| DA 501 Veri Analitiğine Giriş |
3 SU Kredi |
|
Bu derste veri temizleme, düzenleme, işleme ve analiz etme
konularında temel 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 bilimsel
hesaplamaya giriş yapılacaktır.
|
| Acilan Donemler |
Ders Ismi |
SU Kredi |
| Güz 2023-2024 |
Veri Analitiğine Giriş |
3 |
| Güz 2022-2023 |
Veri Analitiğine Giriş |
3 |
| Güz 2021-2022 |
Veri Analitiğine Giriş |
3 |
| Güz 2020-2021 |
Veri Analitiğine Giriş |
3 |
| Güz 2019-2020 |
Veri Analitiğine Giriş |
3 |
| Güz 2018-2019 |
Veri Analitiğine Giriş |
3 |
| Güz 2017-2018 |
Veri Analitiğine Giriş |
3 |
| Güz 2016-2017 |
Veri Analitiğine Giriş |
3 |
| Güz 2015-2016 |
Veri Analitiğine Giriş |
3 |
| Güz 2014-2015 |
Veri Analitiğine Giriş |
3 |
|
| Onkosul: __ |
| Yankosul: __ |
| ECTS Kredi: 6 ECTS (6 ECTS for students admitted before 2013-14 Academic Year) |
| Genel Kosullar : |
|
|
| |
| DA 503 Uygulamalı İstatistik |
3 SU Kredi |
|
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-değerleri gibi konular ele
alınacaktır. Bu ders öğrencilerin bir istatistiki
programlama dilini kullanarak burada öğrenilen teknikleri
veri grupları üzerinde uygulamalarına yardımcı olacak bir
formatta tasarlanmıştır.
|
| Acilan Donemler |
Ders Ismi |
SU Kredi |
| Güz 2023-2024 |
Uygulamalı İstatistik |
3 |
| Güz 2022-2023 |
Uygulamalı İstatistik |
3 |
| Güz 2021-2022 |
Uygulamalı İstatistik |
3 |
| Güz 2020-2021 |
Uygulamalı İstatistik |
3 |
| Güz 2019-2020 |
Uygulamalı İstatistik |
3 |
| Güz 2018-2019 |
Uygulamalı İstatistik |
3 |
| Güz 2017-2018 |
Uygulamalı İstatistik |
3 |
| Güz 2016-2017 |
Uygulamalı İstatistik |
3 |
| Güz 2015-2016 |
Uygulamalı İstatistik |
3 |
| Güz 2014-2015 |
Uygulamalı İstatistik |
3 |
|
| Onkosul: __ |
| Yankosul: __ |
| ECTS Kredi: 6 ECTS (6 ECTS for students admitted before 2013-14 Academic Year) |
| Genel Kosullar : |
|
|
| |
| DA 505 Veri Modellemesi ve İşlemesine Girişi |
3 SU Kredi |
|
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
doküman veri tabanları dersin ikinci kısmını oluşturacaktır.
Öğrenciler derste ilişkisel ve ilişkisel olmayan (NoSQL)
veri tabanı sistemleri üzerinde uygulamalı çalışacaktır.
|
| Acilan Donemler |
Ders Ismi |
SU Kredi |
| Güz 2023-2024 |
Veri Modellemesi ve İşlemesine Girişi |
3 |
| Güz 2022-2023 |
Veri Modellemesi ve İşlemesine Girişi |
3 |
| Güz 2021-2022 |
Veri Modellemesi ve İşlemesine Girişi |
3 |
| Güz 2020-2021 |
Veri Modellemesi ve İşlemesine Girişi |
3 |
| Güz 2019-2020 |
Veri Modellemesi ve İşlemesine Girişi |
3 |
| Güz 2018-2019 |
Veri Modellemesi ve İşlemesine Girişi |
3 |
| Güz 2017-2018 |
Veri Modellemesi ve İşlemesine Girişi |
3 |
| Güz 2016-2017 |
Veri Modellemesi ve İşlemesine Girişi |
3 |
| Güz 2015-2016 |
Veri Modellemesi ve İşlemesine Girişi |
3 |
| Güz 2014-2015 |
Veri Modellemesi ve İşlemesine Girişi |
3 |
|
| Onkosul: __ |
| Yankosul: __ |
| ECTS Kredi: 6 ECTS (6 ECTS for students admitted before 2013-14 Academic Year) |
| Genel Kosullar : |
|
|
| |
| DA 507 Modelleme ve Optimizasyon |
3 SU Kredi |
|
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 formülasyonu ve
çözümü 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
|
| Acilan Donemler |
Ders Ismi |
SU Kredi |
| Güz 2023-2024 |
Modelleme ve Optimizasyon |
3 |
| Güz 2022-2023 |
Modelleme ve Optimizasyon |
3 |
| Güz 2021-2022 |
Modelleme ve Optimizasyon |
3 |
| Güz 2020-2021 |
Modelleme ve Optimizasyon |
3 |
| Güz 2019-2020 |
Modelleme ve Optimizasyon |
3 |
| Güz 2018-2019 |
Modelleme ve Optimizasyon |
3 |
| Güz 2017-2018 |
Modelleme ve Optimizasyon |
3 |
| Güz 2016-2017 |
Modelleme ve Optimizasyon |
3 |
| Güz 2015-2016 |
Modelleme ve Optimizasyon |
3 |
| Güz 2014-2015 |
Modelleme ve Optimizasyon |
3 |
|
| Onkosul: __ |
| Yankosul: __ |
| ECTS Kredi: 6 ECTS (6 ECTS for students admitted before 2013-14 Academic Year) |
| Genel Kosullar : |
|
|
| |
| DA 512 Hadoop ile Büyük Veri İşlenmesi |
3 SU Kredi |
|
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 MapReduce çerçevesini kullanarak
programlar geliştirip, bu programları Hadoop cluster
üzerinde nasıl çalıştıracaklarını öğreneceklerdir. Kursun
içeriğinde giriş seviyesinde Pig, Hive programlama
teknolojileri de yer alacaktır.
|
| Acilan Donemler |
Ders Ismi |
SU Kredi |
| Bahar 2021-2022 |
Hadoop ile Büyük Veri İşlenmesi |
3 |
| Bahar 2020-2021 |
Hadoop ile Büyük Veri İşlenmesi |
3 |
| Bahar 2019-2020 |
Hadoop ile Büyük Veri İşlenmesi |
3 |
| Bahar 2018-2019 |
Hadoop ile Büyük Veri İşlenmesi |
3 |
| Bahar 2017-2018 |
Hadoop ile Büyük Veri İşlenmesi |
3 |
| Bahar 2016-2017 |
Hadoop ile Büyük Veri İşlenmesi |
3 |
| Bahar 2015-2016 |
Hadoop ile Büyük Veri İşlenmesi |
3 |
| Bahar 2014-2015 |
Hadoop ile Büyük Veri İşlenmesi |
3 |
|
| Onkosul: __ |
| Yankosul: __ |
| ECTS Kredi: 6 ECTS (6 ECTS for students admitted before 2013-14 Academic Year) |
| Genel Kosullar : |
|
|
| |
| DA 513 Zaman Serisi Analizi ve Tahminleri |
3 SU Kredi |
|
Bu ders tek ve çok değişkenli zaman serileri analizi ve
tahminlerine temel giriş sağlamak üzere tasarlanmıştır.
Zaman serisi tahminleri için klasik (oto-regresif ve
hareketli ortalamalar) yöntemlerle birlikte Makine
Öğrenmesi ve regresyon metotları da öğretilmektedir.
Öğrenciler bu derste durağan zaman serileri, serilerde trend
ve mevsimsellik, zaman serilerinde ayrıştırma ve
düzleştirme gibi kavram ve işlemleri de öğreneceklerdir.
|
| Acilan Donemler |
Ders Ismi |
SU Kredi |
| Bahar 2023-2024 |
Zaman Serisi Analizi ve Tahminleri |
3 |
| Bahar 2022-2023 |
Zaman Serisi Analizi ve Tahminleri |
3 |
|
| Onkosul: __ |
| Yankosul: __ |
| ECTS Kredi: 6 ECTS (6 ECTS for students admitted before 2013-14 Academic Year) |
| Genel Kosullar : |
|
|
| |
| DA 514 Makine Öğrenmesi I |
3 SU Kredi |
|
Bu ders, Makine Öğrenmesi temel yaklaşımlarını
kapsamaktadır. Ders makine öğrenmesinin temelleri ile
başlayarak, farklı öğrenme paradigmaları, regresyon,
sınıflandırma problemleri, değerlendirme metotları,
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 uygulamaları beklenecektir.
|
| Acilan Donemler |
Ders Ismi |
SU Kredi |
| Bahar 2023-2024 |
Makine Öğrenmesi I |
3 |
| Bahar 2022-2023 |
Makine Öğrenmesi I |
3 |
| Bahar 2021-2022 |
Makine Öğrenmesi I |
3 |
| Bahar 2020-2021 |
Makine Öğrenmesi I |
3 |
| Bahar 2019-2020 |
Makine Öğrenmesi I |
3 |
| Bahar 2018-2019 |
Makine Öğrenmesi |
3 |
| Bahar 2017-2018 |
Makine Öğrenmesi |
3 |
| Bahar 2016-2017 |
Makine Öğrenmesi |
3 |
| Bahar 2015-2016 |
Makine Öğrenmesi |
3 |
| Bahar 2014-2015 |
Makine Öğrenmesi |
3 |
|
| Onkosul: __ |
| Yankosul: __ |
| ECTS Kredi: 6 ECTS (6 ECTS for students admitted before 2013-14 Academic Year) |
| Genel Kosullar : |
|
|
| |
| DA 515 Veri Analitiği Pratik Vaka Çalışmaları |
3 SU Kredi |
|
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.
|
| Acilan Donemler |
Ders Ismi |
SU Kredi |
| Yaz 2022-2023 |
Veri Analitiği Pratik Vaka Çalışmaları |
3 |
| Yaz 2021-2022 |
Veri Analitiği Pratik Vaka Çalışmaları |
3 |
| Yaz 2020-2021 |
Veri Analitiği Pratik Vaka Çalışmaları |
3 |
| Yaz 2019-2020 |
Veri Analitiği Pratik Vaka Çalışmaları |
3 |
| Yaz 2018-2019 |
Veri Analitiği Pratik Vaka Çalışmaları |
3 |
| Yaz 2017-2018 |
Veri Analitiği Pratik Vaka Çalışmaları |
3 |
| Yaz 2016-2017 |
Veri Analitiği Pratik Vaka Çalışmaları |
3 |
| Yaz 2015-2016 |
Veri Analitiği Pratik Vaka Çalışmaları |
3 |
|
| Onkosul: __ |
| Yankosul: __ |
| ECTS Kredi: 6 ECTS (6 ECTS for students admitted before 2013-14 Academic Year) |
| Genel Kosullar : |
|
|
| |
| DA 516 Sosyal Ağ Analizi |
3 SU Kredi |
|
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
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 çizge teorisine de giriş
yapılacaktır. Kurs kapsamında oyun teorisi ile etkileşim
dinamiği de inceleme altına alınacaktır. Derste
öğretilecek olan kavramlar: 1. Farklı sosyal ağların
çalışma mekanizmalarını incelenmesi ve modellenmesi
2. Çizge teorisinintemelleri 3. Temel sosyal ağ analizi 4.
Oyun teorisinin temelleri 5. Bu kavramların yeni web ve
sosyal ağ uygulamalarına uyarlanması
|
| Acilan Donemler |
Ders Ismi |
SU Kredi |
| Bahar 2023-2024 |
Sosyal Ağ Analizi |
3 |
| Bahar 2022-2023 |
Sosyal Ağ Analizi |
3 |
| Bahar 2021-2022 |
Sosyal Ağ Analizi |
3 |
| Bahar 2020-2021 |
Sosyal Ağ Analizi |
3 |
| Bahar 2019-2020 |
Sosyal Ağ Analizi |
3 |
| Bahar 2018-2019 |
Sosyal Ağ Analizi |
3 |
| Bahar 2017-2018 |
Sosyal Ağ Analizi |
3 |
| Bahar 2016-2017 |
Sosyal Ağ Analizi |
3 |
| Bahar 2015-2016 |
Sosyal Ağ Analizi |
3 |
| Bahar 2014-2015 |
Sosyal Ağ Analizi |
3 |
|
| Onkosul: __ |
| Yankosul: __ |
| ECTS Kredi: 6 ECTS (6 ECTS for students admitted before 2013-14 Academic Year) |
| Genel Kosullar : |
|
|
| |
| DA 517 Makine Öğrenmesi II |
3 SU Kredi |
|
Bu ders, Makine Öğrenmesi I dersinin devamı olarak
birçok gözetimli ve gözetimsiz makine öğrenmesi
algoritmalarını işleyecek şekilde tasarlanmıştır. Dersin
ilk yarısında kümeleme teknikleri, öneri sistemleri ve
çok boyutluluğun azaltılması gibi gözetimsiz öğrenme
uyarlayabilmeleri beklenmektedir. Bu ders aktif
uygulamalı bir ders olması bakımından öğrencilerden
baştan sona olacak şekilde makine öğrenmesi çözümleri
üretmeleri ve geliştirmeleri beklenmektedir.
|
| Acilan Donemler |
Ders Ismi |
SU Kredi |
| Bahar 2023-2024 |
Makine Öğrenmesi II |
3 |
| Bahar 2022-2023 |
Makine Öğrenmesi II |
3 |
| Bahar 2021-2022 |
Makine Öğrenmesi II |
3 |
| Bahar 2020-2021 |
Makine Öğrenmesi II |
3 |
| Bahar 2019-2020 |
Makine Öğrenmesi II |
3 |
| Bahar 2018-2019 |
Veri Madenciliği (DA510) |
3 |
| Bahar 2017-2018 |
Veri Madenciliği (DA510) |
3 |
| Bahar 2016-2017 |
Veri Madenciliği (DA510) |
3 |
| Bahar 2015-2016 |
Veri Madenciliği (DA510) |
3 |
| Bahar 2014-2015 |
Veri Madenciliği (DA510) |
3 |
|
| Onkosul: __ |
| Yankosul: __ |
| ECTS Kredi: 6 ECTS (6 ECTS for students admitted before 2013-14 Academic Year) |
| Genel Kosullar : |
|
|
| |
| DA 518 Keşifsel Veri Analizi ve Görselleştirme |
3 SU Kredi |
|
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 metotlar 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 teknikler
ele alınacaktır. İş dünyası, endüstri ve gazetecilikten vaka
çalışmalarına yer verilecektir.
|
| Acilan Donemler |
Ders Ismi |
SU Kredi |
| Bahar 2023-2024 |
Keşifsel Veri Analizi ve Görselleştirme |
3 |
| Bahar 2022-2023 |
Keşifsel Veri Analizi ve Görselleştirme |
3 |
| Bahar 2021-2022 |
Keşifsel Veri Analizi ve Görselleştirme |
3 |
| Bahar 2020-2021 |
Keşifsel Veri Analizi ve Görselleştirme |
3 |
| Bahar 2019-2020 |
Keşifsel Veri Analizi ve Görselleştirme |
3 |
| Bahar 2018-2019 |
Keşifsel Veri Analizi ve Görselleştirme |
3 |
| Bahar 2017-2018 |
Keşifsel Veri Analizi ve Görselleştirme |
3 |
| Bahar 2016-2017 |
Keşifsel Veri Analizi ve Görselleştirme |
3 |
| Bahar 2015-2016 |
Keşifsel Veri Analizi ve Görselleştirme |
3 |
| Bahar 2014-2015 |
Keşifsel Veri Analizi ve Görselleştirme |
3 |
|
| Onkosul: __ |
| Yankosul: __ |
| ECTS Kredi: 6 ECTS (6 ECTS for students admitted before 2013-14 Academic Year) |
| Genel Kosullar : |
|
|
| |
| DA 519 Veri Biliminde Nedenselllik |
3 SU Kredi |
|
Veri biliminde nedensellik özellikle son yillarda veri
biliminin bir uygulama alani olarak yerini almaktadir.
Bu alanin amaci deneysel ve özellikle gözlemsel verileri
kullanarak neden-sonuç iliskileri çikarabilmektedir.
Bu sayede yapilmasi planlanan müdahalelerin olasi etkileri
hakkinda güvenilir çikarimlar elde edilebilecektir.
Önemli uygulama alanlari arasinda tip, ekonomi ve finans,
pazarlama, politika bilimi, isletme, ve teknoloji endüstrisi
gibi disiplinler yer almaktadir. Bu dersin ana çiktisi
olarak ögrenciler, neden sonuç iliskilerini modern makine
yöntemleri ile elde edebilecektir. Dersin uygulamalari
Python dilinde yapilacaktir.
|
| Acilan Donemler |
Ders Ismi |
SU Kredi |
|
| Onkosul: __ |
| Yankosul: __ |
| ECTS Kredi: 6 ECTS (6 ECTS for students admitted before 2013-14 Academic Year) |
| Genel Kosullar : |
|
|
| |
| DA 520 Derin Ögrenme |
3 SU Kredi |
|
Derin ögrenmedeki son gelismeler, bilgisayarli görme ve
ve dogal dil isleme dahil olmak üzere birçok alanda çigir
açici ilerlemelere yolaçmistir. Bu ders, ögrencileri gerçek
dünyadaki zorluklari çözmek içinen son teknolojiye sahip
derin sinir agi mimarilerinden vealgoritmalardan
yararlanacak pratik
beceriler ve teorik bilgilerle
donatmayi amaçlamaktadir. Ögrenciler öncelikle sinir
ögrenmesini topluca saglayan ag mimarisi tasarimi,
aktivasyon
fonksiyonlari, kayipfonksiyonlari, optimizasyon algoritmalar
kapsamli bir sekilde anlayacaklardir.Ögrenciler daha sonra
Python programlama dili ve PyTorchçerçevesini kullanarak
gerçek dünyadaki veri kümeleriyle uygulamali deneyim yoluyla
derin ögrenme modellerini dagitma, deneyler yapma
ve model performansini optimize etme gibi konularda pratik
bilgi kazanacaklardir.
|
| Acilan Donemler |
Ders Ismi |
SU Kredi |
|
| Onkosul: __ |
| Yankosul: __ |
| ECTS Kredi: 6 ECTS (6 ECTS for students admitted before 2013-14 Academic Year) |
| Genel Kosullar : |
|
|
| |
| DA 522 Bilişim Hukuku ve Veri Etiği |
3 SU Kredi |
|
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.
|
| Acilan Donemler |
Ders Ismi |
SU Kredi |
| Yaz 2022-2023 |
Bilişim Hukuku ve Veri Etiği |
3 |
| Yaz 2021-2022 |
Bilişim Hukuku ve Veri Etiği |
3 |
| Yaz 2020-2021 |
Bilişim Hukuku ve Veri Etiği |
3 |
| Yaz 2019-2020 |
Bilişim Hukuku ve Veri Etiği |
3 |
| Yaz 2018-2019 |
Bilişim Hukuku ve Veri Etiği |
3 |
| Yaz 2017-2018 |
Bilişim Hukuku ve Veri Etiği |
3 |
| Yaz 2016-2017 |
Bilişim Hukuku ve Veri Etiği |
3 |
| Yaz 2015-2016 |
Bilişim Hukuku ve Veri Etiği |
3 |
| Yaz 2014-2015 |
Bilişim Hukuku ve Veri Etiği |
3 |
|
| Onkosul: __ |
| Yankosul: __ |
| ECTS Kredi: 6 ECTS (6 ECTS for students admitted before 2013-14 Academic Year) |
| Genel Kosullar : |
|
|
| |
| DA 525 Proje Yönetimi ve İş İletişimi |
3 SU Kredi |
|
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 odaklanmaktadır.
|
| Acilan Donemler |
Ders Ismi |
SU Kredi |
| Yaz 2022-2023 |
Proje Yönetimi ve İş İletişimi |
3 |
| Yaz 2021-2022 |
Proje Yönetimi ve İş İletişimi |
3 |
| Yaz 2020-2021 |
Proje Yönetimi ve İş İletişimi |
3 |
| Yaz 2019-2020 |
Proje Yönetimi ve İş İletişimi |
3 |
| Yaz 2018-2019 |
Proje Yönetimi ve İş İletişimi |
3 |
| Yaz 2016-2017 |
Proje Yönetimi ve İş İletişimi |
3 |
| Yaz 2015-2016 |
Proje Yönetimi ve İş İletişimi |
3 |
| Yaz 2014-2015 |
Proje Yönetimi ve İş İletişimi |
3 |
|
| Onkosul: __ |
| Yankosul: __ |
| ECTS Kredi: 6 ECTS (6 ECTS for students admitted before 2013-14 Academic Year) |
| Genel Kosullar : |
|
|
| |
| DA 592 Dönem Projesi |
0 SU Kredi |
|
Tezsiz yüksek lisans programını takip eden 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 bir sonuç
raporu yazmak ve sunmakla yükümlüdür. Bu ders,
öğrencilerine araştırma, bir projeyi zaman çizelgesine
uygun olarak yürütme, araştırma çıktılarını yorumlama
becerilerini de kazandırmayı hedeflemektedir. Bunlara ek
olarak proje taslağı hazırlama, proje kapsamını belirleyecek
olan temel bileşenleri tespit ve değerlendirme, proje
konusuyla ilgili literatür araştırmasını yürütme ve
sonuçları derleme, araştırma metotlarını seçme ve ortaya
çıkan sonuçları nitel ve nicel olarak analiz
etme, birden fazla öğrenci ile yapılan projelerde bilgi
paylaşımı, işbirliği ve takım çalışması gibi hususlarda
deneyim kazanma, bilimsel format ve standartlarda bir proje
raporu hazırlama ve nihai olarak raporun çıktılarını sunma
gibi becerileri de öğrencilerin bu ders
kapsamında edinmeleri beklenmektedir.
|
| Acilan Donemler |
Ders Ismi |
SU Kredi |
| Yaz 2022-2023 |
Dönem Projesi |
0 |
| Yaz 2021-2022 |
Dönem Projesi |
0 |
| Yaz 2020-2021 |
Dönem Projesi |
0 |
| Yaz 2019-2020 |
Dönem Projesi |
0 |
| Yaz 2018-2019 |
Dönem Projesi |
0 |
| Yaz 2017-2018 |
Dönem Projesi |
0 |
| Yaz 2016-2017 |
Dönem Projesi |
0 |
| Bahar 2016-2017 |
Dönem Projesi |
0 |
| Güz 2016-2017 |
Dönem Projesi |
0 |
| Yaz 2015-2016 |
Dönem Projesi |
0 |
| Güz 2015-2016 |
Dönem Projesi |
0 |
| Yaz 2014-2015 |
Dönem Projesi |
0 |
|
| Onkosul: __ |
| Yankosul: __ |
| ECTS Kredi: 30 ECTS (30 ECTS for students admitted before 2013-14 Academic Year) |
| Genel Kosullar : |
|
|
| |
