CE 477 | Ders Tanıtım Bilgileri

Dersin Adı
Veri Bilimi
Kodu
Yarıyıl
Teori
(saat/hafta)
Uygulama/Lab
(saat/hafta)
Yerel Kredi
AKTS
CE 477
Güz/Bahar
3
0
3
5

Ön Koşul(lar)
Yok
Dersin Dili
İngilizce
Dersin Türü
Seçmeli
Dersin Seviyesi
Lisans
Dersin Koordinatörü
Öğretim Eleman(lar)ı
Yardımcı(lar)ı -
Dersin Amacı Bu ders, verilerden faydalı bilgilerin öğrenilmesinin ve kullanışlı tahminler yapılabilmesinin temel prensipleri ve metotlarını içermektedir. Bu derste veri elde etme, veri görselleştirme, veri incelenmesi, istatistiksel veri analizi, ve veri analizi için otomatik öğrenmenin kullanımı incelenecektir. Dersin ana amaçlarının bir tanesi, kişisel bir veri bilim projesi uygulayarak öğrencilere pratik ve modern veri analiz yetenekleri sağlamaktır.
Öğrenme Çıktıları Bu dersi başarıyla tamamlayabilen öğrenciler;
  • Veri elde edebilmek, veri temizleyebilmek ve veri analizi yapabilmek için bilgisayar araçlarını uygulayabilecektir.
  • Veri elde edebilmek, veri temizleyebilmek ve veri analizi yapabilmek için bilgisayar araçlarını uygulayabilecektir.
  • Veri görselleştirme ve veri analizi için istatistiksel yöntemleri uygulayabilecektir.
  • Verilerden tespit ve tahmin yapmak için istatistiksel ve sayısal yöntemleri kullanabilecektir.
  • Verilerin analizi için otomatik öğrenme yöntemlerini kullanabilecektir.
Tanımı Aşağıdaki konular ders programına dahil olacaktır: verinin elde edilmesi ve temizlenmesi, verinin incelenmesi, verinin istatistiksel olarak modellenmesi ve istatistiksel sonuç çıkartma, veri bilimi için otomatik öğrenme araçlarının kullanımı, doğrusal regresyon, destek vektör makineleri, k-en yakın komşuluk, naif Bayes, lojistik regresyon, karar ağaçları, rastgele ormanlar, gruplandırma, boyut azaltma, aşırı uyum, çarpaz geçerlilik, öznitelik mühendisliği.

 



Ders Kategorisi

Temel Meslek Dersleri
Uzmanlık/Alan Dersleri
Destek Dersleri
İletişim ve Yönetim Becerileri Dersleri
Aktarılabilir Beceri Dersleri

 

HAFTALIK KONULAR VE İLGİLİ ÖN HAZIRLIK ÇALIŞMALARI

Hafta Konular Ön Hazırlık
1 Giriş – Veri bilimi nedir? Veri biliminin makine öğrenme ile ilişkisi Bölüm 1. Kısım 1.1-1.3. Data Science from Scratch: First Principles with Python, J. Grus, ISBN9781491901427
2 Veri elde edilmesi – dosya okunması, web scrapping, API kullanımı. Veri ile çalışma – veri inceleme, temel veri temizleme ve ayarlanması 2 Veri elde edilmesi – dosya okunması, web scrapping, API kullanımı. Veri ile çalışma – veri inceleme, temel veri temizleme ve ayarlanması Bölüm 9. Kısım 9.1-9.5. Bölüm 10. Kısım 10.1-10.4. Data Science from Scratch: First Principles with Python, J. Grus, ISBN9781491901427
3 Keşfedici very analizi: verilerin görselleştirilmesi, grafikler, öz istatistikler, ortalama ve standart sapma Bölüm 3. Kısım 2.1-1.4. Bölüm 5. Kısım 5.1. Data Science from Scratch: First Principles with Python, J. Grus, ISBN9781491901427
4 Olasılığın özeti – populasyon ve örnekler, rastgele değişkenler, korelasyon, istatistiksel bağımlılık ve bağımsızlık, Bayes teoremi Bölüm 6. Kısım 6.1-6.5. Bölüm 5. Kısım 5.2-5.5. Data Science from Scratch: First Principles with Python, J. Grus, ISBN9781491901427
5 İstatistiksel sonuç çıkarım – hipotez ve testler, istatistiksel modeller, doğrusal model, maximum olabilirlik tespiti, p-değerleri, güvenirlik aralıkları Bölüm 7. Kısım 7.1-7.6. Bölüm 14. Kısım 14.1, 14.3. Data Science from Scratch: First Principles with Python, J. Grus, ISBN9781491901427
6 Verilerden tahmin ve tespit için otomatik öğrenmenin kullanımı – regresyon, çoklu doğrusal regresyon, k-en yakın komşuluk Bölüm 14. Kısım 14.1-14.2. Bölüm 15. Kısım 15.1-15.5. Bölüm 12. Kısım 12.1-12.2. Data Science from Scratch: First Principles with Python, J. Grus, ISBN9781491901427
7 Ara-sınav
8 Verilerden tahmin ve tespit için otomatik öğrenmenin kullanımı – sınıflandırma, lojistik regresyon, lineer diskriminant sınıflandırması, en büyük sınır sınıflandırması (DVM), Naif Bayes Bölüm 16. Kısım 16.1-16.5. Bölüm 13. Kısım 13.1-13.4. Data Science from Scratch: First Principles with Python, J. Grus, ISBN9781491901427
9 Otomatik öğrenme kullanılırken doğruluk – aşırı uyum, bayas-varyans ödünleşimi, çarpaz geçerlilik, öznitelik seçimi Otomatik öğrenme kullanılırken doğruluk – aşırı uyum, bayas-varyans ödünleşimi, çarpaz geçerlilik, öznitelik seçimi
10 Öznitelik Mühendisliği – öznitelik tasarımı, öznitelik tipleri, özniteliğin modellerle ilişkisi, verinin özniteliklerle ilişkisi. Veriyi sağlamlaştırma – veri formatı, eksik ve bozuk veri, veri standartlaştırma (ölçeklendirme ve beyazlatma). Bölüm 3. Kısım 3.1-3.4. The Art of Data Science, R. D. Peng, E. Matsui; Bölüm 4. Kısım 4.1-4.6. Python Machine Learning, S. Raschka, ISBN9781783555147
11 Denetlenmeyen veri keşfi - hierarşik gruplama, k-ortalamalar gruplaması Bölüm 19. Kısım 19.1-19.6. Data Science from Scratch: First Principles with Python, J. Grus, ISBN9781491901427 Bölüm 19. Kısım 19.1-19.6. Data Science from Scratch: First Principles with Python, J. Grus, ISBN9781491901427
12 Denetlenmeyen veri keşfi - birliktelik madenciliği, boyut azaltma Bölüm 10. Data Science from Scratch: First Principles with Python, J. Grus, ISBN9781491901427
13 Karar ağaçları ve rasgele ormanlar. Bölüm 17. Kısım 17.1-17.6. Data Science from Scratch: First Principles with Python, J. Grus, ISBN9781491901427
14 Proje sunumları
15 Proje sunumları
16 Dönemin gözden geçirilmesi

 

Dersin Kitabı

J. Grus,Data Science from Scratch: First Principles with Python”, O’Reilly Media, 2015, ISBN9781491901427 ; 9781491904381 (Eboook)

Diğer Kaynaklar

T. Hastie, R. Tibshirani, J. Friedman “The Elements of Statistical Learning”, Springer, 2013, ISBN 9780387216065; S. Raschka, “Python Machine Learning”, Packt Publishing, 2015, ISBN 9781783555147; R. D. Peng, E. Matsui, “The Art of Data Science”, https://leanpub.com/artofdatascience

 

DEĞERLENDİRME ÖLÇÜTLERİ

Yarıyıl İçi Çalışmaları Sayı Katkı Payı %
Derse Katılım
Laboratuvar / Uygulama
Arazi Çalışması
Küçük Sınavlar / Stüdyo Kritiği
Ödev
Sunum / Jüri Önünde Sunum
Proje
1
25
Çalıştay
Portfolyo
Ara Sınav / Sözlü Sınav
1
25
Final Sınavı / Sözlü Sınav
1
50
Toplam

Yarıyıl İçi Çalışmalarının Başarı Notuna Katkısı
2
50
Yarıyıl Sonu Çalışmalarının Başarı Notuna Katkısı
1
50
Toplam

AKTS / İŞ YÜKÜ TABLOSU

Aktiviteler Sayı Süresi (Saat) İş Yükü
Teorik Ders Saati
(Sınav haftası dahildir: 16 x toplam ders saati)
16
3
48
Laboratuvar / Uygulama Ders Saati
Sınav haftası dahil değildir. 16 x uygulama/lab ders saati
16
Sınıf Dışı Ders Çalışması
14
2
Arazi Çalışması
Küçük Sınavlar / Stüdyo Kritiği
Ödev
Sunum / Jüri Önünde Sunum
Proje
1
30
Çalıştay
Portfolyo
Ara Sınavlar / Sözlü Sınavlar
1
20
Final / Sözlü Sınav
1
24
    Toplam
150

 

DERSİN ÖĞRENME ÇIKTILARININ PROGRAM YETERLİLİKLERİ İLE İLİŞKİSİ

#
Program Yeterlilikleri / Çıktıları
* Katkı Düzeyi
1
2
3
4
5
1 Benzetim, eniyileme, olasılık ve istatistik gibi Endüstri Mühendisliği kavram ve tekniklerini üretim ve hizmet sistemlerinde kullanarak yönetimsel karar verme işlemlerini iyileştirmek, kalite bilincini oluşturmak, elde edilen verileri yorumlayabilmek ve değerlendirebilmek
2 Bütünleşik işleri veya iş sistemlerini ihtiyaçları doğrultusunda çeşitli alternatifler üreterek ve değerlendirerek sistem bakış açısı ile tasarlayabilmek
3 Endüstri Mühendisliği ile ilgili uygulamada karşılaşılan konuları/sorunları tanımlayabilmek, analiz edebilmek, kanıtlara ve araştırmalara dayalı çözüm önerileri geliştirebilmek
4 Nicel analiz ve eleştirel düşünce yöntemlerini kullanarak kaynak aktarımı, üretim planlaması ve çizelgelemesi, kalite kontrol ve güvence, finansal analiz ve risk analizi vb. Endüstri Mühendisliği ile ilgili konularda sorunları belirleyebilmek; bu sorunlar için alternatif çözümler üretebilmek ve alternatif çözümler içinden sistem gereksinimlerine cevap verecek en iyi çözümleri bulmak
5 Uygulamada karşılaşılan ve öngörülemeyen karmaşık sorunları çözmek için bireysel ve grup üyesi olarak sorumluluk alabilmek, sorumluluğu altında çalışanların veya grup çalışanlarının mesleki gelişimine yönelik etkinlikleri planlayabilmek ve yönetebilmek
6 Endüstri Mühendisliği alanında edindiği bilgi ve becerileri eleştirel bir yaklaşımla değerlendirebilmek, öğrenme gereksinimlerini belirleyebilmek ve öğrenmesini yönlendirebilmek
7 Endüstri Mühendisliği ile ilgili konularda ilgili kişi ve kurumları bilgilendirebilmek; düşüncelerini ve sorunlara ilişkin çözüm önerilerini yazılı ve sözlü olarak aktarabilmek ve nicel ve nitel verilerle destekleyerek uzman olan ve olmayan kişilerle paylaşabilmek
8 Bir yabancı dili kullanarak Endüstri Mühendisliği ilgili bilgileri izleyebilmek ve meslektaşları ile iletişim kurabilmek (“European Language Portfolio Global Scale”, Level B1)
9 Endüstri Mühendisliği ile ilgili bilgisayar yazılımlarını kullanabilmek ve uygulamada karşılaşacağı bilişim ve iletişim teknolojilerini kullanabilecek bilgi ve beceriye sahip olmak (“European Computer Driving License”, Advanced Level)
10 Sosyal hakların evrenselliğine değer veren, sosyal adalet bilinci kazanmış, kalite yönetimi ve süreçleri ile çevre koruma ve iş güvenliği konularında yeterli bilince sahip olmak
11 Endüstri Mühendisliği ile ilgili verilerin toplanması, yorumlanması, duyurulması ve uygulanması aşamalarında toplumsal, bilimsel ve etik değerlere sahip olmak

*1 Lowest, 2 Low, 3 Average, 4 High, 5 Highest