BUS 220 | Ders Tanıtım Bilgileri - Matematik | İzmir Ekonomi Üniversitesi

Dersin Adı

İşletme ve Ekonomi için Veri Analitiği

Kodu	Yarıyıl	Teori (saat/hafta)	Uygulama/Lab (saat/hafta)	Yerel Kredi	AKTS
BUS 220	Güz/Bahar	2	2	3	5

Ön-Koşul(lar)	Yok
Dersin Dili	İngilizce
Dersin Türü	Seçmeli
Dersin Düzeyi	Lisans
Dersin Veriliş Şekli	-
Dersin Öğretim Yöntem ve Teknikleri	Deney / Laboratuvar / Atölye uygulama Anlatım / Sunum
Ulusal Meslek Sınıflandırma Kodu	-
Dersin Koordinatörü	Prof. Dr. Mehmet Gençer
Öğretim Eleman(lar)ı	Dr.Öğretim Üyesi SİNEM TOKCAER Öğr.Gör.Dr. ASLI DİYADİN LENGER Öğr.Gör.Dr. BURÇİN ÖZDAMAR Prof. Dr. Ayla OĞUŞ BİNATLI Prof. Dr. MEHMET GENÇER
Yardımcı(ları)	Araş. Gör. Hasan GÜLOĞLU

Dersin Amacı	Veri analizi, günümüzün dijital ortamında tüm profesyoneller için bir gerekliliktir. Bu ders, işletme ve ekonomi alanlarında gerekli olan temel veri analizi becerilerini geliştirmeyi amaçlamaktadır.
Öğrenme Çıktıları	Bu dersi başarıyla tamamlayabilen öğrenciler; Yordamsal dil ile yazılmış bir programın yapısını açıklayabilir. Python programlarını test etmek suretiyle hatalarını ayıklayabilir. Veri bağlantısı, web kazıma, vb. beceriler gerektiren bir işletme veri işleme problemini çözmek için Python programlama modellerini kullanabilir. Bir işletme veya araştırma ekibi ortamındaki analitik görevler için R istatistiksel programlama platformunun ve RStudio yazılımının avantajlarını, kabiliyetlerini ve en iyi uygulamalarını tanımlayabilir. R Notebook kullanarak veri iç görüleri üretebilir. Yaygın büyük veri işleme ve analiz işlem hatlarını tanımlayabilir. Büyük veri işleme ve analiz işlem hatlarını uygulamak için teknolojileri ve yaklaşımları açıklayabilir.
Ders Tanımı	Bu ders işletme ve ekonomi alanında gerekli olan veri işleme ve analiz becerilerini geliştirmeyi amaçlamaktadır. Bu derste öğrenciler veri işlemleriyle ilgili bilgisayar kodlama becerilerini, kendi alanlarındaki vaka çalışmaları ile öğrenir. Bilgisayar alanında uzmanlaşmayı hedefleyen öğrenciler için tasarlanan kodlama derslerinin aksine, bu ders algoritmalara işletme ve ekonomi problemlerindeki işlevleri açısından yaklaşmakta ve veri işleme modellerinin özelliklerine ve uygulamalarına odaklanmaktadır. Bu uygulamalı derste öğrenciler, iş uygulamaları ve araştırmalarda yaygın olarak kullanılan Python ve R programlama dillerini öğrenir. Buna ek olarak, ders büyük veri analitiğinin özelliklerini ve bunun için kullanılan teknolojileri de kapsar.Bu ders üç modülden oluşmaktadır: 1 - Büyük veri (2 hafta): Teknolojiler (Hadoop, MapReduce), yetkinlikler, gerçek zamanlı veri işleme, büyük verilerde olası değer yaratma işlem hatları. 2. R ile istatistiksel süreçler (6 hafta): R'da keşifsel istatistikler. 3- Python ile veri analizi için kodlamaya giriş (6 hafta): Veri türleri, arama / sıralama, istatistiksel hesaplamalar için liste işleme, veriler için web kazıma.
Dersin İlişkili Olduğu Sürdürülebilir Kalkınma Amaçları

Dersin Kategorisi	Temel Ders
	Uzmanlık/Alan Dersleri
	Destek Dersleri
	İletişim ve Yönetim Becerileri Dersleri
	Aktarılabilir Beceri Dersleri

Hafta	Konular	Ön Hazırlık
1	MODÜL 1: Büyük Veri. Büyük veriye giriş, Büyük veri yetkinlikleri, gerçek zamanlı veri işleme, büyük veride temel veri dönüşümleri. Büyük veri teknolojileri: Hadoop	Big Data Analytics: Concepts, Technologies, and Applications” https://aisel.aisnet.org/cais/vol34/iss1/65/?utm_source=aisel.aisnet.org%2Fcais%2Fvol34%2Fiss1%2F65&utm_medium=PDF&utm_campaign=PDFCoverPages
2	Büyük veri: Büyük veride değer yaratma hatları. Büyük verilerde gerçek zamanlı veya çevrimdışı değer yaratma hatları.	Big Data Analytics: Concepts, Technologies, and Applications” https://aisel.aisnet.org/cais/vol34/iss1/65/?utm_source=aisel.aisnet.org%2Fcais%2Fvol34%2Fiss1%2F65&utm_medium=PDF&utm_campaign=PDFCoverPages
3	MODÜL 2: R İLE İSTATİSTİK PROGRAMLAMA R ve Rstudio'yu kullanmaya başlama, R komut dosyaları, R bölmeleri, Paketleri yükleme, R temelleri (nesneler, çalışma alanı, değişken adları)	Bölüm 1 Introduction to Data Science; Bölüm 1 R for Data Science https://rafalab.github.io/dsbook/
4	R ve programlama temelleri: Veri türleri ve vektörler; matrisler	Bölüm 2 Introduction to Data Science
5	R ve programlamanın temelleri: faktörler; listeler; veri çerçeveleri; indeksleme; alt kümeleme;	Bölüm 2&4 Introduction to Data Science
6	ggplot2 Paketi ile görselleştirmeye giriş (grafiklerin grameri, estetik, yönler, dönüşümler) * Veri seti: Galon ve Elmas karat başına Mil	Bölüm 3 R for Data Science https://r4ds.had.co.nz/index.html
7	Keşfedici Veri Analizi (Varyasyon, eksik değerler, kovaryasyon)	Bölüm 7 R for Data Science
8	Ara Sınav
9	Rmarkdown ile Raporlama *Vaka Çalışması: Gapminder veri seti (kişi başına GSYİH, yaşam beklentisi ve doğurganlık)	Bölüm 9 Introduction to Data Science
10	MODÜL 3: Python veri işleme modellerine giriş * Python editörü ve arayüzü. Sözdizimi, gramer ve kelime bilgisi.* Python veri türleri, tür dönüşümleri	Kaefer, F., & Kaefer, P. (2020). Introduction to Python programm Thousand Oaks: SAGE Publications, Inc.Bölüm 1
11	* Listeler, sözlükler * İndeksleme * Liste üreteçleri	Kaefer, F., & Kaefer, P. (2020). Introduction to Python programm Thousand Oaks: SAGE Publications, Inc.Bölüm 2
12	* Pandas kütüphanesi *Pandas istatistiksel fonksiyonları	Kaefer, F., & Kaefer, P. (2020). Introduction to Python programm Thousand Oaks: SAGE Publications, Inc.Bölüm 3
13	* Veri kalitesi ve ön işleme	Kaefer, F., & Kaefer, P. (2020). Introduction to Python programm Thousand Oaks: SAGE Publications, Inc.Bölüm 4
14	Verilerin düzenlenmesi ve işlenmesi Verileri toplama ve toplulaştırma fonksiyonları	Kaefer, F., & Kaefer, P. (2020). Introduction to Python programm Thousand Oaks: SAGE Publications, Inc.Bölüm 5
15	Pyhton özeti
16	Final sınavı

Ders Kitabı

“Introduction to Python Programming for Business and Social Science Applications” (2020) Frederick Kaefer, Paul Kaefer, Sage publications ISBN: 9781544377445

Wickham, H., & Grolemund, G. (2016). R for data science: import, tidy, transform, visualize, and model data. " O'Reilly Media, Inc.". ISBN-13: 978-1491910399

Tutorial: “Big Data Analytics: Concepts, Technologies, and Applications” https://aisel.aisnet.org/cais/vol34/iss1/65/?utm_source=aisel.aisnet.org%2Fcais%2Fvol34%2Fiss1%2F65&utm_medium=PDF&utm_campaign=PDFCoverPages

Önerilen Okumalar/Materyaller

Yarıyıl Aktiviteleri	Sayı	Katkı Payı %
Katılım
Laboratuvar / Uygulama
Arazi Çalışması
Küçük Sınav / Stüdyo Kritiği	4	30
Portfolyo
Ödev
Sunum / Jüri Önünde Sunum	1	20
Proje	1	20
Seminer/Çalıştay
Sözlü Sınav
Ara Sınav
Final Sınavı	1	30
Toplam

Yarıyıl İçi Çalışmalarının Başarı Notuna Katkısı	6	70
Yarıyıl Sonu Çalışmalarının Başarı Notuna Katkısı	1	30
Toplam

Yarıyıl Aktiviteleri	Sayı	Süre (Saat)	İş Yükü
Teorik Ders Saati (Sınav haftası dahildir: 16 x teorik ders saati)	16	2	32
Laboratuvar / Uygulama Ders Saati (Sınav haftası dahildir. 16 x uygulama/lab ders saati)	16	2	32
Sınıf Dışı Ders Çalışması	16	2	32
Arazi Çalışması			0
Küçük Sınav / Stüdyo Kritiği	4	3	12
Portfolyo			0
Ödev			0
Sunum / Jüri Önünde Sunum	1	7	7
Proje	1	25	25
Seminer/Çalıştay			0
Sözlü Sınav			0
Ara Sınavlar			0
Final Sınavı	1	10	10
		Toplam	150

#	Program Yeterlilikleri / Çıktıları	* Katkı Düzeyi
#	Program Yeterlilikleri / Çıktıları	1	2	3	4	5
1	Temel matematik, uygulamalı matematik veya istatistik kuramlarına ve uygulamalarına hâkim olur.	-	-	-	-	-
2	Matematik veya istatistik alanlarında edindiği ileri düzey bilgi ve becerilerini kullanarak verileri yorumlar, sorunları tanımlar, araştırmalara ve kanıtlara dayalı çözüm önerileri geliştirir.	-	-	-	-	-
3	Disiplinler arası yaklaşımla, matematik veya istatistiği gerçek yaşamda uygular ve kendi potansiyelini keşfeder.	-	-	-	-	-
4	Matematik veya İstatistik alanında edindiği ileri düzeyde bilgi ve becerilerini eleştirel bir yaklaşımla değerlendirir.	-	-	-	-	-
5	Kuramsal ve teknik bilgilerini detaylı olarak uzman olan veya olmayan kişilere rahatça aktarır.	-	-	-	-	-
6	Matematik veya istatistik alanlarında bireysel veya ekip olarak bir çalışmayı sürdürür, bağımsız çalışmanın ilgili tüm aşamalarında etkili olur, karar verme sürecine katılır, zamanı etkili kullanarak gerekli planlamayı yapar.	-	-	-	-	-
7	Matematik veya istatistik alanlarında yaygın olarak kullanılan yazılımlara aşina olur ve Avrupa Bilgisayar Kullanma Lisansı İleri Düzeyindeki en az bir programı etkin şekilde kullanır.	-	-	-	-	-
8	Dahil olduğu projelerin tüm aşamalarında toplumsal, bilimsel ve etik değerlere uygun hareket eder, toplumsal duyarlılık çerçevesinde proje geliştirip uygular.	-	-	-	-	-
9	Evrensel anlamda birikimli ve duyarlı olarak tüm süreçleri etkin şekilde değerlendirir ve kalite yönetimi konusunda yeterli bilince sahip olur.	-	-	-	-	-
10	Soyut düşünce yapısına hâkim olarak, somut olayları bağlar ve çözüm üretir, veri toplayarak bilimsel yöntemlerle sonuçları inceler ve yorumlar.	-	-	-	-	-
11	Bir yabancı dili kullanarak Matematik veya İstatistik ile ilgili bilgi toplar ve meslektaşları ile iletişim kurar.	-	-	-	-	-
12	İkinci yabancı dili orta düzeyde kullanır.	-	-	-	-	-
13	İnsanlık tarihi boyunca oluşan bilgi birikimini uzmanlık alanıyla ilişkilendirir.	-	-	-	-	-