Skip to main content
Anasayfa

Ders Detayı

Ders Tanımı

DersKoduYarıyılT+U SaatKrediAKTS
VERİ ANALİZİ UYGULAMALARIYBSYL1122691Güz Dönemi3+038
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin DiliTürkçe
Dersin SeviyesiTezli Yüksek Lisans
Dersin TürüPrograma Bağlı Seçmeli
Dersin Koordinatörü
Dersi Verenler
Dersin Yardımcıları
Dersin AmacıBu dersin amacı, öğrencilere veri madenciliğinin temellerini, veri, enformasyon ve bilgi kavramlarını, veri tabanlarında bilgi keşfini ve veri ön işleme yöntemlerini öğretmek ve bu yöntemleri Pandas, NumPy ve Scikit-Learn gibi kütüphanelerden yararlanarak uygulatmaktır. Derste ayrıca makine öğrenmesinin türleri ve temel algoritmaları ele alınmaktadır.
Dersin İçeriğiBu ders; Veri madenciliğine giriş, veri, bilgi ve model kurma ile ilgili temel kavramlar,Programlar, Araçlar ve Kütüphaneler (Pandas, NumPy, scikit-learn),Programlar, Araçlar ve Kütüphaneler (Pandas, NumPy, scikit-learn),Veri Ön İşleme ve Verilerin Temizlenmesi (Boş verilerin tespiti ve çözümü),Veri Ön İşleme ve Verilerin Temizlenmesi (Aykırı verilerin tespiti ve çözümü),Veri Ön İşleme (Normalizasyon, Standardizasyon ve Görselleştirme),Makine Öğrenmesi: Temel Kavramlar, Türleri,Denetimli Öğrenme Algoritmaları,Regresyon Teknikleri,Regresyon Teknikleri,Sınıflandırma Teknikleri,Denetimsiz Öğrenme Algoritmaları,Kümeleme,Kümeleme; konularını içermektedir.
Dersin Öğrenme KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
Veri analizi ve veri madenciliği alanındaki temel kavramları, süreçleri ve yaklaşımları analiz eder.1, 5, Anlatım YöntemiYazılı Sınav
Pandas, NumPy ve Scikit-Learn kütüphanelerini kullanarak veri işleme ve veri analizi uygulamaları geliştirir.1, 5, Anlatım YöntemiYazılı Sınav
Veri kalitesini artırmak amacıyla veri ön işleme, dönüştürme ve hazırlama tekniklerini uygular.1, 5, Anlatım YöntemiYazılı Sınav
Denetimli ve denetimsiz makine öğrenmesi yöntemlerini karşılaştırarak farklı problem alanları için uygun yaklaşımları belirler.1, 5, Anlatım YöntemiYazılı Sınav
Regresyon, sınıflandırma ve kümeleme algoritmalarını kullanarak veri analizi modelleri geliştirir.1, 5, Anlatım YöntemiYazılı Sınav
Öğretim Yöntemleri:1: Soru - Cevap Tekniği, 5: Tartışma Yöntemi, Anlatım Yöntemi: Anlatım Yöntemi
Ölçme Yöntemleri:Yazılı Sınav: Yazılı Sınav

Ders Akışı

SıraKonularÖn Hazırlık
1Veri madenciliğine giriş, veri, bilgi ve model kurma ile ilgili temel kavramlar
2Programlar, Araçlar ve Kütüphaneler (Pandas, NumPy, scikit-learn)
3Programlar, Araçlar ve Kütüphaneler (Pandas, NumPy, scikit-learn)
4Veri Ön İşleme ve Verilerin Temizlenmesi (Boş verilerin tespiti ve çözümü)
5Veri Ön İşleme ve Verilerin Temizlenmesi (Aykırı verilerin tespiti ve çözümü)
6Veri Ön İşleme (Normalizasyon, Standardizasyon ve Görselleştirme)
7Makine Öğrenmesi: Temel Kavramlar, Türleri
8Denetimli Öğrenme Algoritmaları
9Regresyon Teknikleri
10Regresyon Teknikleri
11Sınıflandırma Teknikleri
12Denetimsiz Öğrenme Algoritmaları
13Kümeleme
14Kümeleme
Kaynak
1. McKinney, W. (2022). Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter (3. Baskı). O'Reilly Media. 2. Géron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3. Baskı). O'Reilly Media. 3. James, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. (2023). An Introduction to Statistical Learning: with Applications in Python. Springer. 4. Han, J., Pei, J., & Tong, H. (2022). Data Mining: Concepts and Techniques (4. Baskı). Morgan Kaufmann. 5. Wickham, H., Çetinkaya-Rundel, M., & Grolemund, G. (2023). R for Data Science (2. Baskı). O'Reilly Media. 6. Murphy, K. P. (2022). Probabilistic Machine Learning: An Introduction. MIT Press.

Dersin Program Yeterliliklerine Katkısı

Dersin Program Yeterliliklerine Katkısı
NoProgram Yeterliliği Katkı Düzeyi
12345
1
Yönetim bilişim sistemleri alanındaki güncel ve ileri düzey kuramsal ve uygulamalı bilgileri bütüncül bir bakış açısıyla değerlendirir.
X
2
İşletme süreçleri, bilgi sistemleri ve dijital dönüşüm alanlarında karşılaşılan karmaşık problemleri bilimsel yöntemlerle analiz eder.
X
3
Veri analitiği, iş zekası ve karar destek sistemleri alanlarında ileri düzey yöntem ve teknikleri kullanır.
X
4
Nicel ve nitel araştırma yöntemlerini kullanarak bilimsel araştırmalar planlar, yürütür ve sonuçlarını değerlendirir.
X
5
İşletmelerin ihtiyaçlarına yönelik yenilikçi bilgi sistemleri çözümleri tasarlar, geliştirir ve uygular.
X
6
Analiz ve araştırma sonuçlarını teknik ve teknik olmayan paydaşlara yazılı, sözlü ve görsel araçlarla etkili biçimde sunar.
X
7
Yönetim bilişim sistemleri alanındaki araştırma ve uygulama projelerini bağımsız olarak planlar, yürütür ve yönetir.
X
8
Disiplinlerarası yaklaşımlar kullanarak karmaşık işletme ve bilişim problemlerine özgün çözümler geliştirir.
X
9
Bilgi teknolojileri, yazılım, yapay zeka ve analitik araçları kullanarak alanına katkı sağlayacak özgün çalışmalar üretir.
X
10
Bilgi sistemleri, siber güvenlik, veri yönetimi ve dijital riskleri analiz ederek uygun strateji ve önlemler geliştirir.
X
11
Veri gizliliği, etik ilkeler, bilgi güvenliği ve bilimsel araştırma etiği doğrultusunda sorumluluk bilinciyle hareket eder.
X
12
Alanındaki ulusal ve uluslararası bilimsel gelişmeleri takip ederek bilgi ve becerilerini sürekli geliştirir; yaşam boyu öğrenme yaklaşımını benimser.
X
13
Alanıyla ilgili konularda yabancı dil kullanarak bilimsel iletişim kurar, uluslararası kaynakları etkin biçimde kullanır.
X

Değerlendirme Sistemi

Katkı DüzeyiMutlak Değerlendirme
Ara Sınavın Başarıya Oranı 50
Genel Sınavın Başarıya Oranı 50
Toplam 100
AKTS / İşyükü Tablosu
EtkinlikSayıSüresi (Saat)Toplam İş Yükü (Saat)
Toplam İş Yükü (Saat)0
Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(0/30)0
Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır.

Dersin Detaylı Bilgileri

Ders Tanımı

DersKoduYarıyılT+U SaatKrediAKTS
VERİ ANALİZİ UYGULAMALARIYBSYL1122691Güz Dönemi3+038
Ders Programı
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin DiliTürkçe
Dersin SeviyesiTezli Yüksek Lisans
Dersin TürüPrograma Bağlı Seçmeli
Dersin Koordinatörü
Dersi Verenler
Dersin Yardımcıları
Dersin AmacıBu dersin amacı, öğrencilere veri madenciliğinin temellerini, veri, enformasyon ve bilgi kavramlarını, veri tabanlarında bilgi keşfini ve veri ön işleme yöntemlerini öğretmek ve bu yöntemleri Pandas, NumPy ve Scikit-Learn gibi kütüphanelerden yararlanarak uygulatmaktır. Derste ayrıca makine öğrenmesinin türleri ve temel algoritmaları ele alınmaktadır.
Dersin İçeriğiBu ders; Veri madenciliğine giriş, veri, bilgi ve model kurma ile ilgili temel kavramlar,Programlar, Araçlar ve Kütüphaneler (Pandas, NumPy, scikit-learn),Programlar, Araçlar ve Kütüphaneler (Pandas, NumPy, scikit-learn),Veri Ön İşleme ve Verilerin Temizlenmesi (Boş verilerin tespiti ve çözümü),Veri Ön İşleme ve Verilerin Temizlenmesi (Aykırı verilerin tespiti ve çözümü),Veri Ön İşleme (Normalizasyon, Standardizasyon ve Görselleştirme),Makine Öğrenmesi: Temel Kavramlar, Türleri,Denetimli Öğrenme Algoritmaları,Regresyon Teknikleri,Regresyon Teknikleri,Sınıflandırma Teknikleri,Denetimsiz Öğrenme Algoritmaları,Kümeleme,Kümeleme; konularını içermektedir.
Dersin Öğrenme KazanımlarıÖğretim YöntemleriÖlçme Yöntemleri
Veri analizi ve veri madenciliği alanındaki temel kavramları, süreçleri ve yaklaşımları analiz eder.1, 5, Anlatım YöntemiYazılı Sınav
Pandas, NumPy ve Scikit-Learn kütüphanelerini kullanarak veri işleme ve veri analizi uygulamaları geliştirir.1, 5, Anlatım YöntemiYazılı Sınav
Veri kalitesini artırmak amacıyla veri ön işleme, dönüştürme ve hazırlama tekniklerini uygular.1, 5, Anlatım YöntemiYazılı Sınav
Denetimli ve denetimsiz makine öğrenmesi yöntemlerini karşılaştırarak farklı problem alanları için uygun yaklaşımları belirler.1, 5, Anlatım YöntemiYazılı Sınav
Regresyon, sınıflandırma ve kümeleme algoritmalarını kullanarak veri analizi modelleri geliştirir.1, 5, Anlatım YöntemiYazılı Sınav
Öğretim Yöntemleri:1: Soru - Cevap Tekniği, 5: Tartışma Yöntemi, Anlatım Yöntemi: Anlatım Yöntemi
Ölçme Yöntemleri:Yazılı Sınav: Yazılı Sınav

Ders Akışı

SıraKonularÖn Hazırlık
1Veri madenciliğine giriş, veri, bilgi ve model kurma ile ilgili temel kavramlar
2Programlar, Araçlar ve Kütüphaneler (Pandas, NumPy, scikit-learn)
3Programlar, Araçlar ve Kütüphaneler (Pandas, NumPy, scikit-learn)
4Veri Ön İşleme ve Verilerin Temizlenmesi (Boş verilerin tespiti ve çözümü)
5Veri Ön İşleme ve Verilerin Temizlenmesi (Aykırı verilerin tespiti ve çözümü)
6Veri Ön İşleme (Normalizasyon, Standardizasyon ve Görselleştirme)
7Makine Öğrenmesi: Temel Kavramlar, Türleri
8Denetimli Öğrenme Algoritmaları
9Regresyon Teknikleri
10Regresyon Teknikleri
11Sınıflandırma Teknikleri
12Denetimsiz Öğrenme Algoritmaları
13Kümeleme
14Kümeleme
Kaynak
1. McKinney, W. (2022). Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter (3. Baskı). O'Reilly Media. 2. Géron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3. Baskı). O'Reilly Media. 3. James, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. (2023). An Introduction to Statistical Learning: with Applications in Python. Springer. 4. Han, J., Pei, J., & Tong, H. (2022). Data Mining: Concepts and Techniques (4. Baskı). Morgan Kaufmann. 5. Wickham, H., Çetinkaya-Rundel, M., & Grolemund, G. (2023). R for Data Science (2. Baskı). O'Reilly Media. 6. Murphy, K. P. (2022). Probabilistic Machine Learning: An Introduction. MIT Press.

Dersin Program Yeterliliklerine Katkısı

Dersin Program Yeterliliklerine Katkısı
NoProgram Yeterliliği Katkı Düzeyi
12345
1
Yönetim bilişim sistemleri alanındaki güncel ve ileri düzey kuramsal ve uygulamalı bilgileri bütüncül bir bakış açısıyla değerlendirir.
X
2
İşletme süreçleri, bilgi sistemleri ve dijital dönüşüm alanlarında karşılaşılan karmaşık problemleri bilimsel yöntemlerle analiz eder.
X
3
Veri analitiği, iş zekası ve karar destek sistemleri alanlarında ileri düzey yöntem ve teknikleri kullanır.
X
4
Nicel ve nitel araştırma yöntemlerini kullanarak bilimsel araştırmalar planlar, yürütür ve sonuçlarını değerlendirir.
X
5
İşletmelerin ihtiyaçlarına yönelik yenilikçi bilgi sistemleri çözümleri tasarlar, geliştirir ve uygular.
X
6
Analiz ve araştırma sonuçlarını teknik ve teknik olmayan paydaşlara yazılı, sözlü ve görsel araçlarla etkili biçimde sunar.
X
7
Yönetim bilişim sistemleri alanındaki araştırma ve uygulama projelerini bağımsız olarak planlar, yürütür ve yönetir.
X
8
Disiplinlerarası yaklaşımlar kullanarak karmaşık işletme ve bilişim problemlerine özgün çözümler geliştirir.
X
9
Bilgi teknolojileri, yazılım, yapay zeka ve analitik araçları kullanarak alanına katkı sağlayacak özgün çalışmalar üretir.
X
10
Bilgi sistemleri, siber güvenlik, veri yönetimi ve dijital riskleri analiz ederek uygun strateji ve önlemler geliştirir.
X
11
Veri gizliliği, etik ilkeler, bilgi güvenliği ve bilimsel araştırma etiği doğrultusunda sorumluluk bilinciyle hareket eder.
X
12
Alanındaki ulusal ve uluslararası bilimsel gelişmeleri takip ederek bilgi ve becerilerini sürekli geliştirir; yaşam boyu öğrenme yaklaşımını benimser.
X
13
Alanıyla ilgili konularda yabancı dil kullanarak bilimsel iletişim kurar, uluslararası kaynakları etkin biçimde kullanır.
X

Değerlendirme Sistemi

Katkı DüzeyiMutlak Değerlendirme
Ara Sınavın Başarıya Oranı 50
Genel Sınavın Başarıya Oranı 50
Toplam 100

Sayısal Veriler

Öğrenci Başarı Durumu

Bilgi / Destek Butonu