| Dersin Adı | Dersin Kodu | Dersin Türü | Dersin Düzeyi | Dersin Yılı | Dersin Verildiği Dönem | AKTS Kredisi |
|---|---|---|---|---|---|---|
| Büyük Veri Analitiği ve Yönetimi | BTM608 | Seçmeli | Doktora | 1 | Bahar | 8 |
Öğretim Elemanı Adı
Doç. Dr. Süleyman EKEN
Arş. Gör. Seda BALTA
Dersin Öğrenme Kazanımları
1) Verileri temizlemek, işlemek, işlemek ve analiz etmek için temel fikirleri öğrenir.
2) Verilerden öğrenmek için istatistiksel araçları uygular.
3) Verileri kavramsal, ilişkisel ve son modellerle modeller.
4) Problemleri analitik / nicel / matematiksel modellere dönüştürmenin temellerini ve optimizasyon problemlerini temsil eden basit matematiksel modellerin nasıl formüle edileceğini ve çözüleceğini öğrenir.
5) HDFS'de çalışacak programlar geliştirmeye başlayacak arka planı öğrenir.
6) Makine Öğreniminin temel özelliklerini kavrar ve bunları farklı platformlara uygular.
7) Bir veri kümesinin önemli özelliklerini özetler ve görselleştirir.
8) RapidMiner gibi bir ortam kullanarak her ML tekniğinin arkasındaki temel teoriyi kavrar.
9) Farklı sosyal ağ uygulamaları ve bunların nasıl modellenebileceğini inceler.
10) Graf teorisinin temellerini kavrar.
11) Temel sosyal ağ analizlerini anlar ve uygular.
12) Proje yönetimi ve iş iletişimi dünyasına endüstri anlayışını katar.
Program Yeterliliği İlişkisi
| Program Yeterlilikleri | ||||||||||||||
| 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | ||
| Öğrenme Kazanımları | ||||||||||||||
| 1 | Yüksek | |||||||||||||
| 2 | ||||||||||||||
| 3 | ||||||||||||||
| 4 | ||||||||||||||
| 5 | ||||||||||||||
| 6 | ||||||||||||||
| 7 | ||||||||||||||
| 8 | ||||||||||||||
| 9 | ||||||||||||||
| 10 | ||||||||||||||
| 11 | ||||||||||||||
| 12 | ||||||||||||||
Eğitim Şekli
Yüz Yüze
Ön Koşullar, Diğer Koşullar
Yok
Önerilen Destekleyici Dersler
İstenmemekte
Dersin İçeriği
Veri analitiğinin her alanında farklı ilgi alanlarına izin veren, esneklik gerektiren konuları içerir.
Haftalık Ders İzlencesi
1) Derse Genel Bakış. Veri Analitiği ve Yönetimine Giriş2) Statistical modeling techniques (linear regression, principal component analysis, cross-validation and p-values)
3) Veri modelleme (ER ve UML modelleri, ilişkisel model, key-value depoları, doküman veritabanları ve graf veritabanları)
4) Optimizasyon (doğrusal, doğrusal olmayan ve tamsayı optimizasyon problemleri, ağ akışı ve ağ tasarım problemleri)
5) Hadoop ve Spark kullanarak Büyük Veri İşleme
6) Temel makine öğrenimi teknikleri
7) Keşifsel Veri Analizi (EDA)
8) Ara sınav
9) RapidMiner ile veri analizi yaşam döngüsü
10) Sosyal Ağ Analizi
11) Veri Analitiğinde Pratik Örnek Olaylar
12) Bilgi Hukuku ve Veri Etiği
13) Proje Yönetimi ve İş İletişimi
14) Project presentations
15) Project presentations
16) Final sınavı
Önerilen/İstenen Ders Kaynakları
1- Python for Data Analysis, 2nd Edition Data Wrangling with Pandas, NumPy, and IPython, William McKinney, 2017
2- Learning scikit-learn: Machine Learning in Python– November 25, 2013, Raúl Garreta, Guillermo Moncecchi
3- Building Machine Learning Systems with Python, Willi Richert, Luis Pedro Coelho, 2013
4- MapReduce Design Patterns: Building Effective Algorithms and Analytics for Hadoop and Other Systems, 2nd Edition, Donald Miner, Adam Shook, February 25, 2017
5- Learning Spark : Lightning-Fast Big Data Analysis, Holden Karau, Andy Kowinski, Mark Hamstra, Matei Zaharia, 01 Nov 2015
6- Pro Spark Streaming: The Zen of Real-Time Analytics Using Apache Spark, 1st ed. Edition, Zubair Nabi, June 14, 2016
7- 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) Alıştırma ve Uygulama
4) Örnek Olay
5) Bireysel Çalışma
6) Proje Temelli Öğrenme
Değerlendirme Yöntemi ve Ölçütleri
Yarıyıl İçi Çalışmalarının Başarıya Oranı |
60% |
|||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
|
||||||||||||
Yarıyıl Sonu Sınavının Başarıya Oranı |
40% |
|||||||||||
Toplam | 100% | |||||||||||
Dersin Eğitim Dili
Türkçe
Mesleki Uygulama
Var