Erciyes University - Info Package

Dersin Adı	Dersin Seviyesi	Dersin Kodu	Dersin Tipi	Dersin Dönemi	Yerel Kredi	AKTS Kredisi	Ders Bilgileri
İŞ ANALİTİĞİ VE BÜYÜK VERİ	Üçüncü Düzey	YBS 502		1	7.00	7.00	Yazdır

Dersin Tanımı

Ön Koşul Dersleri	Yoktur. Ancak ogrencilerin kodlama bilmeleri gereklidir.
Eğitimin Dili	Türkce
Koordinatör	DOÇ. DR. ESRA KAHYA ÖZYİRMİDOKUZ
Dersi Veren Öğretim Eleman(lar)ı	DOÇ. DR. ESRA KAHYA ÖZYİRMİDOKUZ
Yardımcı Öğretim Eleman(lar)ı	-
Dersin Veriliş Şekli	Yüz yüze, uygulamalı, proje tabanlı, bilgisayar destekli
Dersin Amacı	Bu dersin amacı, büyük veri, iş analitiği ve yapay zekâ tekniklerinin bilişim sistemleri kapsamında anlaşılması ve uygulanmasıdır. Ders kapsamında öğrencilerin; veri analitiği süreçlerini kavramaları, büyük veri türlerini analiz etmeleri ve yapay zekâ temelli analitik uygulamalar geliştirmeleri hedeflenmektedi
Dersin Tanımı	Bu ders, büyük veri analitiği, iş analitiği ve yapay zekâ uygulamalarının bilişim sistemleri çerçevesinde ele alındığı, veri odaklı analiz ve modelleme tekniklerinin uygulamalı olarak gerçekleştirildiği bir derstir.

Dersin İçeriği

1	Veri, veri analizi ve veri analitiği kavramları
2	İş analitiği ve veri temelli karar verme
3	Analitik süreç (problem tanımı, veri, modelleme, değerlendirme)
4	Veri türleri
5	Büyük veri kavramı ve özellikleri (5V: volume, velocity, variety, vb.) Büyük veri türleri (yapısal, yarı yapısal, yapısal olmayan veri)
6	Büyük veri kaynakları (sosyal medya, IoT, web verisi vb.)
7	Veri toplama ve veri ön işleme
8	Veri temizleme ve veri hazırlama
9	Keşifsel veri analizi (EDA)
10	Veri görselleştirme teknikleri
11	Yapay zekâya giriş Makine öğrenmesi temelleri Denetimli öğrenme yöntemleri Denetimsiz öğrenme yöntemleri
12	Derin öğrenmeye giriş
13	Metin madenciliği ve NLP uygulamaları
14	Büyük veri analitiği uygulamaları İş analitiği uygulamaları Veri analitiği uygulama çalışmaları Analitik sonuçların yorumlanması ve raporlanması
15
16
17
18
19
20

Dersin Öğrenme Çıktıları

1	Veri, veri analizi ve veri analitiği kavramları
2	İş analitiği ve veri temelli karar verme
3	Analitik süreç (problem tanımı, veri, modelleme, değerlendirme)
4	Veri türlerini bilir
5	Büyük veri kavramı ve özellikleri (5V: volume, velocity, variety, vb.)
6	Büyük veri türleri (yapısal, yarı yapısal, yapısal olmayan veri)
7	Büyük veri kaynakları (sosyal medya, IoT, web verisi vb.)
8	Veri toplama ve veri ön işleme yapar
9	Veri temizleme ve veri hazırlama
10	Keşifsel veri analizi (EDA) Veri görselleştirme teknikleri Yapay zekâya giriş Makine öğrenmesi temelleri Denetimli öğrenme yöntemleri Denetimsiz öğrenme yöntemleri Derin öğrenmeye giriş Metin madenciliği ve NLP uygulamaları Büyük veri analitiği uygulamaları İş analitiği uygulamaları Veri analitiği uygulama çalışmaları Analitik sonuçların yorumlanması ve raporlanması

*Dersin Program Yeterliliklerine Katkı Seviyesi

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
Yıldızların sayısı 1’den (en az) 5’e (en fazla) kadar katkı seviyesini ifade eder

Planlanan Öğretim Faaliyetleri, Öğretme Metodları ve AKTS İş Yükü

	Sayısı	Süresi (saat)	Sayı*Süre (saat)
Yüz yüze eğitim	0	0	0
Sınıf dışı ders çalışma süresi (ön çalışma, pekiştirme)	0	0	0
Ödevler	0	0	0
Sunum / Seminer hazırlama	0	0	0
Kısa sınavlar	0	0	0
Ara sınavlara hazırlık	0	0	0
Ara sınavlar	0	0	0
Proje (Yarıyıl ödevi)	0	0	0
Laboratuvar	0	0	0
Arazi çalışması	0	0	0
Yarıyıl sonu sınavına hazırlık	0	0	0
Yarıyıl sonu sınavı	0	0	0
Araştırma	0	0	0
Toplam iş yükü			0
AKTS			0.00

Değerlendirme yöntemleri ve kriterler

Yarıyıl içi değerlendirme	Sayısı	Katkı Yüzdesi
Ara sınav	1	20
Kısa sınav	0	0
Ödev	1	20
Yarıyıl içi toplam		40
Yarıyıl içi değerlendirmelerin başarıya katkı oranı		40
Yarıyıl sonu sınavının başarıya katkı oranı		60
Genel toplam		100

Önerilen Veya Zorunlu Okuma Materyalleri

Ders kitabı	Foster Provost & Tom Fawcett Data Science for BusinessMartin Kleppmann Designing Data-Intensive Applications
Yardımcı Kaynaklar	Han &Kamber,, Data mining concepts and techniques, Makaleler

Ders İle İlgili Dosyalar