Ders Genel Tanıtım Bilgileri

Ders Kodu:

MIS206

Ders İsmi:

Veri Bilimi 2

Ders Yarıyılı:

Güz

Ders Kredileri:

AKTS

Öğretim Dili:

English

Ders Koşulu:

Ders İş Deneyimini Gerektiriyor mu?:

Hayır

Dersin Türü:

Bölüm/Program Seçmeli

Dersin Seviyesi:

Lisans

TYYÇ:6. Düzey

QF-EHEA:1. Düzey

EQF-LLL:6. Düzey

Dersin Veriliş Şekli:

Yüz yüze

Dersin Koordinatörü:

Dr. Öğr. Üy. OZAN EVKAYA

Dersi Veren(ler):

Şebnem Özdemir

Dersin Yardımcıları:

Dersin Amaç ve İçeriği

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

Öğrenme Kazanımları

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

Ders Akış Planı

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

Kaynaklar

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.

Ders - Program Öğrenme Kazanım İlişkisi

Course Learning Outcomes	1	2	3	4	5
Program Kazanımları

Ders - Öğrenme Kazanımı İlişkisi

Etkisi Yok	1 En Düşük	2 Orta	3 En Yüksek

Dersin Program Kazanımlarına Etkisi

Katkı Payı

Ölçme ve Değerlendirme

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

İş Yükü ve AKTS Kredisi Hesaplaması

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