Dokuz Eylül Üniversitesi Ders Katoloğu / Bilgi Paketi

Ders Bilgileri

Ders Kodu	Ders Adı	Ders Türü	D	U	L	AKTS
DSM 5006	Keşifsel Veri Analizi ve Veri Görselleştirme	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 güncel araçları kullanarak keşfedici veri analizi ve grafiksel teknikleri öğretmektir.

Dersin Öğrenme Kazanımları

1	Veri keşfi ve görselleştirme konusundaki temel kavramları öğrenebilme
2	Veri analizi için strateji geliştirebilme
3	Farklı veri türlerinin temizliğinde ve düzenlenmesinde güncel araçların etkin kullanabilme
4	Gerçek yaşam uygulamaları için grafikler oluşturabilme
5	Programlama dillerinin (R, Python, vb.) farklı özellikteki ve yüksek hacimli verilerin özetlenmesinde ve görselleştirilmesinde etkin kullanabilme

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta	Konular	Açıklama
1	Temel istatistik konularının gözden geçirilmesi ve R istatistiksel programlama dili ile tanışma
2	Grafiklerin temel özellikleri, R çizim sistemi
3	Temel grafik fonksiyonları, histogram, dağılım grafiği, kutu grafiği ve toplu karşılaştırma
4	Veri temizleme ve dönüştürme
5	tidyverse paketlerindeki veri alış/veriş ve veri düzenleme fonksiyonları
6	tidyverse paketlerindeki veri düzenleme fonksiyonları
7	Gelişmiş grafikler, ggplot2
8	Gelişmiş grafikler, ggplot2
9	Anomali belirleme
10	Anomali belirleme
11	Çok değişkenli görselleştirme
12	Dinamik raporlama, rmarkdown
13	Dinamik raporlama, rmarkdown
14	Öğrenci sunumları

Ders İçin Önerilen Kaynaklar

Ana kaynak:
1. Wickham, H., & Grolemund, G. (2016). R for data science: import, tidy, transform, visualize, and model data. O'Reilly Media, Inc.
2. Maindonald, J., & Braun, W. (2010). Data Analysis and Graphics Using R: An Example-Based Approach. Cambridge: Cambridge University Press.
Yardımcı kaynaklar:
1. Springer Kabacoff, I. R. (2011). R in Action. Data Analysis and Graphics with R.
Diğer ders materyalleri: Ders sunumları

Öğrenme ve Öğretme Yöntemleri

Ders anlatımı, uygulamalar

Değerlendirme Yöntemleri

SIRA NO	KISA KOD	UZUN ADI	FORMUL
1	HW	Hmwrk/rsch.
2	FN	Final
3	BNS	BNS	HW * 0.50 + FN * 0.50
4	BUT	Bütünleme Notu
5	BBN	Bütünleme Sonu Başarı Notu	HW * 0.50 + BUT * 0.50

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

Ödevler ve sunum, araştırma raporu, uygulama sınavı

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 Fen Fakültesi İstatistik Bölümü B261/1
e-posta: engin.yildiztepe@deu.edu.tr
Tel: 0232 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
Final Sınavına Hazırlık	1	35	35
Rapor hazırlama	1	45	45
Ödev Hazırlama	1	30	30
Sunum Hazırlama	1	25	25
Final Sınavı	1	2	2
Proje Ödevi	1	2	2
TOPLAM İŞ YÜKÜ (saat)			195

Program ve Öğrenme Kazanımları İlişkisi

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

DERS ADI

DERECE PROGRAMLARI