BİLGİ PAKETİ / DERS KATALOĞU
| BİLGİ TEKNOLOJİLERİ (YL) (TEZLİ) (İNGİLİZCE) | |||||
|---|---|---|---|---|---|
| Kazanılan Yeterlilik | Program Süresi | Toplam Kredi (AKTS) | Öğretim Şekli | Yeterliliğin Düzeyi ve Öğrenme Alanı | |
| YÜKSEK LİSANS DERECESİ | 2 | 120 | ÖRGÜN |
TYÇ, TYYÇ, EQF-LLL, ISCED (2011):7. Düzey QF-EHEA:2. Düzey TYYÇ, ISCED (1997-2013): 44,46,48,52,72 |
|
Ders Genel Tanıtım Bilgileri
| Ders Kodu: | 3000004007 | ||||||||||
| Ders İsmi: | Calculus for Data Science | ||||||||||
| Ders Yarıyılı: | Bahar | ||||||||||
| Ders Kredileri: |
|
||||||||||
| Öğretim Dili: | EN | ||||||||||
| Ders Koşulu: | |||||||||||
| Ders İş Deneyimini Gerektiriyor mu?: | Hayır | ||||||||||
| Ders İçin Önerilen Diğer Hususlar: | |||||||||||
| Dersin Türü: | Department Elective | ||||||||||
| Dersin Seviyesi: |
|
||||||||||
| Dersin Veriliş Şekli: | Yüz yüze | ||||||||||
| Dersin Koordinatörü: | Prof. Dr. Esengül SALTÜRK | ||||||||||
| Dersi Veren(ler): |
|
||||||||||
| Dersin Yardımcıları: |
Dersin Amaç ve İçeriği
| Dersin Amacı: | Dersin amacı, veri biliminin matematiksel kavramlarını tanıtmaktır. |
| Dersin İçeriği: | Lineer (doğrusal)cebir. Olasılık teori. Yakınsama ve örnekleme. Uzaklık ve yakın komşu algoritması. Lineer regresyon. Dereceli azalma (Gradient descent). Temel bileşenler analizi. |
Öğrenme Kazanımları
Bu dersi başarıyla tamamlayabilen öğrenciler;
|
|||||||||||||||||||||||||||||||||
Ders Akış Planı
| Hafta | Konu | Ön Hazırlık |
| 1) | Lineer (doğrusal) cebir: lineer denklem sistemleri, matrisler, vektör uzayları, linner bağımsızlık, rank | |
| 2) | Lineer cebir: matris cebiri, determinant ve iz, özdeğer ve özvektörler, matris yaklaşımı | |
| 3) | Analitik geometri; iç çarpımlar, ortonormal bazlar, izdüşüm | |
| 4) | Kalkülüs: Fonksiyonlarda limit ve türev, çok değişkenli fonksiyonlar | |
| 5) | Kalkülüs: İntegral | |
| 6) | Olasılık teori: Kümeler, sayma problemi, olasılık aksiyomları, koşullu olasılık ve Bayes teoremi | |
| 7) | Yaklaşım serileri, dereceli azalma algortiması | |
| 8) | Ara sınav | |
| 9) | Olasılık teori: Rasgele dağılımlar ve Gauss dağılımı | |
| 10) | Modeller ve veri kavramı, ampirik risk minimizasyonu, olasılıksal modelleme | |
| 11) | Lineer regresyon, problemin modellenmesi, parametre tahmini, Bayes' regresyonu | |
| 12) | Problem belirleme, maksimum varyans perspektifi, temel bileşenler analizi (PCA) | |
| 13) | Temel bileşenler analizinde ana aşamalar | |
| 14) | Gauss karışım modeli ile yoğunluk tahmini | |
| 15) | Destek vektör makineleri, çekirdek fonksiyonlar |
Kaynaklar
| Ders Notları / Kitaplar: | (Textbook) Mathematical Foundations for Data Analysis, Jeff M. Phillips, Springer, 2019. |
| Diğer Kaynaklar: | (Textbook) Mathematical Foundations for Data Analysis, Jeff M. Phillips, Springer, 2019. |
Ders - Program Öğrenme Kazanım İlişkisi
| Ders Öğrenme Kazanımları | 1 |
2 |
|||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| Program Kazanımları | |||||||||||
| 1) Mühendislik, veri yönetimi ve bilgisayar güvenliği gibi temel bilgi teknolojilerindeki güncel teknik kavramları ve uygulamaları kullanma becerisi. | |||||||||||
| 2) Kullanıcı ihtiyaçlarının belirlenmesi, analiz edilmesi ve bilgisayar tabanlı sistemlerin seçiminde, değerlendirilmesinde ve yönetiminde kullanımının anlaşılması. | |||||||||||
| 3) Veri yapılarını kullanma ve algoritma geliştirme becerisi. | |||||||||||
| 4) Karmaşık büyük veri sistemlerini analiz etme ve yorumlama becerisi. | |||||||||||
| 5) Makine öğrenmesindeki kavram ve algoritmaların yorumlanması ve uygulanması becerisi. | |||||||||||
| 6) Veri analizi alanındaki derin öğrenmenin Matematik temellerinin anlaşılması ve teoriyi uygulama becerisi. | |||||||||||
| 7) Karmaşık veri yapılarını çözme, derin öğrenme modelleri geliştirme ve uygulama becerisi ve bu konularla ilgili yapay zeka odaklı araştırmaları yorumlama becerisi. | |||||||||||
| 8) Görüntü analizi, doğal dil işleme ve öneri sistemlerindeki sorunları çözmek için derin öğrenme tekniklerini uygulama ve gerçek dünya veri kümeleri ve projelerini yorumlama becerisi. | |||||||||||
| 9) Dijital sinyal işlemenin temel prensiplerini ve matematiksel altyapısını pratik uygulamalara aktarma becerisi. | |||||||||||
| 10) İnternet aracılığıyla kullanılan araç ve teknolojiler ile sunucu kodlama dilleri ve araçları için kullanılan farklı teknolojiler hakkında bilgi kazanılması. | |||||||||||
| 11) Tek hücreli organizmalarda genetik bilgi akışı ve çok hücreli organizmalarda genlerin nasıl işlediğinin anlaşılması ve biyoteknoloji alanındaki uygulamaları yorumlama ve uygulama becerisi. | |||||||||||
| 12) Etik değerlerin bilincinde olunması ve bu değerler çerçevesinde araştırma ve uygulama yapılması gerekliliğinin anlaşılması. | |||||||||||
Ders - Öğrenme Kazanımı İlişkisi
| Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
| Dersin Program Kazanımlarına Etkisi | Katkı Payı | |
| 1) | Mühendislik, veri yönetimi ve bilgisayar güvenliği gibi temel bilgi teknolojilerindeki güncel teknik kavramları ve uygulamaları kullanma becerisi. | |
| 2) | Kullanıcı ihtiyaçlarının belirlenmesi, analiz edilmesi ve bilgisayar tabanlı sistemlerin seçiminde, değerlendirilmesinde ve yönetiminde kullanımının anlaşılması. | |
| 3) | Veri yapılarını kullanma ve algoritma geliştirme becerisi. | |
| 4) | Karmaşık büyük veri sistemlerini analiz etme ve yorumlama becerisi. | |
| 5) | Makine öğrenmesindeki kavram ve algoritmaların yorumlanması ve uygulanması becerisi. | |
| 6) | Veri analizi alanındaki derin öğrenmenin Matematik temellerinin anlaşılması ve teoriyi uygulama becerisi. | |
| 7) | Karmaşık veri yapılarını çözme, derin öğrenme modelleri geliştirme ve uygulama becerisi ve bu konularla ilgili yapay zeka odaklı araştırmaları yorumlama becerisi. | |
| 8) | Görüntü analizi, doğal dil işleme ve öneri sistemlerindeki sorunları çözmek için derin öğrenme tekniklerini uygulama ve gerçek dünya veri kümeleri ve projelerini yorumlama becerisi. | |
| 9) | Dijital sinyal işlemenin temel prensiplerini ve matematiksel altyapısını pratik uygulamalara aktarma becerisi. | |
| 10) | İnternet aracılığıyla kullanılan araç ve teknolojiler ile sunucu kodlama dilleri ve araçları için kullanılan farklı teknolojiler hakkında bilgi kazanılması. | |
| 11) | Tek hücreli organizmalarda genetik bilgi akışı ve çok hücreli organizmalarda genlerin nasıl işlediğinin anlaşılması ve biyoteknoloji alanındaki uygulamaları yorumlama ve uygulama becerisi. | |
| 12) | Etik değerlerin bilincinde olunması ve bu değerler çerçevesinde araştırma ve uygulama yapılması gerekliliğinin anlaşılması. |
Öğrenme Etkinliği ve Öğretme Yöntemleri
| Alan Çalışması | |
| Bireysel çalışma ve ödevi | |
| Ders | |
| Grup çalışması ve ödevi | |
| Ödev | |
| Problem Çözme | |
| Proje Hazırlama | |
| Uygulama (Modelleme, Tasarım, Maket, Simülasyon, Deney vs.) | |
| Örnek olay çalışması |
Ölçme ve Değerlendirme Yöntemleri ve Kriterleri
| Yazılı Sınav (Açık uçlu sorular, çoktan seçmeli, doğru yanlış, eşleştirme, boşluk doldurma, sıralama) | |
| Ödev | |
| Uygulama | |
| Bireysel Proje | |
| Grup Projesi |
Ölçme ve Değerlendirme
| Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
| Ödev | 1 | % 20 |
| Projeler | 1 | % 30 |
| Ara Sınavlar | 1 | % 20 |
| Yarıyıl/Yıl Sonu Sınavı | 1 | % 30 |
| Toplam | % 100 | |
| YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 70 | |
| YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 30 | |
| Toplam | % 100 | |
İş Yükü ve AKTS Kredisi Hesaplaması
| Aktiviteler | Aktivite Sayısı | Süre (Saat) | İş Yükü |
| Ders Saati | 14 | 3 | 42 |
| Ödevler | 1 | 27 | 27 |
| Küçük Sınavlar | 15 | 7 | 105 |
| Ara Sınavlar | 1 | 3 | 3 |
| Final | 1 | 2 | 2 |
| Toplam İş Yükü | 179 | ||