Bilgisayar Programcılığı
Dersin Ayrıntıları
KTO KARATAY ÜNİVERSİTESİ
Ticaret ve Sanayi Meslek Yüksekokulu
Bilgisayar Programcılığı Programı
Ders Bolognaları
Ticaret ve Sanayi Meslek Yüksekokulu
Bilgisayar Programcılığı Programı
Ders Bolognaları
| Ders Kodu | Ders Adı | Yıl | Dönem | Yarıyıl | T+U+L | Kredi | AKTS |
|---|---|---|---|---|---|---|---|
| 03831194 | Veri Analizi | 2 | Güz | 3 | 2+1+0 | 5 | 5 |
| Dersin Türü | Seçmeli |
| Dersin Düzeyi | Önlisans (TYYÇ: 5. Düzey / QF-EHEA: Kısa Düzey / EQF-LLL: 5. Düzey) |
| Dersin Dili | Türkçe |
| Yöntem ve Teknikler | - |
| Dersin Veriliş Şekli | Yüz Yüze |
| Ön Koşullar | - |
| Dersin Koordinatörü | Öğr.Gör. Özlem AKARÇAY PERVİN |
| Dersi Veren(ler) | Öğr.Gör. Özlem AKARÇAY PERVİN |
| Yardımcı(lar) | - |
Dersin Öğretim Eleman(lar)ı
| Adı Soyadı | Oda No. | E-Posta Adresi | Dahili | Görüşme Saatleri |
|---|---|---|---|---|
| Öğr.Gör. Özlem AKARÇAY PERVİN | TSMYO-T213 | [email protected] | 7916 |
Dersin İçeriği
Günümüzün ileri teknoloji çağında, internet ve sosyal medya platformları aracılığıyla çok sayıda veri kolayca erişebilecek durumdadır. Bu veriler, işletme, bilim ve sosyal bilimler dahil olmak üzere çok sayıda alandaki uzmanlar için son derece değerli bir kaynak olarak hizmet vermektedir. Bu amaçla, bu kapsamlı ders, öğrencileri Python programlama kullanarak karmaşık verileri etkili bir şekilde analiz etmek için gerekli becerilerle donatmak için tasarlanmıştır. Kurs boyunca öğrenciler, tamamı kullanıcı dostu Jupyter Notebook üzerinde olmak üzere, veri analizi için Numpy, Pandas ve veri görselleştirme için Seaborn, Matplotlib gibi güçlü araçları kullanmayı öğreneceklerdir. Ek olarak, kurs öğrencilere zaman serisi verilerinin nasıl toplanacağı, temizleneceği, hazırlanacağı ve analiz edileceği konusunda paha biçilmez bilgiler sağlayacaktır. Ayrıca öğrenciler, bilinmeyen ve gelecekteki değerleri tahmin etmek için doğrusal regresyon modellerinin nasıl uygulanacağına dair derin bir anlayış kazanacak ve böylece veriye dayalı içgörülere dayalı bilinçli kararlar verme becerilerini geliştireceklerdir.
Dersin Amacı
Bu ders boyunca bireyler, çok çeşitli verileri analiz etmek için Python'u kullanma konusunda kapsamlı bir anlayış geliştireceklerdir. Bu, analiz için veri hazırlamada yeterlilik kazanmayı, temel istatistiksel analizleri yürütmeyi, etkili veri görselleştirmeleri oluşturmayı ve verilerden türetilen gelecekteki eğilimleri tahmin etmeyi içerecektir.
Dersin Alan Öğretimini Sağlamaya Yönelik Katkısı
| Temel Meslek Dersleri | X |
| Uzmanlık / Alan Dersleri | X |
| Destek Dersleri | X |
| Aktarılabilir Beceri Dersleri | X |
| Beşeri, İletişim ve Yönetim Becerileri Dersleri |
Dersin Öğrenim Kazanımlarının Program Kazanımları ile Olan İlişkileri
| İlişki Düzeyleri | ||||
| En Düşük | Düşük | Orta | Yüksek | En Yüksek |
| 1 | 2 | 3 | 4 | 5 |
| # | Program Yeterlilikleri | Düzey |
|---|---|---|
| P3 | Mesleği için güncel gelişmeleri ve uygulamaları takip eder, etkin şekilde kullanır. | 5 |
| P9 | Alanı ile ilgili verilerin toplanması, uygulanması ve sonuçlarının duyurulması aşamalarında toplumsal, bilimsel, kültürel ve etik değerlere sahiptir. | 4 |
Dersin Öğrenim Kazanımları
| Bu dersin başarılı bir şekilde tamamlanmasıyla öğrenciler şunları yapabileceklerdir: | |||
|---|---|---|---|
| No | Öğrenme Çıktıları | Prog. Yet. İlişkisi | Ölçme Yöntemi ** |
| Ö1 | Veri analizi ile ilgili güncel teknikleri bilir. | P.3.1 | 1 |
| Ö2 | Güncel yazılım geliştirme platformlarını bilmeli ve kullanır. | P.3.2 | 1 |
| Ö3 | Veri toplama ve analizinde etik standartları takip eder | P.9.2 | 1 |
| ** Yazılı Sınav: 1, Sözlü Sınav: 2, Ev Ödevi: 3, Lab./Sınav: 4, Seminer/Sunum: 5, Dönem Ödevi: 6, Uygulama: 7 | |||
Dersin Haftalık İçeriği
| Hafta | Konu |
|---|---|
| 1 | Veri Tanımları ve Analiz Teknikleri: Veri nedir, Veri alaka düzeyi, Veri türleri, Veri formatları, Veri kaynağı, Veri analizi nedir? |
| 2 | Temel Analiz Teknikleri İstatistiksel hipotez oluşturma ve test etme, Ki-Kare testi, t-Testi, Varyans analizi, Korelasyon analizi |
| 3 | Veri Analizi Sürecine Giriş Farklı veri türlerini anlama, veri analitiği için Python'a giriş |
| 4 | Veri Keşfi ve Temizleme Veri toplama ve toplama, Veri temizleme teknikleri, Eksik değerlerin ve aykırı değerlerin ele alınması, Keşfedici veri analizi |
| 5 | Veri dönüştürme ve normalleştirme, Özellik mühendisliği teknikleri, Veri ölçeklendirme ve standardizasyon, Kategorik verileri işleme |
| 6 | Numpy Veri Tipleri, Evrensel Fonksiyonlar, İndeksleme, Özet Yöntemler, Sıralama, Hesaplamalar ve Yayınlama |
| 7 | Pandas DataFrame Temelleri, DataFrame Oluşturma, DataFrame Değiştirme ve Yeniden Düzenleme, Dizinleme ve Erişim Teknikleri, Gruplama, Döndürme ve Yeniden Şekillendirme |
| 8 | Ara Sınav |
| 9 | Pandas Veri Manipülasyonu, İstatistik, Veri Yöntemleri, Eksik Veri Araçları |
| 10 | Veri Görselleştirmeyi Anlamak Görselleştirme Hikaye Anlatmaktır, Grafik Türleri, Renkler, Yaygın Hatalar, En İyi Uygulamalar, Tekrarlanabilirlik |
| 11 | Veri Görselleştirme için Matplotlib Veri Görselleştirme Oluşturma Adımları, Jupyter Notebook ve Matplotlib, Matplotlib Stilleri, Panda Serisi Çizimi, Panda Dataframe Çizimi |
| 12 | İstatistiksel Tekniklere Giriş Regresyon ve Tahmin, Sınıflandırma, K-En Yakın Komşular, Kümeleme |
| 13 | Makine Öğrenimine Giriş Regresyon ve Tahmin, Sınıflandırma, K-En Yakın Komşular |
| 14 | Veri analitiği tekniklerini gerçek dünyadaki bir veri kümesine uygulama Bir veri analizi projesi tasarlamak ve yürütmek |
Ders Kitabı veya Malzemesi
| Kaynaklar | Wes Mckinney "Python for Data Analysis", First edition, Publisher O'Reilly Media. |
| [2] David Taieb ,"Data Analysis with Python: A Modern Approach "1st Edition, Packt Publishing |
Değerlendirme Yöntemi ve Geçme Kriterleri
| Yarıyıl Çalışmaları | Sayısı | Katkı (%) |
|---|---|---|
| Devam | - | - |
| Laboratuvar | - | - |
| Uygulama | - | - |
| Alan Çalışması | - | - |
| Derse Özgü Staj (Varsa) | - | - |
| Ödev | - | - |
| Sunum | - | - |
| Projeler | - | - |
| Seminer | - | - |
| Kısa sınav (Quiz) | - | - |
| Dinleme | - | - |
| Ara Sınavlar | 1 | 40 (%) |
| Yarıyıl Sonu Sınavı | 1 | 60 (%) |
| Toplam | 100 (%) | |
AKTS / Çalışma Yükü Tablosu
| Etkinlik | Sayı | Süre | Toplam İş Yükü (Saat) |
|---|---|---|---|
| Ders Hafta Sayısı ve Saati | 14 | 3 | 42 |
| Sınıf Dışı Ders Çalışma Süresi (Ön çalışma, Kütüphane, Pekiştirme) | 1 | 25 | 25 |
| Ara Sınav | 1 | 20 | 20 |
| Kısa Sınav | 0 | 0 | 0 |
| Ödev | 0 | 0 | 0 |
| Uygulama | 14 | 1 | 14 |
| Laboratuvar | 0 | 0 | 0 |
| Proje | 0 | 0 | 0 |
| Atölye | 0 | 0 | 0 |
| Sunum/Seminer Hazırlama | 0 | 0 | 0 |
| Alan Çalışması | 1 | 20 | 20 |
| Dönem Sonu Sınavı | 1 | 20 | 20 |
| Diğer | 0 | 0 | 0 |
| Toplam İş Yükü: | 141 | ||
| Toplam Yük / 30 | 4,70 | ||
| Dersin AKTS Kredisi: | 5 | ||
Ders - Öğrenme Çıktıları İlişkisi
| İlişki Düzeyleri | ||||
| En Düşük | Düşük | Orta | Yüksek | En Yüksek |
| 1 | 2 | 3 | 4 | 5 |
| # | Öğrenme Çıktıları | P3 | P9 |
|---|---|---|---|
| Ö1 | Veri analizi ile ilgili güncel teknikleri bilir. | 5 | - |
| Ö2 | Güncel yazılım geliştirme platformlarını bilmeli ve kullanır. | 5 | - |
| Ö3 | Veri toplama ve analizinde etik standartları takip eder | - | 5 |