İLERİ PROGRAMLAMA

AMAÇ

Bu dersin amacı, programlama uygulamaları, verimlilik ve veri bilimi üzerinde durularak Python kullanan öğrencilerin programlama ve problem çözme yeteneklerini ve becerilerini geliştirmektir. Python, çok sayıda kütüphane ile eğitim, bilimsel hesaplama ve veri biliminde yaygın olarak kullanılan bir dildir. Öğrenciler, bu derste yapay zeka ve veri bilimi için geliştirilmiş yerleşik kitaplıklardan yararlanan verimli programları arkalarındaki karmaşık mantık ve matematik hakkında bilgi sahibi olmak zorunda kalmadan öğrenecek, tasarlayacak, geliştirecek ve test edecektir. Programlama verimliliği ve analizi, bazı temel algoritmaların incelenmesi ve analizi, grafik kullanıcı arayüzleri, Python'un gelişmiş özellikleri, Python Veri Yapıları, Farklı Veri Depolarından Veri Setleri Yükleme, NumPy ile Dizi Yönelimli Programlama, Yüksek Performanslı NumPy Dizileri, Pandas Serisi ve DataFrames, Düzenli İfadeler ve Veri Düzenleme, Zaman Serileri ve Basit Doğrusal Regresyon, Doğal Dil İşleme (NLP), Web Tarama, Veri Madenciliği Twitter: Duygu Analizi, Makine Öğrenimi: Sınıflandırma, Regresyon ve Kümeleme, Derin Öğrenme Evrişimli ve Tekrarlayan Sinir Ağları, İşbirlikçi Filtreleme, Optimizasyon ile Öneriler.

İÇERİK

Bu ders; Verimli algoritma geliştirme,Arama ve sıralama algoritma analizi,Python Veri Yapıları,Veri Analizi ve Görselleştirme,Numpy ve Scipy ile Dizi-Tabanlı ve Bilimsel Programlama,Pandas ile Veri İşleme,Veri Yükleme, depolama ve dosya Formatları; Veri Görselleştirme,Zaman Serileri ve Basit Lineer Regresyon,Doğal Dil İşleme ve Web Veri Çıkarma,Twitter Veri Madenciliği: Duygu Analizi, JSON ve Web Servisleri,Makine Öğrenme: Sınıflandırma, Regresyon ve Kümeleme ,Derin Öğrenme: Evrişimli ve Tekrarlayan SinirAğları,İşbirlikçi Filtreleme, Öneri Sunma,Optimizasyon; konularını içermektedir.

1. 1

   6- Summarize, visualize and analyze data.

2. 2

   1 - Design, implement and test efficient programs.

3. 3

   2 - Improve programming skills by learning, analyzing, solving and developing program code for different problems.

4. 4

   3 -Learn how to design, develop and implement modular programs by using structured programming, abstract data types, classes and objects.

5. 5

   4 - Take advantage of capabilities of built-in and third party libraries available in many areas.

6. 6

   5 - Learn how to store, load, manipulate and explore data.

7. 7

   7 - Write programs for a wide variety problems in math, science, engineering, financials, artificial intelligence and games.

8. 8

   8 - Learn how to use and apply some of the machine learning, data mining, and optimization libraries on several examples.

HAFTALIK PLAN

1. HAFTA 1

   Verimli algoritma geliştirme

2. HAFTA 2

   Arama ve sıralama algoritma analizi

3. HAFTA 3

   Python Veri Yapıları

4. HAFTA 4

   Veri Analizi ve Görselleştirme

5. HAFTA 5

   Numpy ve Scipy ile Dizi-Tabanlı ve Bilimsel Programlama

6. HAFTA 6

   Pandas ile Veri İşleme

7. HAFTA 7

   Veri Yükleme, depolama ve dosya Formatları; Veri Görselleştirme

8. HAFTA 8

   Zaman Serileri ve Basit Lineer Regresyon

9. HAFTA 9

   Doğal Dil İşleme ve Web Veri Çıkarma

10. HAFTA 10

    Twitter Veri Madenciliği: Duygu Analizi, JSON ve Web Servisleri

11. HAFTA 11

    Makine Öğrenme: Sınıflandırma, Regresyon ve Kümeleme

12. HAFTA 12

    Derin Öğrenme: Evrişimli ve Tekrarlayan SinirAğları

13. HAFTA 13

    İşbirlikçi Filtreleme, Öneri Sunma

14. HAFTA 14

    Optimizasyon

DEĞERLENDİRME

• Ara Sınavın Başarıya Oranı30%
• Genel Sınavın Başarıya Oranı70%

İŞ YÜKÜ

KAYNAKLAR

• Intro to Python for Computer Science and Data Science: Learning to Program with AI, Big Data and The Cloud, Paul Deitel, Harvey Deitel, Pearson, 2020
• - Toby Segaran, Programming Collective Intelligence, O Reilly Press, 2007. - Brad Miller and David Ranum, Luther College, Problem Solving with Algorithms and Data Structures using Python, Franklin, Beedle & Associates, 2011

ÖĞRETİM ELEMANLARI

• Prof.Dr. Selim AKYOKUŞKOORDİNATÖR
• Prof.Dr. Selim AKYOKUŞ
• Malik GEYLANİ