AKTS - Veri Bilimi ve Makine Öğrenmesine Giriş
Veri Bilimi ve Makine Öğrenmesine Giriş (MATH340) Ders Detayları
| Ders Adı | Ders Kodu | Dönemi | Saati | Uygulama Saati | Laboratuar Hours | Kredi | AKTS |
|---|---|---|---|---|---|---|---|
| Veri Bilimi ve Makine Öğrenmesine Giriş | MATH340 | 6. Dönem | 4 | 0 | 0 | 4 | 6 |
| Ön Koşul Ders(ler)i |
|---|
| CMPE102 |
| Dersin Dili | İngilizce |
|---|---|
| Dersin Türü | Zorunlu Bölüm Dersleri |
| Dersin Seviyesi | Lisans |
| Ders Verilme Şekli | Yüz Yüze |
| Dersin Öğrenme ve Öğretme Teknikleri | Anlatım. |
| Dersin Öğretmen(ler)i |
|
| Dersin Amacı | Bu dersin amacı, veri bilimi ve makine öğrenmesinin temel kavramlarını tanıtmaktır. Ana odak noktalarından biri, veri işleme, analiz etme ve gerçek yaşam verilerini uygulamalar için kullanma becerisi sağlamaktır. Dahası, bu ders, makine öğrenmesi algoritmalarını anlamak için gereken becerileri geliştirmeyi amaçlamaktadır. |
| Dersin Eğitim Çıktıları |
Bu dersi başarıyla tamamlayabilen öğrenciler;
|
| Dersin İçeriği | Veri bilimi ve. Makine Ogrenmesi için python programlama. Veri manipulasyonu ve görsellestirmesi. Veri bilimi için istatistiksel kavramlarin, lineer cebirin ve olasilik teorisinin tekrant. Makine ogrenmesinin tamtimi. Tahmin. Regresyon. Sinflandirma ve kúmeleme. Denetimli/denetimsiz. Makine ogrenmesi algoritmalarinin tamimlanmast. Sinir ağlarının temelleri. |
Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları
| Hafta | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Veri bilimine giriş, Veri bilimi için Python programlama | Bölüm 1,2 |
| 2 | Veri bilimi için Python programlama | Bölüm 2 + Uygulama |
| 3 | Veri bilimi için Python programlama | Bölüm 2 + Uygulama |
| 4 | Veri görselleştirme, Data bilimi için Lineer Cebir tekrarı | Bölüm 3,4 |
| 5 | Veri bilimi için İstatistik ve Olasılık tekrarı | Bölüm 5,6 |
| 6 | Hipotezler ve çıkarım | Bölüm 7 + Uygulama |
| 7 | Dereceli alçalma | Bölüm 8 + Uygulama |
| 8 | Ara Sınav | |
| 9 | Veri elde etme, Veri işleme | Bölüm 9,10 |
| 10 | 10 Makine öğrenmesine giriş | Bölüm 11 + Uygulama |
| 11 | K-en yakın komşular. Naive Bayes | Bölüm 12, 13 |
| 12 | Doğrusal ve Lojistik Regresyon | Bölüm 14, 16 |
| 13 | Karar ağaçları | Bölüm 17 + Uygulama |
| 14 | Sinir ağları | Bölüm 18 + Uygulama |
| 15 | Kümeleme | Bölüm 19 + Uygulama |
| 16 | Final Sınavı |
Kaynaklar
| Ders Kitabı | 1. Data Science from Scratch: First Principles with Python, By Joel Grus , 2015 ISBN: 978-1-491-90142-7 |
|---|---|
| Diğer Kaynaklar | 2. Introduction to Machine Learning with Python, A Guide for Data Scientists by Andreas C. Müller and Sarah Guido, O'Reilly Media, Inc, October 2016 |
| 3. VanderPlas, J., 2016. Python data science handbook: Essential tools for working with data. " O'Reilly Media, Inc.". |
Değerlendirme System
| Çalışmalar | Sayı | Katkı Payı |
|---|---|---|
| Devam/Katılım | - | - |
| Laboratuar | - | - |
| Uygulama | - | - |
| Alan Çalışması | - | - |
| Derse Özgü Staj | - | - |
| Küçük Sınavlar/Stüdyo Kritiği | - | - |
| Ödevler | - | - |
| Sunum | - | - |
| Projeler | 2 | 15 |
| Rapor | - | - |
| Seminer | - | - |
| Ara Sınavlar/Ara Juri | 1 | 30 |
| Genel Sınav/Final Juri | 1 | 40 |
| Toplam | 4 | 85 |
| Yarıyıl İçi Çalışmalarının Başarı Notu Katkısı | 60 |
|---|---|
| Yarıyıl Sonu Çalışmalarının Başarı Notuna Katkısı | 40 |
| Toplam | 100 |
Kurs Kategorisi
| Temel Meslek Dersleri | X |
|---|---|
| Uzmanlık/Alan Dersleri | |
| Destek Dersleri | |
| İletişim ve Yönetim Becerileri Dersleri | |
| Aktarılabilir Beceri Dersleri |
Dersin Öğrenim Çıktılarının Program Yeterlilikleri ile İlişkisi
| # | Program Yeterlilikleri / Çıktıları | Katkı Düzeyi | ||||
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | ||
| 1 | Matematik lisans programından edindiği ileri düzeydeki kuramsal ve uygulamalı bilgileri kullanarak matematik temelli lisansüstü programlarda, kamu veya özel sektörde bilimsel çalışma ve araştırma yapmak için yeterli bilgiye sahip olur. | X | ||||
| 2 | Alanında edindiği kuramsal ve uygulamalı bilgileri uygun araç-gereçleri kullanarak ortaöğretime uyarlar ve aktarır. | X | ||||
| 3 | Alanında edindiği bilgi ve becerileri kullanarak, matematik veya uygulandığı alanlardaki güncel problemleri modelleme ve çözüm için gerekli olan matematiksel yöntemleri seçme, kullanma, geliştirme ve çözme becerisine sahip olur. | X | ||||
| 4 | Analitik düşünme yeteneğine sahip olur ve sonuç çıkarma sürecinde zamanı etkin kullanır. | X | ||||
| 5 | Bilgisayar bilimleriyle ilgili alanlarda çalışabilecek düzeyde temel yazılım bilgisine ve bilişim teknolojilerini etkin bir şekilde kullanma becerisine sahip olur. | X | ||||
| 6 | Karar süreçlerinin ihtiyaç duyacağı verileri toplama, analiz etme, yorumlama ve istatistiksel yöntemleri kullanabilme becerisine sahip olur. | X | ||||
| 7 | Matematiğin doğrudan veya dolaylı olarak kullanıldığı alanlarda çalışma yapabilecek düzeyde bilgiye sahip olur ve yaşam boyu öğrenmenin bilinci ile mesleki bilgi ve becerilerini yeniler. | X | ||||
| 8 | Matematiğin kullanıldığı alanlarda bireysel olarak veya takımlarda ekip üyesi olarak sorumluluk alır ve etkin biçimde çalışma becerisine sahip olur. | X | ||||
| 9 | Matematik veya uygulama alanlarındaki bilgileri izleyecek ve meslektaşları ile iletişim kuracak düzeyde İngilizce bilir. | X | ||||
| 10 | Görüş ve düşüncesini nicel ve nitel verilerle destekleyerek açık ve anlaşılabilir biçimde yazılı ve sözlü ifade eder, paydaşlarıyla iletişim kurar. | X | ||||
| 11 | Matematik veya uygulama alanları ile ilgili verilerin toplanması, yorumlanması, uygulanması ve sonuçların duyurulması aşamalarında evrensel ve toplumsal boyutlardaki etkilerini dikkate alan mesleki etik ve sorumluluk bilincine sahip olur. | |||||
ECTS/İş Yükü Tablosu
| Aktiviteler | Sayı | Süresi (Saat) | Toplam İş Yükü |
|---|---|---|---|
| Ders saati (Sınav haftası dahildir: 16 x toplam ders saati) | 16 | 4 | 64 |
| Laboratuar | |||
| Uygulama | |||
| Derse Özgü Staj | |||
| Alan Çalışması | |||
| Sınıf Dışı Ders Çalışma Süresi | 14 | 4 | 56 |
| Sunum/Seminer Hazırlama | |||
| Projeler | 2 | 5 | 10 |
| Raporlar | |||
| Ödevler | |||
| Küçük Sınavlar/Stüdyo Kritiği | |||
| Ara Sınavlara/Ara Juriye Hazırlanma Süresi | 1 | 8 | 8 |
| Genel Sınava/Genel Juriye Hazırlanma Süresi | 1 | 12 | 12 |
| Toplam İş Yükü | 150 | ||