Aims to teach all the methods, processes, algorithms and software applied to extract information from various data.
Course Content
This course contains; Introduction to Data Science,Basic concepts of Data Science,Application development stages in data science,Examination of tools used in data science,Creating a data set,Exploratory data analysis operations: review and preparation of the data set,Exploratory data analysis operations: attribute addition and extraction,Exploratory data analysis operations: data filtering, missing data completion,Exploratory data analysis procedures: acquiring basic statistical knowledge,Exploratory data analysis operations: outlier detection,Exploratory data analysis processes: data visualization,Use of machine learning algorithms (classification and clustering),Project Development,Project Development.
Course Learning Outcomes
Teaching Methods
Assessment Methods
Develops a data science application on a data set
2, 6, 9
A, E, F
Defines the relationship between Data Science and Big Data.
2, 23, 9
A, E, F
Explains the basic concepts of data science.
2, 6, 9
A, E, F
Analyzes data sets.
2, 6, 9
A, E, F
Gains the ability to use data science and modeling tools
2, 6, 9
A, E, F
Learns how to extract useful information from data
A: Traditional Written Exam, E: Homework, F: Project Task
Course Outline
Order
Subjects
Preliminary Work
1
Introduction to Data Science
2
Basic concepts of Data Science
3
Application development stages in data science
4
Examination of tools used in data science
5
Creating a data set
6
Exploratory data analysis operations: review and preparation of the data set
7
Exploratory data analysis operations: attribute addition and extraction
8
Exploratory data analysis operations: data filtering, missing data completion
9
Exploratory data analysis procedures: acquiring basic statistical knowledge
10
Exploratory data analysis operations: outlier detection
11
Exploratory data analysis processes: data visualization
12
Use of machine learning algorithms (classification and clustering)
13
Project Development
14
Project Development
Resources
Course Contribution to Program Qualifications
Course Contribution to Program Qualifications
No
Program Qualification
Contribution Level
1
2
3
4
5
1
Algoritma programlama, bilgisayar uygulaması geliştirme ve yazılım projelerinde kod geliştirme konularında yeterli altyapıya ve bunları iş hayatlarında kullanma yeteneğine sahiptir.
2
Programlama problemleri için bilinen çözüm yöntemlerini ve özel teknikleri kullanır ve uygular.
3
Yazılım uygulamaları için gerekli olan modern teknik ve araçları kullanır.
4
Bireysel olarak ve çok disiplinli takımlarda etkin olarak çalışır.
5
Geliştirilmiş uygulama veya yazılımın test aşamalarını gerçekler ve takip eder.
6
İşyeri uygulamaları, çalışanların sağlığı, çevre ve iş güvenliği, mesleki ve etik sorumluluk, programlama uygulamalarının hukuksal sonuçları konularında farkındalığa sahiptir.
7
Bilgiye erişir ve bu amaçla kaynak araştırması yapar.
8
Yaşam boyu öğrenmenin gerekliliği bilincindedir; bilim ve teknolojideki gelişmeleri izler ve kendini sürekli yeniler.
9
Sözlü ve yazılı, gerektiğinde teknik resimler ve modern araçlar kullanarak etkin iletişim kurar.
10
Yazılım çözümlerinin ve uygulamalarının evrensel ve toplumsal boyutlardaki etkilerinin bilincinde olur; çağın sorunları çözmede ve toplumsal ilerlemede yeni yazılımlar geliştirir.
11
Geliştirdiği yazılımın temiz ve anlaşılır olmasına özen ve dikkat gösterir.
12
Kullanıcı odaklı tasarım ilkelerine riayet eder.
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)
Course Hours
0
0
0
Guided Problem Solving
0
0
0
Resolution of Homework Problems and Submission as a Report
0
0
0
Term Project
0
0
0
Presentation of Project / Seminar
0
0
0
Quiz
0
0
0
Midterm Exam
0
0
0
General Exam
0
0
0
Performance Task, Maintenance Plan
0
0
0
Total Workload(Hour)
0
Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(0/30)
0
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
DATA SCIENCE
BPR2214995
Spring Semester
3+0
3
5
Course Program
Çarşamba 12:45-13:30
Çarşamba 13:30-14:15
Çarşamba 14:30-15:15
Prerequisites Courses
Recommended Elective Courses
Language of Course
Turkish
Course Level
Short Cycle (Associate's Degree)
Course Type
Elective
Course Coordinator
Lect. Beyza KOYULMUŞ
Name of Lecturer(s)
Lect. Beyza KOYULMUŞ
Assistant(s)
Aim
Aims to teach all the methods, processes, algorithms and software applied to extract information from various data.
Course Content
This course contains; Introduction to Data Science,Basic concepts of Data Science,Application development stages in data science,Examination of tools used in data science,Creating a data set,Exploratory data analysis operations: review and preparation of the data set,Exploratory data analysis operations: attribute addition and extraction,Exploratory data analysis operations: data filtering, missing data completion,Exploratory data analysis procedures: acquiring basic statistical knowledge,Exploratory data analysis operations: outlier detection,Exploratory data analysis processes: data visualization,Use of machine learning algorithms (classification and clustering),Project Development,Project Development.
Course Learning Outcomes
Teaching Methods
Assessment Methods
Develops a data science application on a data set
2, 6, 9
A, E, F
Defines the relationship between Data Science and Big Data.
2, 23, 9
A, E, F
Explains the basic concepts of data science.
2, 6, 9
A, E, F
Analyzes data sets.
2, 6, 9
A, E, F
Gains the ability to use data science and modeling tools
2, 6, 9
A, E, F
Learns how to extract useful information from data
A: Traditional Written Exam, E: Homework, F: Project Task
Course Outline
Order
Subjects
Preliminary Work
1
Introduction to Data Science
2
Basic concepts of Data Science
3
Application development stages in data science
4
Examination of tools used in data science
5
Creating a data set
6
Exploratory data analysis operations: review and preparation of the data set
7
Exploratory data analysis operations: attribute addition and extraction
8
Exploratory data analysis operations: data filtering, missing data completion
9
Exploratory data analysis procedures: acquiring basic statistical knowledge
10
Exploratory data analysis operations: outlier detection
11
Exploratory data analysis processes: data visualization
12
Use of machine learning algorithms (classification and clustering)
13
Project Development
14
Project Development
Resources
Course Contribution to Program Qualifications
Course Contribution to Program Qualifications
No
Program Qualification
Contribution Level
1
2
3
4
5
1
Algoritma programlama, bilgisayar uygulaması geliştirme ve yazılım projelerinde kod geliştirme konularında yeterli altyapıya ve bunları iş hayatlarında kullanma yeteneğine sahiptir.
2
Programlama problemleri için bilinen çözüm yöntemlerini ve özel teknikleri kullanır ve uygular.
3
Yazılım uygulamaları için gerekli olan modern teknik ve araçları kullanır.
4
Bireysel olarak ve çok disiplinli takımlarda etkin olarak çalışır.
5
Geliştirilmiş uygulama veya yazılımın test aşamalarını gerçekler ve takip eder.
6
İşyeri uygulamaları, çalışanların sağlığı, çevre ve iş güvenliği, mesleki ve etik sorumluluk, programlama uygulamalarının hukuksal sonuçları konularında farkındalığa sahiptir.
7
Bilgiye erişir ve bu amaçla kaynak araştırması yapar.
8
Yaşam boyu öğrenmenin gerekliliği bilincindedir; bilim ve teknolojideki gelişmeleri izler ve kendini sürekli yeniler.
9
Sözlü ve yazılı, gerektiğinde teknik resimler ve modern araçlar kullanarak etkin iletişim kurar.
10
Yazılım çözümlerinin ve uygulamalarının evrensel ve toplumsal boyutlardaki etkilerinin bilincinde olur; çağın sorunları çözmede ve toplumsal ilerlemede yeni yazılımlar geliştirir.
11
Geliştirdiği yazılımın temiz ve anlaşılır olmasına özen ve dikkat gösterir.
