Ders Adı | Kodu | Yerel Kredi | AKTS | Ders (saat/hafta) | Uygulama (saat/hafta) | Laboratuar (saat/hafta) |
---|---|---|---|---|---|---|
Pyhton ile Veri Analizi | ELM2110 | 3 | 4 | 3 | 0 | 0 |
Önkoşullar | Yok |
---|
Yarıyıl | Güz, Bahar |
---|
Dersin Dili | İngilizce, Türkçe |
---|---|
Dersin Seviyesi | Lisans |
Dersin Türü | Seçmeli @ Elektrik Mühendisliği Lisans Programı (%30 İngilizce) |
Ders Kategorisi | Temel Meslek Dersleri |
Dersin Veriliş Şekli | Yüz yüze |
Dersi Sunan Akademik Birim | Elektrik Mühendisliği Bölümü |
---|---|
Dersin Koordinatörü | Ali Ajder |
Dersi Veren(ler) | Alpaslan Demirci, Ali Ajder, Ramazan Ayaz |
Asistan(lar)ı |
Dersin Amacı | - Python dilini kullanarak veri analizi yapabilme becerisini kazandırmak. - Veri ön işleme, analiz etme ve görselleştirme yöntemlerini öğretmek. - Veri biliminde kullanılan temel Python kütüphaneleri (NumPy, Pandas, Matplotlib, vb.) hakkında bilgi sağlamak. - Veri setlerini anlamak, analiz etmek ve yorumlamak. |
---|---|
Dersin İçeriği | 1. Python’a Giriş ve Veri Bilimi ile Tanışma - Python programlama dili temelleri - Veri analizi ve veri bilimi kavramları - Python’da veri işleme araçları 2. NumPy ile Sayısal Verilerin Analizi - NumPy dizileri ve temel işlemler - Vektör ve matris hesaplamaları 3. Pandas ile Veri Çerçeveleri (DataFrame) - Pandas kütüphanesi ile veri işleme - Veri çerçevesi oluşturma ve veri manipülasyonu - Veriyi temizleme ve ön işleme 4. Veri Görselleştirme - Matplotlib kütüphanesi ile grafikler oluşturma - Veri setlerini görselleştirme teknikleri 5. İleri Seviye Veri Analiz Teknikleri - Veri analizi yöntemleri ve uygulamalar - İstatistiksel veri analizi ve modelleme 6. Proje: Veri Analizi Uygulaması - Öğrencilerin öğrendikleri tekniklerle veri analizi yapacakları bir proje |
Ders Kitabı / Malzemesi / Önerilen Kaynaklar | |
Opsiyonel Program Bileşenleri | Yok |
Ders Öğrenim Çıktıları
- Python programlama dilinin temellerini öğrenir ve veri analizi için uygular.
- Veri manipülasyonu ve analizinde kullanılan temel kütüphaneleri (NumPy, Pandas) etkin şekilde kullanabilir.
- Veri görselleştirme araçlarını (Matplotlib, Seaborn) kullanarak veriyi daha anlaşılır hale getirebilir ve grafiklerle analiz edebilir.
- İstatistiksel veri analiz yöntemlerini kullanarak verilerdeki desenleri keşfeder ve çıkarımlar yapar.
- Gerçek dünya veri setlerinde analiz yaparak, elde edilen sonuçları değerlendirir ve veri odaklı kararlar alır.
Ders Öğrenim Çıktısı & Program Çıktısı Matrisi
DÖÇ-1 | DÖÇ-2 | DÖÇ-3 | DÖÇ-4 | DÖÇ-5 | |
PÇ-1 | - | - | - | - | - |
PÇ-2 | - | - | - | - | - |
PÇ-3 | - | - | - | - | - |
PÇ-4 | 2 | 1 | 3 | - | - |
PÇ-5 | - | - | - | 4 | - |
PÇ-6 | - | - | - | - | - |
PÇ-7 | - | - | - | - | 5 |
PÇ-8 | - | - | - | - | - |
PÇ-9 | - | - | - | - | - |
PÇ-10 | - | - | - | - | - |
PÇ-11 | - | - | - | - | - |
PÇ-12 | - | - | - | - | - |
PÇ-13 | - | - | - | - | - |
PÇ-14 | - | - | - | - | - |
PÇ-15 | - | - | - | - | - |
PÇ-16 | - | - | - | - | - |
PÇ-17 | - | - | - | - | - |
PÇ-18 | - | - | - | - | - |
PÇ-19 | - | - | - | - | - |
PÇ-20 | - | - | - | - | - |
PÇ-21 | - | - | - | - | - |
PÇ-22 | - | - | - | - | - |
PÇ-23 | - | - | - | - | - |
PÇ-24 | - | - | - | - | - |
PÇ-25 | - | - | - | - | - |
PÇ-26 | - | - | - | - | - |
PÇ-27 | - | - | - | - | - |
PÇ-28 | - | - | - | - | - |
PÇ-29 | - | - | - | - | - |
PÇ-30 | - | - | - | - | - |
Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları
Hafta | Konular | Ön Hazırlık |
---|---|---|
1 | Python’a Giriş ve Veri Bilimi ile Tanışma - Python programlama dili temelleri - Veri analizi ve veri bilimi kavramları - Python’da veri işleme araçları | |
2 | Python’a Giriş ve Veri Bilimi ile Tanışma - Python programlama dili temelleri - Veri analizi ve veri bilimi kavramları - Python’da veri işleme araçları | |
3 | NumPy ile Sayısal Verilerin Analizi - NumPy dizileri ve temel işlemler - Vektör ve matris hesaplamaları | |
4 | Pandas ile Veri Çerçeveleri (DataFrame) - Pandas kütüphanesi ile veri işleme - Veri çerçevesi oluşturma ve veri manipülasyonu - Veriyi temizleme ve ön işleme | |
5 | Pandas ile Veri Çerçeveleri (DataFrame) - Pandas kütüphanesi ile veri işleme - Veri çerçevesi oluşturma ve veri manipülasyonu - Veriyi temizleme ve ön işleme | |
6 | Veri Görselleştirme - Matplotlib kütüphanesi ile grafikler oluşturma - Veri setlerini görselleştirme teknikleri | |
7 | Veri Analizine İleri Seviye Yaklaşımlar - İstatistiksel veri analizi yöntemleri | |
8 | Ara Sınav 1 | |
9 | Veri Analizine İleri Seviye Yaklaşımlar - İstatistiksel veri analizi yöntemleri | |
10 | Veri analizi konularında derinlemesine uygulamalar ve proje çalışmaları. | |
11 | Veri analizi konularında derinlemesine uygulamalar ve proje çalışmaları. | |
12 | Veri analizi konularında derinlemesine uygulamalar ve proje çalışmaları. | |
13 | Veri analizi konularında derinlemesine uygulamalar ve proje çalışmaları. | |
14 | Veri analizi konularında derinlemesine uygulamalar ve proje çalışmaları. | |
15 | Veri analizi konularında derinlemesine uygulamalar ve proje çalışmaları. | |
16 | Final |
Değerlendirme Sistemi
Etkinlikler | Sayı | Katkı Payı |
---|---|---|
Devam/Katılım | ||
Laboratuar | ||
Uygulama | ||
Arazi Çalışması | ||
Derse Özgü Staj | ||
Küçük Sınavlar/Stüdyo Kritiği | ||
Ödev | ||
Sunum/Jüri | ||
Projeler | 1 | 30 |
Seminer/Workshop | ||
Ara Sınavlar | 1 | 30 |
Final | 1 | 40 |
Dönem İçi Çalışmaların Başarı Notuna Katkısı | ||
Final Sınavının Başarı Notuna Katkısı | ||
TOPLAM | 100 |
AKTS İşyükü Tablosu
Etkinlikler | Sayı | Süresi (Saat) | Toplam İşyükü |
---|---|---|---|
Ders Saati | 13 | 3 | |
Laboratuar | |||
Uygulama | |||
Arazi Çalışması | |||
Sınıf Dışı Ders Çalışması | 13 | 3 | |
Derse Özgü Staj | |||
Ödev | 1 | 15 | |
Küçük Sınavlar/Stüdyo Kritiği | |||
Projeler | |||
Sunum / Seminer | |||
Ara Sınavlar (Sınav Süresi + Sınav Hazırlık Süresi) | 1 | 6 | |
Final (Sınav Süresi + Sınav Hazırlık Süresi) | 1 | 6 | |
Toplam İşyükü : | |||
Toplam İşyükü / 30(s) : | |||
AKTS Kredisi : |
Diğer Notlar | Yok |
---|