Bilgi Paketi & Ders Kataloğu
| 1 | Dersin Adı: | VERİ GÖRSELLEŞTİRME |
| 2 | Dersin Kodu: | EKO5119 |
| 3 | Dersin Türü: | Seçmeli |
| 4 | Dersin Seviyesi: | Yüksek Lisans |
| 5 | Dersin Verildiği Yıl: | 1 |
| 6 | Dersin Verildiği Yarıyıl: | 1 |
| 7 | Dersin AKTS Kredisi: | 4 |
| 8 | Teorik Ders Saati (saat/hafta): | 2 |
| 9 | Uygulama Ders Saati (saat/hafta): | 0 |
| 10 | Laboratuar Ders Saati (saat/hafta): | 0 |
| 11 | Dersin Önkoşulu | yok |
| 12 | Ders İçin Önerilen Diğer Hususlar | Yok |
| 13 | Dersin Dili: | Türkçe |
| 14 | Dersin Veriliş Şekli | Yüz yüze |
| 15 | Dersin Koordinatörü: | Prof. Dr. ZEHRA BERNA AYDIN |
| 16 | Dersi Veren Diğer Öğretim Elemanları: | |
| 17 | Ders Koordinatörünün İletişim Bilgileri: |
e-mail:berna@uludag.edu.tr Tel: 224 2941119 Adres: Uludağ Üniversitesi, İktisadi ve İdari Bilimler Fakültesi, Ekonometri Bölümü,16059, Görükle/Bursa |
| 18 | Dersin Web Adresi: | |
| 19 | Dersin Amacı | Karmaşık verilerin kolay algılanabilmesi için görsel anlaşılabilir bir şekilde sunulması sağlanacaktır. |
| 20 | Dersin Mesleki Gelişime Katkısı: | Karmaşık verileri algılayıp yorumlama yeteneğine sahip olma. |
| 21 | Ders Öğrenme Kazanımları |
|
| 22 | Dersin İçeriği |
| Hafta | Teori | Uygulama |
| 1 | Veri Görselleştirmenin tanımı ve kavramsal çerçeve | |
| 2 | Görsel Algılama, Renk Seçimi ve Tasarım İlkeleri | |
| 3 | Veri Görselleştirme Yazılımları | |
| 4 | Veri Görselleştirme Yazılımları | |
| 5 | Veri Edinimi ve verilerin ayrıştırılması | |
| 6 | Çok Değişkenli Çizim ve Grafik Oluşturma | |
| 7 | Excel ve SPSS ile veri görselleştirme | |
| 8 | R ile veri görselleştirme | |
| 9 | R ile veri görselleştirme | |
| 10 | Fython ile veri görselleştirme | |
| 11 | Fython ile veri görselleştirme | |
| 12 | Tableau programının tanıtımı | |
| 13 | İş Zekâsı Uygulamalarında Veri Görselleştirme - 1 | |
| 14 | İş Zekâsı Uygulamalarında Veri Görselleştirme - 2 |
| 23 | Ders Kitabı, Referanslar ve/veya Diğer Kaynaklar: |
Simon, P. (2014), “The visual organization: data visualization”, Big Data, and the quest for better decisions. John Wiley & Sons. Tugay Bilgin, T., Yılmaz Çamurcu, A. (2008), “Çok Boyutlu Veri Görselleştirme Teknikleri”, Çanakkale Onsekiz Mart Üniversitesi, Çanakkale. Visualizing Data, Ben Fry, O'reilly Sosyal Ağ Analizi, Necmi Gürsakal, Dora Ware, C. (2010). Visual thinking: For design. Morgan Kaufmann. Camões, J. (2016). Data at Work: Best practices for creating effective charts and information graphics in Microsoft Excel, New Riders. |
| 24 | Değerlendirme |
| YARIYIL İÇİ ÇALIŞMALARI | SAYISI | KATKI YÜZDESİ |
| Ara Sınav | 0 | 0 |
| Kısa Sınav | 0 | 0 |
| Ödev | 0 | 0 |
| Yıl sonu Sınavı | 1 | 100 |
| Toplam | 1 | 100 |
| Yıl içi çalışmalarının Başarıya Oranı | 0 | |
| Finalin BAşarıya Oranı | 100 | |
| Toplam | 100 | |
| Derste Kullanılan Ölçme ve Değerlendirme Yaklaşımları | Final sınavı ve teorik bilginin derste uygulaması. | |
| Açıklama | Bu ders mutlak bir değerlendirme sistemi ile değerlendirilir. | |
| 25 | AKTS / İŞ YÜKÜ TABLOSU |
| Etkinlik | SAYISI | Süresi [Saat] | Toplam İş Yükü [Saat] |
| Teorik Dersler | 14 | 2 | 28 |
| Uygulamalı Dersler | 0 | 0 | 0 |
| Sınıf Dışı Ders Çalışma Süresi (Ön çalışma, pekiştirme) | 14 | 3 | 42 |
| Ödevler | 0 | 5 | 20 |
| Projeler | 0 | 0 | 0 |
| Arazi Çalışmaları | 0 | 0 | 0 |
| Arasınavlar | 1 | 10 | 10 |
| Diğer | 0 | 0 | 0 |
| Yarıyıl Sonu Sınavları | 1 | 20 | 20 |
| Toplam İş Yükü | 120 | ||
| Toplam İş Yükü / 30 saat | 4 | ||
| Dersin AKTS Kredisi | 4 |
| 26 | PROGRAM YETERLİLİKLERİ İLE DERS ÖĞRENİN KAZANIMLARI İLİŞKİSİ TABLOSU | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| ÖK: Öğrenme Kazanımları | PY: Program yeterlilikleri |
| Katkı Düzeyi: | 1 Çok Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 Çok Yüksek |