| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS | | 230106006105 | VERİ BİLİMİ | Seçmeli | 3 | 6 | 5 |
|
| Dersin Seviyesi |
| Lisans |
| Dersin Amacı |
| Bu ders kapsamında, veri biliminin temellerinin oluşturulması, veri ön işleme, veri azaltımı, öğrenme yaklaşımları ve veri görselleştirmenin uygulamalı olarak öğretilmesi hedeflenmektedir. |
| Dersi Veren Öğretim Görevlisi/Görevlileri |
|
| Öğrenme Çıktıları |
| 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. |
|
| Öğrenim Türü |
| Birinci Öğretim |
| Dersin Ön Koşulu Olan Dersler |
| Yok |
| Ders İçin Önerilen Diğer Hususlar |
| Yok |
| Dersin İçeriği |
| 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. |
| Haftalık Ayrıntılı Ders İçeriği |
|
| 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 | | |
|
| Ders Kitabı / Malzemesi / Önerilen Kaynaklar |
| 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. |
| Planlanan Öğrenme Aktiviteleri ve Metodları |
|
| Değerlendirme | |
| Ara Sınav | 1 | 100 | | TOPLAM | 100 | |
| Final Sınavı | 1 | 100 | | TOPLAM | 100 | | Yarıyıl (Yıl) İçi Etkinlikleri | 40 | | Yarıyıl (Yıl) Sonu Etkinlikleri | 60 | | TOPLAM | 100 |
| | Dersin Sunulduğu Dil | | | Staj Durumu | | Yok |
|
| İş Yükü Hesaplaması |
|
| 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 |
|
| Program ve Öğrenme Çıktıları İlişkisi |
| ÖÇ1 | 4 | 5 | 5 | 5 | 5 | 4 | 5 | 4 | 4 | 4 | 4 | 5 | 5 | 3 | 3 | 5 | 5 | 5 | 3 | 3 | 3 | 5 | 5 | | ÖÇ2 | 3 | 3 | 3 | 5 | 5 | 5 | 4 | 2 | 5 | 4 | 5 | 5 | 5 | 4 | 4 | 5 | 1 | 5 | 5 | 1 | 1 | 1 | 5 | | ÖÇ3 | 5 | 5 | 5 | 1 | 5 | 5 | 1 | 5 | 5 | 4 | 5 | 4 | 3 | 3 | 3 | 5 | 4 | 4 | 4 | 3 | 5 | 3 | 5 | | ÖÇ4 | 4 | 1 | 5 | 5 | 5 | 3 | 3 | 3 | 5 | 4 | 4 | 5 | 5 | 3 | 5 | 5 | 4 | 5 | 3 | 5 | 4 | 5 | 3 |
|
| * Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek |
|
|
|
|
Iğdır University, Iğdır / TURKEY • Tel (pbx): +90 476
226 13 14 • e-mail: info@igdir.edu.tr
|