Responsive image
DERS PROGRAMI FORMU
COURSE SYLLABUS FORM
Son Güncelleme (Last Update)
12.02.2024
Dersin Adı: Temel Bilimlerde Veri Analizi Course Name: Data Analysis in Fund.Sciences
Kod
(Code) 		Yarıyıl
(Semester)		 Kredi
(Local Credits)		 AKTS Kredi
(ECTS Credits)		 Ders Uygulaması, Saat/Hafta
(Course Implementation, Hours/Week)
Ders
(Theoretical) 		Uygulama
(Tutorial)		 Laboratuvar
(Laboratory)
MAT 388/E 6,7,8 3 6 3 0 0
Bölüm / Program
(Department / Program)		 Matematik / Matematik Mühendisliği
(Mathematics / Mathematical Engineering)
Dersin Türü
(Course Type)		 Seçmeli
(Elective) 		Dersin Dili
(Course Language) 		Türkçe / İngilizce
(Turkish / English)
Dersin Ön Koşulları
(Course Prerequisites)		 MAT 242-E / MAT 271-E / END 311-E / ISL 214-E / ECN 206E min DD
Dersin Mesleki Bileşene Katkısı, %
(Course Category by Content, %)		 Temel Bilim ve Matematik
(Basic Sciences and Math)		 Temel Mühendislik
(Engineering Science)		 Mühendislik / Mimarlık Tasarım
(Engineering / Architecture Design)		 Genel Eğitim
(General Education)
20 30 50 -
Dersin Tanımı
(Course Description)		 Veri Analizinde İyi Alışkanlıklar. Temel İstatistik. Temel R. Temel Python. Tek ve Çok Değişkenli Veri Problemleri. Evet/Hayır Karar Problemleri. Ayrık Karar Problemleri. Güdümsüz Ödekleme Modelleri. Yapay Sinir Ağı Modelleri.
Best Practices in Data Analysis. Basic Statistics. Basic R. Basic Python. Univariate and Multivariate Data Problems. Boolean Decision Problems. Discrete Decision Problems. Unsupervised Clustering Models. Neural Network Models.
Dersin Amacı
(Course Objectives)
  1. Lisans matematik öğrencilerine temel makine öğrenmesi ve istatistik modellerin veriye bağlı öngörü problemlerinde nasıl kullanılacağını öğretmek, geliştirecekleri makine öğrenmesi ve istatistik modelleri nasıl yorumlayacaklarını göstermek, karar verme aşamasında kullanılacak veriye bağlı rapor yazımını öğretmek.
  1. To teach undergraduate mathematics majors how to use fundamental machine learning and statistical models in prediction problems based on data, interpreting the results of the machine learning and statistical models they are going to develop, writing analytical reports helping decision making processes.
Dersin Öğrenme Çıktıları
(Course Learning Outcomes)		 Bu dersi tamamlayan öğrenciler aşağıdaki becerileri elde eder:
  1. Veri analizindeki temel problemleri anlayabilir,
  2. Temel makine öğrenmesi ve istatistik araçları ve modellerinin kullanımı konusunda bilgi sahibi olabilir,
  3. Derste öğrenilen metodlarla geliştirilen modellerin sonuçlarının veri üzerinde verdiği sonuçların analiz edildiği raporların nasıl yazıldığını öğrenmiş olabilir.
Students completing this course will be able to:
  1. Gain a basic understanding of main problems in data analysis,
  2. Gain an operational knowledge on how to use basic tools of statistics and machine learning in data analysis problems,
  3. Learn how to write simple analytical reports on the machine learning and statistical models they develop in this class.
Ders Planı
Hafta Konular Dersin Öğrenme Çıktıları
1Veri bilimi, istatistik ve makine öğrenmesi arasındaki farklarI
2Veri biliminde iyi alışkanlıklarI, II, III
3Temel RII
4Temel R ve pythonII
5Temel pythonII
6Temel istatistikI, II
7Tek ve çok değişkenli sayısal veri problemleriI, II, III
8Tek ve çok değişkenli sayısal veri problemleriI, II, III
9Evet/Hayır karar problemleriI, II, III
10Evet/Hayır karar problemleriI, II, III
11Güdümsüz öbekleme problemleriI, II, III
12Güdümsüz öbekleme problemleriI, II, III
13Yapay sinir ağı modelleriI, II, III
14Yapay sinir ağı modelleriI, II, III
Course Plan
Week Topics Course Learning Outcomes
1Differences between data science, statistics and machine learningI
2Best practices in data scienceI, II, III
3A crash course in RII
4A crash course in R, A crash course in pythonII
5A crash course in pythonII
6Basic statistical conceptsI, II
7Univariate and multivariate numerical data problemsI, II, III
8Univariate and multivariate numerical data problemsI, II, III
9Boolean decision problemsI, II, III
10Boolean decision problemsI, II, III
11Unsupervised clustering problemsI, II, III
12Unsupervised clustering problemsI, II, III
13Neural network modelsI, II, III
14Neural network modelsI, II, III



Dersin Mühendislik Öğrenci Çıktılarıyla İlişkisi

Programın Mezuna Kazandıracağı Bilgi ve Beceriler (Programa Ait Çıktılar) Katkı Seviyesi
1 2 3
1 Mühendislik, fen ve matematik ilkelerini uygulayarak karmaşık mühendislik problemlerini belirleme, formüle etme ve çözme becerisi. X
2 Küresel, kültürel, sosyal, çevresel ve ekonomik etmenlerle birlikte özel gereksinimleri sağlık, güvenlik ve refahı göz önüne alarak çözüm üreten mühendislik tasarımı uygulama becerisi. X
3 Farklı dinleyici gruplarıyla etkili iletişim kurabilme becerisi. X
4 Mühendislik görevlerinde etik ve profesyonel sorumlulukların farkına varma ve mühendislik çözümlerinin küresel, ekonomik, çevresel ve toplumsal bağlamdaki etkilerini göz önünde bulundurarak bilinçli kararlar verme becerisi. X
5 Üyeleri birlikte liderlik sağlayan, işbirlikçi ve kapsayıcı bir ortam yaratan, hedefler belirleyen, görevleri planlayan ve hedefleri karşılayan bir ekipte etkili bir şekilde çalışma yeteneği becerisi. X
6 Özgün deney geliştirme, yürütme, verileri analiz etme ve yorumlama ve sonuç çıkarmak için mühendislik yargısını kullanma becerisi. X
7 Uygun öğrenme stratejileri kullanarak ihtiyaç duyulduğunda yeni bilgi edinme ve uygulama becerisi. X
Ölçek: 1: Az, 2: Kısmi, 3: Tam

Relationship of the Course to Engineering Student Outcomes

Program Student Outcomes Level of Contribution
1 2 3
1 An ability to identify, formulate, and solve complex engineering problems by applying principles of engineering, science, and mathematics. X
2 An ability to apply engineering design to produce solutions that meet specified needs with consideration of public health, safety, and welfare, as well as global, cultural, social, environmental, and economic factors. X
3 An ability to communicate effectively with a range of audiences. X
4 An ability to recognize ethical and professional responsibilities in engineering situations and make informed judgments, which must consider the impact of engineering solutions in global, economic, environmental, and societal contexts. X
5 An ability to function effectively on a team whose members together provide leadership, create a collaborative and inclusive environment, establish goals, plan tasks, and meet objectives. X
6 An ability to develop and conduct appropriate experimentation, analyze and interpret data, and use engineering judgment to draw conclusions. X
7 An ability to acquire and apply new knowledge as needed, using appropriate learning strategies. X
Scale: 1: Little, 2: Partial, 3: Full

Tarih (Date)
31.12.2018
Bölüm Onayı (Departmental Approval)
Matematik Bölümü
(Department of Mathematics)




Ders Kaynakları ve Başarı Değerlendirme Sistemi (Course Materials and Assessment Criteria)

Ders Kitabı
(Textbook) 		“The Elements of Statistical Learning Data Mining, Inference, and Prediction” T. Hastie, R. Tibshirani, J. Friedman.
Diğer Kaynaklar
(Other References) 		M. P. Deisenroth, A. A. Faisal, and C. S. Ong. Mathematics For Machine Learning.
I. Goodfellow, Y. Bengio, and A. Courville. Deep Learning.
A. Müller and S. Guido Introduction to Machine Learning with Python: A Guide for Data Scientists 1st Edition.
A. Geron. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow Concepts, Tools, and Techniques to Build Intelligent Systems
J. VanderPlas, Python Data Science Handbook.
Ödevler ve Projeler
(Homework & Projects)		 Dönem boyunca öğrencilere tamamlamaları gereken 4 ödev ve 1 final projesi verilecektir.
Students will be given 4 homework sets, and 1 final project.
Laboratuvar Uygulamaları
(Laboratory Work)		 -
-
Bilgisayar Kullanımı
(Computer Usage)		 Öğrencilerden kendi bilgisayarlarına Python ve jupyter yazılımlarını yüklemeleri istenecektir. Bu yazılımların tamamı açık kaynak olup bir ücret ödemeleri gerekmemektedir.
The students will be asked to install Python, and jupyter on their own computers. All of these software are open source and free. The students are not required to buy any licences.
Diğer Uygulamalar
(Other Activities)		 -
-
Başarı Değerlendirme Sistemi
(Assessment Criteria) 		Faaliyetler
(Activities)		 Adet
(Quantity)		 Genel Nota Katkı, %
(Effects on Grading, %)
Yıl İçi Sınavları
(Midterm Exams)		 - -
Kısa Sınavlar
(Quizzes)		 - -
Ödevler
(Homework)		 4 45
Projeler
(Projects)		 1 15
Dönem Ödevi/Projesi
(Term Paper/Project)		 - -
Laboratuvar Uygulaması
(Laboratory Work)		 - -
Diğer Uygulamalar
(Other Activities)		 - -
Final Sınavı
(Final Exam)		 1 40
VF almamak için gereken
(To avoid VF) 		Ödevlerin en az ikisini tamamlamış olmak ve yıl içi toplamda en az %35 almış olmak.