Responsive image
DERS PROGRAMI FORMU
COURSE SYLLABUS FORM
Son Güncelleme (Last Update)
20.02.2021
Dersin Adı: Hesaplamalı Veri Bilimi Course Name: Computational Data Science
Kod
(Code)
Yarıyıl
(Semester)
Kredi
(Local Credits)
AKTS Kredi
(ECTS Credits)
Ders Uygulaması, Saat/Hafta
(Course Implementation, Hours/Week)
Ders
(Theoretical)
Uygulama
(Tutorial)
Laboratuvar
(Laboratory)
MAT 386/E 6, 7, 8 3 6 2 2 0
Bölüm / Program
(Department / Program)
Matematik / Matematik Mühendisliği
(Mathematics / Mathematical Engineering)
Dersin Türü
(Course Type)
Seçmeli
(Elective)
Dersin Dili
(Course Language)
Türkçe / İngilizce
(Turkish / English)
Dersin Ön Koşulları
(Course Prerequisites)
MAT 242-E / MAT 244-E min DD
Dersin Mesleki Bileşene Katkısı, %
(Course Category by Content, %)
Temel Bilim ve Matematik
(Basic Sciences and Math)
Temel Mühendislik
(Engineering Science)
Mühendislik / Mimarlık Tasarım
(Engineering / Architecture Design)
Genel Eğitim
(General Education)
40 50 10 -
Dersin Tanımı
(Course Description)
Büyük Veri ve Proje Yönetimi. Veri Biliminde İstatistiksel Yöntemler ve Makine Öğrenmesi, Regresyon Analizi ve Modelleme, Temel Sınıflandırma ve Kümeleme Yöntemleri. Veri Ambarı ve Yapıları, Veri Çekme, Hazırlama, Gönderme ve Yükleme. Performans Ölçütleri ve Risk Yönetimi. Büyük Veri Platformları, Mimarisi (Hadoop, Spark), Araçları (Mapreduce, Spark ML, Kafka, Flink, Hive). Veri İşleme Yöntemleri. Sektörel Uygulamalar. Model Görüntüleme ve Uygulama Değerlendirmeleri. Veri Görselleştirme, Raporlama ve Sonuçların Yorumlanması.
Big Data and Project Management. Statistical Methods and Machine Learning in Data Science, Regression Analysis and Modelling, Basic Classification and Clustering Methods. Data Warehousing and Structure, Data Extraction, Transform and Loading (ETL). Performance Metrics and Risk Management. Big Data Platforms, Architecture (Hadoop, Spark), Tools (Mapreduce, Spark ML, Kafka, Flink, Hive). Data Processing Methods. Sectoral Applications. Model Visualization and Evaluation. Data Visualization and Reporting and İnterpretation of Results.
Dersin Amacı
(Course Objectives)
  1. Veri ambarı, veri çekme, hazırlama ve yükleme uygulamalarını öğrenmek.
  2. Veri işleme algoritmalarının matematiksel altyapısını öğrenmek.
  3. Veri işleme algoritmalarının gerçek hayat problemlerine uygulamak.
  4. Büyük Veri Platformalarının mimarisi ve araçlarını öğrenmek.
  5. Veri analizi, sonuçların görüntülemek ve raporlamak.
  1. To teach data warehouse, data extraction, transformation and loading and their applications.
  2. To teach mathematical background of data processing algorithms.
  3. To apply data processing algorithms to the real life problems.
  4. To teach architecture and tools of big data platforms.
  5. To teach data analysis and to visualize and to report the results.
Dersin Öğrenme Çıktıları
(Course Learning Outcomes)
Bu dersi tamamlayan öğrenciler aşağıdaki becerileri elde eder:
  1. Veri ambarı ve veri yapıları kavramlarını anlayabilme,
  2. Verinin istatistiksel analizini yapma ve istatistiksel yöntemleri uygulayabilme,
  3. Veri analizi ve veri işleme algoritmalarının matematiksel altyapısını anlayabilme,
  4. Büyük Veri Platformlarının mimarisini ve araçlarını anlayabilme,
  5. Veri çekme, hazırlama ve temizleme ve yükleme uygulamalarını yapabilme,
  6. Veri işleme yöntemlerini anlayıp uygulayabilme,
  7. Veri işleme algoritmalarını gerçek hayat problemlerine uygulayabilme,
  8. Büyük veriden anlamlı ilişkiler çıkarabilme,
  9. Performans değerlendirmesi yapabilme ve risk yönetimi planlayabilme,
  10. Veri analizi sonuçlarını görselleştirebilme ve raporlayabilme,
  11. Sonuçları yorumlayarak topluma faydalı bilgi üretebilme becerileri kazanır.

Students completing this course will be able to:
  1. Understand data warehouse and data structure,
  2. Statistical data analysis and apply statistical methods to the data,
  3. Understand mathematical background of the data analysis and data processing algorithms,
  4. Understand architecture and tools of big data platforms,
  5. Realize applications on data extraction, transformation and loadings,
  6. Understand and apply data processing methods,
  7. Apply data processing algorithms to real life problems,
  8. Extraction significant results from big data,
  9. Evaluate performance and plan risk management,
  10. Visualize and report data analysis results,
  11. Produce useful information for the society by interpreting the results.
Ders Planı
Hafta Konular Dersin Öğrenme Çıktıları
1Veri Bilimi, Büyük veri ve proje yönetimiI
2Makine öğrenmesi, Regresyon Analizi ve model yönetimiIII, II
3Makine öğrenmesi, Temel sınıflandırma yöntemleriIII, II
4Makine öğrenmesi, Temel kümeleme yöntemleriIII, II
5Büyük Veri Platformları, Mimarisi, Araçları ve Uygulamaları (Hadoop, MapReduce)IV
6Büyük Veri Platformları, Mimarisi, Araçları ve Uygulamaları (Spark, Spark ML)IV
7Veri çekme, hazırlama ve yükleme işlemleri (ETL)V
8Veri işleme yöntemleri, Kafka ve FlinkVI
9Veri işleme yöntemleri, Spark ML ve HiveVI
10Spark ML kütüphanesi ile model oluşturma ve sektörel uygulamalarVIII, VII, II
11Değerlendirme ölçütleri ve risk yönetimi araçlarıIX
12Model görüntüleme ve uygulama değerlendirmeleriIX, VII
13Veri görselleştirmeX
14Veri raporlama ve sonuçların yorumlanmasıXI, X
Course Plan
Week Topics Course Learning Outcomes
1Data Science, Big data and project managementI
2Machine learning, Regression analysis and model regularizationIII, II
3Machine learning, Basic classicifaction methodsIII, II
4Machine learning, Basic clustering methodsIII, II
5Big Data Platforms, Architecture, Tools and applications (Hadoop, MapReduce)IV
6Big Data Platforms, Architecture, Tools and applications (Spark, Spark ML)IV
7Data extraction, transformation and loading (ETL)V
8Data processing methods, Kafka and FlinkVI
9Data processing methods, Spark ML and HiveVI
10Model building and real life applications with Spark ML libraryVIII, VII, II
11Performance metrics and risk management toolsIX
12Model monitoring and application evaluationIX, VII
13Data visualizationX
14Data reporting and interpretation of results.XI, X



Dersin Mühendislik Öğrenci Çıktılarıyla İlişkisi

Programın Mezuna Kazandıracağı Bilgi ve Beceriler (Programa Ait Çıktılar) Katkı Seviyesi
1 2 3
1 Mühendislik, fen ve matematik ilkelerini uygulayarak karmaşık mühendislik problemlerini belirleme, formüle etme ve çözme becerisi. X
2 Küresel, kültürel, sosyal, çevresel ve ekonomik etmenlerle birlikte özel gereksinimleri sağlık, güvenlik ve refahı göz önüne alarak çözüm üreten mühendislik tasarımı uygulama becerisi. X
3 Farklı dinleyici gruplarıyla etkili iletişim kurabilme becerisi. X
4 Mühendislik görevlerinde etik ve profesyonel sorumlulukların farkına varma ve mühendislik çözümlerinin küresel, ekonomik, çevresel ve toplumsal bağlamdaki etkilerini göz önünde bulundurarak bilinçli kararlar verme becerisi. X
5 Üyeleri birlikte liderlik sağlayan, işbirlikçi ve kapsayıcı bir ortam yaratan, hedefler belirleyen, görevleri planlayan ve hedefleri karşılayan bir ekipte etkili bir şekilde çalışma yeteneği becerisi. X
6 Özgün deney geliştirme, yürütme, verileri analiz etme ve yorumlama ve sonuç çıkarmak için mühendislik yargısını kullanma becerisi. X
7 Uygun öğrenme stratejileri kullanarak ihtiyaç duyulduğunda yeni bilgi edinme ve uygulama becerisi. X
Ölçek: 1: Az, 2: Kısmi, 3: Tam

Relationship of the Course to Engineering Student Outcomes

Program Student Outcomes Level of Contribution
1 2 3
1 An ability to identify, formulate, and solve complex engineering problems by applying principles of engineering, science, and mathematics. X
2 An ability to apply engineering design to produce solutions that meet specified needs with consideration of public health, safety, and welfare, as well as global, cultural, social, environmental, and economic factors. X
3 An ability to communicate effectively with a range of audiences. X
4 An ability to recognize ethical and professional responsibilities in engineering situations and make informed judgments, which must consider the impact of engineering solutions in global, economic, environmental, and societal contexts. X
5 An ability to function effectively on a team whose members together provide leadership, create a collaborative and inclusive environment, establish goals, plan tasks, and meet objectives. X
6 An ability to develop and conduct appropriate experimentation, analyze and interpret data, and use engineering judgment to draw conclusions. X
7 An ability to acquire and apply new knowledge as needed, using appropriate learning strategies. X
Scale: 1: Little, 2: Partial, 3: Full

Tarih (Date)
01.04.2019
Bölüm Onayı (Departmental Approval)
Matematik Bölümü
(Department of Mathematics)




Ders Kaynakları ve Başarı Değerlendirme Sistemi (Course Materials and Assessment Criteria)

Ders Kitabı
(Textbook)
Géron A., Hands-On Machine Learning with Scikit-Learn and TensorFlow, O’Reilly Media, Inc, 2017.
Diğer Kaynaklar
(Other References)
Dean J., Big Data, Data Mining, and Machine Learning: Value Creation for Business Leaders and Practitioners, Wiley Science, 2014.
Zaharia M., Karau H., Konwinski A., Wendell P., Lightning-Fast Big Data Analysis, O’Reilly Media, Inc, 2015.
Janert P. K., Data Analysis with Open Source Tools A Hands-On Guide for Programmers and Data Scientists, O’Reilly Media, Inc, 2010.
Ödevler ve Projeler
(Homework & Projects)
Öğrenciler verilen ödevleri süresi içinde teslim etmekten sorumludurlar.
Students are responsible to deliver their homework within the indicated time.
Laboratuvar Uygulamaları
(Laboratory Work)
Uygulama yapılacaktır.
Laboratory application will be realized.
Bilgisayar Kullanımı
(Computer Usage)
İhtiyaç duyulmaktadır.
Necessary.
Diğer Uygulamalar
(Other Activities)
Dönem Projesi verilecektir.
Term Project will be assigned.
Başarı Değerlendirme Sistemi
(Assessment Criteria)
Faaliyetler
(Activities)
Adet
(Quantity)
Genel Nota Katkı, %
(Effects on Grading, %)
Yıl İçi Sınavları
(Midterm Exams)
- -
Kısa Sınavlar
(Quizzes)
- -
Ödevler
(Homework)
4 30
Projeler
(Projects)
1 30
Dönem Ödevi/Projesi
(Term Paper/Project)
- -
Laboratuvar Uygulaması
(Laboratory Work)
- -
Diğer Uygulamalar
(Other Activities)
- -
Final Sınavı
(Final Exam)
1 40
VF almamak için gereken
(To avoid VF)
Yoktur.