[GeriDon]
[DersOgretimPlani]
| [DersinKodu] | [DersinAdi] | [DersinTuru] | [Yil] | [YariYil] | [Ects] |
|---|---|---|---|---|---|
| 230106006105 | VERİ BİLİMİ | Seçmeli Ders Grubu | 3 | 6 | 5,00 |
[DersinSeviyesi]
[Lisans]
[DersDili]
[DersinAmaci]
Bu ders kapsamında, veri biliminin temellerinin oluşturulması, veri ön işleme, veri azaltımı, öğrenme yaklaşımları ve veri görselleştirmenin uygulamalı olarak öğretilmesi hedeflenmektedir.
[DersiVerenGorevli]
[OgrenmeCiktilari]
| 1 | Veri biliminin temel kavramlarını öğrenir. |
| 2 | Veri ön işleme, veri azaltımı ve veri artırma yöntemleri hakkında bilgi kazanabilir. |
| 3 | Veriden öğrenme yaklaşımları hakkında bilgi kazanabilir. |
| 4 | Öğrenme yöntemlerinin değerlendirme yaklaşımları hakkında bilgi kazanabilir. |
[OgrenimTuru]
Birinci Öğretim
[DersOnKosulu]
Yok
[OnerilenDigerHususlar]
Yok
[DersinIcerigi]
Giriş; Veri Tipleri; Veri Ön Hazırlama; Kayıp Veriyle Başa Çıkma; Gürültülü Veriyle Başa Çıkma; Veri Azaltımı; Veri Arttırma; Özellik Seçimi; Örnek Seçimi; Aykırı Değer Kaldırma; Ayrıklaştırma; Danışmanlı Öğrenme; Regresyon Modelleme; Danışmansız Öğrenme; Model Değerlendirme; Birliktelik Kuralları; Veri Özetleme ve Görselleştirme.
[HaftalikDersIcerigi]
| [Hafta] | [Teorik] | [Uygulama] | [Laboratuvar] |
|---|---|---|---|
| 1 | Giriş, Veri Tipleri | ||
| 2 | Veri Ön Hazırlama, Kayıp Veri, Gürültülü Veri | ||
| 3 | Veri Azaltımı: Özellik Seçimi | ||
| 4 | Veri Azaltımı: Örnek Seçimi, Ayrıklaştırma | ||
| 5 | Veri Arttırma | ||
| 6 | Aykırı Değer Kaldırma | ||
| 7 | Danışmanlı Öğrenme; Lojistik Regresyon, kNN, Karar Ağaçları | ||
| 8 | Danışmanlı Öğrenme: Naive Bayes, SVM, Topluluk Öğrenme | ||
| 9 | Arasınav | ||
| 10 | Regresyon Modelleme | ||
| 11 | Danışmansız Öğrenme: K-Ortalama, Beklenti Büyütme, Hiyerarşik Kümeleme | ||
| 12 | Model Değerlendirme | ||
| 13 | Birliktelik Kuralları: Apriori, FP-Growth, İşbirlikçi Filtreleme | ||
| 14 | Metin Madenciliğinin Temelleri | ||
| 15 | Veri Özetleme ve Görselleştirme | ||
| 16 | Final Sınavı |
[DersKitabi]
Larose, C. D., Larose, D. T. 2019; Data Science Using Python and R, Wiley Publishing, 256 pages. Garcia, S., Luengo, J., Herrera, F. 2015; Data Preprocessing in Data Mining, Springer, 320 pages. Igual, L., Seguí, S. 2017; Introduction to Data Science: A Python Approach to Concepts, Techniques and Applications, Springer, 218 pages.
[PlanlananYontemler]
[Degerlendirme]
| Yarıyıl (Yıl) İçi Etkinlikleri | [Adet] | [Deger] |
|---|---|---|
| Ara Sınav | 1 | 100 |
| [Toplam] | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | [Adet] | [Deger] |
| Final Sınavı | 1 | 100 |
| [Toplam] | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 40 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 60 | |
[StajDurumu]
Yok
[IsYukuHesaplamasi]
| [Etkinlikler] | [Sayisi] | [Suresi] | [ToplamIsYuku] |
|---|---|---|---|
| Ara Sınav | 1 | 1 | 1 |
| Final Sınavı | 1 | 2 | 2 |
| Derse Katılım | 14 | 3 | 42 |
| Bireysel Çalışma | 14 | 5 | 70 |
| Ara Sınav İçin Bireysel Çalışma | 3 | 5 | 15 |
| Final Sınavı içiin Bireysel Çalışma | 3 | 5 | 15 |
| [ToplamIsYuku] | 145 | ||
[PCOCIliskisi]
| [PC] 1 | [PC] 2 | [PC] 3 | [PC] 4 | [PC] 5 | [PC] 6 | [PC] 7 | [PC] 8 | [PC] 9 | [PC] 10 | [PC] 11 | [PC] 12 | [PC] 13 | [PC] 14 | [PC] 15 | [PC] 16 | [PC] 17 | [PC] 18 | [PC] 19 | [PC] 20 | [PC] 21 | [PC] 22 | [PC] 23 | |
| [OC] 1 | 5 | 4 | 5 | 5 | 4 | 5 | 5 | 4 | 4 | 4 | 4 | 5 | 5 | 3 | 3 | 5 | 5 | 5 | 3 | 3 | 3 | 5 | 5 |
| [OC] 2 | 4 | 3 | 3 | 3 | 2 | 5 | 5 | 5 | 5 | 4 | 5 | 5 | 5 | 4 | 4 | 5 | 1 | 5 | 5 | 1 | 1 | 1 | 5 |
| [OC] 3 | 1 | 5 | 5 | 5 | 5 | 1 | 5 | 5 | 5 | 4 | 5 | 4 | 3 | 3 | 3 | 5 | 4 | 4 | 4 | 3 | 5 | 3 | 5 |
| [OC] 4 | 3 | 4 | 1 | 5 | 3 | 5 | 5 | 3 | 5 | 4 | 4 | 5 | 5 | 3 | 5 | 5 | 4 | 5 | 3 | 5 | 4 | 5 | 3 |
[PCOCAciklama]