GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| BVA113 | VERİ BİLİMİNE GİRİŞ | Ders | 1 | 1 | 5,00 |
Dersin Seviyesi
Önlisans
Dersin Sunulduğu Dil
Türkçe
Dersin Amacı
Bu dersin amacı, öğrencilerin veri bilimi alanına giriş yapmalarını sağlamak; veri toplama, temizleme, dönüştürme ve analiz süreçlerini uygulayabilme becerisi kazandırmaktır. Öğrenciler, veri bilimi yaşam döngüsünü (CRISP-DM) öğrenerek Python ekosisteminde veri analizi yapabilecek, keşifsel veri analizi ve temel istatistiksel yöntemleri kullanarak verileri anlamlandırabilecek, görselleştirme ve raporlama tekniklerini uygulayarak bulgularını etkili şekilde sunabileceklerdir. Ayrıca, veri etiği, mahremiyet ve temel siber güvenlik konularında farkındalık geliştirmeleri hedeflenmektedir.
Dersi Veren Öğretim Görevlisi/Görevlileri
H. Aykut Coşgun
Öğrenme Çıktıları
| 1 | Veri bilimi yaşam döngüsünü (CRISP-DM) açıklar ve gerçek bir probleme uygular. |
| 2 | Python, Jupyter, Git, pandas, NumPy, seaborn/matplotlib araç zincirini kurar ve kullanır. |
| 3 | Veri toplama (dosya, API, web), temizleme, dönüştürme ve birleştirme işlemlerini uygular. |
| 4 | Keşifsel veri analizi (EDA) ve temel istatistikleri raporlar. |
| 5 | Etkili ve etik görselleştirmeler üretir; özet rapor hazırlar. |
| 6 | Temel SQL (SELECT, WHERE, JOIN, GROUP BY) ile analitik sorgular yazar. |
| 7 | Örnekleme, yanlılık ve değerlendirme metriklerinin temelini açıklar. |
| 8 | Basit bir makine öğrenmesi hattı (train/test ayırma, temel model ve metrik) kurar. |
| 9 | Veri etiği, mahremiyet (KVKK/GDPR) ve siber güvenlik farkındalığı sergiler. |
| 10 | Bulguları teknik rapor ve kısa sunumla paydaşlara aktarır. |
Öğretim Sistemi
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
-
Ders İçin Önerilen Diğer Hususlar
-
Dersin İçeriği
Veri bilimine giriş ve veri bilimi yaşam döngüsü (CRISP-DM) Python, Jupyter Notebook, Git, pandas, NumPy, seaborn/matplotlib araçlarının kurulumu ve temel kullanımı Veri kaynakları: dosyalar (CSV, Excel), API, web scraping yöntemleri Veri temizleme, dönüştürme ve birleştirme işlemleri Keşifsel veri analizi (EDA), betimsel istatistikler ve temel görselleştirmeler Etkili ve etik veri görselleştirme teknikleri Temel SQL sorguları: SELECT, WHERE, JOIN, GROUP BY Örnekleme, yanlılık türleri ve değerlendirme metriklerinin temelleri Basit makine öğrenmesi hattı: veri setini ayırma, temel model (ör. lojistik regresyon veya karar ağacı), performans değerlendirme Veri etiği, KVKK/GDPR kapsamında mahremiyet ilkeleri ve temel siber güvenlik farkındalığı Teknik rapor ve kısa sunum hazırlama, bulguları paydaşlara aktarma
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Konular (Teorik) | Uygulama | Öğretim Yöntem ve Teknikleri | Ön Hazırlık |
|---|---|---|---|---|
| 1 | Giriş: Veri bilimcinin rolü, CRISP-DM, proje döngüsü; araç ekosistemi (Python, Jupyter, Git) | Ortam kurulumu, Jupyter ve Git akışı; Python temelleri (tipler, akış) | Anlatım - Sunum - Gösterip Yaptırma | - |
| 2 | Veri türleri ve yapıları; düz/yarı-yapısal veriler; pandas DataFrame temelleri | Pandas ile dosya okuma/yazma (CSV, Excel, JSON); indexleme, seçim, filtreleme | Anlatım - Sunum - Gösterip Yaptırma | - |
| 3 | Veri edinimi: API, temel web kazıma; SQL’e giriş | Requests ile API; BeautifulSoup ile temel kazıma; SQLite’ta SELECT/WHERE | Anlatım - Sunum - Gösterip Yaptırma | - |
| 4 | Veri kalitesi ve ön işleme: eksikler, aykırılar, tip dönüşümü, tarih/saat | Temizleme, doldurma, aykırı tespiti; düzenli ifadeler; birleştirme (merge/join) | Anlatım - Sunum - Gösterip Yaptırma | - |
| 5 | Keşifsel Veri Analizi (EDA): betimsel istatistik, dağılımlar, grup analizleri | groupby/pivot, korelasyon; seaborn ile temel grafikler | Anlatım - Sunum - Gösterip Yaptırma | - |
| 6 | Görselleştirme ilkeleri: grafik türleri, algı ve etik; raporlama | Matplotlib/seaborn ile çoklu grafik; stil/tema; eksen ve açıklama | Anlatım - Sunum - Gösterip Yaptırma | - |
| 7 | Olasılık ve örnekleme: yanlılık, örnekleme dağılımları; A/B test mantığı | Simülasyonla örnekleme/CLT sezgisi; bootstrap örnekleri | Anlatım - Sunum - Gösterip Yaptırma | - |
| 8 | Vize ve ara proje değerlendirmesi; Makine Öğrenmesine kavramsal giriş | Vize sınavı; ara proje geribildirimi | Anlatım - Sunum - Gösterip Yaptırma | - |
| 9 | Temel seviye makine öğrenmesi hatları: train/test, aşırı/az öğrenme, metrikler; Sınıflandırma/regresyon örnekleri | scikit-learn: Pipeline, StandardScaler, LogisticRegression/LinearRegression | Anlatım - Sunum - Gösterip Yaptırma | - |
| 10 | Analitik SQL: JOIN, GROUP BY, HAVING, alt sorgular | SQLite üzerinde analitik sorgular; pandas-sql entegrasyonu | Anlatım - Sunum - Gösterip Yaptırma | - |
| 11 | Veri etiği, gizlilik (KVKK/GDPR), adillik ve yönetişim; güvenlik farkındalığı | Vaka analizi: etik ikilemler; veri anonimleştirme | Anlatım - Sunum - Gösterip Yaptırma | - |
| 12 | Büyük veri ekosistemi: Hadoop/Spark, dosya formatları, ölçekleme; akış | PySpark DataFrame (ops.); performans vs doğruluk tartışması | Anlatım - Sunum - Gösterip Yaptırma | - |
| 13 | İletişim ve raporlama: hikâyeleştirme, sunum tasarımı; yeniden üretilebilirlik | Not defteri → rapor; ort. ortam dosyaları; versiyonlama | Anlatım - Sunum - Gösterip Yaptırma | - |
| 14 | Final proje sunumları ve genel tekrar | Poster/kısa sunumlar, akran değerlendirme; gelecek derslere köprüler | Anlatım - Sunum - Gösterip Yaptırma | - |
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
Öğretim Elemanı ders notları ve tavsiye edeceği kaynaklar
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 75 |
| Quiz | 1 | 25 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 75 |
| Quiz | 1 | 25 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 50 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 50 | |
Staj Durumu
-
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 1 | 1 |
| Final Sınavı | 1 | 3 | 3 |
| Derse Katılım | 14 | 2 | 28 |
| Derse Katılım (Uygulama) | 14 | 2 | 28 |
| Proje Sunma | 1 | 1 | 1 |
| Proje Tasarımı /Yönetimi | 1 | 30 | 30 |
| Ara Sınav İçin Bireysel Çalışma | 1 | 6 | 6 |
| Final Sınavı içiin Bireysel Çalışma | 1 | 8 | 8 |
| Ev Ödevi | 10 | 2 | 20 |
| Toplam İş Yükü (saat) | 125 | ||
Program ve Öğrenme Çıktıları İlişkisi
| PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 | PÇ 10 | PÇ 11 | PÇ 12 | PÇ 13 | PÇ 14 | PÇ 15 | |
| ÖÇ 1 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 4 | 4 | 3 | 5 | 4 | 5 |
| ÖÇ 2 | 5 | 5 | 5 | 5 | 5 | ||||||||||
| ÖÇ 3 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | ||||||||
| ÖÇ 4 | 5 | 5 | 5 | ||||||||||||
| ÖÇ 5 | 5 | 5 | 5 | 4 | |||||||||||
| ÖÇ 6 | 5 | 5 | |||||||||||||
| ÖÇ 7 | 5 | 5 | |||||||||||||
| ÖÇ 8 | 5 | 5 | 5 | 5 | 5 | 4 | 4 | 5 | 5 | 4 | |||||
| ÖÇ 9 | 5 | 5 | 4 | ||||||||||||
| ÖÇ 10 | 5 | 5 | 5 | 4 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek