru bir biçimde kullanır. | ||||||
| 19 | En az bir yabancı dili B1 seviyesinde okuyup anlayabilir. | ||||||
| 20 | Sosyal sorumluluk projeleri planlayarak görev alır. | X | |||||
| 21 | Yapay zekayı (yapay öğrenme/makine öğrenimi) yaratım sürecine dahil eder. | X | |||||
Assessment Methods
| Contribution Level | Absolute Evaluation | |
| Rate of Midterm Exam to Success | 40 | |
| Rate of Final Exam to Success | 60 | |
| Total | 100 | |