Ders İçerikleri - Muhasebe ve Denetim Programı | İzmir Ekonomi Üniversitesi

İŞLETME FAKÜLTESİ

Muhasebe ve Denetim Programı

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 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;
  • Yordamsal dil ile yazılmış bir programın yapısını açıklayabilecektir
  • Python programlarını test etmek suretiyle hatalarını ayıklayabilecektir.
  • Veri bağlantısı, web kazıma, vb. beceriler gerektiren bir işletme veri işleme problemini çözmek için Python programlama modellerini kullanabilecektir.
  • Bir işletme veya araştırma ekibi ortamındaki analitik görevler için R istatistiksel programlama platformunun ve RStudio yazılımının avantajlarını, kabiliyetlerini ve en iyi uygulamalarını tanımlayabilecektir.
  • R Notebook kullanarak veri iç görüleri üretebilecektir.
  • Yaygın büyük veri işleme ve analiz işlem hatlarını tanımlayabilecektir.
  • Büyük veri işleme ve analiz işlem hatlarını uygulamak için teknolojileri ve yaklaşımları açıklayabilecektir.
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. Python ile veri analizi için kodlamaya giriş (7 hafta): Veri türleri, arama / sıralama, istatistiksel hesaplamalar için liste işleme, veriler için web kazıma 2. R ile istatistiksel süreçler (5 hafta): R'da keşifsel istatistikler. Büyük veri (2 hafta): Teknolojiler (Hadoop, MapReduce), yetkinlikler, gerçek zamanlı veri işleme, büyük verilerde olası değer yaratma işlem hatları

 



Dersin Kategorisi

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: Python veri işleme modellerine giriş * Python nasıl çalışır ve bizimle nasıl iletişim kurar. RStudio'nun Python editörü ve arayüzü olarak kullanılması * Syntax, dilbilgisi ve kelime bilgisi. Basit veri türleri * Python’un hafızası nasıl çalışır: değişkenler * Yerleşik fonksiyonlar ve anahtar kelimeler, yardım sistemi * Tekrarlardan genellemelere: fonksiyonların tanımlanması Hedef: (1) Değişkenleri, değerleri ve alanları gözden geçirmek. (2) Sorunun boyutuna bağlı olarak algoritmaları tekrarlama ve yineleme olarak anlamak. Örnek olay: Sayı tahmin oyunu (arama sorunu). Tahminin zaman karmaşıklığı. Kaefer, F., & Kaefer, P. (2020). Introduction to Python programming for business and social science applications. Thousand Oaks: SAGE Publications, Inc.”, Bölüm 1
2 * Python veri değişkenleri: Listeler ve liste işleme Liste dizinleme ve liste kavrama * Modüller ve tanım kapsamı * Döngüler * Test programları. Hata yakalama Hedef: Tek değişkenli verileri kullanmak. Bu tür verileri işlemek için döngü kalıplarını kullanmak. Örnek olay: * Covid-19 vakalarının günlük sayı listesini kullanın (tüm ülkeler için). Listenin maksimum, ortalama ve toplam değerlerini bulun. * Covid-19 veri setinden ülkelerin listesini kullanın. Benzersiz bir ülke listesi bulun. Kaefer, F., & Kaefer, P. (2020). Introduction to Python programming for business and social science applications. Thousand Oaks: SAGE Publications, Inc.Bölüm 2
3 * Python komutları ile çalışmak için RStudio kullanma * Python komut dosyaları, yollar ve dosya erişimi * Python giriş / çıkış ve kabuk yönlendirme * Dize işleme. Dizeleri ayrıştırma, bölme, birleştirme, arama. Tür dönüşümü Hedef: Mini programlar kullanarak tek değişkenli veri işleme ve işlem hatlarını raporlamak. Örnek olay: (1) Borsa İstanbul şirket kodları ve isim dosyasında “banka”ları seçin ve çıktılarını alın. (2) Öğrencilerin tam adlarını ve notlarını içeren bir dosyayı, ilk ad, orta ad, soyadları ve notlara ayrıştırın. Kaefer, F., & Kaefer, P. (2020). Introduction to Python programming for business and social science applications. Thousand Oaks: SAGE Publications, Inc.Bölüm 3
4 * Eşleme için ifadeler kullanma * Yineleyiciler ve dosya işleme * Python'daki sözlükler. Yapılandırılmış verileri temsil etmek için liste ve sözlükleri kullanma * Python web kazıma yardımcı programları ve kullanımları Hedef: Yapılandırılmamış verileri işlemek. Örnek olay: (1) Finansal raporlar içeren bir dosyadaki tüm finansal miktarları bulun. (2) Her satırda ülke adlarını ve Covid vakalarının hasta numaralarını içeren bir dosyayı ayrıştırın, tabloya dönüştürün. Kaefer, F., & Kaefer, P. (2020). Introduction to Python programming for business and social science applications. Thousand Oaks: SAGE Publications, Inc.Bölüm 4
5 * Python'da veri setleri * Pandas ve Numpy modüllerini kullanma ve veri aktarma * Bir seri veya veri çerçevesi çizme * Sütun istatistikleri ve yardımcı işlevleri * Veri çerçevelerini dizinleme Hedef: Veri toplama kodu kalıplarını kullanmak Örnek olay: Her satırda ülke adlarını ve Covid vakalarının hasta numaralarını içeren bir veriyi toplulaştırın, toplu sayıları bildirin. Kaefer, F., & Kaefer, P. (2020). Introduction to Python programming for business and social science applications. Thousand Oaks: SAGE Publications, Inc.Bölüm 5
6 * Veri seti manipülasyonu, altküme ve istatistikler * Veri seti biçimlerini işleme Hedef: Çok değişkenli verileri gruplandırmak, gruplar için istatistikler oluşturmak. Örnek olay: Farklı beslenme düzenleriyle beslenen tavukların ağırlıklarını içeren Tavuk çiftliği veri setini kullanın. Temel istatistikleri kullanarak diyetin etkisini bulun ve yorumlayın. Kaefer, F., & Kaefer, P. (2020). Introduction to Python programming for business and social science applications. Thousand Oaks: SAGE Publications, Inc.Bölüm 6
7 Veri birleştirme Hedef: Verileri gruplandırmak ve özetlemek için analitik kütüphanelerini kullanmak Örnek olay: NewYork city açık veri setini kullanın (şehir çapında çalışanların maaş verileri). Farklı grupların maaşlarına ilişkin istatistikleri bulun. Kaefer, F., & Kaefer, P. (2020). Introduction to Python programming for business and social science applications. Thousand Oaks: SAGE Publications, Inc.Bölüm 7 ve Bölüm 8
8 Python Proje Sunumları
9 MODÜL 2: R ile istatistiksel işleme R’a giriş. Vektörler ve veri çerçeveleri ile çalışma. Veri yükleme. Basit keşifsel çizimler ve istatistikler. R Notebook ile analitik raporlama. Veri dizinleme ve seçme. Hedef: Verileri gruplandırmak ve özetlemek için analitik kütüphaneleri kullanmak. Örnek olay: NewYork city açık veri setini kullanın (şehir çapında çalışanların maaş verileri). R kullanarak farklı grupların maaşlarına ilişkin istatistikleri bulun Grolemund, G. (2014). Hands-on programming with R. Sebastopol, CA: OReilly. , Bölüm 1 ve Bölüm 2
10 R paketlerini kullanma. Veri görselleştirme ve tanımlayıcı istatistikler. Değişkenler arasındaki ilişkileri görselleştirmek için ggplot2 ile çizim. Hedef: Çok değişkenli veri kümelerindeki veriler arasındaki ilişkileri ortaya çıkarmak için keşifsel analiz kullanmak Örnek olay: Elmas fiyatları veri kümesini kullanın. Elmas ağırlığı, rengi, kesimi vb. gibi etkenlerin elmas fiyatları üzerindeki etkisini inceleyin ve raporlayın Grolemund, G. (2014). Hands-on programming with R. Sebastopol, CA: OReilly., Bölüm 3
11 Veri gruplama ve birleştirme Hedef: Verileri gruplamak ve grup özetleri üretmek. Örnek olay: Verideki çalışan türleri için ortalama maaşları bulmak ve raporlamak için NewYork’ta çalışanların maaş verilerini kullanın. Grolemund, G. (2014). Hands-on programming with R. Sebastopol, CA: OReilly., Bölüm 4 ve Bölüm 5
12 Kümeleri bulma ve görselleştirme. Etkileşimli görselleştirmeler. Hedef: Veriyi kümelere ayırma. Örnek olay: NewYork’ta çalışanların maaş verilerini kullanarak en uygun kümelemeyi bulun Grolemund, G. (2014). Hands-on programming with R. Sebastopol, CA: OReilly., Bölüm 6
13 MODÜL 3: 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. Nasser, T., & Tariq, R. S. (2015). Big data challenges. J Comput Eng Inf Technol 4: 3. doi: http://dx. doi. org/10.4172/2324, 9307(2).
14 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. Nasser, T., & Tariq, R. S. (2015). Big data challenges. J Comput Eng Inf Technol 4: 3. doi: http://dx. doi. org/10.4172/2324, 9307(2).
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

 

“Hands-On Programming with R”, 2014, Garrett Grolemund, O’Reilley. ISBN-13: 9781449359010

Web version: https://rstudio-education.github.io/hopr/index.html

Önerilen Okumalar/Materyaller

“Programming with Python for Social Scientists” (2019),Phillip D. Brooke, Sage publications ISBN: 9781526431714

Nasser, T., & Tariq, R. S. (2015). Big data challenges. J Comput Eng Inf Technol 4: 3. doi: http://dx. doi. org/10.4172/2324, 9307(2).

 

DEĞERLENDİRME ÖLÇÜTLERİ

Yarıyıl Aktiviteleri Sayı Katkı Payı %
Katılım
1
10
Laboratuvar / Uygulama
Arazi Çalışması
Küçük Sınav / Stüdyo Kritiği
Ödev
Sunum / Jüri Önünde Sunum
Proje
3
90
Seminer/Çalıştay
Sözlü Sınav
Ara Sınav
Final Sınavı
Toplam

Yarıyıl İçi Çalışmalarının Başarı Notuna Katkısı
4
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
1.5
24
Arazi Çalışması
0
Küçük Sınav / Stüdyo Kritiği
0
Ödev
0
Sunum / Jüri Önünde Sunum
0
Proje
3
20
60
Seminer/Çalıştay
0
Sözlü Sınav
0
Ara Sınavlar
0
Final Sınavı
0
    Toplam
148

 

DERSİN ÖĞRENME ÇIKTILARININ PROGRAM YETERLİLİKLERİ İLE İLİŞKİSİ

#
Program Yeterlilikleri / Çıktıları
* Katkı Düzeyi
1
2
3
4
5
1

Alanında teorik ve pratik bilgi ve beceriler kazanır.

X
2

Sorunlara analitik ve bütünsel bir bakış açısıyla yaklaşır.

X
3

Küresel ve yerel muhasebe ve denetim standartları hakkında bilgi sahibidir.

4

Muhasebe ve denetim problemlerine ilişkin bulgu ve çözümleri yazılı ve sözlü formatta aktarır.

5

Muhasebe ve diğer yönetim bilgi sistemleri ile kuruluşların performansını eleştirel olarak değerlendirir.

6

İş hayatında karşılaşılan gerçek durumlar için yenilikçi ve yaratıcı bir yaklaşım kullanır.

X
7

Muhasebe ve denetimin temel alanlarında edinilen bilgileri stratejik bir bakış açısıyla bir araya getirir.

8

Alanıyla ilgili çalışmalarda bilimsel ve etik değerlere uygun hareket eder.

9

Hem liderlik hem de takım çalışması becerilerini etkin ve verimli bir takım üyesi olarak gösterir.

X
10

İş kararlarını verirken ve değerlendirirken etik bir bakış açısına ve sosyal duyarlılığa sahip olur.

11

Bir yabancı dili kullanarak işletmecilik alanı 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 ilişkilendirebilir.

*1 Lowest, 2 Low, 3 Average, 4 High, 5 Highest

 


İzmir Ekonomi Üniversitesi
izto logo
İzmir Ticaret Odası Eğitim ve Sağlık Vakfı
kuruluşudur.
ieu logo

Sakarya Caddesi No:156
35330 Balçova - İzmir / TÜRKİYE

kampus izmir

Bizi Takip edin

İEU © Tüm hakları saklıdır.