Dersin Adı | Veri Bilimi |
Kodu | Yarıyıl | Teori (saat/hafta) | Uygulama/Lab (saat/hafta) | Yerel Kredi | AKTS |
---|---|---|---|---|---|
CE 477 | Güz/Bahar | 3 | 0 | 3 | 5 |
Ön-Koşul(lar) | Yok | |||||
Dersin Dili | İngilizce | |||||
Dersin Türü | Seçmeli | |||||
Dersin Düzeyi | Lisans | |||||
Dersin Veriliş Şekli | - | |||||
Dersin Öğretim Yöntem ve Teknikleri | ||||||
Dersin Koordinatörü | ||||||
Öğretim Eleman(lar)ı | ||||||
Yardımcı(ları) | - |
Dersin Amacı | Bu ders, verilerden faydalı bilgilerin öğrenilmesinin ve kullanışlı tahminler yapılabilmesinin temel prensipleri ve metotlarını içermektedir. Bu derste veri elde etme, veri görselleştirme, veri incelenmesi, istatistiksel veri analizi, ve veri analizi için otomatik öğrenmenin kullanımı incelenecektir. Dersin ana amaçlarının bir tanesi, kişisel bir veri bilim projesi uygulayarak öğrencilere pratik ve modern veri analiz yetenekleri sağlamaktır. |
Öğrenme Çıktıları | Bu dersi başarıyla tamamlayabilen öğrenciler;
|
Ders Tanımı | Aşağıdaki konular ders programına dahil olacaktır: verinin elde edilmesi ve temizlenmesi, verinin incelenmesi, verinin istatistiksel olarak modellenmesi ve istatistiksel sonuç çıkartma, veri bilimi için otomatik öğrenme araçlarının kullanımı, doğrusal regresyon, destek vektör makineleri, k-en yakın komşuluk, naif Bayes, lojistik regresyon, karar ağaçları, rastgele ormanlar, gruplandırma, boyut azaltma, aşırı uyum, çarpaz geçerlilik, öznitelik mühendisliği. |
Dersin İlişkili Olduğu Sürdürülebilir Kalkınma Amaçları | |
| Temel Ders | |
Uzmanlık/Alan Dersleri | ||
Destek Dersleri | ||
İletişim ve Yönetim Becerileri Dersleri | ||
Aktarılabilir Beceri Dersleri |
Hafta | Konular | Ön Hazırlık |
1 | Giriş – Veri bilimi nedir? Veri biliminin makine öğrenme ile ilişkisi | Bölüm 1. Kısım 1.1-1.3. Data Science from Scratch: First Principles with Python, J. Grus, ISBN9781491901427 |
2 | Veri elde edilmesi – dosya okunması, web scrapping, API kullanımı. Veri ile çalışma – veri inceleme, temel veri temizleme ve ayarlanması | 2 Veri elde edilmesi – dosya okunması, web scrapping, API kullanımı. Veri ile çalışma – veri inceleme, temel veri temizleme ve ayarlanması Bölüm 9. Kısım 9.1-9.5. Bölüm 10. Kısım 10.1-10.4. Data Science from Scratch: First Principles with Python, J. Grus, ISBN9781491901427 |
3 | Keşfedici very analizi: verilerin görselleştirilmesi, grafikler, öz istatistikler, ortalama ve standart sapma | Bölüm 3. Kısım 2.1-1.4. Bölüm 5. Kısım 5.1. Data Science from Scratch: First Principles with Python, J. Grus, ISBN9781491901427 |
4 | Olasılığın özeti – populasyon ve örnekler, rastgele değişkenler, korelasyon, istatistiksel bağımlılık ve bağımsızlık, Bayes teoremi | Bölüm 6. Kısım 6.1-6.5. Bölüm 5. Kısım 5.2-5.5. Data Science from Scratch: First Principles with Python, J. Grus, ISBN9781491901427 |
5 | İstatistiksel sonuç çıkarım – hipotez ve testler, istatistiksel modeller, doğrusal model, maximum olabilirlik tespiti, p-değerleri, güvenirlik aralıkları | Bölüm 7. Kısım 7.1-7.6. Bölüm 14. Kısım 14.1, 14.3. Data Science from Scratch: First Principles with Python, J. Grus, ISBN9781491901427 |
6 | Verilerden tahmin ve tespit için otomatik öğrenmenin kullanımı – regresyon, çoklu doğrusal regresyon, k-en yakın komşuluk | Bölüm 14. Kısım 14.1-14.2. Bölüm 15. Kısım 15.1-15.5. Bölüm 12. Kısım 12.1-12.2. Data Science from Scratch: First Principles with Python, J. Grus, ISBN9781491901427 |
7 | Ara-sınav | |
8 | Verilerden tahmin ve tespit için otomatik öğrenmenin kullanımı – sınıflandırma, lojistik regresyon, lineer diskriminant sınıflandırması, en büyük sınır sınıflandırması (DVM), Naif Bayes | Bölüm 16. Kısım 16.1-16.5. Bölüm 13. Kısım 13.1-13.4. Data Science from Scratch: First Principles with Python, J. Grus, ISBN9781491901427 |
9 | Otomatik öğrenme kullanılırken doğruluk – aşırı uyum, bayas-varyans ödünleşimi, çarpaz geçerlilik, öznitelik seçimi | Otomatik öğrenme kullanılırken doğruluk – aşırı uyum, bayas-varyans ödünleşimi, çarpaz geçerlilik, öznitelik seçimi |
10 | Öznitelik Mühendisliği – öznitelik tasarımı, öznitelik tipleri, özniteliğin modellerle ilişkisi, verinin özniteliklerle ilişkisi. Veriyi sağlamlaştırma – veri formatı, eksik ve bozuk veri, veri standartlaştırma (ölçeklendirme ve beyazlatma). | Bölüm 3. Kısım 3.1-3.4. The Art of Data Science, R. D. Peng, E. Matsui; Bölüm 4. Kısım 4.1-4.6. Python Machine Learning, S. Raschka, ISBN9781783555147 |
11 | Denetlenmeyen veri keşfi - hierarşik gruplama, k-ortalamalar gruplaması Bölüm 19. Kısım 19.1-19.6. Data Science from Scratch: First Principles with Python, J. Grus, ISBN9781491901427 | Bölüm 19. Kısım 19.1-19.6. Data Science from Scratch: First Principles with Python, J. Grus, ISBN9781491901427 |
12 | Denetlenmeyen veri keşfi - birliktelik madenciliği, boyut azaltma | Bölüm 10. Data Science from Scratch: First Principles with Python, J. Grus, ISBN9781491901427 |
13 | Karar ağaçları ve rasgele ormanlar. | Bölüm 17. Kısım 17.1-17.6. Data Science from Scratch: First Principles with Python, J. Grus, ISBN9781491901427 |
14 | Proje sunumları | |
15 | Proje sunumları | |
16 | Dönemin gözden geçirilmesi |
Ders Kitabı | J. Grus, “Data Science from Scratch: First Principles with Python”, O’Reilly Media, 2015, ISBN9781491901427 ; 9781491904381 (Eboook) |
Önerilen Okumalar/Materyaller | T. Hastie, R. Tibshirani, J. Friedman “The Elements of Statistical Learning”, Springer, 2013, ISBN 9780387216065; S. Raschka, “Python Machine Learning”, Packt Publishing, 2015, ISBN 9781783555147; R. D. Peng, E. Matsui, “The Art of Data Science”, https://leanpub.com/artofdatascience |
Yarıyıl Aktiviteleri | Sayı | Katkı Payı % |
Katılım | ||
Laboratuvar / Uygulama | ||
Arazi Çalışması | ||
Küçük Sınav / Stüdyo Kritiği | ||
Portfolyo | ||
Ödev | ||
Sunum / Jüri Önünde Sunum | ||
Proje | 1 | 25 |
Seminer/Çalıştay | ||
Sözlü Sınav | ||
Ara Sınav | 1 | 25 |
Final Sınavı | 1 | 50 |
Toplam |
Yarıyıl İçi Aktivitelerin Başarı Notuna Katkısı | 2 | 50 |
Yarıyıl Sonu Aktivitelerin Başarı Notuna Katkısı | 1 | 50 |
Toplam |
Yarıyıl Aktiviteleri | Sayı | Süre (Saat) | İş Yükü |
---|---|---|---|
Teorik Ders Saati (Sınav haftası dahildir: 16 x teorik ders saati) | 16 | 3 | 48 |
Laboratuvar / Uygulama Ders Saati (Sınav haftası dahildir. 16 x uygulama/lab ders saati) | 16 | ||
Sınıf Dışı Ders Çalışması | 14 | 2 | 28 |
Arazi Çalışması | |||
Küçük Sınav / Stüdyo Kritiği | |||
Portfolyo | |||
Ödev | |||
Sunum / Jüri Önünde Sunum | |||
Proje | 1 | 30 | |
Seminer/Çalıştay | |||
Sözlü Sınav | |||
Ara Sınavlar | 1 | 20 | |
Final Sınavı | 1 | 24 | |
Toplam | 150 |
# | Program Yeterlilikleri / Çıktıları | * Katkı Düzeyi | ||||
1 | 2 | 3 | 4 | 5 | ||
1 | Matematik, fen bilimleri ve Endüstri Mühendisliği konularında yeterli bilgi sahibidir; bu alanlardaki kuramsal ve uygulamalı bilgileri, karmaşık Endüstri Mühendisliği problemlerinde kullanır. | X | ||||
2 | Karmaşık Endüstri Mühendisliği problemlerini saptar, tanımlar, formüle eder ve çözer; bu amaçla uygun analiz ve modelleme yöntemlerini seçer ve uygular. | X | ||||
3 | Karmaşık bir sistemi, süreci, cihazı veya ürünü gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlar; bu amaçla modern tasarım yöntemlerini uygular. | X | ||||
4 | Endüstri Mühendisliği uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları geliştirir, seçer ve kullanır. | X | ||||
5 | Karmaşık Endüstri Mühendisliği problemlerinin veya araştırma konularının incelenmesi için deney tasarlar, deney yapar, veri toplar, sonuçları analiz eder ve yorumlar. | X | ||||
6 | Endüstri Mühendisliği disiplini içinde ve çok disiplinli takımlarda etkin biçimde çalışır; bireysel çalışma yapar. | |||||
7 | Türkçe sözlü ve yazılı etkin iletişim kurar; etkin rapor yazar ve yazılı raporları anlar, tasarım ve üretim raporları hazırlar, etkin sunum yapar, açık ve anlaşılır talimat verir ve alır. | |||||
8 | Endüstri Mühendisliği uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın Endüstri Mühendisliği alanına yansıyan sorunları hakkında bilgi sahibidir; Endüstri Mühendisliği çözümlerinin hukuksal sonuçlarının farkındadır. | |||||
9 | Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk bilincine sahiptir; Endüstri Mühendisliği uygulamalarında kullanılan standartlar hakkında bilgi sahibidir. | X | ||||
10 | Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi sahibidir; girişimcilik, yenilikçilik hakkında bilinçlidir; sürdürülebilir kalkınma hakkında bilgi sahibidir. | |||||
11 | Bir yabancı dili kullanarak Endüstri Mühendisliği ilişkili konularda bilgi toplar ve meslektaşları ile iletişim kurar. | |||||
12 | İkinci yabancı dili orta düzeyde kullanır. | |||||
13 | Yaşam boyu öğrenmenin gerekliliği bilincindedir; bilgiye erişir, bilim ve teknolojideki gelişmeleri izler ve kendini sürekli yeniler; insanlık tarihi boyunca oluşan bilgi birikimini Endüstri Mühendisliği alanıyla ilişkilendirir. | X |
*1 Lowest, 2 Low, 3 Average, 4 High, 5 Highest