DA 501 Syllabus

Bu derste veri temizleme, düzenleme, işleme ve analiz etme konularında temek fikirler öğretilecektir. Öğrenciler, yoğun veri kullanımı olan uygulamalarda karşılaşılan farklı veri analizi problemleri üzerinde çalışacaklardır. Derste öğrencilerden vaka çalışmalarıyla birlikte pek çok sınıf içi programlama alıştırmaları yapmaları beklenmektedir. Bu alıştırmaların yardımıyla veri analitiğine ve Python programlama dili kullanarak bilimsel hesaplamaya giriş yapılacaktır.

DA 503 Syllabus

Bu ders veri analizi üzerine odaklanmış bir uygulamalı istatistik dersidir. Bu derste iş dünyasından gerçek problemler ve çeşitli istatistiki modelleme teknikleri ele alınarak veriden bilgi üretmek için kullanılabilecek istatistiki araçlar uygulamalar üzerinden incelenecektir. Derste ayrıca doğrusal bağlanım, temel bileşen analizi, çapraz doğrulama ve p-değerlerli gibi konular ele alınacaktır. Bu ders öğrencilerin Python veya R gibi istatistiki bir programlama dilini kullanarak burada öğrenilen teknikleri büyük veri grupları üzerinde uygulamalarına yardımcı olacak bir formatta tasarlanmıştır.

DA 505 Syllabus

Bu ders ilişkisel veri tabanları ve büyük veriler için geliştirilmiş modeller dahil olmak üzere veri işletiminin temellerini kapsamaktadır. İlk olarak kavramsal modeller (ER ve UML gibi) anlatılacak, daha sonra ilişkisel model ve kavramsal modelden ilişkisel modele geçiş üzerinde durulacaktır. SQL sorgu dili ile ilişkisel veri tabanlarının sorgulanması anlatılacaktır. Büyük veriler ve yeni veri tipleri için geliştirilmiş olan anahtar-değer, çizge, ve dokuman veri tabanları dersin ikinci kısmını oluşturacaktır. Öğrenciler derste MySQL, Cassandra, ve MongoDB gibi veri tabanı sistemleri üzerinde uygulamalı çalışacaktır.

DA 507 Syllabus

Bu dersin amacı analitik modellemeyi, optimizasyon problemlerini, ve optimizasyon problemlerinin temel özelliklerini tanıtmaktır. Derste problemleri analitik/kuantitatif/matematiksel modellere dönüştürmenin ana öğelerini öğretilecek, optimizasyon problemlerini temsil eden basit matematiksel modellerin formulasyonu ve çözümü anlatılacaktır. Optimizasyon problemlerinin çözümünde kullanılan algoritmaların anlaşılması amacıyla hem tam çözüm hem de yaklaşık çözüm yöntemleri, özellikle de sezgisel teknikler üzerinde durulacaktır. Ders boyunca doğrusal, doğrusal olmayan, ve tam sayı optimizasyon problemleri, ağ akışı, ve ağ tasarımı problemleri üzerinde veri bilimi ve veri analitiği alanından örneklerle durulacaktır.

DA 512 Syllabus

Bu dersin amacı öğrencilere Hadoop Distributed File System (HDFS) üzerinde çalışacak programlar yazmak için gerekli temel bilgileri vermektir. Derste geleneksel programlama yöntemlerinin sorunları ve Hadoop’un bu sorunları nasıl çözdüğü gösterilecektir. Hadoop Cluster ve Ekosisteminin temellerini öğrendikten sonra öğrenciler Apache Spark framework’ünü kullanarak programlar geliştirip, bu programları Hadoop cluster üzerinde nasıl çalıştıracaklarını öğrenecekler.

DA 513 Syllabus

Bu ders, Makine Öğrenmesi temel yaklaşımlarını kapsamaktadır. Ders makine öğrenmesinin temelleri ile başlayarak, farklı öğrenme paradigmaları, regresyon, sınıflandırma problemleri, değerlendirme metodları, genelleştirme, ve ezberleme konuları ile devam edecektir. Daha sonra temel makine öğrenme tekniklerinden karar ağaçları, Bayesian yaklaşımlar, lojistik regresyon, k-enyakın komşuluk, ve çevrimiçi öğrenme algoritmalarına değinilecektir. Öğrencilerin, anlatılan tekniklerin arka planını oluşturan temel teorileri anlamalarının yanında bu teknikleri farklı platformlarda (Weka veya Matlab) uygulamaları beklenecektir.

DA 518 Syllabus

Keşifsel Veri Analizi (KVA) bir veri setinin en önemli özelliklerini özetleyen ve görselleştiren bir veri analizi yaklaşımıdır. KVA verinin içerdiği yapıları ve değişkenleri anlamak, veri hakkında bir öngörüye sahip olmak ve hangi istatistiksel methodlar ile inceleneceğine karar vermek için verinin keşfine odaklanır. KVA veri görselleştirmeden farklı olarak analiz sürecinin başında gerçekleşen bir işlemdir, buna karşılık veri görselleştirme analizin sonucunda bulunanların paylaşılması için gerçekleştirilir. Bu derste veri görselleştirme anlatılarının pratik teknikleri ele alınacaktır. İş dünyası, endüstri ve gazetecilikten vaka çalışmalarına yer verilecektir.

DA 514 Syllabus

Veri Madenciliği dersi kapsamında verilerin çekilmesi, düzenlenmesi, ve temizlenmesi ile veri madenciliği algoritmalarının çalışmasına hazır hale getirilmesi dersin ilk bölümünü oluşturacaktır. Daha sonra Veri Madenciliği tekniklerinden ilişkisel kural bulma, sıralı örgüler, kümeleme, ve metin madenciliği üzerinde durulacaktır. Öğrencilerin, anlatılan tekniklerin arka planını oluşturan temel teorileri anlamalarının yanında bu teknikleri farklı platformlarda (RapidMiner ya da Weka) uygulamaları beklenecektir.

DA 516 Syllabus

Farklı türdeki sosyal ağlar ve bireyler arasındaki bağlantılar, son zamanlarda ortaya çıkan yeni nesil uygulamaların altındaki modeli anlamamız konusunda hayati bir önem taşımaktadır. Bu bağlantılar, gerek bireysel gerekse ticari ağlar ve toplulukların etkileşiminde görülen aktörleri, yani bireyleri, yerleri, etkinlikleri, iş alanlarını, ürünleri, sosyal ve bütünleşik iş akışlarını içine almaktadır. Bu derste Facebook, Twitter, Linkedin ve Foursquare gibi farklı uygulamalar incelenecek ve farklı bağlantılarla oluşturulan ağ türleri de araştırılacaktır. Bu ağların nasıl çalıştıklarına ışık tutacak teknik araçlar incelenecek ve sosyal ağ analizi ve modellemesi için gerekli olan graf teoriye de giriş yapılacaktır. Kurs kapsamında oyun teori ile etkileşim dinamiği de inceleme altına alınacaktır. Derste öğretilecek olan kavramlar:

1. Farklı sosyal ağların çalışma mekanizmalarını incelenmesi ve modellenmesi
2. Graf teorinin temelleri
3. Temel sosyal ağ analizi
4. Oyun teorisinin temelleri
5. Bu kavramların yeni web ve sosyal ağ uygulamalarına uyarlanması

.

DA 515 Syllabus

Bu ders kapsamında farklı endüstrilerde ve alanlarda karşımıza çıkan vakalar üzerinden enformasyon keşif sürecinin temel prensipleri uygulamalı olarak incelenecektir. Öğrencilerin bu süreç içinde yeni karşılaştıkları bir veri analitiği projesinde takip edilmesi gereken kritik adımları öğrenmeleri amaçlanmaktadır. Her bir vaka üzerinde verinin temizlenmesi, işlenmesi ve analize hazır hale gelmesi için yararlandığımız araçların kullanımı gösterilecektir. Verinin incelenmesi, boyut azaltılması ve model seçimi gibi konulara ağırlık verilecektir. Her bir vaka çalışması, sonuçların detaylı yorum ve analizi ile sonlandırılacaktır.

DA 522 Syllabus

Verinin iş dünyasında yoğun ve yaygın kullanılmasıyla birlikte bu kapsamda dikkat edilmesi gereken hukuki ve etik unsurlar gerek bireyler gerekse kurumlar açısından kritik önem kazanmıştır. Söz konusu hukuki ve etik konuları tartışmayı amaçlayan ders kapsamında, özel veri, açık veri ve anonim veri kavramları ile verinin kime ait olduğu, hangi durumlarda fikri mülkiyet hakları, ticari sır vb. haklar kapsamında korunacağı gibi hususların yanı sıra, verinin “kişisel veri” niteliğinde olması halinde ortaya çıkan sınırlandırmalar ve uyulması gereken kurallar gerek dünya gerekse de ülkemizdeki ilgili mevzuat ve uygulamalar çerçevesinde değerlendirilecektir.

DA 525 Syllabus

Dersin amacı endüstri perspektifinden proje yönetimi ve iş hayatında iletişim konusundaki temel kavram ve yaklaşımları katılımcılara aktarmaktır. Ders tamamlandığında, katılımcıların proje isterleri konusunda dikkat gerektiren iş bileşenleri ve karşılaşılması olası zorluklara ilişkin hususlarda bilgi sahibi olmaları beklenmektedir. Buna ek olarak derste ekip yönetimi ve iş takvimi, riskler ve başarılı bir proje çıktısı için gerekli kaynaklar gibi proje yönetiminin önemli diğer alanları da işlenecektir. Dersin ikinci kısmı ekip üyeleri ile etkin iletişim kurma, farklı kitleler için sunum teknikleri, araştırma ve analiz sonuçları ile birlikte önerilerin üst yönetime aktarılması gibi konular üzerine odaklanacaktır.

Tezsiz yüksek lisans programına kayıtlı tüm öğrenciler bir proje hazırlamakla yükümlüdürler. Projenin konusu ve içeriği öğrencinin ilgi ve birikimine göre belirlenir ve Proje Yöneticisi öğretim üyesi tarafından onaylanır. Projenin bitiminde öğrenci Proje Yöneticisi tarafından onaylanan bir sonuç raporu yazmak ve sunmakla yükümlüdür.

Gengüdüm (strateji), yöneticilerin şirketlerini bugünden uzak bir geleceğe taşıyacak yolağı sürdürebilir biçimde tasarlamasıdır. Bu tasarım, kural ve olasılık kökenli problemleri birlikte çözmek için veri kümesi eksik, seyrek veya yok denecek kadar az olan değişkenlerle; fazla, sık veya kabarık olan değişkenleri bir arada değerlendirmeyi gerektirir. Bir şirketin aktif-pasif dengesinin yönetimi veya teknoloji odaklı bir firmanın inovasyon planlaması, veri kümelerinden çekilecek öngörülerle, nedensellikleri birbirine bağlayan dinamik benzetim modellerinden gelebilecek uzgörülerin sentezi ile yapılabilir. Bu derste istatistiksel yazılımlar ile sistem benzetim modelleri bütünleştirilerek, küçük boyutlu, sanal teknolojik firmalar ile büyük boyutlu şirketlerin gengüdüm çalışmaları üzerinde durulacaktır.

Bu dersin amacı öğrencilere veri analitiği ve işlemesi ile ilgili güvenlik ve mahremiyet konularında temel bir anlayış kazandırmaktır. İlk olarak, blok şifreleme algoritmaları, kriptografik özet fonksiyonları, açık anahtarlı şifreleme algoritmaları, mesaj doğrulama kodları ve elektronik imza gibi temel kriptografik fonksiyonlara kısa bir giriş yapılacaktır. Bunun yanı sıra endüstride yaygın kullanımı olan, SSL/TLS, IPSec, DNSSec, RADIUS gibi güvenlik uygulamaları da tanıtılacaktır. Ayrıca, özellikle kişisel verilerin toplanması, saklanması, işlenmesi ve yayınlanması ile ortaya çıkacak mahremiyet konuları adreslenecektir. Son olarak, veri yönetim sistemleri ve bilgisayar ağlarında güvenliği güçlendirecek tekniklerle ilgili olarak vaka çalışmaları yapılacaktır.