İŞLETME FAKÜLTESİ
Ekonomi
BUS 220 | Ders Tanıtım Bilgileri
Dersin Adı |
İşletme ve Ekonomi için Veri Analitiği
|
Kodu
|
Yarıyıl
|
Teori
(saat/hafta) |
Uygulama/Lab
(saat/hafta) |
Yerel Kredi
|
AKTS
|
BUS 220
|
Bahar
|
2
|
2
|
3
|
5
|
Ön-Koşul(lar) |
Yok
|
|||||
Dersin Dili |
İngilizce
|
|||||
Dersin Türü |
Zorunlu
|
|||||
Dersin Düzeyi |
Lisans
|
|||||
Dersin Veriliş Şekli | - | |||||
Dersin Öğretim Yöntem ve Teknikleri | Deney / Laboratuvar / Atölye uygulamaAnlatım / Sunum | |||||
Dersin Koordinatörü | ||||||
Öğretim Eleman(lar)ı | ||||||
Yardımcı(ları) |
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;
|
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. |
|
Temel Ders | |
Uzmanlık/Alan Dersleri | ||
Destek Dersleri | ||
İletişim ve Yönetim Becerileri Dersleri | ||
Aktarılabilir Beceri Dersleri |
HAFTALIK KONULAR VE İLGİLİ ÖN HAZIRLIK ÇALIŞMALARI
Hafta | Konular | Ön Hazırlık |
1 | MODÜL 1: Büyük Veri Büyük veri teknolojileri (Hadoop, MapReduce), yetkinlikler, gerçek zamanlı veri işleme. Hedef: Büyük verilerdeki temel veri dönüşümlerini anlamak. Örnek olay: Bir süpermarketteki POS işlemlerinden stok verilerini toplamak için bir veri süreci tasarlayın. | 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 verilerde olası değer oluşturma işlem hatları. Hedef: Büyük verilerdeki gerçek zamanlı veya çevrimdışı değer oluşturma işlem hatlarını anlamak. Örnek olay: İzmir Belediyesi ulaşım araçları verilerini düşünün. Hizmet bilgileri sağlayarak kamu hizmetlerini iyileştirmek için değer yaratma işlem hattı önerin. | |
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; faktörler; veri çerçeveleri | Bölüm 2 Introduction to Data Science |
5 | Listeler; İndeksleme; Alt küme *Vaka Çalışması: ABD Silahlı Cinayetler | Bölüm 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 | Rmarkdown ile Raporlama *Vaka Çalışması: Gapminder veri seti (kişi başına GSYİH, yaşam beklentisi ve doğurganlık) | Bölüm 9 Introduction to Data Science |
9 | MODÜL 3: Python veri işleme modellerine giriş * Python editörü ve arayüzü. Sözdizimi, gramer ve kelime bilgisi. Basit veri türleri.Yardım sistemi. * Python scriptleri | Thousand Oaks: SAGE Publications, Inc.”, Bölüm 1 |
10 | * Python veri türleri * Şart/Koşul durumları | Kaefer, F., & Kaefer, P. (2020). Introduction to Python programm Thousand Oaks: SAGE Publications, Inc.Bölüm 2 |
11 | * Döngüler * Döngülerle tasarım örüntüleri | Kaefer, F., & Kaefer, P. (2020). Introduction to Python programm Thousand Oaks: SAGE Publications, Inc.Bölüm 3 |
12 | * Python veri yapıları * Fonksiyonlar | Kaefer, F., & Kaefer, P. (2020). Introduction to Python programm Thousand Oaks: SAGE Publications, Inc.Bölüm 4 |
13 | .csv uzantılı dosyaların kullanımı | Kaefer, F., & Kaefer, P. (2020). Introduction to Python programm Thousand Oaks: SAGE Publications, Inc.Bölüm 5 |
14 | "Matlib" ve "Statistics" kütüphaneleri ile istatistiksel hesaplamalar | Kaefer, F., & Kaefer, P. (2020). Introduction to Python programm Thousand Oaks: SAGE Publications, Inc.Bölüm 6 |
15 | Dönemin gözden geçirilmesi | |
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 |
DEĞERLENDİRME ÖLÇÜTLERİ
Yarıyıl Aktiviteleri | Sayı | Katkı Payı % |
Katılım |
1
|
10
|
Laboratuvar / Uygulama | ||
Arazi Çalışması | ||
Küçük Sınav / Stüdyo Kritiği | ||
Portfolyo | ||
Ödev |
1
|
30
|
Sunum / Jüri Önünde Sunum |
1
|
20
|
Proje | ||
Seminer/Çalıştay | ||
Sözlü Sınav | ||
Ara Sınav |
2
|
40
|
Final Sınavı | ||
Toplam |
Yarıyıl İçi Çalışmalarının Başarı Notuna Katkısı |
5
|
100
|
Yarıyıl Sonu Çalışmalarının Başarı Notuna Katkısı | ||
Toplam |
AKTS / İŞ YÜKÜ TABLOSU
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 |
0
|
||
Portfolyo |
0
|
||
Ödev |
2
|
3
|
6
|
Sunum / Jüri Önünde Sunum |
1
|
26
|
26
|
Proje |
0
|
||
Seminer/Çalıştay |
0
|
||
Sözlü Sınav |
0
|
||
Ara Sınavlar |
2
|
1
|
2
|
Final Sınavı |
0
|
||
Toplam |
130
|
DERSİN ÖĞRENME ÇIKTILARININ PROGRAM YETERLİLİKLERİ İLE İLİŞKİSİ
#
|
Program Yeterlilikleri / Çıktıları |
* Katkı Düzeyi
|
||||
1
|
2
|
3
|
4
|
5
|
||
1 | İktisat alanına özgü temel kavramların, teorilerin, ilkelerin ve araştırma yöntemlerinin bilgisine sahip olur. |
|||||
2 | İktisadi verileri toplar, işler ve ekonomi politikalarına yol gösterebilecek bilimsel araştırmalar yapmak için uygun matematiksel, ekonometrik, istatistiksel yöntemleri ve veri analizi yöntemlerini uygular. |
|||||
3 | İlgili akademik, mesleki, bölgesel ve global ağların içinde yer alır bu ağları etkin olarak kullanır. |
|||||
4 | Bulunduğu toplumun ihtiyaçları konusunda yeterli sosyal sorumluluk bilincine sahip olur ve gerektiğinde sosyal dinamikleri etkileyebilecek aktiviteler düzenler. |
|||||
5 | İhtiyaç duyduğu bilgiye erişmek için eğitim sürecinde edindiği ile kişisel bilgi birikimini sentezler. |
|||||
6 | Eleştirel ve analitik düşünme becerisi ile kendi öğrenim gereksinimlerini belirler ve yaşam boyu öğrenme sürecini yönlendirir. |
|||||
7 | Toplumsal dinamikleri iktisadi süreçlere hem bir girdi hem de sonuç olarak eklemleyebilmek için gerekli becerilere sahiptir. |
|||||
8 | Üniversitede edindiği birikimini bulunduğu toplumun kültürel ve tarihsel yapısıyla ilişkilendirebilir ve toplumun farklı katmanlarına iletir. |
|||||
9 | Bireysel ve grup üyesi olarak sorumluluk alır. |
|||||
10 | Ekonomi ile ilgili verilerin toplanması, yorumlanması, duyurulması ve uygulanması aşamalarında toplumsal, bilimsel ve etik değerlere göre hareket eder. |
|||||
11 | Bir yabancı dili kullanarak ekonomi ilgili bilgi toplar ve meslektaşları ile iletişim kurar .("European Language Portfolio Global Scale", Level B1) |
|||||
12 | İkinci yabancı dili orta düzeyde kullanır. |
|||||
13 | İnsanlık tarihi boyunca oluşan bilgi birikimini uzmanlık alanıyla ilişkilendirir. |
*1 Lowest, 2 Low, 3 Average, 4 High, 5 Highest
HABER |TÜM HABERLER
İngiltere'nin 'Elif' yarışı
İzmir Ekonomi Üniversitesi (İEÜ) İşletme Fakültesi Ekonomi Bölümü’nü bu yıl ikincilikle bitiren Elif Larende (22), yüksek not ortalaması ve araştırmalarıyla İngilizlerin radarına
‘Dijital garson’ Türkiye üçüncüsü
İzmir Ekonomi Üniversitesi (İEÜ) öğrencisi Mehmet Güler, ‘fastposs’ adlı çalışmasıyla Türk Ekonomi Bankası’nın düzenlediği ‘Akıl Fikir Yarışması’nda üçüncü oldu.
Ekonomi Bölümü öğrencisi Mahsum Ferat Kaya'dan büyük başarı!
İzmir Ekonomi Üniversitesi (İEÜ) öğrencisi Mahsum Ferat Kaya (22), Alman Akademik Değişim Servisi’nin (DAAD) Türkiye’deki sayılı gence verdiği ‘yaz okulu bursunu’ alarak 636 yıllık
‘Ahududu’ Türkiye ikincisi
İzmir Ekonomi Üniversitesi (İEÜ) Ekonomi Bölümü öğrencisi Mehmet Güler, yeni nesil sera yöntemleri kullanılarak tarımsal verimliliğin ve enerji tasarrufunun artırılmasına yönelik ‘Ahududu’
Dr. İdil Göksel 9 Eylül Gazetesi'nde Uzaktan Eğitim Süreci Üzerine Yazdı
İzmirin önemli yerel gazetelerinden 9 Eylül gazetesi bölümümüz öğretim üyesi Dr. İdil Göksel’in görüşlerine yer verdi. Online eğitimin avantajları ve dezavantajlarını karşılaştıran