| Dersin Adı | Dersin Kodu | Dersin Türü | Dersin Düzeyi | Dersin Yılı | Dersin Verildiği Dönem | AKTS Kredisi |
|---|---|---|---|---|---|---|
| Büyük Veri Analizine Giriş | TBL456 | Seçmeli | Lisans | 4 | Güz | 5 |
Öğretim Elemanı Adı
Doç. Dr. Süleyman EKEN
Arş. Gör. Seda BALTA
Dersin Öğrenme Kazanımları
1) Büyük veri seti işlemeyi öğrenir
2) Büyük veri analizi ve görselleştirmeyi çeşitli platformlarda yapar
3) Veri analizi için en çok tercih edilen programlama dillerinden Python öğrenir
4) Çeşitli büyük veri işleme çatıları üzerinde uygulama geliştirir
5) NoSQL veritabanı sistemlerini anlar
6) Geleneksel ve derin öğrenme modellerini kavrar
Program Yeterliliği İlişkisi
| Program Yeterlilikleri | ||||||||||||
| 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | ||
| Öğrenme Kazanımları | ||||||||||||
| 1 | Yüksek | |||||||||||
| 2 | ||||||||||||
| 3 | ||||||||||||
| 4 | ||||||||||||
| 5 | ||||||||||||
| 6 | ||||||||||||
Eğitim Şekli
Yüz Yüze
Ön Koşullar, Diğer Koşullar
Yok
Önerilen Destekleyici Dersler
Lineer Cebir, Olasılık ve İstatistik
Dersin İçeriği
Elektronik Tablolar (Spreadsheets) Kullanarak Veri Analizi ve Görselleştirme Tableau kullanarak gelişmiş görselleştirme İlişkisel veritabanları ve SQL, İleri SQL Pyhton programlamaya giris 1 Pyhton programlamaya giris 2 Python veri analizi ve görselleştirme Makine Öğrenmesi – Regression Makine Öğrenmesi – Sınıflandırma ve Kümeleme Python Kullanarak Makine Öğrenmesi Apache Hadoop Apache Spark Akan Veri Analizi NoSQL Veritabanları, Ağ Analizi, Graf Veritabanları, Neo4j Yapısal olmayan veri analizi, metin analizi Evrişimsel Sinir Ağları ve Tensor Flow Evrişimsel Sinir Ağları ve Tensor Flow 2
Haftalık Ders İzlencesi
1) Elektronik Tablolar (Spreadsheets) Kullanarak Veri Analizi ve Görselleştirme Tableau kullanarak gelişmiş görselleştirme2) İlişkisel veritabanları ve SQL, İleri SQL
3) Pyhton programlamaya giris 1
4) Pyhton programlamaya giris 2
5) Python veri analizi ve görselleştirme
6) Makine Öğrenmesi – Regression Makine Öğrenmesi – Sınıflandırma ve Kümeleme
7) Python Kullanarak Makine Öğrenmesi
8) Ara Sınav /Değerlendirme
9) Apache Hadoop
10) Apache Spark
11) Akan Veri Analizi
12) NoSQL Veritabanları, Ağ Analizi, Graf Veritabanları, Neo4j
13) Yapısal olmayan veri analizi, metin analizi
14) Evrişimsel Sinir Ağları ve Tensor Flow
15) Evrişimsel Sinir Ağları ve Tensor Flow 2
16) Final sınavı
Önerilen/İstenen Ders Kaynakları
1- Tableau Your Data! : Fast and Easy Visual Analysis with Tableau Software, 2nd Edition, Dan Murray, January 2016
2- Python for Data Analysis, 2nd Edition Data Wrangling with Pandas, NumPy, and IPython, William McKinney, 2017
3- Learning scikit-learn: Machine Learning in Python– November 25, 2013, Raúl Garreta, Guillermo Moncecchi
4- Building Machine Learning Systems with Python, Willi Richert, Luis Pedro Coelho, 2013
5- MapReduce Design Patterns: Building Effective Algorithms and Analytics for Hadoop and Other Systems, 2nd Edition, Donald Miner, Adam Shook, February 25, 2017
6- Learning Spark : Lightning-Fast Big Data Analysis, Holden Karau, Andy Kowinski, Mark Hamstra, Matei Zaharia, 01 Nov 2015
7- Pro Spark Streaming: The Zen of Real-Time Analytics Using Apache Spark, 1st ed.
8- Graph Databases, Second Edition, Ian Robinson, Jim Webber, and Emil Eifrem, June 2015
Planlanan Öğrenim Faaliyetleri Ve Eğitim Yöntemi
1) Anlatım
2) Soru-Cevap
3) Tartışma
4) Alıştırma ve Uygulama
5) Model Yapma
6) Grup Çalışması
7) Laboratuvar/Çalıştay
8) Bireysel Çalışma
9) Problem Çözme
10) Proje Temelli Öğrenme
Değerlendirme Yöntemi ve Ölçütleri
Yarıyıl İçi Çalışmalarının Başarıya Oranı |
50% |
|||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
|
||||||||||||
Yarıyıl Sonu Sınavının Başarıya Oranı |
50% |
|||||||||||
Toplam | 100% | |||||||||||
Dersin Eğitim Dili
Türkçe
Mesleki Uygulama
İstenmemekte