• ANASAYFA
• ÜNİVERSİTE HAKKINDA
  • İsim - Adres
  • Genel Bilgi
  • Üniversite Yönetimi
  • Akademik Takvim
  • Derece Programları
  • Yabancı Dilde Eğitim Veren Birimler
  • Genel Kabul ve Kayıt Koşulları
  • Kredi Hareketliliği ve Önceki Öğrenmenin Tanınması
  • AKTS Kredilerinin Belirlenmesi
  • Akademik Danışmanlık
  • İletişim
• DERECE PROGRAMLARI
  • Doktora Programları
  • Yüksek Lisans Programları
  • Lisans Programları
  • Önlisans Programları
• ÖĞRENCİ İÇİN GENEL BİLGİLER
  • Yaşam Standardı
  • Barınma
  • Beslenme
  • Sağlık
  • Engelli İçin Olanaklar
  • Sigorta
  • Finansal Destekler
  • Öğrenci İşleri Daire Başkanlığı
  • Uluslararası Öğrenciler için Pratik Bilgiler
  • Dil Kursları
  • Staj Olanakları
  • Sportif, Sosyal ve Kültürel Faaliyetler
  • Öğrenci Toplulukları ve Kulüpler
  • İzmir-Türkiye Hakkında
• ULUSLARARASI İLİŞKİLER
  • Dış İlişkiler Koordinatörlüğü
  • Kayıt İşlemleri
  • Anlaşmalar
  • Koordinatörler
  • Belgeler
  • Yabancı Dilde Eğitim Veren Birimler
  • AKTS/DE Etiketi

Ders Bilgileri

Ders Kodu Ders Adı Ders Türü D U L AKTS UEC 2018 BÜYÜK VERİ ANALİZİ VE İSTATİSTİKSEL MODELLER ZORUNLU 3 0 0 4

Dersi Veren Birim

İktisat (İngilizce) (UOLP-New York Eyalet Üniversitesi (SUNY Albany))

Dersin Düzeyi

Lisans

Ders Koordinatörü

PROF. DR. BURÇAK MÜGE VURAL

Dersi Alan Birimler

İktisat (İngilizce) (UOLP-New York Eyalet Üniversitesi (SUNY Albany))

Dersin Amacı

Dersin Öğrenme Kazanımları

1   1. Büyük veri kavramlarını ve veri işleme mimarilerini (ör. Hadoop, Spark) temel düzeyde anlayabilecektir. 2   2. Regresyon, sınıflandırma ve kümeleme gibi istatistiksel modelleri büyük veri setlerine uygulayabilecektir. 3   3. Veri ön işleme, dönüştürme ve analiz süreçlerini Python veya R gibi programlama dilleriyle gerçekleştirebilecektir. 4   4. İstatistiksel model çıktılarının yorumunu yaparak elde edilen bulguları etkili şekilde sunabilecektir.

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta Konular Açıklama 1 Büyük Veriye ve Veri Analitiğine Giriş 2 Büyük Verinin Türleri ve Kaynakları 3 Veri Depolama Sistemleri ve Dosya Formatları 4 Hadoop Ekosistemi ve MapReduce Temelleri 5 Apache Spark ve Dağıtık Hesaplama 6 Veri Temizleme ve Ön İşleme 7 Keşifsel Veri Analizi (EDA) 8 İstatistiksel Modelleme: Doğrusal ve Lojistik Regresyon 9 Sınıflandırma Yöntemleri ve Başarı Ölçütleri 10 Kümeleme Algoritmaları (K-Ortalamalar, Hiyerarşik) 11 Boyut İndirgeme ve Özellik Seçimi 12 Model Değerlendirme ve Çapraz Doğrulama 13 Vaka Çalışması: Büyük Veride Tahmine Dayalı Analiz 14 Final Proje Sunumları ve Genel Değerlendirme

Ders İçin Önerilen Kaynaklar

İlan Edilecektir.

Öğrenme ve Öğretme Yöntemleri

1. Ders Anlatımı 2. Sınıf içi çalışmalar 3. Grup Projesi

Değerlendirme Yöntemleri

SIRA NO KISA KOD UZUN ADI FORMUL 1 ARS ARASINAV 2 ODV ODEV 3 YYS YARIYIL SONU SINAVI 4 YYBN YARIYIL SONU BAŞARI NOTU ARS * 0.35 +ODV * 0.25 + YYS * 0.40 5 BUT BÜTÜNLEME NOTU 6 BUTBN BÜTÜNLEME SONU BAŞARI NOTU ARS * 0.35 +ODV * 0.25 + BUT * 0.40

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

İlan Edilecektir.

Dersin Öğretim Dili

İngilizce

Derse İlişkin Politika ve Kurallar

İlan Edilecektir.

Dersin Öğretim Üyesi İletişim Bilgileri

İlan Edilecektir.

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 2 28 Uygulama 14 1 14 Haftalık Ders öncesi/sonrası hazırlıklar 14 2 28 Vize Sınavına Hazırlık 1 14 14 Final Sınavına Hazırlık 1 10 10 Final Sınavı 1 2 2 Vize Sınavı 1 2 2 TOPLAM İŞ YÜKÜ (saat) 98

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖK PK.1 PK.2 PK.3 PK.4 PK.5 PK.6 PK.7 PK.8 PK.9 PK.10 PK.11 PK.12 PK.13 PK.14 ÖK.1 3 4 ÖK.2 3 4 ÖK.3 4 4 ÖK.4 4 4