GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS | Kredi |
|---|---|---|---|---|---|---|
| EYON334 | Web Veri Analitiği ve R Uygulamaları | Seçmeli Ders Grubu | 3 | 6 | 5.00 | 3.00 |
Dersin Seviyesi
Lisans
Dersin Sunulduğu Dil
Dersin Amacı
Bu dersin amacı, öğrencilere web ortamında üretilen verilerin toplanması, işlenmesi, analiz edilmesi ve görselleştirilmesi konularında temel bilgi ve beceriler kazandırmaktır. Ders kapsamında öğrenciler, web veri analitiğinin işletme ve sosyal bilimler alanındaki uygulamalarını öğrenir; R programlama dili aracılığıyla veri toplama, temizleme, analiz etme ve görselleştirme süreçlerini uygular. Ayrıca, ders öğrencilerin veri temelli karar verme becerilerini geliştirmelerini ve büyük veri ekosisteminde analitik yaklaşımlar geliştirmelerini hedefler.
Dersi Veren Öğretim GörevlisiGörevlileri
.
Öğrenme Çıktıları
| 1 | Öğrenci, web veri analitiğinin temel kavramlarını ve web’den veri toplama yöntemlerini tanımlar. |
| 2 | Öğrenci, R programlama dilini kullanarak web’den veri toplama, temizleme ve ön işleme tekniklerini uygular. |
| 3 | Öğrenci, R ile elde edilen verileri istatistiksel yöntemlerle analiz eder ve uygun görselleştirme teknikleriyle yorumlar. |
| 4 | Öğrenci, işletme ve sosyal bilimler alanındaki gerçek veri setleri üzerinden projeler geliştirerek veri temelli karar verme becerisini geliştirir. |
Öğrenim Türü
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Bulunmamaktadır.
Ders İçin Önerilen Diğer Hususlar
Bulunmamaktadır.
Dersin İçeriği
Web Veri Analitiğine Giriş: Temel kavramlar, veri türleri ve web veri kaynakları Web’den Veri Toplama Yöntemleri: Web scraping, API kullanımı, açık veri kaynakları R Programlama Diline Giriş: Temel sözdizimi, veri yapıları ve paketler R ile Veri Toplama: rvest, httr ve benzeri paketlerle web’den veri çekme Veri Temizleme ve Ön İşleme: Eksik/veri hatalarının giderilmesi, veri dönüştürme Veri Görselleştirme: ggplot2 ile grafikler, interaktif görselleştirmeler İstatistiksel Analiz: Tanımlayıcı istatistikler, hipotez testleri Metin Madenciliği ve Doğal Dil İşleme: Web’deki metinlerin analizi, duygu analizi Sosyal Medya Verilerinin Analizi: Twitter, Instagram, LinkedIn gibi platformlardan veri çekme ve analiz Makine Öğrenmesi Temelleri: Sınıflandırma, regresyon ve kümeleme uygulamaları R Shiny ile Etkileşimli Dashboard Geliştirme Büyük Veri ve Bulut Tabanlı Çözümlerle Entegrasyon Gerçek Hayat Uygulamaları: İşletme ve sosyal bilimlerde vaka çalışmaları Proje Sunumları ve Genel Değerlendirme
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Teorik | [OgretimYontemVeTeknikleri] | [OnHazirlik] |
|---|---|---|---|
| 1 | Web Veri Analitiğine Giriş – Temel kavramlar, veri türleri, web veri kaynakları R Programlama Diline Giriş – Sözdizimi, veri yapıları, temel paketler R ile Veri Okuma ve Yazma – CSV, Excel, JSON, web kaynaklarından veri alma Web’den Veri Toplama Yöntemleri – Web scraping, API kullanımı rvest ve httr Paketleri ile Web’den Veri Çekme Veri Temizleme ve Ön İşleme – Eksik veriler, aykırı değerler, veri dönüştürme Veri Görselleştirme I – ggplot2 ile temel grafikler Veri Görselleştirme II – İleri düzey grafikler ve interaktif görselleştirmeler Tanımlayıcı İstatistikler ve Veri Analizi Hipotez Testleri ve Regresyon Analizi Metin Madenciliği ve Doğal Dil İşleme (NLP) – Duygu analizi, sözcük bulutu Sosyal Medya Verilerinin Analizi – Twitter, Instagram, LinkedIn uygulamaları Makine Öğrenmesine Giriş – Sınıflandırma, kümeleme örnekleri Proje Sunumları ve Genel Değerlendirme |
Ders Kitabı Malzemesi Önerilen Kaynaklar
Kabacoff, R. I. (2022). R in Action: Data Analysis and Graphics with R (3rd ed.). Shelter Island, NY: Manning Publications. → R programlamaya giriş, veri analizi, veri temizleme, görselleştirme ve istatistiksel yöntemler için kapsamlı bir kaynak. Munzert, S., Rubba, C., Meißner, P., & Nyhuis, D. (2015). Automated Data Collection with R: A Practical Guide to Web Scraping and Text Mining. Chichester, UK: John Wiley & Sons. → Web scraping, metin madenciliği, sosyal medya verilerinin toplanması ve analiz edilmesi üzerine odaklanan, doğrudan dersin uygulamalarına uygun bir kaynak.
Planlanan Öğrenme Aktiviteleri ve Metodları
Bulunmamaktadır.
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 40 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 60 | |
Staj Durumu
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 1 | 1 |
| Final Sınavı | 1 | 1 | 1 |
| Ara Sınav İçin Bireysel Çalışma | 7 | 9 | 63 |
| Final Sınavı içiin Bireysel Çalışma | 7 | 9 | 63 |
| Toplam İş Yükü (saat) | 128 | ||
Program ve Öğrenme Çıktıları İlişkisi
| ÖÇ 1 |
| ÖÇ 2 |
| ÖÇ 3 |
| ÖÇ 4 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek