Ders Kodu: | MIS206 | ||||
Ders İsmi: | Veri Bilimi 2 | ||||
Ders Yarıyılı: |
Güz |
||||
Ders Kredileri: |
|
||||
Öğretim Dili: | English | ||||
Ders Koşulu: | |||||
Ders İş Deneyimini Gerektiriyor mu?: | Hayır | ||||
Dersin Türü: | Bölüm/Program Seçmeli | ||||
Dersin Seviyesi: |
|
||||
Dersin Veriliş Şekli: | Yüz yüze | ||||
Dersin Koordinatörü: | Dr. Öğr. Üy. OZAN EVKAYA | ||||
Dersi Veren(ler): | Şebnem Özdemir | ||||
Dersin Yardımcıları: |
Dersin Amacı: | Bu dersin amacı, verinin analiz edilmesinde oldukça kritik bir süreç olan veri ön işlemenin bir veri analiz dili yardımıyla matematiksel arka planı ile birlikte yürütülmesini öğretmektir |
Dersin İçeriği: | Ön işleme kavramı, Eksik, Uç, Gürültülü Değerler, Ön İşlemede İstatistik Kullanımı, Eksik Değerlerin Tamamlanması, LDA, EDA, Özellik Seçim Metotları, Bir Veri Analiz Dilinde Uygulamaları |
Bu dersi başarıyla tamamlayabilen öğrenciler;
1) Bu dersi başarı ile tamamlayan öğrenciler verideki değer bazlı özel durumların neler olduğunu bilir. 2) Bu dersi başarı ile tamamlayan öğrenciler ön işleme kavramını tanımlar 3) Bu dersi başarı ile tamamlayan öğrenciler istatistiğin veri ön işlemede nasıl kullanılacağını açıklar 4) Bu dersi başarı ile tamamlayan öğrenciler eksik değerleri tamamlama işlemini matematiksel olarak uygular 5) Bu dersi başarı ile tamamlayan öğrenciler uç değerlerin tespiti, eksik verilerin doldurulması/ayıklanması, özellik seçiminin gerçekleştirilmesine dair analizi bir veri analiz dili ile uygular ve elde edilen sonuçları açıklar |
Hafta | Konu | Ön Hazırlık |
1) | Derse Giriş – Temel Kavramlar- Bütün Bir Döneme Öğrenilecek İçerikler ve Ölçme Değerlendirme Faaliyetleri Bağlamında Bakış | |
2) | Uç değer, eksik değer, gürültülü değer kavramları, bir veri analiz dili ile basit komutlar ve grafikler kullanarak bunları tespit edebilme ve verideki hikayeyi okuma | |
3) | Eksik değer tamamlamada matematiksel hesaplamaya dayalı yöntemler ve bunların uygulanması | |
4) | Eksik değer tamamlamada matematiksel hesaplamaya dayalı yöntemler ve bunların uygulanması | |
5) | Bir veri analiz dili kullanılarak eksik değerlerin tamamlanması | |
6) | Bir veri analiz dili kullanılarak eksik değerlerin tamamlanması | |
7) | Verideki hikayeyi okumada regresyon türleri, LDA, EDA | |
8) | Verideki hikayeyi okumada regresyon türleri, LDA, EDA | |
9) | Boyutsallık laneti ve özellik mühendisliği/çıkarımı | |
10) | Özellik mühendisliği/çıkarımı yöntemlerinin matematiksel altyapısı | |
11) | Özellik mühendisliği/çıkarımı yöntemlerinin bir veri analiz dili yardımıyla uygulanması | |
12) | Özellik mühendisliği/çıkarımı yöntemlerinin bir veri analiz dili yardımıyla uygulanması | |
13) | Özellik mühendisliği/çıkarımı yöntemlerinin bir veri analiz dili yardımıyla uygulanması | |
14) | Distruptive Kavramlar | |
15) | Distruptive Kavramlar | |
16) | Final Sınavı |
Ders Notları / Kitaplar: | Active learning will be conducted. Students are supposed to search and learn topics discussed in the lesson. |
Diğer Kaynaklar: | Ek kaynak ihtiyacı bulunmamaktadır. - There is no need for additional resources. |
Course Learning Outcomes | 1 |
2 |
3 |
4 |
5 |
---|---|---|---|---|---|
Program Kazanımları |
Etkisi Yok | 1 En Düşük | 2 Orta | 3 En Yüksek |
Dersin Program Kazanımlarına Etkisi | Katkı Payı |
Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
Ödev | 1 | % 20 |
Ara Sınavlar | 1 | % 35 |
Final | 1 | % 45 |
Toplam | % 100 | |
YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 55 | |
YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 45 | |
Toplam | % 100 |
Aktiviteler | Aktivite Sayısı | Aktiviteye Hazırlık | Aktivitede Harçanan Süre | Aktivite Gereksinimi İçin Süre | İş Yükü | ||
Ders Saati | 14 | 1 | 4 | 70 | |||
Küçük Sınavlar | 2 | 10 | 1 | 22 | |||
Ara Sınavlar | 1 | 15 | 1 | 16 | |||
Final | 1 | 20 | 1 | 21 | |||
Toplam İş Yükü | 129 |