Dersin Ayrıntıları
YarıyılKoduAdıT+U+LKrediAKTSSon Güncelleme Tarihi
5İST331Büyük Veri Analitiği2+0+02330.10.2026
Dersin Detayları
Dersin Dili Türkçe
Dersin Düzeyi Lisans
Bölümü / Programı Psikoloji
Öğrenim Türü Örgün Öğretim
Dersin Türü Zorunlu
Dersin Öğretim Şekli Yüz Yüze
Dersin Amacı Bu dersin amacı; öğrencilere büyük veri kavramını, büyük veri ekosistemini ve büyük veri analitiğinin temel yöntemlerini öğretmek; büyük veri teknolojileri, veri yönetimi, veri madenciliği ve yapay zekâ destekli analitik uygulamalar hakkında kuramsal ve uygulamalı bilgi kazandırmak; ekonomi, finans ve işletme başta olmak üzere sosyal bilimlerde büyük veri analitiğinin kullanım alanlarını tanıtmak ve öğrencilerin veri temelli karar verme becerilerini geliştirmektir.
Dersin İçeriği Bu ders kapsamında büyük veri kavramı ve özellikleri, büyük veri ekosistemi, veri kaynakları ve veri toplama yöntemleri, veri depolama ve veri yönetimi, veri ön işleme süreçleri, veri görselleştirme teknikleri, veri madenciliği yöntemleri, büyük veri analitiğinde kullanılan temel istatistiksel yaklaşımlar, makine öğrenmesine giriş, Hadoop ve Spark gibi büyük veri platformlarının temel yapısı, Python ile temel veri analizi uygulamaları, yapay zekâ destekli veri analitiği, ekonomi ve finans alanında büyük veri uygulamaları, etik ilkeler, veri güvenliği ve kişisel verilerin korunması konuları ele alınmaktadır.
Dersin Yöntem ve Teknikleri Her ders, öğretim üyesinin o günkü ders konusunu tanıtmasıyla başlar. Ders interaktif bir şekilde işlenir. Düz anlatım, öğrenci sunumu, okuma, yapay zekâ kullanımı, soru-cevap, örnek olay incelemesi, araştırma bulgularının tartışılması gibi yöntemler bir arada uygulanır. Bu nedenle, öğrencilerin dersten önceki hafta konuyu okuyarak iyice hazırlanmaları gerekir.
Ön Koşulları Yok
Dersin Koordinatörü Yok
Dersi Verenler Prof.Dr. Osman Tolga ARICAK
Dersin Yardımcıları Yok
Dersin Staj Durumu Yok

Ders Kaynakları
Kaynaklar Provost, F., & Fawcett, T. (2013). Data science for business. O’Reilly Media.
McKinney, W. (2022). Python for data analysis (3rd ed.). O’Reilly Media.
Ders kapsamında paylaşılan ders notları ve okumalar.
Ders Notları Devam Zorunluluğu: Derse devam zorunluluğu %70’tir. Devam koşulunu sağlamayan öğrenciler devamsızlık nedeniyle başarısız sayılır ve final sınavına katılamaz. Derse Zamanında Katılım: Öğrencilerin ders saatlerine uygun olarak sınıfta hazır bulunmaları gerekmektedir. Ders başladıktan sonra sınıfa giriş yapılmasına izin verilmez. Derse geç kalan öğrenciler, varsa ders arasından sonra sınıfa kabul edilir. Ders Materyalleri ve Duyurular: Ders kapsamında paylaşılan materyaller ve duyurular Google Classroom üzerinden öğrencilere iletilir. Öğrenciler, platformda yayımlanan materyalleri ve duyuruları düzenli olarak takip etmekle yükümlüdür.
Sınavlar 2


Planlanan Öğrenme Aktiviteleri ve Metodları
Etkinlikler ayrıntılı olarak "Değerlendirme" ve "İş Yükü Hesaplaması" bölümlerinde verilmiştir.

Değerlendirme Ölçütleri
Yarıyıl Çalışmaları Sayısı Katkı
Ara Sınav 1 % 50
Yarıyıl Sonu Sınavı 1 % 50
Toplam :
2
% 100

 
AKTS Hesaplama İçeriği
İş Yükü Sayısı Süre Toplam İş Yükü (Saat)
Ders Süresi 14 2 28
Sınıf Dışı Ç. Süresi 14 1 14
Ödevler 5 2 10
Ara Sınavlar 1 14 14
Yarıyıl Sonu Sınavı 1 24 24
Toplam İş Yükü   AKTS Kredisi : 3 90

 
Dersin Öğrenme Çıktıları: Bu dersin başarılı bir şekilde tamamlanmasıyla öğrenciler şunları yapabileceklerdir:
Sıra NoAçıklama
1 Büyük veri kavramını, özelliklerini ve temel bileşenlerini açıklar.
2 Büyük veri ekosisteminde kullanılan veri kaynaklarını ve veri toplama yöntemlerini tanımlar.
3 Büyük veri depolama, yönetim ve işleme süreçlerini açıklar.
4 Veri temizleme ve veri ön işleme tekniklerini uygular.
5 Büyük veri analitiğinde kullanılan temel istatistiksel analiz yöntemlerini kullanır.
6 Python ortamında büyük veri analitiğinde kullanılan temel veri analizi ve veri görselleştirme uygulamalarını gerçekleştirir.
7 Veri madenciliğinin temel yöntemlerini ve kullanım alanlarını açıklar.
8 Makine öğrenmesinin temel kavramlarını büyük veri analitiği kapsamında değerlendirir.
9 Hadoop ve Spark gibi büyük veri platformlarının çalışma prensiplerini açıklar.
10 Yapay zekâ destekli veri analitiği araçlarının temel kullanım alanlarını değerlendirir.
11 Büyük veri analitiğinin ekonomi, finans ve işletme alanlarındaki uygulamalarını analiz eder.
12 Büyük veri projelerinde elde edilen analiz sonuçlarını yorumlar ve raporlar.
13 Büyük veri uygulamalarında veri güvenliği, etik ve kişisel verilerin korunmasına ilişkin ilkeleri değerlendirir.
14 Gerçek veri setleri üzerinde temel analitik yöntemleri kullanarak çözüm önerileri geliştirir.
15 Büyük veri analitiğini karar verme süreçlerinde etkin biçimde kullanabilecek temel bilgi ve becerileri kazanır.

 
Ders Konuları
HaftaKonuÖn HazırlıkDökümanlar
1 Büyük veri kavramı, temel özellikleri (5V), büyük verinin gelişimi ve kullanım alanları Büyük veri kavramı ve temel özellikleri hakkında temel kaynakların okunması Ders sunumu
2 Büyük veri ekosistemi, veri kaynakları ve veri toplama yöntemleri Veri kaynakları ve veri toplama yöntemleri üzerine okuma Ders sunumu
3 Büyük verinin depolanması, veri tabanları, veri ambarı ve bulut bilişim Veri yönetimi ve depolama teknolojileri hakkında okuma Ders sunumu
4 Veri kalitesi, veri temizleme ve veri ön işleme teknikleri Veri ön işleme yöntemlerinin incelenmesi Ders sunumu
5 Büyük veri analitiğinde temel istatistiksel yöntemler ve keşfedici veri analizi İstatistiksel analiz yöntemleri üzerine hazırlık Ders sunumu
6 Python ile büyük veri analitiğine giriş (NumPy, Pandas, Jupyter Notebook) Python veri analizi örneklerinin incelenmesi Ders sunumu
7 Veri görselleştirme teknikleri (Matplotlib, Seaborn vb.) ve veri sunumu Veri görselleştirme uygulamalarının incelenmesi Ders sunumu
8 ARA SINAV HAFTASI ARA SINAV HAFTASI -
9 Veri madenciliği: sınıflandırma, kümeleme ve birliktelik kuralları Veri madenciliği yöntemlerinin okunması Ders sunumu
10 Makine öğrenmesine giriş ve büyük veri analitiğinde kullanım alanları Makine öğrenmesinin temel kavramlarının incelenmesi Ders sunumu
11 Hadoop ve Spark ekosistemi, dağıtık veri işleme yaklaşımları Hadoop ve Spark hakkında temel okumalar Ders sunumu
12 Yapay zekâ destekli büyük veri analitiği ve karar destek sistemleri Yapay zekâ destekli analitik uygulamalarının incelenmesi Ders sunumu
13 Büyük veri analitiğinin ekonomi, finans ve işletme alanlarındaki uygulamaları Güncel uygulama örneklerinin incelenmesi Ders sunumu
14 Büyük veri projelerinde sonuçların yorumlanması, raporlama ve karar verme süreçleri Vaka analizlerinin okunması Ders sunumu
15 Büyük veri etiği, veri güvenliği, KVKK ve sorumlu yapay zekâ uygulamaları KVKK ve veri etiği ile ilgili kaynakların okunması Ders sunumu
16 Genel değerlendirme, öğrenci proje/sunumları, güncel gelişmeler ve dersin bütünsel tekrarı Dönem boyunca işlenen konuların gözden geçirilmesi Ders sunumu

 
Dersin Program Çıktılarına Katkısı
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12
Tüm 1 1 1 3 1 1 1 1 4 3 1 1
Ö1 1 1 1 3 1 1 1 1 2 2 1 1
Ö2 1 1 1 3 1 1 1 3 4 1 2 1
Ö3 1 1 1 3 1 1 1 1 3 1 1 1
Ö4 1 1 1 1 1 1 1 2 5 3 1 1
Ö5 1 2 1 3 1 1 1 3 5 3 1 1
Ö6 1 1 1 3 1 1 1 1 5 2 1 1
Ö7 1 1 1 3 1 1 1 1 4 3 1 1
Ö8 1 1 1 3 1 1 1 1 3 3 1 1
Ö9 1 1 1 3 1 1 1 1 2 1 1 1
Ö10 1 1 1 3 1 1 1 1 3 3 2 1
Ö11 1 1 1 4 1 2 1 1 1 3 1 3
Ö12 1 1 1 2 1 1 1 1 5 4 1 1
Ö13 1 1 1 1 1 1 1 1 3 3 5 3
Ö14 1 1 1 3 1 1 1 2 5 4 1 1
Ö15 1 1 1 3 1 1 1 1 3 4 1 2

  Katkı Düzeyi: 1: Çok Düşük 2: Düşük 3: Orta 4: Yüksek 5: Çok Yüksek