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 |
|---|---|---|---|---|---|---|---|
| 03831203 | Veri Madenciliği | 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 | Proje Tabanlı Öğrenme (PBL), Vaka Çalışmaları ve Gerçek Hayat Örnekleri |
| Dersin Veriliş Şekli | Yüz Yüze |
| Ön Koşullar | - |
| Dersin Koordinatörü | - |
| Dersi Veren(ler) | Öğr.Gör. Abubakar MAYANJA |
| Yardımcı(lar) | - |
Dersin Öğretim Eleman(lar)ı
| Adı Soyadı | Oda No. | E-Posta Adresi | Dahili | Görüşme Saatleri |
|---|---|---|---|---|
| Öğr.Gör. Abubakar MAYANJA | TSMYO-T213 | [email protected] | 7829 |
Dersin İçeriği
Veri Bilimine, ait konuların genel bir giriş. ,Temel veri modelleri, varlıkların ilişkisel modelleri, ilişkisel modeller ve SQL veritabanları ve ilgili veri modelleri.Büyük verinin kaynakları ve tipleri, sıkça gerçekleşen analizleri.Veri okuryazarlığı , Veri Analizi ve önişleme ,Veri bilimi proje yönetimi ve Öğrencilerin araştırma konuları ve teknikleri ile ilgili sunumları. ,Tavsiye sistemleri; konularını içermektedir.
Dersin Amacı
21. yy'da hızla gelişen ve hem araştırmacılar hem de uygulamacılar için çok popüler olan veri biliminin temellerini ortaya koyar. Ders bir veri bilimcisinin sahip olması gereken temel yetenekleri öğrenciye aktarır ve öğrencinin bunları farklı alanlara uygulamasını sağlar.
Dersin Alan Öğretimini Sağlamaya Yönelik Katkısı
| Temel Meslek Dersleri | X |
| Uzmanlık / Alan Dersleri | X |
| Destek Dersleri | X |
| Aktarılabilir Beceri Dersleri | |
| 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 |
|---|---|---|
| P11 | Algoritma ve veri yapılarını oluşturur ve matematiksel hesapları yapar. | 3 |
| P13 | Veri tabanı tasarımı ve yönetimini gerçekleştirir. | 4 |
| P20 | Öğrencilerin bilgi teknolojilerini etkin ve verimli bir şekilde kullanarak akademik ve profesyonel hayatlarında karşılaştıkları problemleri çözme yetkinliği kazanmaları. | 3 |
Dersin Öğrenim Kazanımları
| Bu dersin başarılı bir şekilde tamamlanmasıyla öğrenciler şunları yapabileceklerdir: | |||
|---|---|---|---|
| No | Öğrenme Çıktıları | Prog. Yet. İlişkisi | Ölçme Yöntemi ** |
| Ö1 | Algoritma geliştirmeyi bilir ve algoritmaya uygun veri yapısı oluşturur. | P.4.1 | 1,2,7 |
| Ö2 | Bilgisayar temel elemanlarını bilir. | P.1.1 | 7 |
| Ö3 | İnternet kullanımını ve araştırma yapmayı bilir. | P.1.2 | 3 |
| Ö4 | Bilgi teknolojileri ve bilgisayar sistemlerinin temel kavramlarını tanımlayabilme ve bu kavramlar arasındaki ilişkileri açıklayabilme. | P.20.1 | 1,3,4,5 |
| Ö5 | Temel yazılım uygulamalarını (örneğin sunum yazılımı vb.) etkin bir şekilde kullanabilme ve bu araçlarla profesyonel belgeler hazırlayabilme. | P.20.2 | 4,6,7 |
| ** 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 Madenciliğine Giriş Veri Madenciliği Genel Bakış Tanım ve önemi Veri madenciliği, makine öğrenimi ve istatistik arasındaki farklar Veri Madenciliği Uygulamaları İş dünyası, sağlık, finans ve sosyal medya Endüstride veri madenciliği örnek çalışmaları Veri Madenciliği Süreci Bir veri madenciliği projesindeki adımlar (CRISP-DM, SEMMA) Veri toplama, temizleme ve ön işleme |
| 2 | Veri Ön İşleme ve Keşif Veri Temizleme ve Dönüştürme Eksik değerler ve aykırı değerlerle başa çıkma Veri normalizasyonu ve standartlaştırma Özellik Mühendisliği ve Seçimi Boyut indirgeme (PCA, LDA) Özellik seçim yöntemleri (filtre, sarmal, gömülü) Keşifsel Veri Analizi (EDA) Veri dağılımı için görselleştirmeler Korelasyon analizi ve özellik önemi |
| 3 | Sınıflandırma Teknikleri Sınıflandırmaya Giriş Denetimli ve denetimsiz öğrenme Temel değerlendirme metrikleri (doğruluk, kesinlik, hatırlama, F1 skoru) Sınıflandırma Algoritmaları Karar Ağaçları, Naïve Bayes, En Yakın Komşular Destek Vektör Makineleri (SVM) Toplu yöntemler (Bagging, Boosting, Rastgele Ormanlar) Model Değerlendirme ve Çapraz Doğrulama K-katlı çapraz doğrulama Karışıklık matrisleri ve ROC eğrisi analizi |
| 4 | Kümeleme Teknikleri Kümelemeye Giriş Sınıflandırma ve kümeleme arasındaki fark Kümeleme uygulamaları ve zorlukları Kümeleme Algoritmaları K-Ortalama, Hiyerarşik, Küme Yorumlama ve Görselleştirme Kümeleme DBSCAN, Ortalama Kaydırma Kümeleme değerlendirme metrikleri (Silhouette skoru, Dunn İndeksi) |
| 5 | Birliktelik Kuralı Madenciliği Birliktelik Kuralı Madenciliğine Giriş. Pazar sepeti analizi ve sık kullanılan setler Perakendecilik, finans ve sağlıkta uygulamalar Anahtar Algoritmalar Apriori Algoritması FP-Growth Algoritması, Birliktelik Kurallarının Değerlendirilmesi Destek, güven, lift Kural budama ve ilginçlik ölçümleri |
| 6 | İleri Düzey Veri Madenciliği Teknikleri Anomali Tespiti Anomali türleri (nokta, bağlamsal, toplu) Anomali tespiti algoritmaları (Isolation Forest, LOF) Metin Madenciliği ve Doğal Dil İşleme (NLP) Metin ön işleme (tokenization, kök bulma, durdurma kelimeleri kaldırma) Metin sınıflandırma, duygu analizi, konu modelleme Zaman Serisi Analizi Finansal tahminlerde teknikler ve uygulamalar Temel zaman serisi modelleri (ARIMA, Üstel Düzeltme) |
| 7 | Ara sinavi |
| 8 | Veri Madenciliği Araçları ve Yazılımları Veri Madenciliği Araçlarına Giriş Python kütüphanelerinin genel bakışı (Scikit-learn, Pandas, Numpy) Veri madenciliğinde R kullanımı Popüler Veri Madenciliği Yazılımları WEKA, RapidMiner, Tableau Uygulamalı Laboratuvar Çalışmaları Veri temizleme, sınıflandırma ve kümeleme üzerine pratik egzersizler |
| 9 | Veri Madenciliği Uygulamaları ve Örnek Çalışmalar Veri Madenciliği Endüstri Uygulamaları Sağlık, finans, pazarlama ve siber güvenlikte örnek çalışmalar Veri Madenciliğinde Etik ve Gizlilik Etik sorunlar, gizlilik endişeleri ve veri koruma yasaları Algoritmalardaki önyargılar ve veri yönetimi |
| 10 | Proje Geliştirme ve Sunum Final Proje Genel Bakışı Gerçek dünya verileri üzerine bir veri madenciliği projesi formüle etme Uygun yöntem ve araçları seçme Proje Sunumu ve Değerlendirme Bulguları ve içgörüleri sunma Eş değerlendirme ve geri bildirim oturumu |
| 11 | Proje Geliştirme ve Sunum Final Proje Genel Bakışı Gerçek dünya verileri üzerine bir veri madenciliği projesi formüle etme Uygun yöntem ve araçları seçme Proje Sunumu ve Değerlendirme Bulguları ve içgörüleri sunma Eş değerlendirme ve geri bildirim oturumu |
| 12 | Öğrencilerin araştırma konuları ve teknikleri ile ilgili sunumları. |
| 13 | Öğrencilerin araştırma konuları ve teknikleri ile ilgili sunumları. |
| 14 | Öğrencilerin araştırma konuları ve teknikleri ile ilgili sunumları. |
Ders Kitabı veya Malzemesi
Değerlendirme Yöntemi ve Geçme Kriterleri
| Yarıyıl Çalışmaları | Sayısı | Katkı (%) |
|---|---|---|
| Devam | - | - |
| Laboratuvar | - | - |
| Uygulama | - | - |
| Alan Çalışması | - | - |
| Derse Özgü Staj (Varsa) | - | - |
| Ödev | - | - |
| Sunum | - | - |
| Projeler | 1 | 20 (%) |
| Seminer | - | - |
| Kısa sınav (Quiz) | - | - |
| Dinleme | - | - |
| Ara Sınavlar | 1 | 30 (%) |
| Yarıyıl Sonu Sınavı | 1 | 50 (%) |
| 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) | 14 | 2 | 28 |
| Ara Sınav | 1 | 15 | 15 |
| Kısa Sınav | 0 | 0 | 0 |
| Ödev | 0 | 0 | 0 |
| Uygulama | 14 | 1 | 14 |
| Laboratuvar | 14 | 1 | 14 |
| Proje | 0 | 0 | 0 |
| Atölye | 0 | 0 | 0 |
| Sunum/Seminer Hazırlama | 0 | 0 | 0 |
| Alan Çalışması | 0 | 0 | 0 |
| Dönem Sonu Sınavı | 1 | 15 | 15 |
| Diğer | 0 | 0 | 0 |
| Toplam İş Yükü: | 128 | ||
| Toplam Yük / 30 | 4,27 | ||
| Dersin AKTS Kredisi: | 4 | ||
Ders - Öğrenme Çıktıları İlişkisi
| İlişki Düzeyleri | ||||
| En Düşük | Düşük | Orta | Yüksek | En Yüksek |
| 1 | 2 | 3 | 4 | 5 |
| # | Öğrenme Çıktıları | P1 | P4 | P20 |
|---|---|---|---|---|
| Ö1 | Bilgisayar temel elemanlarını bilir. | 5 | - | - |
| Ö2 | İnternet kullanımını ve araştırma yapmayı bilir. | 3 | - | - |
| Ö3 | Algoritma geliştirmeyi bilir ve algoritmaya uygun veri yapısı oluşturur. | - | 4 | - |
| Ö4 | Bilgi teknolojileri ve bilgisayar sistemlerinin temel kavramlarını tanımlayabilme ve bu kavramlar arasındaki ilişkileri açıklayabilme. | - | - | 5 |
| Ö5 | Temel yazılım uygulamalarını (örneğin sunum yazılımı vb.) etkin bir şekilde kullanabilme ve bu araçlarla profesyonel belgeler hazırlayabilme. | - | - | 5 |