Marmara Üniversitesi
Marmara Üniversitesi Eğitim-Öğretim Bilgi Sistemi

Programlar Hakkında Bilgi

Lisans - Mühendislik Fakültesi - Bilgisayar Mühendisliği (İngilizce)

Müfredat Adı Ders Kodu Ders Adı Ders Türü Dönem AKTS Teorik Uygulama
2020-Bilgisayar Mühendisliği (İngilizce) -Anadal CSE4062 Introduction to Data Science and Analytics Zorunlu 7 5,00 3 0

Dersin İçeriği

Dersin Amacı

Öğrencilere hızla gelişen veri bilimi ve veri analitiği alanında temel kavramları ve teknikleri öğretmek, gerçek hayat veri bilimi projeleri için gerekli güncel araçlar hakkında bilgilendirmek ve bu araçları kullanarak proje yapmak, ve farklı disiplinlerd

Öğrenim Türü

-

Dersin İçeriği

Veri bilimi temel kavramları, temel istatistik yöntemler, keşif amaçlı veri analizi, açıklayıcı veri analitiği, tahmineyici veri analitiği, veri bilimi alanında kullanılan makine öğrenmesi yöntemleri, makine öğrenmesi algoritmaları ile modelleme yapmak, m

Planlanan Öğrenme Aktiviteleri ve Metodları

Ders konuları sunum ile ve tahtaya yazarak anlatılır. Öğrenimi pekiştirmek için ders sırasında örnek sorular çözülür. Birinci ara sınav sınav haftasında, ikinci ara sınav ise sınıfta yapılır. Problem setleri tahtaya yazarak çözülür. Laboratuvarda deney ya

Staj Durumu

-

Dersin Sunulduğu Dil

İngilizce

Ders Kitabı / Malzemesi / Önerilen Kaynaklar

Cielen, D., Ali, M., & Meysman, A. (2016). Introducing data science. Manning Publ. Cathy O’Neil and Rachel Schutt. Doing Data Science, Straight Talk From The Frontline.O’Reilly. 2014 Jure Leskovek, Anand Rajaraman and Jeffrey Ullman. Mining of Massive Datasets. v2.1, Cambridge University Press. 2014.

Dersin Web Sayfası

-

Öğrenme Çıktıları

  • Veri bilimi süreçleri hakkında genel bilgi sahibi olmak
  • Veri analizinde kullanılan temel istatistiki yöntemler ve önişleme metodları uygulayabilmek
  • Açıklayıcı veri bilimi süreçlerini uygulayabilmek
  • Tahminleyici veri bilimi süreçlerini uygulayabilmek
  • Veri Bilimi projelerinde çok disiplinli takımlarla etkin biçimde çalışabilmek

Haftalık Ayrıntılı Ders İçeriği

Hafta Teorik
1 Veri bilimi ve ilgili kavramlar
2 Veri bilimi ve ilgili kavramlar
3 Veri analizinde temel istatistiki yöntemler
4 Keşfedici veri analizi, veri bilimi süreçleri ve temel araçlar
5 Özellik seçimi ve özellik üretimi
6 Açıklayıcı veri bilimi yöntemleri, temel eğitimsiz makine öğrenmesi algoritmaları (k-means)
7 Tahminleyici veri bilimi yöntemleri, temel eğitimli makine öğrenmesi algoritmaları (linear regression, k-Nearest Neighbors, naïve bayes, decision trees)
8 Ara Sınav Haftası
9 Tahminleyici veri bilimi yöntemleri, temel eğitimli makine öğrenmesi algoritmaları (linear regression, k-Nearest Neighbors, naïve bayes, decision trees)
10 Veri bilimi modellerinin değerlendirmesi ve ölçülmesi
11 Büyük ölçekli veri analizi – büyük veri analizine giriş, dağıtık veri saklama ve analiz yöntemleri
12 Bilgi Görselleştirme ile etkili veri bilimi raporlama ve iletişim
13 Bilgi Görselleştirme ile etkili veri bilimi raporlama ve iletişim
14 Veri bilimi ve etik sorunlar, şahsi bilgilerin korunması, veri güvenliği ve etik hakkında tartışmalar
15 Büyük ölçekli veri analizi – büyük veri analizine giriş, dağıtık veri saklama ve analiz yöntemleri
16 Ders Çalışma Haftası
17 Yarı Yıl Sonu Sınavı

Değerlendirme

Değerlendirme Değer
Yarıyıl (Yıl) İçi Etkinlikleri 60
Yarıyıl (Yıl) Sonu Etkinlikleri 40
Yarıyıl (Yıl) Sonu Etkinlikleri Değer
Final Sınavı 100

Öğrenci İş Yükü Hesabı

Etkinlikler Sayısı Süresi (saat) Toplam İş Yükü (saat)

Program ve Öğrenme Çıktıları İlişkisi

ÖÇ1
ÖÇ2
ÖÇ3
ÖÇ4
ÖÇ5