Temel bilgisayar bilgisi, bilişimin tarihçesi, terimler ve tanımlar, sistem bileşenleri ve süreçleri, bilgisayar mimarisi, veri depolama, bilgisayar ağları ve internet, yazılım mühendisliği, yazılım mühendisliği uygulamaları, birleşik modelleme dili, birim testi, problem çözme ve algoritma tasarımı, veri yapıları, bilgisayarların uygulama alanları.

Dersin Amacı:

1. Bilgisayar bilimi hakkında ortak bir anlayış geliştirmek,

2. Sorunları tanımlama, analiz etme ve çözme becerisi kazanmak,

3. Algoritmik düşünme ve tasarımı daha üst düzeyde öğretmek,

4. Bilgisayar mimarisi, programlama dilleri, veri depolama, yazılım mühendisliği ve bilgisayar ağları hakkında temel bilgi edinmek,

5. Bilgisayarların uygulama alanlarını öğretmek.

Kaynakça:

J. G. Brookshear. Computer Science An Overview. 7th Ed. 2002. Addison-Wesley.

Volker Gruhn, Rüdiger Striemer, The Essence of Software Engineering. Springer Cham, doi.org/10.1007/978-3-319-73897-0, ISBN: 978-3-319-73896-3. Published: 04 July 2018

Notlandırma:

Ödev: %20

Literatür İncelemesi ve Okuma: %30

Final: %50

Veri biliminin temel konularına giriş dersidir. Bu ders kapsamında incelenecek veri bilimi konuları makina öğrenmesi ve matematik modeller (eğitmenli ve eğitmensiz öğrenme, karar ağacı budama, eğitme ve veri setlerinin testi), yapısal olmayan veriyi yapısal veriye dönüştüren büyük veri araçları, karar vermeye destek iş zekasıdır.

Bir eğitim dönemi boyunca, akademik danışman ile belirlenen bir konuda deneysel ve/veya teorik bir araştırma konusunu bağımsız olarak araştırma, değerlendirme ve sunma (yazılı ve sözlü olarak) etkinliklerini içerir.

Öğrencilerin seçilen bir alanda bilimsel olarak güçlü bir şekilde bağımsız bir çalışma yapabileceğini göstermesi. Belirli bir zaman dilimi içinde özel bir problemin çözümüne yönelik olarak bilimsel, etik, detaylı ve doğru bir çalışma yapabileceğini ortaya koyması. Bulgularının yazılı ve sözlü sunulması

Ders Öğrenme Çıktıları

CO1: Bir çalışma alanında uygun teorik, pratik, ve örnek çalışmaları ayırt edebilme ve uygulayabilme

CO2: Bir araştırma çalışmasında takip edilmesi gereken etik kuralları tahmin edebilme

CO3: Bilimsel bir problemi verilen sınırlı bir zaman dilimi içinde uygun bilimsel yöntemleri uygulayarak çözebilme

CO4: Üzerinde çalışılan problemin çözümü için derlenen bilgilerin ve veri setleri ile ilgili yapılması gerekenleri ayırt edebilme ve düşünceler ile bulguları ikna edici bir yolla sunabilme

Bu ders veri toplama ve tümleme, keşifsel veri analizi, kestirimsel modelleme, tanımlayıcı modelleme, veri ürünü yaratımı, değerlendirmesi ve etkili iletişim konularını kapsar.

Ders Öğrenme Çıktıları
CO1 Veri bilimini ve bir veri bilimcinin sahip olması gereken yetenekleri tanımlamak.
CO2 Keşifsel veri analizi gerçekleştirmek.
CO3 Veri bilimi sürecini bir durum çalışmasına uygulamak.
CO4 Temel makine öğrenmesi algoritmalarını kestirimci modelleme için uygulamak.
CO5 Veri biliminin uygulanmasında etik ve gizlilik konularını düşünmek ve etik pratikleri uygulamak.

Bu ders ileri veritabanı yönetim sistemleri konularına odaklanmaktadır. Birincil konular ilişkisel veritabanı sistemleri için sorgu işleme ve sorgu optimizasyon stratejileri, dizinleme yöntemleri, paralel ve dağıtık veritabanı sistemleri, büyük veri, NoSQL, veri ambarı ve veri madenciliğidir. Veritabanlarındaki ileri düzey konuları öğrenmenin yanı sıra, bu ders lisansüstü öğrencilere bilimsel yayın okuma, eleştirel değerlendirme yapma, karmaşık teknik materyali sözlü ve yazılı olarak ifade etme gibi önemli araştırma becerilerini uygulama fırsatı sağlar.

Dersin Amacı:

Veritabanı sistemlerindeki güncel eğilimler hakkında bilgi sağlamak.

Kaynakça:

Neelamkavil, F. (1987) Computer Simulation and Modelling. John Wiley and Sons. ,Law, A.M. and Kelton, W.D. (1991) Simulation Modelling and Analysis. 2nd Ed. McGraw-Hill

Öğrenim Çıktıları:

1. Sistem ve Model Kavramlarını kazanmak

2. Problem çözümünde simulasyon tekniğinin kullanılması yeteneği

3. Simulasyon çalışmalarının altyapısını bilmek ve gerçek hayatta uygulayabilme yeteneğini kazanmak

4. Simulasyon ile tahminleme yapabilme becerisi kazanmak

Notlandırma:

Vize : %30
Araştırma Sunumu : %30
Final : %40

Bu ders yazılım geliştirme için gerekli temel bilgileri kapsar. Nesne Temelli Programlama, Sınıflar ve Metotlar, Kalıtım, Polimorfizm, Abstrakt Sınıflar ve Arayüz Sınıfları, İstisna Yönetimi, Kolleksiyonlar, Jenerikler, Nesne Temelli Analiz ve Tasarım, UML Diagramları.

Referans kitap(lar):
• Absolute Java, Global Edition, 6/E, Walter Savitch, Kenrick Mock, Pearson, 2016
• Starting Out with Java: From Control Structures through Objects, Global Edition, 6/E, Tony Gaddis, Pearson, 2016

Dersin Amaçları: Yazılım inşasının temellerini tanıtmak.

Notlandırma:

Final Sınavı                                                       %40

Ara Sınav                                                 %30

Proje                                                               %30

Ders Öğrenme Çıktıları
ÖÇ1 Mühendislik problemlerini formule edip yazılım ile çözebilme
ÖÇ2 Sınıfları tasarlayabilme ve kullanabilme
ÖÇ3 Nesne temelli tasarımı kodlayabilme
ÖÇ4 Nesne temelli yazılımı tasarlayabilme

Program Öğrenme Çıktılarının Katkısı:

Dersin Gerekçesi:
Bu ders, Yazılım Mühendisliği ve Veri Bilimi Yüksek Lisans Programının temel derslerinden biridir ve önemli Yazılım Mühendisliği temel derslerinden biridir. Yazılım mühendisliğinde kullanılacak yazılım geliştirme için gerekli altyapıyı sağlar.

Derslerle örtüşen veya onları tamamlayan konular:
Bu ders, tüm Yazılım Mühendisliği derslerinin temelini oluşturur. Bu ders, Programlama ve Veri Yapıları dersini takip eder.

Bu ders öğrencilerin gerçek bir yazılım mühendisliği ve veri bilimi projesinde kulanılan yöntem, Teknik standartlar ve ortaya çıkan hususları anlaması için oluşturulmuştur.  Öğrenciler takımlar olarak gruplandırılarak daha önceki derslerde öğrendikleri bilgileri var olan standartlar ile bütünleştirmeleri ve bir projede uygulamaları sağlanacaktır. Her takım hem geliştirme hem de kalite güvence rollerini üstelenerek her iki alanda deneyim kazanacaktır. Takımlar bir müşteri ile iletişim kuracak gereksinimleri belirleyip tanımlayacak, proje planı ve tasarım çözüm önerisi oluşturacak, başarılı bir şekilde sınamaları gerçekleştirecektir. Takımlar önceden belirlenen kilometre taşlarında kalite güvence grupları ve akademik kadro ile bir araya gelerek gözden geçirme ve gelişmelerin değerlendirmesini yapacaklardır.

Referans kitap(lar):

• IEEE Std 830, IEEE Recommended Practice for Software Requirements Specifications
• ISO/IEC/IEEE Std 16326, ISO/IEC/IEEE International Standard Systems and Software Engineering–Life Cycle Processes–Project Management
• IEEE Std 1016, IEEE Recommended Practice for Software Design Descriptions

Ders Amaçları: Öğrencilerin önceki derslerde öğrendikleri kavramları gerçek dünya koşullarında sistem geliştirme ve yönetimi deneyimi yoluyla bütünleştirmelerini sağlamak.

Notlandırma:

Final Sınavı                        %40

Dönem Projesi                  %50

Ödevler + katılım            %10

Ders Öğrenme Çıktıları
CO1: Öğrenciler yazılım gerçek bir projede gereksinim tanımlama, proje yönetimi, tasarım, uygulama ve test yapabilirler

CO2: Öğrenciler öğrendikleri veri bilimi ve yazılım mühendisliği bilgilerini sistem geliştirmek için kullanabilirler.

CO3: Öğrenciler veri bilimi ve yazılım mühendisliği sistemi geliştirme projelerindeki paydaşlarla iletişim kurup koordinasyon sağlayabilirler.

CO4: Öğrenciler takım çalışmalarının dokümantasyon ve sunumlarını yapabilirler.

Program Öğrenme Çıktılarının Katkısı:

Dersin Gerekçesi:
Bu ders, Yazılım Mühendisliği ve Veri Bilimi Yüksek Lisans Programı’nın temel derslerinden biridir. Gerçek dünya deneyimi ve standartların kullanımı, yazılım sistemleri geliştirme projelerinin genel başarısı için kritik öneme sahiptir. Bu ders, yazılım mühendisliği ve veri bilimi projelerinde ekip çalışması, kalite ve yönetim bakış açısıyla kapsamlı bir deneyim sunar ve yenilikçi sistemler geliştirmek için gerekli becerileri kazandırır. Programdaki diğer tüm dersleri bütünleştiren bir ders niteliğindedir.

Diğer derslerle örtüşen veya tamamlayıcı konular:
SEDS 501 Veri Bilimine Giriş, SEDS 502 Modern Veritabanı Yönetim Sistemleri, SEDS 503 Yazılım Yönetimi, SEDS 504 Yazılım İnşası dersleri, bu derste başarılı olmak için gerekli altyapıyı sağlar. SEDS 502 ve SEDS 504 dersleri ön koşul dersleridir; SEDS 503 ve SEDS 501 ise önerilen derslerdir.

Bu ders yazılım mimarileri için gerekli temel bilgileri kapsar. Yazılım Mimarisi Kavramları, Mimari Gereksinim Analizi, Yazılım Mimarisi Tasarım Teknikleri, Bileşen-temelli Mimari Tasarım, Mimari Şablonları, Mimari Değerlendirme Kriterleri, Yazılım Ürün Hatları Mühendisliği, Alan Mühendisliği ve Uygulama Mühendisliği, Yazılım Mimarisi Kodlama.

Bu ders gelecek nesil kullanıcı ara yüzleri ve bunların altında yatan yaklaşımlar üzerine genel bir bakış sunmaktadır. Konular temel olarak, insan bilgisayar etkileşimi kavramlarını ve tarihini, giriş aygıtları ve etkileşim tekniklerini, bilişim uygulamalarını, kullanıcı ara yüzü tasarlama örneklemlerini, 3B ara yüzleri, uyarlanabilir ara yüzleri, kullanıcı modellemesini, konuşma tanıma ile konuşmalı ara yüzleri, giyilebilir bilgisayarları, çok kipli ara yüzleri ve algısal arayüzleri içermektedir.

Bu derste yazılım testi ve yazılım kalitesi ilişkisi test teknikleri odağında incelenecektir. Ders konuları modül ve birim testleri, entegrasyon, kabul ve diğer test metotlarını kapsamaktadır. Test planlarının hazırlanması, gereksinim tabanlı test veya testlerin gereksinimlere bağlanması konularının yanısıra, testing matematik temelleri, formel yöntemler ve yazılım sınama konuları da ders kapsamında incelenecektir.

Bu ders yazılım yönetiminin ileri düzeyde iki boyutuna yoğunlaşmaktadır: kurumsal değişim ve yazılım ölçümü. Temel konular yazılım süreç iyileştirme çerçeveleri, çevik değişim modelleri, süreç modelleme notasyonları ve yazılım projelerinde ölçüm ve tahminleme modellerinden oluşmaktadır. Öğrenciler hem modelleme ve kurumsal değerlendirme projesi gerçekleştirmekte ve hem de yazılım ölçümü ve tahminleme ile ilgili deneyim kazanmaktadırlar.

Güvenli bilgi sistemlerinin tasarlanması, gerçeklenmesi ve yürütülmesi ile ilgili güvenlik riskleri, bunların karşısında alınabilecek önlem ve yöntemlerin değerlendirilmesi, bir bilgi sisteminin oluşumundaki süreçler ve katmanlar için değerlendirilecektir. Konu alana ait standartların da değerlendirilmesi hedeflenmektedir. Bir bilgi sistemi için, gereksinim duyulan güvenlik fonksiyonları ve bunları sağlayan kriptografik güvenlik araçları, ağ güvenliği araçları ve yöntemleri tanımlanacaktır. Güncel güvenlik problemlerinin incelendiği, bulut bilişim, web uygulama ve servisleri, kablosuz ağlar gibi pek çok uygulama alanını içine alan çözülmemiş problemler ve yapılan çalışmalar değerlendirilecektir. Öğrenciler ilgi duydukları güncel problemlerden birisini analiz ederek, sorunu, çözüm yöntemlerini veya yapılan araştırma çalışmalarını dönem projesi olarak yazılı raporlar ve sunum yapar.

Ders Öğrenme Çıktıları

CO1     Bilgi ve iletişim teknolojileriyle ilgili güvenlik risklerinin analiz edilebilmesi yetkinliğine sahip olma.

CO2     Güvenlik problemlerinin çözümünde doğru araçları seçme ve test edebilme.

CO3     Bilgi sistemlerinin güvenlik tasarımı ve yönetimini yürütecek temel bilgi ve metodolojiye sahip olma.

Gerçek-Zamanlı yazılım tasarımı konuları, gerçek-zamanlı işletim sistemleri, gerçek-zamanlı görev planlama algoritmaları, yazılım spesifikasyonlarında kullanılan formal metotlar, zaman otomatlarını kullanarak modelleme ve doğrulama, yazılım tasarımı, programlama dilleri, test, performans çözümlemesi ve eniyilemesi, belgeleme, yazılımın yeniden kullanımı, hataya dayanıklılık.

Referans Kitap(lar):

• Real-Time Systems Design and Analysis – Phillip A. Laplante, John Wiley & Sons
• Software Engineering for Real-Time Systems – J.E. Cooling, Addison Wesley

Dersin Amaçları:

Öğrencilere gerçek zamanlı sistemler için yazılım geliştirme, programlama, tasarım, test ve dokümantasyon konularında güncel araştırma problemleri hakkında bilgi vermek.

Notlandırma

Final %40

Ödevler %30

Okuma Ödevleri + Katılım %10

Ders Öğrenme Çıktıları

CO1 Gerçek zamanlı sistemlerin temellerine dair bilgi sahibi olmak

CO2 Güvenlik-kritik ve hata toleranslı sistemlerin güncel durumunu anlamak

CO3 Gerçek zamanlı yazılım tasarlama yetkinliği kazanmak

Program Öğrenme Çıktılarının Katkısı:

Contribution of Program Learning Outcomes:

                 P01      P02       P03       P04      P05       P06       P07

C01            x                                       x

C02                        x                          x

C03                                                                   x

Dersin Gerekçesi:

Bu ders, Yazılım Mühendisliği ve Veri Bilimi Yüksek Lisans Programı için seçmeli bir derstir. Ders, güvenlik-kritik sistemler için gerçek zamanlı yazılım geliştirme temellerini tanıtır.

Bu ders ileri yazılım tasarım şablonları üzerine odaklanmıştır. Dersin ana konularını; ileri nesneye dayalı programlama prensipleri, nesneye dayalı tasarım şablonları, kurumsal uygulama mimarisi şablonları, kurumsal uygulama bütünleştirme şablonları ve alana dayalı tasarım şablonları oluşturmaktadır. Bu derste öğrenciler tasarım şablonları kullanarak modern yazılım geliştirme kavramlarını öğrenecek ve bu kavramları kullanarak orta büyüklükteki bir yazılımı takım olarak geliştirecektir.

Referans kitap(lar):

• Design Patterns: Elements of Reusable Object-Oriented Software, Erich Gamma, Richard Helm, Ralph Johnson, John Vlissides, Addison-Wesley, 1995.
• Patterns of Enterprise Application Architecture, Martin Fowler, Addison-Wesley, 2003.
• Enterprise Integration Patterns, Gregor Hohpe, Bobby Wolf, Addison-Wesley, 2011.
• Patterns, Principles, and Practices of Domain-Driven Design, Scott Millett, Nick Tune, John Wiley & Sons, 2015. 

Ders Amaçları: Öğrencilere yazılım tasarım kalıplarındaki güncel eğilimler hakkında bilgi vermek.

Notlandırma:

Final Sınavı                                                    %40

Ara Sınav                                                        %30

Proje                                                                %30

Ders Öğrenme Çıktıları
ÖÇ1 – Yazılım tasarım prensiplerini ve şablonlarını belirleyebilme ve açıklayabilme
ÖÇ2 – Tasarım prensiplerini ve şablonlarını takım olarak yazılım geliştirmede uygulayabilme
ÖÇ3 – Tasarım şablonlarının talep edilen yazılım özellikleri ile ilgisini detaylı bir şekilde değerlendirebilme ve raporlayabilme
ÖÇ4 – Tasarım prensipleri ve tasarım şablonlarının; programlama dili tasarımı, uygulama çerçeveleri veya uygulama alanları ile ilişkisini analiz edebilme ve raporlayabilme

Program Öğrenme Çıktılarının Katkısı:

Dersin Gerekçesi:
Bu ders, Yazılım Mühendisliği ve Veri Bilimi Yüksek Lisans Programı’nın seçmeli derslerinden biridir ve önemli Yazılım Mühendisliği seçmeli derslerinden biridir. Yazılım mühendisliğinde kullanılacak en güncel yazılım geliştirme yaklaşımları için gerekli altyapıyı sağlar.

Diğer derslerle örtüşen veya tamamlayıcı konular:
Bu ders, Yazılım İnşası (Software Construction) dersinin devamı niteliğindedir.

Bu ders öğrencilere servis tasarımı ve mühendisliği konusunda bilgi ve uzmanlık kazandırmaktadır. Öğrenciler servis odaklı mimariler ile tasarımı çeviklik, uyumluluk ve maliyet-etkinlik olarak gerçekleştirmeyi öğrenecektir. Özellikle mikroservis tabanlı mimariler ve reaktif sitemler olay odaklı modelleme vurgulanacaktır. Öğrenciler bu bilgileri uygulayacakları bir proje gerçekleştireceklerdir.

Araştırmaların sonunda elde edilen verileri tanımak ve özetlemek, araştırma sonucu elde edilen verilerin yorumlamasını yapabilmek, bilimsel hipotezlerin kurulup, bazı basit testlerin yapılabilmesi, bilimsel deneme felsefesi ve deney tasarım ve analizlerinde dikkat edilecek konuların kısaca açıklanması.

Dersin Amacı:

Bu ders öğrencilere gerçek hayatta karşılaşılan ve farklı veri tiplerine uygulanan karmaşık istatistik analizlerini öğrenme ve anlama yeteneği kazandıracaktır.

Kaynakça:

Steel, R.G.D. and Torrie, J.H. (1960) Principles and Procedures of Statistics. Mc. Graw Hill ,Milton, J.S. and Arnold, J. C. (2003). Introduction to Probability and Statistics. 4th Ed. New York: McGraw-Hill. ,Allen B. Downey, Think Stats: Probability and Statistics for Programmers. 2e

Öğrenim Çıktıları:

1. Deneysel verilerin özetleyebilme

2. Olasılık, şans değişkenleri ve olasılık dağılışlarını anlayabilme

3. Parametre kestirimi uygulayabilme ve bilimsel hipotez kontrolleri kavramlarını ve felsefesini anlayabilme

4. Bilimsel deneme kavramını anlayabilme, deney tasarlayabilme ve analiz edebilme

Notlandırma:

Vize: %30

Ödev: %10

Araştırma Sunumu: %30

Final: %30

Çizgesel Olasılık Modelleri. Bayes Çıkarsaması. Bayes Ağları. Bayes Ağlarında Öğrenme. Bilgi Mühendisliği. Zamansal Modeller. Dinamik Bayes Ağlarında Çıkarsama. Markov Karar Verme Süreçleri.

Dersin Amacı

Bu ders kapsamında belirsizliğin modellenmesi ve belirsizlik altında karar verme sürecinde karşılaşılan sorunlarda kullanılabilecek olasılıksal çıkarsamaya dayalı çözüm yaklaşımları tartışılmaktadır.

Kaynakça

Learning Bayesian Networks; Richard E. Neapolitan, Prentice Hall, 2003. ,Bayesian Artificial Intelligence; Kevin B. Korb, Ann E. Nicholson; Chapman & Hall/CRC, 2004. ,Probabilistic Reasoning in Intelligent Systems (2nd Edition); Judea Pearl; Morgan Kaufmann Publishers Inc., 1988.

Öğrenim Çıktıları

1. Belirsizlik kavramı öğretmek

2. Çizgesel olasılıksal modelleri öğretmek

3. Bayes ağlarında çıkarsama ve öğrenmenin kavratılması

4. Bayes ağları temelli uygulama geliştirmek

Notlandırma

Vize: %40

Ödev: %10

Final: %50

Vektörler ve matrisler, temel calculus, Kısıtsız optimizasyon, tek boyutlu arama metotları, “golden section”, “Fibonacci”, “Newton s method”, gradient arama metotları, “Steepest-descent”, “Newton s method”, “conjugate-gradient”, En küçük kareler analizi, lineer programlama, sezgisel optimizasyon metotları, benzetimli tavlama yöntemi.

Dersin Amacı

Çeşitli optimizasyon yöntemlerinin temel kavramlarını ve güncel araştırmaları tanıtmak.

Kaynakça

E. K. P. Chong and S. H. Zak, An Introduction to Optimization, Third Edition, New York, NY: John Wiley & Sons, Inc. (Wiley-Interscience Series), 2008

Öğrenim Çıktıları

1. Mühendislik problemlerini çözmek ve formule etmek için sahip olunan bilgiyi kullanma becerisini göstermek
2. Farklı optimizasyon metotlarını sınıflayabilmek
3. Spesifik bir problem için bir optimizasyon tekniği önerebilme
4. Optimizasyon araçlarını kullanabilmek

Notlandırma

Vize 30%

Araştırma Sunumu 30%

Final 40%

Tıp ve biyoloji alanında bilgisayar uygulamaları, tıbbi görüntüleme teknikleri, görüntü işleme ile hastalık tanılama, hastane bilgi sistemleri, hasta takip sistemleri, tıbbi bilginin matematiksel modellemesi, tıbbi bilişim sistemlerinde ağlar.

Dersin Amacı

1. Tıbbi bilişim sistemlerinde bilgisayar ağlarının kullanımını anlatmak,

2. Tıbbi bilgilerin matematiksel modellemelerini anlatmak,

3. Tıbbi bilişim sistemlerini tanıtmak,

4. Süreçler ve diferansiyel denklemlerin tıbbi bilişimde uygulama alanlarını anlatmak,

5. Hastane bilgi sistemlerinin temellerini öğretmek.

Kaynakça

Introduction to medical informatics, Lecture notes, N. Baykal, E. Musluoğlu, Sas Bilişim, 2000.

Öğrenim Çıktıları

1. Tıpta ve biyolojide bilgisayar uygulamaları ile ilgili genel bilgi edinme

2. Bilgisayar ağlarının tıpta ve biyolojide kullanım alanlarını anlama

3 Tıp ve biyolojide matematiksel modellemenin kullanılmasını anlama

4. Tıbbi görüntüleme tekniklerini öğrenme

5. Tıbbi görüntüleme teknikleri sonucunda elde edilen verinin matematiksel modellenmesini öğrenme

6. Görüntü işleme tekniklerinin tıp ve biyolojide kullanım alanlarını anlama

7. Süreçlerin ve diferansiyel denklemlerin tıp ve biyolojide kullanımını anlama

8. Hastane bilgi sistemlerini anlama

Notlandırma

Vize 25%

Ödev 25%

Araştırma Sunumu 20%

Final 30%

Bu ders temel imge işleme tekniklerini ve imge içeriğinin analiz yöntemlerini konu alır. Ders içeriğinde imgelerin hafızada temsili, basit imge işleme teknikleri, anahtar nokta çıkarım ve betimlemesi, imge eşleme ile temel kamera geometrisi yer almaktadır.

Dersin Amacı

Dersin temel amacı öğrencilerin imge işleme ve imge içerik analizi hakkında bilgi sahibi olmalarıdır. Dersin hedef kitlesi başlangıç aşamasındaki lisansüstü öğrencilerdir. Dersin lisansüstü derin öğrenme ve yapay zeka konulu derslere hazırlık teşkil etmesi amaçlanmaktadır.

Kaynakça

Computer Vision: Algorithms and Applications, R. Szeliski, 2010 ,Multiple View Geometry in Computer VIsion, R. Hartley and A. Zisserman, 2nd Ed., 2004

Öğrenim Çıktıları

1. İmge analiz yöntemlerini endüstriyel problemlere uygulayabilme

2. Verilen bir problem için farklı imge içerik analizi yöntemlerini karşılaştırabilme

3. Temel imge işleme yöntemlerini problem çözümlerinde kullanabilme

4. Temel imge işleme yöntemlerini ve özelliklerini listeleyebilme

Notlandırma

Vize %30

Ödev %30

Final %40

Bu ders öğrencilere yapay öğrenme konusunun temellerini öğretmeyi ve karşılaşılan makine öğrenmesi problemlerini çözebilmek için doğru yöntemleri kullanmayı öğretecek şekilde Pratik tecrübe kazadırmayı amaçlar. İşlenecek başlıca konular: Bayesçi karar kuramı. Gözetimli öğrenme teknikleri. Model seçimi. Boyut Azaltma. Öbekleme. Destek yöney makinaları. Çizgesel modeller. Sinir ağlarına giriş. Pekiştirmeli öğrenme.

Kaynakça

• Ethem Alpaydın, Introduction to Machine Learning (2nd Edition). MIT Press, 2010.
• Christopher Bishop, Pattern Recognition and Machine Learning. Springer, 2006.
• Richard Duda, Peter Hart, David Stork, Pattern Classification, 2nd Ed. John Wiley & Sons, 2001.

Dersin Amacı: Makine öğrenmesindeki güncel eğilimler konusunda öğrencileri ileri düzeye taşımak.

Notlandırma:

Final Sınavı %40

Vize Sınavı %30

Uygulama Ödevleri %30

Ders Öğrenme Çıktıları
CO1: Yapay öğrenme konusunun temel kavramlarını açıklayabilme
CO2: Yapay öğrenme ile ilgili problemleri analiz etme ve uygun çözüm yöntemlerini ayırt etme
CO3: Karşılaşılan yapay öğrenme problemlerini çözebilecek algoritmaları uygun araçları kullanarak uygulayabilme
CO4: Uygulama sırasında elde edilen çıktıları algoritma yönünden yorumlayabilme

Program Öğrenme Çıktılarına Katkısı:

Dersin Gerekçesi:

Bu ders, Yazılım Mühendisliği ve Veri Bilimi Yüksek Lisans Programı’nın seçmeli derslerinden biridir ve önemli veri bilimi seçmeli dersleri arasında yer alır. Ders, makine öğrenmesinin temel kavramlarını tanıtırken aynı zamanda karşılaşılan makine öğrenmesi problemlerini çözmek için uygun algoritma ve araçların uygulanmasına olanak tanır. Temel konular arasında denetimli ve denetimsiz öğrenme teknikleri, model seçimi, boyut indirgeme, kümeleme, sinir ağları ve pekiştirmeli öğrenme yer almaktadır. Uygulamalı alıştırmalarla birlikte öğrenciler, makine öğrenmesi problemlerini analiz edebilecek ve uygun çözüm tekniklerini belirleyebilecek yetkinliğe ulaşacaktır.

Diğer Derslerle Örtüşmesi veya Tamamlayıcılığı:

Bu ders makine öğrenmesi üzerine temel bir ders olduğundan, SEDS 538 Büyük Veri Analitiği ve SEDS 539 Derin Öğrenme gibi ileri düzey dersler için bir temel oluşturur; ancak bu derslerle önemli bir konu örtüşmesi bulunmamaktadır.

Gömülü sistemler, bilgisayar mühendisliğindeki rolü; özel ve genel amaçlı mikroişlemci tasarımı, mikrodenetleyiciler, gömülü yazılım; gerçek-zamanlı sistemler, planlama ve zamanlama problemleri; test ve performans; güvenilirlik; tasarım metodolojileri, yazılım geliştirme ortamları; süreklilik ve güncelleme problemleri;uygulamaya özel entegre devre tasarımına giriş, VHDL

Dersin Amacı

İleri Gömülü Sistem Tasarımı, Gömülü Sistemler ve tasarımı konusunda en güncel konuları ve araştırmaları yeni araştırmalara temel oluşturmak amacıyla aktarmak

Kaynakça

“Real-Time Systems Design and Analysis”. Phillip A. Laplante. A John Wiley & Sons, Inc., Publication ,“Software Engineering for Real-Time Systems”, J.E. Cooling, Addison Wesley. ,Adamski, Marian Andrzej. Design of Embedded Control Systems, Boston, MA : Springer Science+Business Media, Inc., 2005. ,Berger, Arnold. Embedded systems design:an introduction to processes tools and tecniques. San Francisco;Lawrence, Kan: CMP Books, c2002 ,“Modeling and Verification of Real-Time Systems Using Timed Automata: Theory and Practice”. Paul Pettersson. PhD. Thesis. Uppsala University.

Öğrenim Çıktıları

1. Gömülü sistemlerle ilgili temel bilgilere sahip olma

2. Gerçek-zamanlı sistem tasarımı yapabilme

3. Gömülü sistemlerle ilgili son araştırmaları takip etme

4. Hataya dayanıklı sistemler konusundaki araştırmaları takip etme

Notlandırma

Vize %30

Araştırma Sunumu %30

Final %40

Bu ders öğrencilere yazılım mühendisliği tekniklerini ve yaklaşımlarını tanıtmayı, değerlendirme yeteneği kazandırmayı, yazılım mühendisliği uygulamalarının vardığı son durumu ortaya koymayı ve tarihsel süreçte yaşananları aktararak, belli bir proje için doğru yaklaşımların seçiminde profesyonel karar alma becerisini kazandırmayı hedeflemektedir.

Bu ders yazılım mühendisliği kavramını ortaya koyarak başlayacaktır. Ardından yazılım geliştirme paradigma, yöntem ve anahtar modelleme notasyonları tartışılacaktır. Yazılım gereksinimleri, yazılım tasarımı, proje yönetimi, ölçüm ve kişisel iletişim, gelişim teknikler kapsanacaktır.

Dersin temel amacı öğrencilerin derin yapay sinir ağları ve derin öğrenme hakkında temel bilgi sahibi olmalarıdır. Evrişimsel sinir ağları özelinde görüntü sınıflandırma ile ilgili temel noktalar anlatılarak ve projelendirilerek verilen teorik bilginin uygulamaya da dökülmesi hedeflenmektedir. Dersin hedef kitlesi yapay öğrenme ile ilgili alt yapıya sahip lisansüstü öğrencilerdir.

Bu ders derin yapay sinir ağları oluşturma ve eğitme yöntemlerini ele almaktadır. Ders içeriğinde derin yapay sinir ağlarının geçmişten günümüze gelişimi, temel çalışma prensipleri, evrişimsel sinir ağları ile görüntü sınıflandırma ve imgede nesne tespit ve tanıma konuları yer almaktadır.

Referans kitap(lar):
• Michael A. Nielsen, “Neural Networks and Deep Learning”, Determination Press, 2015
• Ian Goodfellow, Yoshua Bengio and Aaron Courville, “Deep Learning”, MIT Press, 2016

Dersin Amacı:

Dersin Amacı: Öğrencilere derin sinir ağlarının temellerini öğretmek ve derin öğrenme çözümlerini gerçek problemlere uygulayabilmelerini sağlamak.

Notlandırma:

Final Sınavı %40
Vize Sınavı %30
Uygulama Ödevleri %30

Ders Öğrenme Çıktıları
CO1 Yapay sinir ağlarının geçmişten günümüze gelişimini yorumlayabilme
CO2 Yapay sinir ağlarının ana çalışma prensiplerini listeleyebilme
CO3 Öğrenilen temel prensipleri derin yapay sinir ağları eğitmede uygulayabilme
CO4 Evrişimsel yapay sinir ağları ile görüntü sınıflandırabilme
CO5 Öğrenilen yöntemleri torch, TensorFlow gibi yapay sinir ağları kodlama çerçeveleri ile pratikte uygulayabilme

Program Öğrenme Çıktılarının Katkısı:

Dersin gerekçesi:
Bu ders, Yazılım Mühendisliği ve Veri Bilimi Yüksek Lisans Programı’nın seçmeli derslerinden biridir ve önemli veri bilimi seçmeli derslerinden biridir. Derste, derin sinir ağlarının nasıl eğitildiğine dair içgörü kazandırılarak derin öğrenmenin temelleri tanıtılmaktadır. Görüntü sınıflandırma üzerine yapılan bir vaka çalışması, eğitim algoritmalarının mekanizmalarını ve öğrenme parametrelerinin sınıflandırma doğrulukları üzerindeki etkisini anlamaya olanak tanımaktadır. Uygulamalı alıştırmalarla öğrenciler, en popüler derin öğrenme kütüphaneleriyle pratik deneyim kazanırlar.

Derslerle Çakışma veya Tamamlama Durumu:
Bu ders, makine öğrenmesi alanında ön bilgi gerektirir. Bu nedenle, konuları SEDS 537 Makine Öğrenimi ile örtüşmez, ancak onun üzerine inşa edilir.

Dağıtık Veritabanı Yönetimine Giriş, İlişkisel Veritabanı Yönetim Sistemlerini Gözden Geçirme, Dağıtık Veritabanı Mimarileri, Dağıtılmış Veritabanı Tasarımı – Yatay Bölümleme, Dağıtık Veritabanı Tasarımı – Dikey Bölümleme, Dağıtık Sorgu İşleme, Dağıtık Sorgu Optimizasyonu, Dağıtık Eşzamanlılık Kontrolü, Veri Çoğaltma, Dağıtık Nesne Veritabanı Yönetimi

Dersin Amacı

Dağıtık veritabanı sistemleri hakkında bilgi sağlamak.

Kaynakça

IEEE International Conference on Dependable Systems and Networks (DSN), IEEE Trans. Dependable and Secure Computing, IEEE Trans. Reliability bildiri ve makaleleri ,Israel Koren, C. Mani Krishna, Fault-Tolerant Systems, Morgan Kaufmann, 2007.

Öğrenim Çıktıları

1. Hataları ve sınama kavramını anlayabilme

2. Donanımsal ve yazılımsal hata toleransı tekniklerini tasarlayabilme ve değerlendirebilme

3. Güvenlik açısından kritik sistemlerde güvenilirlik tekniklerinin uygulanması konusunda tecrübe gösterebilme

Notlandırma

Vize 30%

Araştırma Sunumu 30%

Final 40%

Dersin konuları, ileri koşut zamanlılık denetim yöntemleri, ilişkisel veri tabanlarında sorgu işleme ve eniyileme stratejileri, ileri indeksleme yöntemleri, paralel ve dağıtık veritabanı sistemleri, yeni nesil veri modelleri, büyük veri tabanlarında veri madenciliği, web verisi, güvenlik ve gizliliğin sağlanmasından oluşmaktadır.

Dersin Amacı

1.Veritabanı alanından ileri konularını öğrenmek (1),

2.Araştırma yayınlarını okuyup anlama yeteneği kazanmak (2, 3, 4),

3.Alan taraması yapmak, açık problem için çözüm üretmek, bunu projelendirip sözlü ve yazılı olarak sunabilmek (4, 5).

Kaynakça

E.F. CODD. A Relational Model of Data for Large Shared Data Banks, Coomunication of the ACM, vol 15, June 1970 ,P.G. SELLINGER, M.M. ASTRAHAN, D.D. CHAMBERLIN, R.A. LORIE and T.G. PRICE, Access Path Selection in a Reletional Database System, ACM, 1979 ,S.CHAUDHURI, An Overview of Query Optimization in Relational Systems, PODS 1998 ,A. GUTTMAN. R-TREES. A Dynamic Index Structure for Spatial Searching, ACM 1984 ,J. NIEVERGELT and H. HINTERBERGER. The Grid File: An Adaptable, Symmetric Multikey File Structure, ACM 1984 ,D.J. DeWITT and J. GRAY.Parallel Database Systems: The Future of High Performance Database Processing, Communications of the ACM, Vol. 36, No. 6, June 1992 ,P.O’NEAL and D. QUASS. Improved Query Performance with Variant Indexes, ACM 1997 ,M. STONEBRAKER, P. M. AOKI, W. LITWIN, A. PFEFFER, A. SAH, J. SIDELL, C. STAELIN, A. YU. Mariposa: a wide-area distributed database system, The VLDBJournal, Springer-Verlag 1996 ,R. SNODGRASSF and I. AHN. A Taxonomy of Time in Databases, ACM, 1985 ,R. AGRAWAL and R. SRIKANT. Fast Algorithms for Mining Association Rules, Proceedings of the 20th VLDB ConferenceSantiago, Chile, 1994 ,J. GRAY, S. CHAUDHURI, A. BOSWORTH, A. LAYMAN, D. REICHART and M. VENKATRAO. Data Cube: A Relational Aggregation Operator Generalizing Group-By, Cross-Tab, and Sub-Totals, Data Mining and Knowledge Discovery 1, 29–53 (1997) ,S. BRIN and L. PAGE The Anatomy of a Large-Scale Hypertextual Web Search Engine, Proceeding of 7th International Conference on World Wide Web, 1998 ,C.J. Date, An Introduction to Database Systems, Addison-Wesley, Seventh Edition, 2010

Öğrenim Çıktıları

1.Veritabanı yönetim sisteminin tüm işlevlerinin altında yatan yaklaşım ve yöntemlerin tarihçe ve gelişim süreçlerini öğrenmek.

2.Veritabanı alanında yayınlanmış önemli yayınları okuma, özümseme ve tartışabilme yeteneği kazanmak ,

3.Veritabanı alanında üzerinde çalışılan problemlerinden birini derinlemesine araştırma yapmak ,

4.Veritabanı alanında araştırma yaptığı problem üzerine çözüm önerisi geliştirebilmek ,

5.Veritabanı alanında yaptığı araştırma konusunda geliştirdiği çözümü uygulama ve başarım değerlendirmesi ile birlikte teknik rapor olarak yazılı ve sözlü olarak sunmak

Notlandırma

Vize %30

Araştırma Sunumu %30

Final %40

Bu ders öğrencilere geniş ölçekli veri yönetimi ve büyük veri yönetiminin temel kavramları ve işlemsel yaklaşımlarını tanıtır. Bunlar veri depolama, güncelleme ve sorgulamanın yanısıra veri yoğun işlemeyi içermektedir. Ders kavram, algoritma ve zorluklara odaklanırken, dağıtık ve parallel veritabanı yönetim sistemleri, eşler arası veri yönetimi, MapReduce ve bileşenleri, Spark ve veri akışları, veri gölleri ve NoSQL veritabanları konuları kapsanacaktır.

Dersin Amacı

Bu ders öğrencilere geniş ölçekli veri yönetiminin güncel yaklaşımlarını kavram, mimari, algoritma ve sistem özelliklerini kapsayarak tanıtır.

Kaynakça

T. Öszu, P. Valduriez. Principles of Distributed Database Systems. Springer, 4th ed., 2020 ,H. Garcia-Molina, J. D. Ullman, J. Widom. Database Systems: The Complete Book. Prentice Hall, 2nd ed., 2008 ,L. Wiese. Advanced Data Management: For SQL, NoSQL, Cloud and Distributed Databases. De Gruyter, 2015

Öğrenim Çıktıları

1. Büyük ölçekli veri yönetimindeki güncel araştırma ve teknoloji akımlarını öğrenme,

2. Modern veritabanı yönetim sistemlerinin temel prensiplerini kavrama,

3. Büyük ölçekli veri yönetimi uygulamaları için darboğaz noktalarını belirleyebilme ve uygun tasarım kararları alabilme,

4. Anlamlı veri yönetimi işlemlerini için gereken açık kaynak yazılım sistemleri ve kütüphanelerini kurabilme ve kullanabilme.

Notlandırma

Vize %20

Ödev %20

Katılım %20

Final %40

Bu ders öğrencilere yazılım mühendisliği tekniklerini ve yaklaşımlarını tanıtmayı, değerlendirme yeteneği kazandırmayı, yazılım mühendisliği uygulamalarının vardığı son durumu ortaya koymayı ve tarihsel süreçte yaşananları aktararak, belli bir proje için doğru yaklaşımların seçiminde profesyonel karar alma becerisini kazandırmayı hedeflemektedir. Bu ders yazılım mühendisliği kavramını ortaya koyarak başlayacaktır. Ardından yazılım geliştirme paradigma, yöntem ve anahtar modelleme notasyonları tartışılacaktır. Yazılım gereksinimleri, yazılım tasarımı, proje yönetimi, ölçüm ve kişisel iletişim, gelişim teknikler kapsanacaktır.

Dersin Amacı

Bilgisayar güvenliğinin temel bileşenlerini öğretmek. Bilgisayar güvenliğinin temel bileşenlerini kullanarak, problem analiz, alternatif çözümler tanımlama, doğru çözümü belirleme ve uygulama yöntemlerinin öğretilmesi. Bilgisayar bilimlerinin, güvenlikle ilişkili konularını ve güncel araştırma problemlerini öğretmek.

Kaynakça

Aleph One – Smashing the Stack for Fun and Profit: http://www.phrack.org/issues.html?issue=49&id=14#article ,US Security Awareness (.org): http://www.ussecurityawareness.org/highres/index.html ,NSU InfoSec web site (of course): http://infosec.nova.edu/ ,Bruce Schneier – Crypto-gram Newsletter: http://www.schneier.com/crypto-gram.html ,Microsoft Security Guidance Center: http://www.microsoft.com/security/guidance/default.mspx ,B. Matt, Introduction to Computer Security ,Addison-Wesley, Pearson Education, 2005 ,SNORT.ORG: http://www.snort.org/

Öğrenim Çıktıları

1. Temel yazılım mühendisliği kavramlarına hakim

2. Sıkça rastlanan yazılım mühendisliği hatalarından ders almış

3. Yazılım mühendisliği problemlerini tartışabilir

4. Profesyonel karar alma becerisine sahip

Notlandırma

Vize %25

Araştırma Sunumu %40

Final %35

Veri, veri yapıları ve veri tiplerinin temel kavramları: dizinler, katarlar, doğrusal yapılar, sıralı arama ve sıralama teknikleri, yığınlar, kuyruklar, imleçler, bağlaçlı listeler. M-way arama teknikleri and B-tree’ler.

Dersin Amacı

Öğrencilerin veri yapıları ve algoritmalar konusundaki yetilerini arttırmak, Öğrencilerin programlama becerilerini geliştirmek.

Kaynakça

Data Structures and Abstractions with Java, F.M. Carrano and T.M. Henry, 4th ed., Pearson, 2016.
Goodrich, M. T., Tamassia, R., & Goldwasser, M. H. (2013). Data structures and algorithms in Python. John Wiley & Sons Ltd.

Öğrenim Çıktıları:

1. Soyut veri yapılarını kullanabilme ve tasarlayabilme.
2. Dizi ve bağlı veri yapılarını gerçekleştirebilme.
3. Özyineli veri yapıları ve algoritmaları tasarlayıp analiz edebilme.
4. Arama için kullanılan veri yapıları ve algoritmaları gerçekleştirebilme ve kullanabilme.

Notlandırma:

• Ara Sınav %25
• Ödev %25
• Final Sınavı  %40
• Quiz %10

Teslimler: Proje, Rapor

Ders Öğrenme Çıktıları
CO1: Yayın ve araştırmada etik davranabilme
CO2: Konuşma ve yazma sırasında teknik İngilizceyi doğru kullanabilme
CO3: Dinleyiciler önünde bilgisini etkili bir şekilde ifade edebilme
CO4: Zamanı etkili bir şekilde kullanabilme