1 |
Dersin Adı: |
PYHTON UYGULAMALARI |
2 |
Dersin Kodu: |
EKO3310 |
3 |
Dersin Türü: |
Seçmeli |
4 |
Dersin Seviyesi: |
Lisans |
5 |
Dersin Verildiği Yıl: |
3 |
6 |
Dersin Verildiği Yarıyıl: |
6 |
7 |
Dersin AKTS Kredisi: |
5 |
8 |
Teorik Ders Saati (saat/hafta): |
3 |
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: |
Dr. ESMA BİRİŞÇİ |
16 |
Dersi Veren Diğer Öğretim Elemanları: |
Dr. Öğr. Üyesi Esma Birişçi |
17 |
Ders Koordinatörünün İletişim Bilgileri: |
esmabirisci@uludag.edu.tr Telefon:0224 2941016 Bursa Uludağ Üniversitesi İİBF A blok |
18 |
Dersin Web Adresi: |
|
19 |
Dersin Amacı |
: Python, küçük komut dosyalarından büyük sistemlere kadar uzanan projeler için uygun, çok yönlü bir programlama dilidir. Temel programlama algoritmalarını Python programlama dili aracılığı ile uygulayarak, derslerde ela alınan farklı algoritmaların, genel çözüm programını oluşturmaktır. Sonrasında, elde edilen sonuçları görselleştirmektir |
20 |
Dersin Mesleki Gelişime Katkısı: |
Öğrencilerin gerçek hayattaki bir sistemde küçük kod yapılarını kullanma becerilerini geliştirir. Böylece gerçekten çalışan ve istenen işlevsel sonuçları üreten kod yazabilirler. |
Hafta |
Teori |
Uygulama |
1 |
• Modül, Kütüphaneler ve temel özellikleri
- Modül oluşturma
- Import Ifades
-from...import *İfadesi
|
|
2 |
• Python'da Girdi ve ciktilar
-Dosyaya Veri Yazma
-Dosyadan Veri Okuma
-GÇ İstisnalarını İşleme
|
|
3 |
• Hata İşleme
-Hata Ayıklama
-Hata Türleri
|
|
4 |
• Veri Görselleştirme
- Matplotlib kütüphanesi
- Bar, Line Scatter çizimleri ve Grafikleri
|
|
5 |
• Masaüstü GUI
- Grafik Kullanıcı Ara yüzü I
- Grafik Kullanıcı Ara yüzü II
|
|
6 |
• Optimizasyon
- Sezgisel Algoritmalar
|
|
7 |
• Graf algoritmaları
- Dijkstra Algoritması
|
|
8 |
• Doğrusal olmayan sistemler
- Karush-Kuhn-Tucker Yontemi
|
|
9 |
• Scikit-learn ile tahmin
-Scikit-learn kullanılarak geçmiş performans verilerine dayalı tahmin
|
|
10 |
• Nesne yönelimli programlama I
- Sınıf değişkenleri ve yöntemleri
|
|
11 |
• Nesne yönelimli programlama II
- Miraslama
|
|
12 |
• Makine Öğrenimi ve Yapay Zeka
-Veri eğitimi ve iyileştirilme teknikleri
|
|
13 |
• Numpy ile sıfırdan bileşenler analizi (PCA)
- PCA Giriş.
-Temel PCA uygulaması
|
|
14 |
• Python ile gerçek dünya uygulamaları |
|