Öğrenci Bilgi Paketi

Müfredata Git

ANTALYA BİLİM ÜNİVERSİTESİ LİSANSÜSTÜ EĞİTİM ENSTİTÜSÜ

VERİ BİLİMİ TEZSİZ İNGİLİZCE YÜKSEK LİSANS PROGRAMI DERS BİLGİ PAKETİ

1.Programın Dili

İngilizce

2.Programın Süresi (YIl)

3 dönem (1.5 yıl)

3.Programın Azami Süresi (Yıl)

3 dönem (1.5 yıl)

4.Bölüm Başkanı

Prof. Dr. Hilal Kazan (ABD başkanı) ve Dr.Öğr.Üyesi Zahra GolrizKhatami (program koordinatörü)

5. Tarihçe

2021 Bahar döneminde ilk kez öğrenci kabul edilmiştir.

6.Kazanılan Derece

Tezsiz Yüksek Lisans

7.Kabul ve Kayıt Koşulları

1. Ön Başvuru Formu
2. Lisans Diploması veya Mezuniyet Belgesi* (Üniversitelerin Bilgisayar Mühendisliği ve ilgili bölümlerinden mezun olmuş olmak)
3. Transkript (Not Dökümü)*
4. Dört (4) adet vesikalık fotoğraf
5. Kimlik İbrazı ve fotokopisi
6. Askerlik Durum Belgesi (Erkekler için)
7. İngilizce Programlar için
       • YDS/YÖKDİL- 60 puan
       • TOEFL IBT - 80 puan
       • Antalya Bilim Üniversitesi tarafından yapılan İngilizce Yeterlilik Sınavı Başarı Belgesi

8. Önceki Öğrenmenin Tanınması Hakkında Kurallar

ABU Lisansüstü Eğitim-Öğretim ve Sınav Yönetmeliği Madde 4-(2)’de detayları mevcuttur.

9.Sınavlar, ölçme ve değerlendirme

ABU Lisansüstü Eğitim-Öğretim ve Sınav Yönetmeliği Madde 35’de ilgili detaylar bulunmaktadır.

10.Mezuniyet Koşulları

120 AKTS’ye karşılık gelen ders, seminer ve proje çalışmaları başarıyla bitirilmelidir. Mezuniyet için ağırlıklı genel not ortalamasının 4.00 üzerinden en az 2.50 olması gerekir.

11.Çift Anadal

Bu programda çift anadal seçeneği yoktur.

12.Yandal

Bu programda yandal seçeneği yoktur.

13.Mezun İstihdam Olanakları

Mezunlar üniversite ve araştırma enstitülerinde akademik unvanlarla çalışabilir. Ayrıca, kamu ve özel sektörde veri analisti, veri mühendisi, veri mimarı olarak çalışabilir.

14. Üst Derece Programlara Geçiş

Mezunlar doktora programlarına devam edebilirler.

15. Program Yeterlilikleri (Çıktıları)

Veri toplanması, ayıklanması, incelenmesi ve çıktıların etkili bir şekilde paylaşılmasını içeren veri madenciliği süreçlerinde derin bilgi sahibi olmak
Veri Bilimi ile ilgili bir çalışma alanında güncel gelişmeleri takip edebilmek, kendi kendine öğrenme için gerekli becerilere sahip olmak
İncelenecek veriye uygun teknik veya algoritmaları belirleyebilmek ve uygulayabilmek
Farklı disiplinlerden araştırmacıların yer aldığı takımlarda etkili şekilde çalışabilmek ve gerektiğinde bu türden takımlara liderlik edebilmek
Bilimsel bir araştırma sürecinin tüm aşamalarında ve mesleki faaliyetlerde toplumsal, bilimsel ve etik değerleri gözetmek
Veri analizi ile ilgili elde edilen çıktıları ulusal ve uluslararası mecralarda yazılı ve sözlü olarak sunma becerilerine sahip olmak.

Deep knowledge of data mining processes that include collecting, extracting, analyzing data, and effectively sharing outputs.
Ability to follow recent developments in a field of study related to Data Science and to have the necessary skills for self-learning.
Ability to determine and apply appropriate techniques or algorithms for the data to be examined.
Ability to work effectively in teams that include researchers from different disciplines and to lead such teams when necessary.
To consider social, scientific and ethical values in all stages of a scientific research process and in professional activities.
To have the skills to present the results obtained from data analysis in written and oral form in national and international platforms.

16. Program Yeterlilikleri – TYÇÇ Matrisi

Temel Alan			Program Yeterlilikleri						Ulusal Yeterlilik
Temel Alan			1	2	3	4	5	6	Ulusal Yeterlilik
Bilgi		1							1	Bilgi
Bilgi		2							2	Bilgi
Beceriler		1							1	Beceriler
		2							2
									3
Yetkinlikler	Bağımsız Çalışabilme ve Sorumluluk Alabilme Yetkinliği	1							1	Bağımsız Çalışabilme ve Sorumluluk Alabilme Yetkinliği	Yetkinlikler
									2
									3
	Öğrenme Yetkinliği	1							1	Öğrenme Yetkinliği
	İletişim ve Sosyal Yetkinlik	1							1	İletişim ve Sosyal Yetkinlik
		2							2
		3							3
									4
	Alana Özgü Yetkinlik	1							1	Alana Özgü Yetkinlik
									2
									3
Form No: ÜY-FR-1102 Yayın Tarihi:07.10.2024 Değ. No: 0 Değ. Tarihi: -

17. Alan-Program Yeterlilikleri İlişkisi

Temel Alan Yeterlilikleri			Program Yeterlilikleri
Temel Alan Yeterlilikleri			Deep knowledge of data mining processes that include collecting, extracting, analyzing data, and effectively sharing outputs.	Ability to follow recent developments in a field of study related to Data Science and to have the necessary skills for self-learning.	Ability to determine and apply appropriate techniques or algorithms for the data to be examined.	Ability to work effectively in teams that include researchers from different disciplines and to lead such teams when necessary.	To consider social, scientific and ethical values in all stages of a scientific research process and in professional activities.	To have the skills to present the results obtained from data analysis in written and oral form in national and international platforms.
Bilgi		1-Mühendislik alanında bilimsel araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşır, bilgiyi değerlendirir, yorumlar ve uygular.	✓	✓	✓
		2-Mühendislikte uygulanan güncel teknik ve yöntemler ile bunların kısıtları hakkında kapsamlı bilgi sahibidir.	✓	✓		✓		✓
		3-Sınırlı ya da eksik verileri kullanarak bilimsel yöntemlerle bilgiyi tamamlar ve uygular; değişik disiplinlere ait bilgileri bütünleştirir.	✓	✓	✓
		4-Mesleğinin yeni ve gelişmekte olan uygulamalarının farkında olup, gerektiğinde bunları inceler ve öğrenir.		✓				✓
Beceriler		1-Sınırlı ya da eksik verileri kullanarak bilimsel yöntemlerle bilgiyi tamamlar ve uygular; değişik disiplinlere ait bilgileri bütünleştirir.	✓	✓	✓
		2-Mühendislik problemlerini kurgular, çözmek için yöntem geliştirir ve çözümlerde yenilikçi yöntemler uygular.	✓	✓		✓		✓
		3-Yeni ve/veya özgün fikir ve yöntemler geliştirir; sistem, parça veya süreç tasarımlarında yenilikçi çözümler geliştirir.	✓	✓			✓	✓
		4-Analitik, modelleme ve deneysel esaslı araştırmaları tasarlar ve uygular; bu süreçte karşılaşılan karmaşık durumları çözümler ve yorumlar.	✓	✓		✓
Yetkinlikler	Bağımsız Çalışabilme ve Sorumluluk Alabilme Yetkinliği	1-Çok disiplinli takımlarda liderlik yapar, karmaşık durumlarda çözüm yaklaşımları geliştirir ve sorumluluk alır.		✓	✓		✓	✓
		2-Mühendislik alanında bilimsel araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşır, bilgiyi değerlendirir, yorumlar ve uygular.	✓	✓
		3-Sınırlı ya da eksik verileri kullanarak bilimsel yöntemlerle bilgiyi tamamlar ve uygular; değişik disiplinlere ait bilgileri bütünleştirir.	✓	✓	✓
		4-Mühendislik problemlerini kurgular, çözmek için yöntem geliştirir ve çözümlerde yenilikçi yöntemler uygular.	✓	✓		✓		✓
		5-Yeni ve/veya özgün fikir ve yöntemler geliştirir; sistem, parça veya süreç tasarımlarında yenilikçi çözümler geliştirir.		✓				✓
		6-Analitik, modelleme ve deneysel esaslı araştırmaları tasarlar ve uygular; bu süreçte karşılaşılan karmaşık durumları çözümler ve yorumlar.	✓	✓		✓
	Öğrenme Yetkinliği	1-Mesleğinin yeni ve gelişmekte olan uygulamalarının farkındadır; gerektiğinde bunları inceler ve öğrenir.		✓				✓
		2-Sınırlı ya da eksik verileri kullanarak bilimsel yöntemlerle bilgiyi tamamlar ve uygulama; değişik disiplinlere ait bilgileri bütünleştirir.	✓	✓	✓
		3-Mühendislik problemlerini kurgular, çözmek için yöntem geliştirir ve çözümlerde yenilikçi yöntemler uygular.		✓		✓		✓
		4-Yeni ve/veya özgün fikir ve yöntemler geliştirir; sistem, parça veya süreç tasarımlarında yenilikçi çözümler geliştirir.		✓				✓
	İletişim ve Sosyal Yetkinlik	1-Bir yabancı dili en az Avrupa Dil Portföyü B2 Genel Düzeyinde kullanarak sözlü ve yazılı iletişim kurar.			✓
		2-Çalışmalarının süreç ve sonuçlarını, o alandaki veya alan dışındaki ulusal ve uluslar arası ortamlarda sistematik ve açık bir şekilde yazılı ya da sözlü olarak aktarır.			✓		✓	✓
		3-Mühendislik uygulamalarının sosyal ve çevresel boyutlarını betimler.					✓	✓
		4-Mühendislik alanında bilimsel araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşır, bilgiyi değerlendirir, yorumlar ve uygular.	✓	✓
		5-Sınırlı ya da eksik verileri kullanarak bilimsel yöntemlerle bilgiyi tamamlar ve uygular; değişik disiplinlere ait bilgileri bütünleştirir.	✓	✓	✓
		6-Mühendislik problemlerini kurgular, çözmek için yöntem geliştirir ve çözümlerde yenilikçi yöntemler uygular.	✓	✓		✓		✓
		7-Mühendislikte uygulanan güncel teknik ve yöntemler ile bunların kısıtları hakkında kapsamlı bilgiye sahip olur.				✓		✓
		8-Analitik, modelleme ve deneysel esaslı araştırmaları tasarlar ve uygular; bu süreçte karşılaşılan karmaşık durumları çözümler ve yorumlar.				✓
	Alana Özgü Yetkinlik	1-Verilerin toplanması, yorumlanması, duyurulması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetir.	✓		✓		✓	✓
		2-Sınırlı ya da eksik verileri kullanarak bilimsel yöntemlerle bilgiyi tamamlar ve uygular; değişik disiplinlere ait bilgileri bütünleştirir.	✓	✓	✓
		3-Çok disiplinli takımlarda liderlik yapar, karmaşık durumlarda çözüm yaklaşımları geliştirir ve sorumluluk alır.	✓		✓	✓	✓	✓
		4-Çalışmalarının süreç ve sonuçlarını, o alandaki veya alan dışındaki ulusal ve uluslar arası ortamlarda sistematik ve açık bir şekilde yazılı ya da sözlü olarak aktarır.			✓	✓	✓	✓
Form No: ÜY-FR-1102 Yayın Tarihi:07.10.2024 Değ. No: 0 Değ. Tarihi: -

18. Ders-Program Yeterlilikleri İlişkisi

		Program Yeterlilikleri
Ders Kodu	Ders Adı	Deep knowledge of data mining processes that include collecting, extracting, analyzing data, and effectively sharing outputs	Ability to follow recent developments in a field of study related to Data Science and to have the necessary skills for self-learning.	Ability to determine and apply appropriate techniques or algorithms for the data to be examined.	Ability to work effectively in teams that include researchers from different disciplines and to lead such teams when necessary.	To consider social, scientific and ethical values in all stages of a scientific research process and in professional activities.	To have the skills to present the results obtained from data analysis in written and oral form in national and international platforms.
1. Yarıyıl
DS 701	Introduction to Data Science	3	3	2	2	2	2
DS 702	Applied Statistics for Data Science	3	3	3	2	2	2
MCSE 7XX	Elective Course
MCSE 7XX	Elective Course
MCSE 7XX	Elective Course
2. Yarıyıl
LUE 701	Scientific Research Techniques and Ethics	1	2	2	1	1	2
DS 703	Machine Learning	3	3	3	3	3	3
MCSE 7XX	Elective Course
MCSE 7XX	Elective Course
MCSE 7XX	Elective Course
3. Yarıyıl
DS 790	Graduation Project	3	3	3	3	3	3
4. yarıyıl
Seçmeli Ders Havuzu
ECE 702	Micro/Nano Fabrication Technologies	2	2	2	3	1	2
ECE 709	Advanced Control Systems	3	2	1	3	1	2
ECE 711	Advanced Power Electronics and Applications	2	2	1	3	2	2
ECE 712	Photonic Materials and Devices	2	2	2	3	1	3
ECE 715	Principles and Application of Nanotechnology	3	3	1	3	2	3
ECE 731	Digital Image Processing	2	3	3	3	1	2
ECE 732	Biometrics	3	2	3	2	2	3
ECE 737	Advanced Database Systems	2	2	1	1	3	3
ECE 747	Advanced Machine Learning	3	3	3	3	3	3
ECE 748	Convolutional Neural Networks for Visual Recognition	3	2	2	3	3	3
ECE 749	Advanced Data Science	3	3	3	2	3	2
ECE 751	Introduction to Computational Biology	3	2	2	2	2	2
ECE 752	Advanced Artificial Intelligence	3	3	3	2	3	3
ECE 759	Cloud Computing	2	2	2	2	3	2
ECE 761	Advanced Computer Networks	2	3	1	3	1	2
ECE 773	Wireless Communications	2	2	2	2	2	2
ECE 774	Advanced 5G and Beyond Technologies	2	3	1	3	1	2
ECE 776	Advanced Dijital Communications	2	3	1	3	1	2
ECE 778	Wireless Security	3	2	2	3	2	2
ECE 782	Web Mining	2	2	2	2	3	3
ECE 786	Graph Theory and Algorithms	3	2	1	2	1	2
LUE 703	Engineering Mathematics	3	1	1	2	1	2
ECE 748	Convolutional Neural Networks for Visual Recognition	2	2	2	3	2	3
ECE 749	Advanced Data Science	2	3	2	2	3	2
ECE 751	Introduction to Computational Biology	2	3	2	2	2	2
DS 701	Introduction to Data Science	2	2	1	2	3	2
DS 702	Applied Statistics for Data Science	2	2	2	1	3	2
DS 703	Machine Learning	3	2	2	2	3	3
DS 704	Exploratory Data Analysis and Visualization	3	2	1	2	1	2
DS 705	Deep Learning	3	3	3	2	3	3
DS 706	Machine Learning for Natural Language Processing	2	2	1	2	3	3
DS 707	Fairness, Transparency and Privacy in Artificial Intelligence	2	2	2	2	2	3
DS 708	Network Science	3	2	1	2	1	2
DS 709	Optimization	3	2	2	2	2	2
DS 711	Fundamental Algorithms	2	1	1	2	1	1
DS 712	Business Analytics	3	2	3	2	3	2
DS 713	Big Data Engineering	2	2	1	2	3	2
MSCS 711	Computer Security	3	2	2	2	2	2
MSCS 712	Network Security	2	3	2	2	2	2
MSCS 713	Cryptology	2	3	2	3	2	2
MSCS 714	Data Privacy Seminar	2	2	2	3	2	2
MSCS 715	Coding Theory	2	2	2	3	2	2
MSCS 716	Ethical Hacking	2	2	2	2	3	2

19.Müfredat


Data Science (English - Non-thesis)
Semester -1
Code	Course	Academic	Practical	Credit	ECTS
DS 701	Introduction to Data Science	3	0	3	6
DS 702	Applied Statistics for Data Science	3	0	3	6
MCSE 7XX	Elective Course	3	0	3	6
MCSE 7XX	Elective Course	3	0	3	6
MCSE 7XX	Elective Course	3	0	3	6
TOPLAM				15	30

Semester - 2
Code	Course	Academic	Practical	Credit	ECTS
DS 703	Machine Learning	3	0	3	6
LUE 701	Scientific Research Techniques and Ethics	4	0	4	6
MCSE 7XX	Elective Course	3	0	3	6
MCSE 7XX	Elective Course	3	0	3	6
MCSE 7XX	Elective Course	3	0	3	6
TOPLAM				16	30

Semester - 3
Code	Course	Academic	Practical	Credit	ECTS
DS 790	Graduation Project	0	2	1	30
TOPLAM				1	30

DS 70X Zorunlu Ders Havuzu
Code	Course	Academic	Practical	Credit	ECTS
DS 701	Introduction to Data Science	3	0	3	6
DS 702	Applied Statistics for Data Science	3	0	3	6
DS 703	Machine Learning	3	0	3	6





DS 7XX Seçmeli Ders Havuzu
Code	Course	Academic	Practical	Credit	ECTS
DS 704	Exploratory Data Analysis and Visualization	3	0	3	6
DS 705	Deep Learning	3	0	3	6
DS 706	Machine Learning for Natural Language Processing	3	0	3	6
DS 707	Fairness, Transparency and Privacy in Artificial Intelligence	3	0	3	6
DS 708	Network Science	3	0	3	6
DS 709	Optimization	3	0	3	6
DS 711	Fundamental Algorithms	3	0	3	6
DS 712	Business Analytics	3	0	3	6
DS 713	Big Data Engineering	3	0	3	6
ECE 731	Digital Image Processing	3	0	3	6
ECE 732	Biometrics	3	0	3	6
ECE 737	Advanced Database Systems	3	0	3	6
ECE 747	Advanced Machine Learning	3	0	3	6
ECE 748	Convolutional Neural Networks for Visual Recognition	3	0	3	6
ECE 749	Advanced Data Science	3	0	3	6
ECE 750	Advanced Artificial Intelligence	3	0	3	6
ECE 751	Introduction to Computational Biology	3	0	3	6
ECE 759	Cloud Computing	3	0	3	6
ECE 761	Advanced Computer Networks	3	0	3	6
ECE 773	Wireless Communications	3	0	3	6
ECE 774	Advanced 5G and Beyond Technologies	3	0	3	6
ECE 776	Advanced Dijital Communications	3	0	3	6
ECE 778	Wireless Security	3	0	3	6
ECE 782	Web Mining	3	0	3	6
ECE 786	Graph Theory and Algorithms	3	0	3	6
LUE 703	Engineering Mathematics	3	0	3	6
MSCS 711	Computer Security	3	0	3	6
MSCS 712	Network Security	3	0	3	6
MSCS 713	Cryptology	3	0	3	6
MSCS 714	Data Privacy Seminar	3	0	3	6
MSCS 715	Coding Theory	3	0	3	6
MSCS 716	Ethical Hacking	3	0	3	6

20.Ders İçerikleri

DERSİN KODU	DERSİN ADI	TÜRÜ	KREDİSİ	AKTS’ si
LUET 501	Research Methods and Ethics	Zorunlu	3	7.5
LUET 502	Academic Reading, Writing and Presentation	Seçmeli	1	3
DS 501	Introduction to Data Science	Zorunlu	3	7.5
DS 502	Applied Statistics for Data Science	Zorunlu	3	7.5
DS 503	Machine Learning	Zorunlu	3	7.5
DS 504	Exploratory Data Analysis and Visualization	Seçmeli	3	7.5
DS 505	Deep Learning	Seçmeli	3	7.5
DS 506	Machine Learning for Natural Language Processing	Seçmeli	3	7.5
DS 507	Introduction to Computational Biology	Seçmeli	3	7.5
DS 508	Network Science	Seçmeli	3	7.5
DS 509	Optimization	Seçmeli	3	7.5
DS 510	Big Data Engineering	Seçmeli	3	7.5
DS 511	Fundamental Algorithms	Seçmeli	3	7.5
DS 512	Business Analytics	Seçmeli	3	7.5
DS 590	Graduation Project	Zorunlu	0	45

DS 501 Introduction to Data Science

This course is an introduction level course to data science, specialized on machine learning, artificial intelligence and big data. Focus will be on techniques and tools to collect, store, clean, manipulate, visualize, model and extract information from large amounts of data. Topics include data preprocessing, overview of machine learning algorithms, evaluation strategies.

DS 502 Applied Statistics for Data Science

This course covers the necessary background in statistics for data science applications. Topics include descriptive statistics, probability distributions, difference between correlation and causation, hypothesis tests, confidence intervals, linear regression.

DS 503 Machine Learning

This course introduces fundamental principles and techniques in machine learning. Topics include supervised and unsupervised learning, regression, regularization, nonparametric approaches, decision trees, kernels and support vector machines, clustering, neural networks and introduction to deep learning. The course will also cover the application of these algorithms to real world datasets and evaluation techniques to compare different algorithms .

DS 504 Exploratory Data Analysis and Visualization

Exploratory Data Analysis is a critical first step of data analysis. This course covers the main exploratory data analysis methods and visualization tools. These methods will be instrumental in data cleaning, selection of appropriate analysis methods, exploring relationships between variables. The course also aims to develop a vocabulary and framework for discussing, critiquing, and designing data visualization tools. Topics include marks and channels, use of color, effective visualization of multivariate data, networks, and text. Assignments will provide hands-on experience using cutting edge visualization systems.

DS 505 Deep Learning

In this course, you will learn the fundamentals of deep learning, understand how to design neural networks, and apply them to specific c problems. Topics include an overview of artificial neural networks, convolutional neural networks, recurrent neural networks, deep generative models, deep reinforcement learning, and recent research topics and applications on audio-visual and language understanding.

DS 506 Machine Learning for Natural Language Processing

Nature Language Processing is an interdisciplinary field of linguistics, computer science, and artificial intelligence where the goal is to develop algorithms to understand human language. In this course, students will first learn about how to turn text data into features that can be used as input to machine learning methods. They will also learn about n-gram language models, part-of-speech tagging, vector space models, and locality-sensitive hashing. The last part of the course will include the recent deep learning models (attention models, siamese networks, transformers) that improve the performance in several NLP tasks.

DS 507 Introduction to Computational Biology

This course covers key computational challenges in molecular biology where the amount and complexity of data requires the design of complex algorithms and data structures. Some techniques that will be covered are dynamic programming, graph algorithms, hidden-markov models, clustering etc. Topics will include algorithms for sequence alignment, genome assembly, gene finding, phylogenetics, gene expression analysis, motif finding and RNA folding.

DS 508 Introduction to Network Science:

The complex systems can be represented with static or dynamic networks of interacting entities. The course is an introduction to the area of network science which investigates the topology and the dynamics of such complex networks. The course focuses on the algorithmic, computational, and statistical methods employed in the study of such networks, as well as applications in communications, biology, ecology, brain science, sociology. Topics include empricial analysis of networks, function and structure of complex networks, epidemics, and models of information diffusion.

DS 509 Optimization:

The foundations of combinatorial optimization with an emphasis on structure and algorithms with proofs are the main objectives of the course. Topics include combinatorial and geometric methods for optimization including linear programming, the simplex method, the concept of duality, the primal-dual algorithm, and their applications to problems including network flows, matching, traveling salesmen problem, and cuts. An overview of NP-hardness and introduction to approximation algorithms are provided.

DS 510 Big Data Engineering

This course is an introduction to the design and architecture techniques for building big data applications. Topics will cover distributed file systems, data streams, event streams, real-time data processing, machine learning pipelines, automating data flow.

DS 511 Fundamental Algorithms:

Introduction to the main concepts of algorithm analysis and design. Overview of basic analysis techniques: approximating functions asymptotically, bounding sums, and solving recurrences. Discussion of efficiently solvable problems with a focus on design techniques such as divide-and-conquer, randomization, dynamic programming, amortization and greedy algorithms.

Illustration of various new concepts through algorithms applied to problems related to sequences, strings, graphs, and computational geometry.

DS 512 Business Analytics

Business Analytics is the quantitative analysis of data with statistical models to enable improved insight on business opeations and making fact-based decisions. Topics include descriptive analysis and visualization, customer segmentation, customer lifecycle management, cross-sell/up-sell recommendations, A/B testing in marketing, financial forecasting, link analysis, social media analysis, business process mining.

DS 590 Graduation Project

Students complete a theoretical or practical approach for solving a selected problem in deep learning.

Türkçe

DS 501 Veri Bilimine Giriş

Bu ders, makine öğrenimi, yapay zeka ve büyük veri alanlarında uzmanlaşmış, veri bilimine giriş seviyesinde bir derstir. Odak noktası, büyük miktarda veriden bilgi toplamak, depolamak, temizlemek, manipüle etmek, görselleştirmek, modellemek ve bilgi çıkarımı için teknikler ve araçlar olacaktır. Konular arasında veri ön işleme, makine öğrenimi algoritmalarına genel bakış, değerlendirme stratejileri yer alır.

DS 502 Veri Bilimi için Uygulamalı İstatistik

Bu ders, veri bilimi uygulamaları için gerekli istatistik altyapısını kapsar. Konular arasında tanımlayıcı istatistikler, olasılık dağılımları, korelasyon ve nedensellik arasındaki farklar, hipotez testleri, güven aralıkları, doğrusal regresyon yer alır.

DS 503 Makine Öğrenimi

Bu ders, makine öğrenimindeki temel ilkeleri ve teknikleri tanıtır. Konular gözetimli ve gözetimsiz öğrenme, regresyon, düzenlileştirme, parametrik olmayan yaklaşımlar, karar ağaçları, çekirdekler ve destek vektör makineleri, kümeleme, sinir ağları ve derin öğrenmeye giriş içerir. Ders ayrıca bu algoritmaların gerçek dünya veri kümelerine uygulanmasını ve farklı algoritmaları karşılaştırmak için değerlendirme tekniklerini de kapsayacaktır.

DS 504 Keşifsel Veri Analizi ve Görselleştirme

Keşifsel Veri Analizi, veri analizinde kritik bir ilk adımdır. Bu ders, temel keşifsel veri analizi yöntemlerini ve görselleştirme araçlarını kapsar. Bu yöntemler, veri temizlemede, uygun analiz yöntemlerinin seçiminde, değişkenler arasındaki ilişkilerin araştırılmasında etkili olacaktır. Ders ayrıca veri görselleştirme araçlarını tartışmak, eleştirmek ve tasarlamak için bir kelime haznesi ve çerçeve geliştirmeyi amaçlamaktadır. Konular arasında işaretler ve kanallar, renk kullanımı, çok değişkenli verilerin, ağların ve metnin etkili görselleştirilmesi yer alır. Ödevler, son teknoloji görselleştirme sistemlerini kullanarak uygulamalı deneyim sağlayacaktır.

DS 505 Derin Öğrenme

Bu derste, derin öğrenmenin temelleri anlatılacaktır. Yapay sinir ağları, evrişimsel sinir ağları, derin üretken ağlar, tekrarlı sinir ağları gibi öğrenme modelleri ve ses-görüntü-dil işleme üzerine olan uygulamaları açıklanacaktır.

DS 506 Doğal Dil İşleme için Makine Öğrenme Teknikleri

Doğa Dil İşleme, amacın insan dilini anlamak için algoritmalar geliştirmek olduğu disiplinler arası bir dilbilim, bilgisayar bilimi ve yapay zeka alanıdır. Bu derste öğrenciler önce metin verilerini makine öğrenimi yöntemlerine girdi olarak kullanılabilecek özelliklere nasıl dönüştüreceklerini öğrenecekler. Ayrıca n-gram dil modelleri, konuşma parçası etiketleme, vektör uzayı modelleri ve konuma duyarlı hashing hakkında bilgi edinecekler. Kursun son bölümü, çeşitli NLP görevlerinde performansı artıran son derin öğrenme modellerini (dikkat modelleri, siyam ağları, transformatörler) içerecektir.

DS 507 Hesaplamalı Biyolojiye Giriş

Bu ders, veri miktarı ve karmaşıklığının karmaşık algoritmalar ve veri yapılarının tasarımını gerektirdiği moleküler biyolojideki önemli hesaplama zorluklarını kapsar. Ele alınacak bazı teknikler, dinamik programlama, çizge algoritmaları, gizli Markov modelleri, kümeleme, vs.'dir. Konular, dizi hizalama, genom montajı, gen bulma, filogenetik, gen ekspresyon analizi, motif bulma ve RNA katlama algoritmalarını içerecektir.

DS 508 Ağ Bilimine Giriş:

Karmaşık sistemler, etkileşen varlıkların statik veya dinamik ağları ile temsil edilebilir. Ders, bu tür karmaşık ağların topolojisini ve dinamiklerini araştıran ağ bilimi alanına bir giriş niteliğindedir. Kurs, bu tür ağların çalışmasında kullanılan algoritmik, hesaplamalı ve istatistiksel yöntemlerin yanı sıra iletişim, biyoloji, ekoloji, beyin bilimi, sosyoloji uygulamalarına odaklanmaktadır. Konular, ağların deneysel analizini, karmaşık ağların işlevini ve yapısını, salgınları ve bilgi yayma modellerini içerir.

DS 509 Optimizasyon:

Dersin ana hedefi kanıtlarıyla birlikte yapı ve algoritmalara vurgu yapan kombinatoryal optimizasyonun temelleridir. Konular, doğrusal programlama, simpleks yöntemi, dualite kavramı, primal-dual algoritması dahil olmak üzere optimizasyon için kombinasyonel ve geometrik yöntemleri içerir. Ayrıca ağ akışları, eşleştirme, gezgin satıcı problemi (TSP) ve kesintiler gibi sorunların uygulamalarını içerir. NP problemlerine genel bir bakış ve yaklaşık algoritmalara giriş sağlanmaktadır.

DS 510 Büyük Veri Mühendisliği

Bu ders, büyük veri uygulamaları oluşturmak için tasarım ve mimari tekniklerine giriş niteliğindedir. Konular, dağıtılmış dosya sistemlerini, veri akışlarını, olay akışlarını, gerçek zamanlı veri işlemeyi, makine öğrenimi ardışık düzenlerini, veri akışını otomatikleştirmeyi kapsayacaktır.

DS 511 Temel Algoritmalar:

Algoritma analizi ve tasarımının temel kavramlarına giriş. Temel analiz tekniklerine genel bakış: fonksiyonları asimptotik olarak yaklaştırma, toplamları sınırlama ve tekrarları çözme. Böl ve yönet, rastgeleleştirme, dinamik programlama, amortisman ve açgözlü algoritmalar gibi tasarım tekniklerine odaklanarak verimli bir şekilde çözülebilir problemlerin tartışılması.

Diziler, dizgiler, çizgeler ve hesaplamalı geometri ile ilgili sorunlara uygulanan algoritmalar aracılığıyla çeşitli yeni kavramların gösterimi.

DS 512 İş Analitiği

İş Analitiği, iş operasyonları hakkında daha iyi içgörü sağlamak ve gerçeklere dayalı kararlar almak için istatistiksel modellerle verilerin nicel analizidir. Konular arasında açıklayıcı analiz ve görselleştirme, müşteri segmentasyonu, müşteri yaşam döngüsü yönetimi, çapraz satış / yukarı satış önerileri, pazarlamada A / B testi, finansal tahmin, bağlantı analizi, sosyal medya analizi, iş süreci madenciliği yer alır.

DS 590 Bitirme Projesi

Bu ders kapsamında veri bilimi alanında seçili bir problemin çözümüne yönelik uygulamalı ya da kuramsal bir dönem projesi yürütülür.

Veri Bilimi (İngilizce-Tezsiz)

HIZLI BAĞLANTILAR