Dokuz Eylül Üniversitesi Ders Katoloğu / Bilgi Paketi

Ders Bilgileri

Ders Kodu	Ders Adı	Ders Türü	D	U	L	AKTS
DSM 5013	Büyük Veri Teknolojileri ve Uygulamaları	SEÇMELİ	3	0	0	8

Dersi Veren Birim

Fen Bilimleri Enstitüsü

Dersin Düzeyi

Yüksek Lisans

Ders Koordinatörü

DOÇ. DR. ENGİN YILDIZTEPE

Dersi Alan Birimler

Veri Bilimi Yüksek Lisans
Veri Bilimi Tezsiz Yüksek Lisans (İ.Ö)

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

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

SIRA NO	KISA KOD	UZUN ADI	FORMUL
1	ODV	ÖDEV
2	ARS	ARASINAV
3	YSS	YIL SONU SINAVI
4	YSBN	YIL SONU BAŞARI NOTU	ODV * 0.30 + ARS * 0.30 + YSS * 0.40
5	BUT	BÜTÜNLEME
6	BUTBN	BÜTÜNLEME SONU BAŞARI NOTU	ODV * 0.30 + ARS * 0.30 + BUT * 0.40

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

Sınavlar, ödevler ve sunumlar

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. Derslerde ve sınavlarda meydana gelebilecek etik-dışı davranışlar konusunda ilgili yönetmelik çerçevesinde hareket edilecektir. D.E.Ü. Fen Bilimleri Enstitüsü öğretim ve sınav uygulama esasları yönetmeliğini http://www.fbe.deu.edu.tr adresinden temin edebilirsiniz.

Dersin Öğretim Üyesi İletişim Bilgileri

DEU Faculty of Science Department of Statistics
e-mail: engin.yildiztepe@deu.edu.tr
phone: +90 232 301 86 04

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	14	3	42
Haftalık Ders öncesi/sonrası hazırlıklar	14	1	14
Vize Sınavına Hazırlık	1	40	40
Final Sınavına Hazırlık	1	45	45
Sunum Hazırlama	1	25	25
Diğer (Atölye, Laboratuvar vb. kapsamındaki çalışmalar)	1	25	25
Final Sınavı	1	2	2
Vize Sınavı	1	2	2
TOPLAM İŞ YÜKÜ (saat)			195

Program ve Öğrenme Kazanımları İlişkisi

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

DERS ADI

DERECE PROGRAMLARI