Veri Bilimi (YL) (Tezli) | |||||
Yüksek Lisans | TYYÇ: 7. Düzey | QF-EHEA: 2. Düzey | EQF-LLL: 7. Düzey |
Ders Kodu: | VB5024 | ||||
Ders İsmi: | Sosyal Ağ Analizi ve Veri Temelli Gazetecilik | ||||
Ders Yarıyılı: |
Güz Bahar |
||||
Ders Kredileri: |
|
||||
Öğretim Dili: | Türkçe | ||||
Ders Koşulu: | |||||
Ders İş Deneyimini Gerektiriyor mu?: | Hayır | ||||
Dersin Türü: | Bölüm/Program Seçmeli | ||||
Dersin Seviyesi: |
|
||||
Dersin Veriliş Şekli: | E-Öğrenme | ||||
Dersin Koordinatörü: | Doç. Dr. ŞEBNEM ÖZDEMİR | ||||
Dersi Veren(ler): | Seda Karateke | ||||
Dersin Yardımcıları: |
Dersin Amacı: | Sosyal ağ analizi fen bilimleri ve sosyal bilimler alanındaki bir çok disiplin tarafından gittikçe yaygınlaşan oranda kullanılmaktadır. Bu dersin amacı lisansüstü düzeydeki öğrencilere sosyal ağ analizi yaklaşımının özelliklerini, kullanılan temel kavramları anlatmak ve öğrencilerin elde ettikleri ağ verilerini sosyal ağ analizi yöntemiyle incelemelerine olanak sağlamaktır. |
Dersin İçeriği: | 1. Ağ Bilimi ve Sosyal Ağlar 2. Temel Kavramlar (Düğüm, ayrıt, ağ) 3. Temel Kavramlar (Merkezilik, tabakalanma, çevre-merkez) 4. Ağ türleri 5. Sosyal ağlarda roller 6. Sosyal ağlarda akış 7. Sosyal ağların görselleştirilmesi 8. Sosyal ağ verilerinin analizine ilişkin temel yaklaşımlar 9. Bilgi ve etkinin sosyal ağlarda yayılımı 10. NodeXL, Gephi, R, Pajek, Netdraw, UciNet gibi programların kullanımı |
Bu dersi başarıyla tamamlayabilen öğrenciler;
1) Bu dersi başarıyla tamamlayan öğrenciler; Sosyal ağları açıklayabilir. 2) Ağ bilimini açıklar. 3) Sosyal ağ analizinin gelişimini açıklar 4) Sosyal ağlara ilişkin temel kavramları tanımlar. 5) Ağ türlerini sıralar. 6) Ağlara ilişkin kuram ve modelleri açıklayabilir 7) Ölçekten bağımsızlığı test eder. 8) Uyum ve yapısal eş değerlilik modellerini açıklar. 9) Hiyerarşik kümelemenin işlevlerini açıklar. 10) Merkezilik ölçülerini hesaplar. 11) Ağ analizi için Pajek ve NodeXL paket program kullanabilir. 12) Veri girer ya da alır. 13) Ağ ölçülerini hesaplar. 14) Toplulukları bulur. |
Hafta | Konu | Ön Hazırlık |
1) | Sosyal ağ analizi ile neler yapılabilir? • Sosyal medya analizleri ile pazarlama ve müşteri ilişkileri yönetimi. • ‘influencer’ kavramının sosyal ağ yapısı açısından tanımı • Şirket içi sosyal ağların verimlilik, problem çözme, ve inovasyon performansına etkileri | Ön hazırlık gerekmemektedir. |
2) | Sosyal ağların temsili ve ağ veri setleri • Yapısalcı yaklaşıma giriş. Ağların temsili ve ağ verilerinin yapısı. • Matematiksel “çizge” kavramı ve basit (yönsüz, ağırlıksız) ağların temsili. • Çizge verilerinin tablolarla temsili • Veri standartları ve veri yönetimi • Kurumsal veri kaynakları • Kurum dışı veri kaynakları | Ön hazırlık gerekmemektedir. |
3) | Basit metrik ve görselleştirmeler (NodeXL) • NodeXL ile ağ verilerinin yüklenmesi • NodeXL ile ağların görselleştirilmesi • En basit metrikler ve anlamı: derece merkeziliği. • Metriklerin NodeXL ile üretilmesi, görselleştirmede kullanımı, ve dışa aktarım | Ön hazırlık gerekmemektedir. |
4) | Farklı ağ türlerinin Gephi ile analizi • Ağı oluşturan ilişkilerin türleri ve ağ verilerine yansıması. • Gephi yazılımının kullanımı. Ağ verisi girişi yapma ve görselleştirme. Görsellerin dışa aktarımı. • Temel ağ metriklerinin (derece merkeziliği) hesaplanması ve görsellerde kullanılması. • Gephi ile farklı büyüklükteki ağların görselleştirilmesi için çizim algoritmalarının kontrolü. • Gephi ile farklı veriseti formatlarının kullanımı ve dönüştürülmesi | Ön hazırlık gerekmemektedir. |
5) | Yapının geneline dair metrikler ve yorumlanması • Sosyal yapının büyüklüğü (çapı) ve yoğunluğu. Gephi ile hesaplanması. • Yapıya aktörün konumuna daha geniş bir bakış: Doğrudan olmayan bağlantılar, yollar ve jeodeziler. • Aktörlerin uzaklığı ve bir aktörün merkez-periferi konumunun ölçülmesi • Ayrıksılık ölçümü. • Derece dağılımı • İşletme içi ve işletme dışı ağlarda temel metriklerin yorumlanması: vaka çalışmaları. | Ön hazırlık gerekmemektedir. |
6) | Sosyal aktörlerin genel yapıdaki yerine dair metrikler ve yorumlanması • Aktörün büyük resimdeki konumunu belirten metrikler: aradalık, yakınlık, özvektör merkezilikleri. Yönlü ilişkilerde Kleinberg ‘hub’ merkeziliği kullanımı. • Metriklerin Gephi görselleştirmelerinde kullanımı. • İş örgütlerindeki sosyal “roller” • ‘Blokmodel’ analizi ile işletme içi veya müşteri-tedarikçi ağlarındaki rollerin ortaya çıkartılması. | Ön hazırlık gerekmemektedir. |
7) | Ağ metrikleri ve hesaplamalarının farklı özellikteki ağlarda uygulanması • Yönlü-yönsüz, ağırlıklı-ağırlıksız, tek parçalı, iki-parçalı ağlar ve sahadaki karşılıkları. • Metriklerin farklı ağlarda uygulanabilirliği. Sadeleştirme teknikleri ve sonuçları. • Ağ büyüklüğünün uygulamalardaki etkisi. | Ön hazırlık gerekmemektedir. |
8) | Vize Haftası | Ön hazırlık gerekmemektedir. |
9) | Sosyal ağlarda gruplaşma, grupların bulunması ve analizi • Topluluk analizi: temel kavramlar. • Birleştirerek yapılan topluluk analizi. • Bölerek yapılan topluluk analizi. • Modülarite ile topluluk analizi • Uygulama: Gephi ile topluluk analizi ve görselleştirilmesi. | Ön hazırlık gerekmemektedir. |
10) | R İstatistik platformu ve RStudio temel eğitimi • R sistemi, kolaylaştırıcı araçlar, yardım sistemi, bilgi kaynakları, önyüklü örnek verisetleri • R dilindeki ifadelerin temel özellikleri, operatörler ve veri tipleri. R’da fonksiyonlar .Veri seti manipülasyonları • Temel veriseti istatistiklerinin çıkartılması • Rstudio ve R entegrasyonu. Rstudio’da Rnotebook ile modern analitik raporlaması teknikleri | Ön hazırlık gerekmemektedir. |
11) | R ile ağ verilerinin kullanımı • R üzerinde ağ analizi kitaplıkları: igraph, ggplot, sna/network, vb. • Ağ verileri içe/dışa aktarma, dönüştürme. • Veri temizliği gereksinimleri. • Farklı veri tiplerine uygun görseleştirme ve metrik hesaplama fonksiyonları. | Ön hazırlık gerekmemektedir. |
12) | Sosyal mecraların (Facebook, Twitter) analizi • Sosyal mecraların ağ verisi arayüzleri • Arayüzlerin kullanımı ve verilerin R ile entegrasyonu | Ön hazırlık gerekmemektedir. |
13) | İstatistiksel ağ modelleri ile ağların gelecekteki halinin tahminlenmesi • Rassal ağlar • p* modelleri ve verilere uygulanması. Sonuçların sosyal ilişki dinamikleri açısından yorumlanması. • Exponansiyel rassal ağ modelleri ve R-ergm kitaplığı • Ağların ergm ile modellenmesi ve değişimin tahminlenmesi. | Ön hazırlık gerekmemektedir. |
14) | Coğrafi ağlar • Coğrafi konum bilgisi ile ilişki bilgisinin beraber kullanımı. • R ggmap kitaplığı ile görselleştirme. | Ön hazırlık gerekmemektedir. |
15) | BigData (BüyükVeri) ağ uygulamaları ve ağ veritabanları • Ağ analizlerinin hesaplama güçlük derecelerinin belirlenmesi ve eldeki verisetlerine uygulanabilirliğinin değerlendirilmesi. • Neo4J ve benzeri (NoSQL) ağ veri tabanlarının kullanımı. • “Event networks” kavramı ve canlı akan ağ verilerinin işlenmesi teknikleri. • Map-Reduce ile ağ verilerinin işlenmesi. | Ön hazırlık gerekmemektedir. |
16) | Final Haftası | Ön hazırlık gerekmemektedir. |
Ders Notları / Kitaplar: | MEHMET GENÇER, UYGULAMALI SOSYAL AĞ ANALİZİ, İZMİR EKONOMİ ÜNİVERSİTESİ YAYINLARI |
Diğer Kaynaklar: | https://www.mgencer.com/sosyal-ag-analizi/ |
Course Learning Outcomes | 1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
12 |
13 |
14 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Program Kazanımları | ||||||||||||||
1) Bu programı başarıyla tamamlayan öğrenciler, Veri biliminin teknik uygulamalarının kapsamını ve kullanılabilecek araçları bilir. | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 3 | 3 | 2 | 2 |
2) Bu programı başarıyla tamamlayan öğrenciler, Uygulama sonuçlarının toplum-kültür-hukuk üzerindeki etkilerini bilir. | 3 | 3 | 3 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 1 | 1 | 2 | 2 |
3) Bu programı tamamlayan öğrenciler; Uygulama süreçlerindeki matematiği ve kodu tanır | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 3 | 3 | 2 | 2 |
4) Bu programı tamamlayan öğrenciler; Veri bilimindeki süreçlerin çıktı ve birey üzerindeki etkilerini açıklar | 3 | 3 | 3 | 2 | 2 | 2 | 1 | 1 | 1 | 1 | 2 | 2 | 2 | 2 |
5) Bu programı başarıyla tamamlayan öğrenciler, Bir bütün olarak veri bilimiyle oluşan içgörü-öngörü ve uzgörüyü belli bir disiplin/vaka karşında anlar. | 3 | 3 | 2 | 2 | 1 | 2 | 2 | 2 | 2 | 2 | 2 | 3 | 2 | 2 |
Etkisi Yok | 1 En Düşük | 2 Orta | 3 En Yüksek |
Dersin Program Kazanımlarına Etkisi | Katkı Payı | |
1) | Bu programı başarıyla tamamlayan öğrenciler, Veri biliminin teknik uygulamalarının kapsamını ve kullanılabilecek araçları bilir. | 3 |
2) | Bu programı başarıyla tamamlayan öğrenciler, Uygulama sonuçlarının toplum-kültür-hukuk üzerindeki etkilerini bilir. | 2 |
3) | Bu programı tamamlayan öğrenciler; Uygulama süreçlerindeki matematiği ve kodu tanır | 2 |
4) | Bu programı tamamlayan öğrenciler; Veri bilimindeki süreçlerin çıktı ve birey üzerindeki etkilerini açıklar | 2 |
5) | Bu programı başarıyla tamamlayan öğrenciler, Bir bütün olarak veri bilimiyle oluşan içgörü-öngörü ve uzgörüyü belli bir disiplin/vaka karşında anlar. | 3 |
Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
Ödev | 1 | % 50 |
Final | 1 | % 50 |
Toplam | % 100 | |
YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 50 | |
YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 50 | |
Toplam | % 100 |
Aktiviteler | Aktivite Sayısı | İş Yükü |
Ders Saati | 14 | 42 |
Ödevler | 7 | 50 |
Final | 8 | 60 |
Toplam İş Yükü | 152 |