İLERİ VERİ BİLİMİ

AMAÇ

Bu ders 21. yy'da hızla gelişen ve hem araştırmacılar hem de uygulamacılar için çok popüler olan veri biliminin temellerini ortaya koyar. Ders bir veri bilimcisinin sahip olması gereken temel yetenekleri öğrenciye aktarır ve öğrencinin bunları tıp, savunma sanayi, mühendislik, ve finans gibi farklı alanlara uygulamasını sağlar. Dersin amaçları 1) Verilen bir veride bilginin keşfinin gerçekleştirilmesi ve bunun için gerekli adımlar olan problemin tanımlanması, verinin toplanması, entegrasyonu, yönetimi, analizi, ve görüntülenmesi yani sunulması 2) Verinin boyutu, çeşitliliği, değişimi, ve değeri gibi hususlarının öneminin anlaşılması ve bu tip farklılıklara nasıl yaklaşılması gerektiği 3) Verideki bilginin keşfinde kullanılabilecek olan temel istatistiksel ve makine öğrenme yaklaşımlarının sunulması 4) Ağ modellemesi ve graf analiz gibi güçlü alternatif teknikler ile veriden anlamlı bilginin çıkarılması 5) Verinin sunulmasının iletişim için ne kadar etkin bir konu olduğunun anlaşılması 6) Tavsiye sistemlerinin temellerinin anlaşılmasıdır.

İÇERİK

Bu ders; Veri Bilimine, olasılık, istatistik ve lineer cebir konuların genel bir giriş. ,Temel veri modelleri, varlıkların ilişkisel modelleri, ilişkisel modeller ve SQL. ,SQL'den NoSQL'e, ilişkisel olmayan veritabanları ve ilgili veri modelleri XML Modeli ve Xquery. ,NoSQL veritabanı, Mongo veritabanının durumu. ,Büyük verinin kaynakları ve tipleri, sıkça gerçekleşen örüntü analizleri. ,Öğrencilerin araştırma konuları ve teknikleri ile ilgili sunumları. ,Öğrencilerin araştırma konuları ve teknikleri ile ilgili sunumları.,Ara sınava hazırlık ,Kümelenme ,Sınıflandırma ,Artımlı veri analizi ve veri yönetimi ve analizi için ölçeklenebilir metotlar. ,Ağ modelleri ve grafik analizleri. ,Verinin görselleştirilmesi. ,Tavsiye sistemleri ; konularını içermektedir.

1. 1

   Recognizes the basics of data science and the skill sets distinguishing a data scientist.

   Öğretim yöntemi: Beyin Fırtınası Tekniği, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav, Ödev, Proje Görevi, Kısa Sınav

2. 2

   Defines the basics of data collection, modeling and management for data science tasks.

   Öğretim yöntemi: Beyin Fırtınası Tekniği, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav, Ödev, Proje Görevi, Kısa Sınav

3. 3

   Evaluates the basic statistical modeling and analysis for data science tasks.

   Öğretim yöntemi: Beyin Fırtınası Tekniği, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav, Ödev, Proje Görevi, Kısa Sınav

4. 4

   Describes the basic machine learning algorithms and techniques needed to cope with data science tasks.

   Öğretim yöntemi: Beyin Fırtınası Tekniği, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav, Ödev, Proje Görevi, Kısa Sınav

5. 5

   Recognizes basic machine learning algorithms and techniques needed to cope with data science tasks.

   Öğretim yöntemi: Beyin Fırtınası Tekniği, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav, Ödev, Proje Görevi, Kısa Sınav

6. 6

   Realizes the basic network modeling and graph analysis techniques to handle data science tasks.

   Öğretim yöntemi: Beyin Fırtınası Tekniği, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav, Ödev, Proje Görevi, Kısa Sınav

7. 7

   Assess the basic approaches to visualize data for effective communication and understanding.

   Öğretim yöntemi: Beyin Fırtınası Tekniği, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav, Ödev, Proje Görevi, Kısa Sınav

HAFTALIK PLAN

1. HAFTA 1

   Veri Bilimine, olasılık, istatistik ve lineer cebir konuların genel bir giriş.

   Ön hazırlık: Ders notları 1. Hafta

2. HAFTA 2

   Temel veri modelleri, varlıkların ilişkisel modelleri, ilişkisel modeller ve SQL.

   Ön hazırlık: Lecture Notes, 2. Hafta.

3. HAFTA 3

   SQL'den NoSQL'e, ilişkisel olmayan veritabanları ve ilgili veri modelleri XML Modeli ve Xquery.

   Ön hazırlık: Ders Notları 3. Hafta

4. HAFTA 4

   NoSQL veritabanı, Mongo veritabanının durumu.

   Ön hazırlık: Ders notları, 4. Hafta.

5. HAFTA 5

   Büyük verinin kaynakları ve tipleri, sıkça gerçekleşen örüntü analizleri.

   Ön hazırlık: Ders Notları 5. Hafta

6. HAFTA 6

   Öğrencilerin araştırma konuları ve teknikleri ile ilgili sunumları.

   Ön hazırlık: Literatürün taraması.

7. HAFTA 7

   Öğrencilerin araştırma konuları ve teknikleri ile ilgili sunumları.

   Ön hazırlık: Literatürün taraması.

8. HAFTA 8

   Ara sınava hazırlık

   Ön hazırlık: 7. haftaya kadar olan tüm konular

9. HAFTA 9

   Kümelenme

   Ön hazırlık: Ders Notları 9. Hafta

10. HAFTA 10

    Sınıflandırma

    Ön hazırlık: Ders Notları 10. Hafta

11. HAFTA 11

    Artımlı veri analizi ve veri yönetimi ve analizi için ölçeklenebilir metotlar.

    Ön hazırlık: Ders Notları 11. Hafta

12. HAFTA 12

    Ağ modelleri ve grafik analizleri.

    Ön hazırlık: Ders Notları 12. Hafta

13. HAFTA 13

    Verinin görselleştirilmesi.

    Ön hazırlık: Ders Notları 13. Hafta

14. HAFTA 14

    Tavsiye sistemleri

    Ön hazırlık: Ders Notları 14. Hafta

DEĞERLENDİRME

• Ara Sınavın Başarıya Oranı50%
• Genel Sınavın Başarıya Oranı50%

İŞ YÜKÜ

KAYNAKLAR

• Bu ders için temel bir kitap önerilmemektedir. Ders notları, ders sunuları, araştırma makaleleri, ve bazı kitap kısımları bu ders için kaynak teşkil edeceklerdir.

ÖĞRETİM ELEMANLARI

• Prof.Dr. Reda ALHAJJKOORDİNATÖR
• Prof.Dr. Reda ALHAJJ