|
|
|
INSTITUTE OF GRADUATE STUDIES-COMPUTER ENGINEERING (WithOutThesis) (ENGLISH)
|
|---|
İSTANBUL AYDIN ÜNİVERSİTESİ
ISTANBUL AYDIN UNIVERSITY | | INSTITUTE OF GRADUATE STUDIES-COMPUTER ENGINEERING (WithOutThesis) (ENGLISH) | | SINIF: 1 - DÖNEM: 1 | | Ders Kodu | Ders Adı | DT | T | P | K | ECTS | H.S. | İçerik TR | İçerik ING | | FBE509E | SCIENTIFIC RESEARCH TECHNIQUES
SCIENTIFIC RESEARCH TECHNIQUES | Z | 3 | 0 | 3.0 | 6.0 | 3 | Araştırmanın felsefesi, yapısı ve araştırma çalışmasının bileşenleri incelenerek, bilimsel araştırma yaklaşımları, teoriye özgü tanımlar, bilimin temel nitelikleri, pozitivizm, hipotez, gözlem, araştırma konusu ve probleminin seçimi, amaç ve önemin ortaya konulması ve araştırma önerisinin oluşturulması gibi bilimselliğe hizmet eden yöntemler açıklanacaktır. Tez yazım kuralları, kaynakça hazırlama, makale ve rapor yazım kuralları ve etik kurallar anlatılacaktır. | Research design
Literature search and review
Scientific writing
Scientific presentation
Critical scientific review
Data types and data collection techniques
Quantitative and qualitative methods and data analyses
Ethical issues | | SEN501 | CALCULUS FOR DATA SCIENCE
CALCULUS FOR DATA SCIENCE | Z | 3 | 0 | 3.0 | 6.0 | 3 | Veri bilimi aktiviteleri, veri analizi araçları, veri görselleştirme, veri türleri, türler arası dönüşümler, veri tabloları üzerinde operasyonlar, veri önişleme, öznitelik analizi, boyut indirgeme, istatistiki, gözetimli ve gözetimsiz öğrenme, veri bilimi projelerinde örnek uygulamalar. | Data science activities, data analysis tools, data visualization, data types, transformations between types, operations on data tables, data preprocessing, attribute analysis, dimension reduction, statistics, supervised and unsupervised learning, sample applications in data science projects. | | SINIF: 1 - DÖNEM: 2 | | Ders Kodu | Ders Adı | DT | T | P | K | ECTS | H.S. | İçerik TR | İçerik ING | | LEE540 | TERM PROJECT COURSES
TERM PROJECT COURSES | Z | 0 | 0 | 0.0 | 3.0 | 0 | Problemin tanımı, çözüm seçenekleri, en uygun çözümün belirlenmesi, çözümün uygulanması, çözümün test edilmesi, çalışmanın raporlanması ve bir jüri önünde savunulması. | Definition of the problem, solution options, determination of the most appropriate solution, implementation of the solution, testing the solution, reporting and defense of the study in front of a jury. | | COM501 | MATHEMATİC FOR MACHİNE LEARNİNG
MATHEMATİC FOR MACHİNE LEARNİNG | S | 3 | 0 | 3.0 | 6.0 | 3 | | | | COM502 | MOBİLE AND WİRELESS NETWORKS
MOBİLE AND WİRELESS NETWORKS | S | 3 | 0 | 3.0 | 6.0 | 3 | İşlenen konulara radyo yayılım modelleri, gelecek nesil kablosuz ağlar, cep telefon ağları, ağ ve hareketlilik yönetimi, ağlarda kalite servisi, kuyruklama kuramı, kablosuz örgü ağları, dinamik dağılım yönetimi, bilişsel radyo ağları, kablosuz yerel ağlar, araçlar arası iletişim ve kablosuz özel amaca yönelik ağlar dahildir. | Topics covered include radio propagation models, next generation wireless networks, mobile phone networks, network and mobility management, quality service in networks, queuing theory, wireless mesh networks, dynamic dispersion management, cognitive radio networks, wireless local area networks, vehicular communication and wireless special purpose networks. | | COM503 | ADVANCED DATA AND NETWORK SECURİTY
ADVANCED DATA AND NETWORK SECURİTY | S | 3 | 0 | 3.0 | 6.0 | 3 | | | | COM504 | ADVANCED SOFTWARE ENGİNEERİNG
ADVANCED SOFTWARE ENGİNEERİNG | S | 3 | 0 | 3.0 | 6.0 | 3 | | | | COM505 | ADVANCED WEB PROGRAMMİNG
ADVANCED WEB PROGRAMMİNG | S | 3 | 0 | 3.0 | 6.0 | 3 | | | | COM507 | ALGORİTHMS AND PROGRAMİNG
ALGORİTHMS AND PROGRAMİNG | S | 3 | 0 | 3.0 | 6.0 | 3 | Algoritma kavramı, akış şemaları, programlama ve programlama dili, yapısal programlama kavramı, diziler, sıralama ve arama algoritmaları, matrisler, dosyalar, alt program ve fonksiyonlar, özyineleme ve özyinelemeli alt programlar | Algorithm concept, flowcharts, programming and programming language, structural programming concept, arrays, sorting and searching algorithms, matrices, files, subroutines and functions, recursion and recursive subroutines. | | COM508 | SOFTWARE APPLİCATİON TOOLS
SOFTWARE APPLİCATİON TOOLS | S | 3 | 0 | 3.0 | 3.0 | 3 | | | | COM511 | DATA SCIENCE
DATA SCIENCE | S | 3 | 0 | 3.0 | 6.0 | 3 | Bir veri bilimi ders ünitesinin içeriği, belirli müfredata ve dersin hedeflerine bağlı olarak değişebilir. Ancak sıklıkla dahil edilen ortak bileşenler şunlardır: Veri Bilimine Giriş: Veri bilimine ve uygulamalarına genel bakış. Alanın tarihsel bağlamı ve gelişimi. Temel Kavramlar: Verinin temelleri ve türleri. Veri analizi için olasılık ve istatistik. Programlamanın Temelleri: Bir programlama diline giriş (örneğin Python veya R). Temel kodlama becerileri ve veri işleme. Veri Temizleme ve Ön İşleme: Eksik verileri ve aykırı değerleri işleme teknikleri. Veri normalleştirme ve dönüştürme. Keşifsel Veri Analizi (EDA): Veri araştırması için görselleştirme teknikleri. Tanımlayıcı istatistikler ve veri özetleme. İstatistiksel Analiz: Hipotez testi ve önemi. Regresyon analizi ve korelasyon. Makine Öğreniminin Temelleri: Makine öğrenimi kavramlarına genel bakış. Denetimli ve denetimsiz öğrenme. Makine Öğrenimi Modelleri: Doğrusal ve lojistik regresyon. Karar ağaçları, rastgele ormanlar ve kümeleme algoritmaları. | The contents of a data science course unit may vary depending on the specific curriculum and objectives of the course. However, here are common components that are often included:
Introduction to Data Science:
Overview of data science and its applications.
Historical context and evolution of the field.
Foundational Concepts:
Basics of data and its types.
Probability and statistics for data analysis.
Programming Fundamentals:
Introduction to a programming language (e.g., Python or R).
Basic coding skills and data manipulation.
Data Cleaning and Preprocessing:
Techniques for handling missing data and outliers.
Data normalization and transformation.
Exploratory Data Analysis (EDA):
Visualization techniques for data exploration.
Descriptive statistics and data summarization.
Statistical Analysis:
Hypothesis testing and significance.
Regression analysis and correlation.
Machine Learning Basics:
Overview of machine learning concepts.
Supervised and unsupervised learning.
Machine Learning Models:
Linear and logistic regression.
Decision trees, random forests, and clustering algorithms. | | EEY560E | WİRELESS COMMUNİCATİON
WİRELESS COMMUNİCATİON | S | 3 | 0 | 3.0 | 3.0 | 3 | | | | EEY597E | INTERNET OF THİNGS
INTERNET OF THİNGS | S | 3 | 0 | 3.0 | 3.0 | 3 | | | | SEN503 | ARTIFICIAL INTELLIGENCE
ARTIFICIAL INTELLIGENCE | S | 3 | 0 | 3.0 | 6.0 | 3 | Bilgi temsili, sezgisel arama, oyun oynama, tümdengelimli akıl yürütme, belirsizlik altında akıl yürütme, planlama, öğrenme, (doğal) dil anlayışı ve felsefi temeller. | Knowledge representation, heuristic search, game playing, deductive reasoning, reasoning under uncertainty, planning, learning, (natural) language understanding, and philosophical foundations. | | SEN515 | ADVANCED DATA MİNİNG
ADVANCED DATA MİNİNG | S | 3 | 0 | 3.0 | 6.0 | 3 | Veri madenciliğine konusuna bir giriş olan bu ders temel Veri Önişleme, İlişkilendirme Kuralları, Sınıflandırma ve Demetleme algoritmaları ve bunların uygulamalarını içerir. Dersin son bölümleri ise veri madenciliği ile Saldırı Tespiti ve Metin/Web Madenciliği gibi ileri konulara ayrılmıştır. | As an introduction to data mining, this course covers basic Data Preprocessing, Association Rules, Classification and Bunching algorithms and their applications. The last part of the course is devoted to advanced topics in data mining such as Intrusion Detection and Text/Web Mining. | | SEN520 | MACHİNE LEARNİNG
MACHİNE LEARNİNG | S | 3 | 0 | 3.0 | 6.0 | 3 | Mühendislik problemlerini tanımlama, formüle etme ve makine öğrenmesi yöntemleriyle çözme, mühendislik çözümlerinin küresel, ekonomik, çevresel ve toplumsal bir bağlamda etkisini anlama. | Defining, formulating and solving engineering problems using machine learning methods, understanding the impact of engineering solutions in a global, economic, environmental and societal context. | | SEN522 | DIGITAL SIGNAL PROCESSING
DIGITAL SIGNAL PROCESSING | S | 3 | 0 | 3.0 | 6.0 | 3 | Ayrık zamanda işaretler, Örnekleme, İşaretin geriçatılması, Ayrık zamanda sistemler, Katlama, Fark denklemi, Ayrık Zamanlı Fourier Dönüşümü, Ayrık Zamanlı Fourier Serisi, Hızlı Fourier Dönüşümü, Frekans domeninde sistem transfer fonksiyonu, Z dönüşümü, Z domeninde sistem transfer fonksiyonu, FIR ve IIR süzgeç yapıları | Discrete time signals, Sampling, Signal recovery, Discrete time systems, Folding, Difference equation, Discrete Time Fourier Transform, Discrete Time Fourier Series, Fast Fourier Transform, System transfer function in frequency domain, Z transform, System transfer function in Z domain, FIR and IIR filter structures | | SEN528 | BIG DATA
BIG DATA | S | 3 | 0 | 3.0 | 6.0 | 3 | Yüksek boyutlu veri analizi, sınıflandırma, maliyet fonksiyonları, greedy arama, lojistik regresyon, düzenlileştirme yöntemleri, topluluk yöntemleri, kümeleme, boyut indirgeme. | High dimensional data analysis, classification, cost functions, greedy search, logistic regression, regularization methods, ensemble methods, clustering, dimension reduction. | | SEN531 | ARTIFICAL NEURAL NETWORKS
ARTIFICAL NEURAL NETWORKS | S | 3 | 0 | 3.0 | 6.0 | 3 | | | | SEN532 | DEEP LEARNİNG
DEEP LEARNİNG | S | 3 | 0 | 3.0 | 6.0 | 3 | Derin öğrenme dersi, yapay öğrenmenin bir alt dalı olan derin öğrenme yöntemlerinin teorik ve pratik yönlerini içerir, büyük veri analizi, bilgisayarla görme ve doğal dil işleme gibi alanlarda kullanılan derin sinir ağı mimarileri, optimizasyon algoritmaları ve uygulama alanları üzerine odaklanırken, öğrencilere pratik deneyim kazandırır. | Deep learning course covers the theoretical and practical aspects of deep learning methods, a sub-branch of machine learning, focusing on deep neural network architectures, optimization algorithms and application areas in areas such as big data analysis, computer vision and natural language processing, while providing students with practical experience. | | SEN534 | NATURAL LANGUAGE PROCESSİNG
NATURAL LANGUAGE PROCESSİNG | S | 3 | 0 | 3.0 | 6.0 | 3 | | |
|
