Bilişimde depolama, hesaplama ve algılama teknolojilerinin ilerlemesi ile birlikte, Büyük Veri hayatın yeni bir normu haline geldi. Bilgisayarlar yakın zamana kadar insan, davranış, bilgi, cihazlar, sensörler, biyolojik sinyaller, finans, araçlar, astronoloji, nöroloji, vb. her türlü büyük ölçekli verileri yakalayıp analiz edebiliyor. Neredeyse tüm endüstri, zorlukları aşmak için Büyük Veri'den edinilebilecek değerli bilgileri araştırıyor.
Bu ders öğrencilere, bu zorluklarla baş edebilecek donanıma sahip olmalarını sağlayacak temel bilgileri kazandırmayı hedeflemektedir. Büyük Veri alanı, doğası gereği birçok disiplini içerisinde barındırmaktadır. Popüler hale geldikçe birçok yazılım ve donanım aracı, ve yeni algoritmalar ortaya çıkıyor. Bir veri bilimcinin, gerçek dünyadaki zorluklarla baş edebilmesi için değişen bu eğilimleri takip etmesi gerekir.
Bu ders öncelikle Büyük Veri alanındaki genel uygulamaları ve piyasa trendini tanıtacaktır. Ders kapsamında ayrıca, Hadoop, Spark gibi temel platformlar ve bağlı büyük veriler için IBM System G gibi araçlar tanıtılacaktır. Daha sonra, birkaç veri saklama yönteminden ve bunlar için verinin nasıl yüklenmesi, dağıtılması veya işlenmesi gerektiğinden bahsedilecektir. Bu saklama yöntemlerine HDFS, HBase, KV stores, belge veritabanları ve grafik veritabanları dahildir. Ders, analitik algoritmaların farklı platformlarda ele alınması üzerine çeşitli yöntemler tanıtarak devam edecektir. Ardından, Büyük Veri görselleştirme ve mobil Büyük Veri'den bahsedilmesi planlanmaktadır. Tüm bunların sonrasında öğrenciler, çeşitli gerçek dünya problemleri için Büyük Veri Analizi yapabilecek temel bilgiye sahip olacaklardır.
Daha sonra ders, yapay zeka ve bilişsel ağlar için temel olan büyük ölçekli makine öğrenme yöntemlerine odaklanacaktır. Derste, Intel ve Power çipleri, GPU ve FPGA gibi farklı donanım platformları için analitik optimizasyon yöntemleri anlatılacaktır. Ders, Büyük Veri alanında gelecekte karşılaşılacak zorluklardan; graf, grafiksel modeller, uzamsal-zamansal analiz, bilişsel analitik vb. konuları içeren Bağlı Büyük Veri alanındaki zorluklar başta olmak üzere, bahsedilerek sonlandırılacaktır.
Ön Koşullar
Eş Koşullar
Özel Koşullar
Öğretim Üyeleri
Asistanlar
Ders Gün,Saat ve Yeri
Görüşme Saatleri ve Yeri
Öğretim Yöntem ve Teknikleri
Temel Kaynaklar
Diğer Kaynaklar
Haftalık Ders Programı
Hafta
Dersin İçeriği
Öğretim Yöntem ve Teknikleri
1. Hafta
Büyük Veri Analitiği Tanıtımı
Sözlü anlatım, Labaratuvar
2. Hafta
Büyük Veri Analitiği Platformları
Sözlü anlatım, Labaratuvar
3. Hafta
Büyük Veri Saklama ve Analitiği
Sözlü anlatım, Labaratuvar
4. Hafta
Öbekleme ve Sınıflandırma
Sözlü anlatım, Labaratuvar
5. Hafta
Büyük Veri Analitiği Algoritmaları - II
Sözlü anlatım, Labaratuvar
6. Hafta
Spark ve Veri Analitiği
Sözlü anlatım, Labaratuvar
7. Hafta
Bağlı Büyük Veri - Graf Hesaplama
Sözlü anlatım, Labaratuvar
8. Hafta
Vize
Yazılı Sınav
9. Hafta
Bağlı Büyük Veri - Graf Analitiği
Sözlü anlatım, Labaratuvar
10. Hafta
Grafiksel Modeller
Sözlü anlatım, Labaratuvar
11. Hafta
Büyük Veri Görselleştirme
Sözlü anlatım, Labaratuvar
12. Hafta
Bilişsel Mobil Analiz
Sözlü anlatım, Labaratuvar
13. Hafta
Uygulamalar
Sözlü anlatım, Labaratuvar
14. Hafta
Proje sunumları
Sözlü Sunum
15. Hafta
16. Hafta
17. Hafta
Değerlendirme Ölçütleri
Ölçüt Tipleri
Adet
Yüzdesi(%)
Ara sınav(lar)
1
40
Ödevler / Dönem Ödevi / Sunum
1
20
Final
1
40
ÖÇ-1
Büyük Veri saklama, mantıksal analizi, büyük veriden güdümlü ve güdümsüz öğrenme konularına hakim olma.
ÖÇ-2
Bağlı Büyük Veri ve bu verinin grafiksel temsili ve analitiği hakkında çeşitli uygulamalar yapabilecek düzeyde bilgi sahibi olma.
ÖÇ-3
Güncel uygulama alanlarını tanıyabilme ve bu alanlarda projeler ortaya koyabilme.
Program Çıktıları
PÇ-1
Matematik, fen bilimleri ve ilgili mühendislik disiplinine özgü konularda yeterli bilgi birikimi; bu alanlardaki kuramsal ve uygulamalı bilgileri, karmaşık mühendislik problemlerinin çözümünde kullanabilme becerisi.
PÇ-2
Karmaşık mühendislik problemlerini tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi.
PÇ-3
Karmaşık bir sistemi, süreci, cihazı veya ürünü gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlama becerisi; bu amaçla modern tasarım yöntemlerini uygulama becerisi.
PÇ-4
Mühendislik uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları seçme ve kullanma becerisi; bilişim teknolojilerini etkin bir şekilde kullanma becerisi.
PÇ-5
Karmaşık mühendislik problemlerinin veya disipline özgü araştırma konularının incelenmesi için deney tasarlama, deney yapma, veri toplama, sonuçları analiz etme ve yorumlama becerisi.
PÇ-6
Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi; bireysel çalışma becerisi.
PÇ-7
Sözlü ve yazılı etkin iletişim kurma becerisi; en az bir yabancı dil bilgisi; etkin rapor yazma ve yazılı raporları anlama, tasarım ve üretim raporları hazırlayabilme, etkin sunum yapabilme, açık ve anlaşılır talimat verme ve alma becerisi.
PÇ-8
Yaşam boyu öğrenmenin gerekliliği konusunda farkındalık; bilgiye erişebilme, bilim ve teknolojideki gelişmeleri izleme ve kendini sürekli yenileme becerisi.
PÇ-9
Etik ilkelerine uygun davranma, mesleki ve etik sorumluluk ve mühendislik uygulamalarında kullanılan standartlar hakkında bilgi.
PÇ-10
Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi.
PÇ-11
Mühendislik uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın mühendislik alanına yansıyan sorunları hakkında bilgi; mühendislik çözümlerinin hukuksal sonuçları konusunda farkındalık.