Veri Bilimi ve Analitiği
Lisans TYYÇ: 6. Düzey QF-EHEA: 1. Düzey EQF-LLL: 6. Düzey

Ders Genel Tanıtım Bilgileri

Ders Kodu: VBA109
Ders İsmi: Algoritma ve Programlamanın Temelleri
Ders Yarıyılı: Güz
Ders Kredileri:
Teorik Pratik Kredi AKTS
2 1 3 7
Öğretim Dili: TR
Ders Koşulu:
Ders İş Deneyimini Gerektiriyor mu?: Hayır
Dersin Türü: Zorunlu
Dersin Seviyesi:
Lisans TYYÇ:6. Düzey QF-EHEA:1. Düzey EQF-LLL:6. Düzey
Dersin Veriliş Şekli:
Dersin Koordinatörü: Dr.Öğr.Üyesi Mustafa ÇETİNKAYA
Dersi Veren(ler):
Dersin Yardımcıları:

Dersin Amaç ve İçeriği

Dersin Amacı:
Dersin İçeriği:

Öğrenme Kazanımları

Bu dersi başarıyla tamamlayabilen öğrenciler;
Öğrenme Kazanımları
1 - Bilgi
Kuramsal - Olgusal
2 - Beceriler
Bilişsel - Uygulamalı
3 - Yetkinlikler
İletişim ve Sosyal Yetkinlik
Öğrenme Yetkinliği
Alana Özgü Yetkinlik
Bağımsız Çalışabilme ve Sorumluluk Alabilme Yetkinliği

Ders Akış Planı

Hafta Konu Ön Hazırlık

Kaynaklar

Ders Notları / Kitaplar:
Diğer Kaynaklar:

Ders - Program Öğrenme Kazanım İlişkisi

Ders Öğrenme Kazanımları
Program Kazanımları
1) Veri bilimi ve analitiğinin temel kavramlarını, bileşenlerini, tarihsel gelişimini ve güncel uygulama alanlarını açıklar.
2) Veri türleri, veri toplama yöntemleri ve veri kalitesi kavramlarını tanımlar; farklı veri kaynaklarından elde edilen bilgileri analiz ederek anlamlı sonuçlara dönüştürür.
3) İstatistiksel analiz, olasılık ve makine öğrenmesi teorilerinin temel ilkelerini açıklar; bu ilkeleri veri analizi sürecine entegre eder.
4) Büyük veri kavramını, veri madenciliği yaklaşımlarını ve analitik yöntemlerin karar verme süreçlerindeki rolünü açık biçimde ortaya koyar.
5) Analiz sonuçlarını görsel ve yazılı biçimde etkili, anlaşılır ve karar süreçlerine katkı sağlayacak şekilde sunar.
6) Veri ön işleme, keşifsel veri analizi ve veri görselleştirme yöntemlerini etkili biçimde uygular.
7) Veri odaklı problem çözme süreçlerinde uygun istatistiksel ve analitik teknikleri seçer; farklı veri kaynaklarını entegre ederek anlamlı modeller geliştirir.
8) Python, R veya benzeri programlama dillerini kullanarak veri analizi, modelleme süreçlerini yürütür.
9) Makine öğrenmesi, veri madenciliği ve büyük veri teknolojilerini kullanarak uygulamalar geliştirir; gerçek veri setleri üzerinde çalışarak kuramsal bilgisini pratiğe dönüştürür.
10) Veri tabanı sistemlerini, API’leri ve veri yönetim araçlarını kullanarak veri akışını planlar, düzenler ve yönetir.
11) Çok disiplinli ekiplerde etkin biçimde yer alır, iletişim kurar ve ortak hedeflere yönelik iş birliği sağlar.
12) Veri bilimi ve analitiği alanındaki yeni yöntemleri, algoritmaları ve teknolojik gelişmeleri izler; yaşam boyu öğrenme bilinciyle kendini sürekli geliştirir.
13) Kendi öğrenme sürecini değerlendirir, eksik yönlerini belirler ve geliştirmek için strateji oluşturur.
14) Analiz sonuçlarını etik ilkelere bağlı kalarak açık, anlaşılır ve bilimsel biçimde paylaşır; görsel, sözlü ve yazılı iletişim kanallarını etkili biçimde kullanır.
15) Veri gizliliği, güvenliği ve etik ilkeler çerçevesinde veri toplama, analiz etme ve raporlama süreçlerini yürütür; profesyonel sorumluluk bilinciyle hareket eder.
16) Karmaşık veri projelerinde karşılaşılan sorunlara analitik ve yaratıcı çözüm önerileri getirir; karar alma süreçlerinde etkin rol oynar.

Ders - Öğrenme Kazanımı İlişkisi

Etkisi Yok 1 En Düşük 2 Düşük 3 Orta 4 Yüksek 5 En Yüksek
           
Dersin Program Kazanımlarına Etkisi Katkı Payı
1) Veri bilimi ve analitiğinin temel kavramlarını, bileşenlerini, tarihsel gelişimini ve güncel uygulama alanlarını açıklar.
2) Veri türleri, veri toplama yöntemleri ve veri kalitesi kavramlarını tanımlar; farklı veri kaynaklarından elde edilen bilgileri analiz ederek anlamlı sonuçlara dönüştürür.
3) İstatistiksel analiz, olasılık ve makine öğrenmesi teorilerinin temel ilkelerini açıklar; bu ilkeleri veri analizi sürecine entegre eder.
4) Büyük veri kavramını, veri madenciliği yaklaşımlarını ve analitik yöntemlerin karar verme süreçlerindeki rolünü açık biçimde ortaya koyar.
5) Analiz sonuçlarını görsel ve yazılı biçimde etkili, anlaşılır ve karar süreçlerine katkı sağlayacak şekilde sunar.
6) Veri ön işleme, keşifsel veri analizi ve veri görselleştirme yöntemlerini etkili biçimde uygular.
7) Veri odaklı problem çözme süreçlerinde uygun istatistiksel ve analitik teknikleri seçer; farklı veri kaynaklarını entegre ederek anlamlı modeller geliştirir.
8) Python, R veya benzeri programlama dillerini kullanarak veri analizi, modelleme süreçlerini yürütür.
9) Makine öğrenmesi, veri madenciliği ve büyük veri teknolojilerini kullanarak uygulamalar geliştirir; gerçek veri setleri üzerinde çalışarak kuramsal bilgisini pratiğe dönüştürür.
10) Veri tabanı sistemlerini, API’leri ve veri yönetim araçlarını kullanarak veri akışını planlar, düzenler ve yönetir.
11) Çok disiplinli ekiplerde etkin biçimde yer alır, iletişim kurar ve ortak hedeflere yönelik iş birliği sağlar.
12) Veri bilimi ve analitiği alanındaki yeni yöntemleri, algoritmaları ve teknolojik gelişmeleri izler; yaşam boyu öğrenme bilinciyle kendini sürekli geliştirir.
13) Kendi öğrenme sürecini değerlendirir, eksik yönlerini belirler ve geliştirmek için strateji oluşturur.
14) Analiz sonuçlarını etik ilkelere bağlı kalarak açık, anlaşılır ve bilimsel biçimde paylaşır; görsel, sözlü ve yazılı iletişim kanallarını etkili biçimde kullanır.
15) Veri gizliliği, güvenliği ve etik ilkeler çerçevesinde veri toplama, analiz etme ve raporlama süreçlerini yürütür; profesyonel sorumluluk bilinciyle hareket eder.
16) Karmaşık veri projelerinde karşılaşılan sorunlara analitik ve yaratıcı çözüm önerileri getirir; karar alma süreçlerinde etkin rol oynar.

Öğrenme Etkinliği ve Öğretme Yöntemleri

Ölçme ve Değerlendirme Yöntemleri ve Kriterleri

Ölçme ve Değerlendirme

Yarıyıl İçi Çalışmaları Aktivite Sayısı Katkı Payı
Toplam %
YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI % 0
YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI %
Toplam %