Dokuz Eylül Üniversitesi Ders Katoloğu / Bilgi Paketi

Ders Bilgileri

Ders Kodu	Ders Adı	Ders Türü	D	U	L	AKTS
EBT 6022	Eğitimde Büyük Veri Teknolojileri ve Uygulamaları	SEÇMELİ	3	0	0	8

Dersi Veren Birim

Eğitim Teknolojileri Doktora

Dersin Düzeyi

Doktora

Ders Koordinatörü

Dersi Alan Birimler

Eğitim Teknolojileri Doktora

Dersin Amacı

Bu dersin amacı, öğrencilere Büyük Veri analizi ve uygulamalarının temel kavramlarını tanıtmaktır

Dersin Öğrenme Kazanımları

1	Büyük verinin tanımındaki temel kavramları, ilkeleri ve yaklaşımları anlayabilme.
2	Büyük veri analizinin temel sorunlarını anlayabilme.
3	Hadoop MapReduce vb. gibi bazı veri analizi ve yönetim araçlarını kullanma konusunda pratik deneyim kazanabilme.
4	Büyük veri analizi yapmak için kullanılan yaygın algoritmaları ve istatistiksel teknikleri öğrenebilme.
5	Yapılandırılmış, yarı yapılandırılmış ve yapılandırılmamış veriler ile büyük veri analizinde farklı senaryo türleri ve uygulamalar hakkında bilgi edinme.

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta	Konular	Açıklama
1	Büyük veri giriş, Temel terminoloji, Büyük verinin özellikleri
2	Verileri Temsil Etmek, iPython, NumPy, pandas. Veri türleri: DataFrames, tablolar, haritalar, matrisler. Veri düzenleme, özetleme ve görselleştirme
3	Büyük veri sistemleri ve programlama, dağıtılmış dosya sistemi, büyük veri için programlama modelleri
4	Apache Hadoop'a Giriş, Büyük Veri Depolama / HDFS
5	MapReduce'a Giriş
6	Büyük veri modelleme ve yönetimi
7	Büyük veri modelleme ve yönetimi
8	Geleneksel veritabanı sistemlerine ve erişim yöntemlerine yeni alternatifler, NoSQL
9	Büyük veri bilgi geri getirimi
10	Büyük veri entegrasyonu araçları
11	Apache Spark kullanarak büyük verilerin işlenmesi ve analizi
12	Apache Spark kullanarak büyük verilerin işlenmesi ve analizi
13	Büyük veri ile makine öğrenimi
14	Öğrenci sunumları
15	Final

Ders İçin Önerilen Kaynaklar

Ana kaynak:
1. Leskovec, J., Rajaraman, A., & Ullman, J. D. (2014). Mining of massive datasets. Cambridge university press.
2. White, T. (2012). Hadoop-The Definitive Guide: Storage and Analysis at Internet Scale
3. Karau, H., Konwinski, A., Wendell, P., & Zaharia, M. (2015). Learning spark: lightning-fast big data analysis. O'Reilly.
Diğer ders materyalleri: Ders sunumları, Web kaynakları

Öğrenme ve Öğretme Yöntemleri

Ders anlatımı, uygulamalar

Değerlendirme Yöntemleri

Başarılı / Başarısız

*** Bütünleme Sınavı Yapılmayan Birimlerde Bütünleme Kriteri Dikkate Alınmaz.

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

Ödev ve sunumlar, tartışma

Dersin Öğretim Dili

Türkçe

Derse İlişkin Politika ve Kurallar

Dönem boyunca derslerin %70'ine devam etme sorumluluğu öğrenciye aittir. Ders saatine ve ödev teslimi ile ilgili belirtilen zamana uyulmalıdır.

Dersin Öğretim Üyesi İletişim Bilgileri

Dokuz Eylül üniversitesi Bilgisayar Mühendisliği Bölümü
PROF.DR. AYLİN ALIN
FEN FAKÜLTESİ İSTATİSTİK BÖLÜMÜ İSTATİSTİK TEORİSİ ANABİLİM DALI
aylin.alin@deu.edu.tr
+90 232 - 3018572 - 18572

Ders Öğretim Üyesi Görüşme Gün ve Saatleri

İlan Edilecektir.

Staj Durumu

YOK

İş Yükü Hesaplaması

Etkinlikler	Sayısı	Süresi (saat)	Toplam İş Yükü (saat)
Ders Anlatımı	13	3	39
Haftalık Ders öncesi/sonrası hazırlıklar	13	6	78
Vize Sınavına Hazırlık	1	5	5
Final Sınavına Hazırlık	1	5	5
Ödev Hazırlama	1	30	30
Rapor hazırlama	1	40	40
Final Sınavı	1	2	2
Vize Sınavı	1	2	2
TOPLAM İŞ YÜKÜ (saat)			201

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖK	PK.1	PK.2	PK.3	PK.4	PK.5	PK.6	PK.7	PK.8
ÖK.1	1	1	3	5	1	1	2	2
ÖK.2	1	2	4	5	4	2	2	2
ÖK.3	1	2	4	5	5	2	2	2
ÖK.4	2	2	4	5	4	2	2	2
ÖK.5	4	2	4	5	4	2	3	3

DERS ADI

DERECE PROGRAMLARI