Fen Bilimleri Enstitüsü · Bilgisayar Bilimleri ve Mühendisliği (%30 İngilizce) · Doktora
Dersin Amacı
Bu ders yüksek lisans öğrencilerine veri analizi ve görselleştirme alanlarını tanıtmayı amaçlamaktadır. Dersin temel amacı, veri modelleme, analiz ve görselleştirme tekniklerinde en son teknolojiyi kapsayarak bağımsız bir veri analisti olmanızı sağlayacak araçlarla sizi donatmaktır.
Ders İçeriği
Ders, öğrenciler için hem teorik hem de pratik konuları içermektedir. Python programlama dili, farklı modelleme ve görselleştirme tekniklerini programlamak için kullanılır. Dersin sonunda öğrenciler, büyük veri kümeleri için görselleştirme sistemi tasarlayarak hızlı veri analizi yaparak verileri etkili bir şekilde görselleştirebileceklerdir. Veri dönüşümleri, zaman serileri analizi, keşif araştırması, keşifsel mekansal veri analizi ve istatistiksel grafikler esas alınacaktır.
Zorunlu Kaynaklar
Data Analysis and Visualization Using Python by Dr. Ossama Embarak (2018)
ISBN-13 (pbk): 978-1-4842-4108-0 ISBN-13 (electronic): 978-1-4842-4109-7
https://doi.org/10.1007/978-1-4842-4109-7
Önerilen Kaynaklar
Practical Data Science Cookbook: Data Pre-processing, Analysis and Visualization using R and Python. Second Edition by Prabhanjan Tattar, Tony Ojeda (2017)
Kurallar
• Cep telefonu kullanıcısı kesinlikle yasaktır. Sınıfta veya laboratuarda, herhangi bir öğrenci cep telefonunu kullanarak yakalanırsa, önce bir uyarı alabilir ve daha sonra sınıfta veya laboratuarda oturmasına izin verilmeyebilir.
• Devam: Derslere katılmak ve laboratuarda okumak zorunludur. 10 dakika sonra sınıfa giremezsiniz. Zamanında sınıfta olmaya teşvik edilirsiniz. Katılımınız% 70'ten az ise, ödün vermeyecek ve dersten çekileceksiniz ve bir DZ notu verilecektir.
• Geç teslime izin verilmez: Ödevinizi / projenizi belirtilen saatte teslim edemezseniz, hiçbir not alamazsınız.
• İntihal Kabul Edilemez: Projeniz veya ödeviniz için çevrimiçi olarak mevcut herhangi bir kodu, onları anlamadan doğrudan kopyalayıp yapıştırmanıza izin verilmez. Çevrimiçi materyali anladıysanız ve kullandıysanız, kopyaladığınız web sitesine veya kaynağa referans vermelisiniz. Aksi takdirde, intihal kabul edilir ve size hiçbir işaret verilmez.
Dersin Öğrenme Çıktıları
- Veri analizi ve görselleştirmenin temellerini anlayın.
- İnsan algı bilgisini ve bilgisayarların bilgiyi nasıl gösterdiğini bilmek.
- Büyük veri kümeleri için veri analizi ve modellemesi yapın.
- Saçılma noktaları, çizgi grafikler ve histogramlar dahil olmak üzere çeşitli istatistiksel grafikler ve görselleştirmeler için tasarım ilkeleri uygulayın.
Temel Alan Dağılımı
Öğretim Yöntem ve Teknikleri
Ölçme ve Değerlendirme
AKTS / İş Yükü
| Etkinlik | Sayı | Süre (saat) | Toplam İş Yükü |
|---|---|---|---|
| Ders Süresi (Sınav Haftası Dahil) | 16 | 3 | 48 |
| Sınıf Dışı Ders Çalışma Süresi | 16 | 4 | 64 |
| Ara Sınav | 1 | 2 | 2 |
| Kısa Sınav | 3 | 1 | 3 |
| Ödev | 3 | 2 | 6 |
| Uygulama | 0 | 0 | 0 |
| Final | 1 | 2 | 2 |
Ders Akışı
| Hafta | Konu | Ön Hazırlık |
|---|---|---|
| 1 | Derse giriş, Görselleştirmenin amacı, veri setlerinin verileri içindeki veri türleri, Python programlama temelleri ve kütüphaneler | Lecture |
| 2 | Numpy'ye giriş. Diziler (Yaratma, İndeksleme, Yerleştirme, Evrensel fonksiyonlar, İşleme ve Girdi / Çıktı). | slides |
| 3 | Pandalara Giriş, Seri ve Veri Çerçevesi, Veri Temizleme ve Manipülasyon Teknikleri. (Dizin Nesneleri, Reindex, Bırakma Girişi, Girdi Seçme, Veri Hizalama, Sıralama ve Sıralama, Özet İstatistikler, Eksik Veri, Dizin Hiyerarşisi) | |
| 4 | Dosya G / Ç Veri İşleme ve Yükleme (Metin Dosyalarını Okuma ve Yazma, JSON, HTML, Microsoft Excel dosyaları). | |
| 5 | Veri Arama ve İşlemleri (Birleştirme, Dizinde Birleştirme, Birleştirme, Veri Çerçevelerini Birleştirme, Yeniden Şekillendirme, Döndürme, Veri Çerçevelerinde Çoğaltmalar, Haritalama, Değiştirme, Dizini Yeniden Adlandırma, Tonlama, Aykırı Değerler ve Permütasyon). | |
| 6 | Veri Arama ve İşlemleri (DataFrames Sözlüğü ve Serilerine Göre Gruplama, Toplama, Bölme, Uygulama ve Birleştirme, Çapraz Tablolama) | |
| 7 | Veri Görselleştirme ve İstatistiksel Grafikler (Çizgi Grafiği, Çubuk Grafiği, Pasta Grafiği, Histogram Grafiği, Çekirdek Yoğunluğu Tahmini Grafikleri, Grafik Stillerini Birleştir, Kutu ve Keman Grafikleri, Regresyon Grafiği, Isı Haritaları ve Kümelenmiş Matrisler). | |
| 8 | Ara Sinav | Ara Sinav |
| 9 | Çok Değişkenli Analiz ve Makine Öğrenmesi (Denetimli / Denetimsiz Öğrenme, Veri Görselleştirme ve ML Bağlantısı, Doğrusal Regresyon ve Lojistik Regresyon) | |
| 10 | Çok Değişkenli Analiz ve Makine Öğrenmesi (Çok Sınıflı Sınıflandırma, Destek Vektör Makinesi ve Naif Bayes) | |
| 11 | Çok Değişkenli Analiz ve Makine Öğrenimi (Karar Ağaçları ve Rastgele Orman, Doğal Dil İşleme) | |
| 12 | Veri Analizi ve Genel İstatistik Teoremlerinin Görselleştirilmesi (Kesikli Düzgün Dağılım ve Sürekli Düzgün Dağılım) | |
| 13 | Veri Analizi ve Genel İstatistik Teoremlerinin Görselleştirilmesi (Binom Dağılımı ve Poisson Dağılımı) | |
| 14 | Veri Analizi ve Genel İstatistik Teoremlerinin Görselleştirilmesi (Normal Dağılım ve Örnekleme Teknikleri) | |
| 15 | Genel İstatistik Teoremlerinin Veri Analizi ve Görselleştirilmesi (T-Dağılım, Hipotez Testleri ve Güven Aralıkları) | |
| 16 | Final Sinav |