Büyük Veri, yeni doğal kaynaktır: veriler her 12-18 ayda iki katına çıkmaktadır. Bu yeni Büyük Veri Analitiği kursu, yeni bilgiler üretmek için çok çeşitli veri setlerinin madenciliğinin temel kavramlarını ve araçlarını kapsar. Wordcloud, Pagerank, Veri Görselleştirme, Karar Ağaçları, Regresyon, Kümeleme, Yapay Sinir Ağları ve daha fazlasını oluşturmak için R dili kullanımında ustalaşacaksınız. Bazı büyük milyonlarca rekor veri setiyle birlikte çalışacaksınız ve ayrıca Twitter'daki yayınlarım. Hadoop / MapReduce ve Streaming Data kavramlarını öğrenecek ve Spark, Flink, Kafka, Storm, Samza, NoSQL gibi diğer Apache Büyük Veri Projelerini bireysel araştırma makaleleri ile keşfedeceksiniz. Türünün en iyisi olan veri analitik zorluklarını çözerek ödül parası kazanmak için Kaggle.com'dan açık projelerde gruplar halinde çalışacaksınız. Ayrıca, endüstri lideri IBM SPSS Modeler ve açık kaynaklı veri madenciliği platformlarını kullanmayı da öğreneceksiniz. Bu kursta kullanılan #1 en çok satanlar kitabı dersi veren kişi tarafından yazılmıştır. Tabii ayrıca MIT, Coursera, Google ve başka yerlerden çok çeşitli video eğitim materyallerini kullanacaktır. (4 birimleri) Önkoşul: Bölüm öğretim elemanının onayı

Sadece birkaç kısa yıl içinde, büyük veri teknolojileri yutturmaca dünyasından yeni dijital çağın temel bileşenlerinden birine geçti. Bu teknolojiler, Bilgiyi Bilgiye dönüştürmek için çok faydalıdır.

Kursun amacı, çeşitli büyük veri sorunlarını çözmenize yardımcı olmak için cephaneliğinize gerçekten önemli bazı araçlar eklemektir. "Büyük Veri Nedir?" Gibi sorulara yanıt vermeye başlayacağız. Neden önemlidir veya yararlıdır? Bu büyük veriyi nasıl depoluyorsunuz? " Daha sonra, verileri analiz etmemize yardımcı olacak büyük veri teknolojisi yığınından farklı araçları ve programlama modellerini inceleyeceğiz. Konular, Hadoop ekosistemindeki MapReduce, Pig, Hive, Sqoop, Flume, HBase (NoSQL DB), Zookeeper ve Apache Spark ekosistem projeleri gibi bazı projeleri içerir. Ayrıca AWS ve EMR'ye bir giriş yapacağız. Esas olarak Cloudera'nın tek düğümlü Hadoop dağıtımıyla çalışacaksınız. (4 adet) (Ön koşul yok)

Veri tabanı sistemleri bilgileri düzenler ve alır, kullanıcının istenen bilgilere kolay ve verimli bir şekilde erişmesini sağlar. Konular şunlardır: ilişkisel veri modeli; SQL; ER modellemesi; ilişkisel cebir; veri normalizasyonu; işlemler; veritabanındaki nesneler; veri güvenliği ve bütünlüğü; veri depolama, OLAP ve veri madenciliği; dağıtılmış veritabanları; ve belirli bir ticari veritabanı sisteminin incelenmesi. (4 birimleri) Önkoşul: CS 401 veya bölüm fakültesi onayı.

Bilgisayarlara verilerden öğrenme yeteneği sağlayan çalışma alanı olan Makine Öğrenimi (İlkbahar 2021'de öğretilmiyor. Kullanılabilirliği kontrol et), neredeyse her bilimsel disiplinin merkezinde yer alır ve genelleme çalışması (yani tahmin) veriler, makine öğreniminin ana konusudur. Bu kurs, makine öğrenimine lisansüstü düzeyde bir giriş ve makine öğrenimindeki yeni ve gelişmiş yöntemlerin yanı sıra bunların altında yatan teorilerin derinlemesine incelenmesini sağlar. Pratik alaka düzeyine sahip yaklaşımları vurgular ve Veri Madenciliği (Büyük Veri / Veri Bilimi, Veri Analitiği), Doğal Dil İşleme, Bilgisayarla Görme, Robotik, Biyoinformatik ve Metin ve Web veri işleme gibi bir dizi yeni makine öğrenimi uygulamalarını tartışır. Makine Öğrenimi, Finansal Hizmetler, Petrol ve Gaz, Sağlık Hizmetleri, Pazarlama ve Reklamcılık, Devlet, İnternet ve Nesnelerin İnterneti dahil olmak üzere çeşitli endüstrilerde kullanılmaktadır.

Bu ders çeşitli öğrenme paradigmalarını, algoritmalarını, teorik sonuçlarını ve uygulamalarını kapsar. Yapay zeka, bilgi teorisi, istatistik ve kontrol teorisinden temel kavramları, makine öğrenimiyle ilgili oldukları ölçüde kullanır. Konular şunlardır: denetimli öğrenme (üretken / ayırt edici öğrenme, parametrik / parametrik olmayan öğrenme, sinir ağları, destek vektör makineleri, karar ağacı, Bayes öğrenme ve optimizasyon); denetimsiz öğrenme (kümeleme, boyutluluk azaltma, çekirdek yöntemleri); öğrenme teorisi (önyargı / varyans değiş tokuşları; VC teorisi; büyük marjlar); pekiştirmeli öğrenme ve uyarlanabilir kontrol. Diğer konular arasında HMM (Gizli Markov Modeli), Evrimsel Hesaplama, Derin Öğrenme (Sinir Ağları ile) ve temel makine öğrenimi problemleri için performansı titizlikle analiz edilebilen algoritmalar tasarlama yer alır.

Dersin önemli bir kısmı grup projesidir. Paralel, dağıtılmış ve ölçeklenebilir bir makine öğrenmesi için kullanılan başlıca açık kaynak araçları, öğrencileri projeleri yaparken yardımcı olmak için kısaca ele alınacaktır. (4 birimleri) Önkoşul: Yok.

Mobil cihaz programlamanın önemi son yıllarda yazılım geliştirmede yeni bir alan olarak ortaya çıkmıştır. Bu ders öğrencileri IPhone, IPad veya Android telefon gibi mobil cihazlarda çalışan uygulamalar geliştirmeye hazırlar. Bu hızla gelişen bir pazar. Ders, mobil uygulamaları kurmaya, geliştirmeye, test etmeye ve dağıtmaya odaklanır. Bu dersin sonunda öğrenciler kapsanan platformlar için bir uygulama geliştirebilir, bunları simüle edebilir, gerçek cihazda test edebilir ve son olarak kullanıcılara ulaşılabilirlik sağlamak için uygulama mağazasında yayınlayabilir. (4 üniteleri) Önkoşul: CS472 veya bölüm fakültesi onayı.

Bu derste SPA'nın Reaktif Programlama Mimarisini (Tek Sayfa Web Uygulamaları) ve tam bir Modern Web Uygulaması oluşturmak için gereken tüm becerileri öğreneceksiniz. Teknolojiler şunları içerir: NodeJS, ExpressJS, TypeScript, AngularJS2, Firebase ve NoSQL veritabanları (MongoDB). Kurs şunları içerecektir:

• C ++ V8 altyapısı ve eşzamansız kod Düğüm ve Düğüm olay döngüsünde nasıl çalışır?
• Yeniden kullanım için kodunuzu yapılandırma ve modülleri ve ExpressJS kullanarak Restful API oluşturma.
• NoSQL veritabanlarının nasıl çalıştığı: Mongo Shell, Aggregation framework, Replica Set, Clustering, Shards, Mongoose ORM.
• Angular'ın (Google tarafından desteklenen) nasıl çalıştığını derinlemesine anlama, Değişiklik Algılama, Gözlemlenebilir ve Gözlemlenen Reaktif RxJ'ler, Shadow DOM, Bölgeler, Modüller ve Bileşenler, Özel Direktifler ve Borular, Hizmetler ve Bağımlılık Enjeksiyonu, Açısal Derleyici, JIT ve AOF Derlemesi , Formlar (Sürülen Şablon ve Veri Sürülen), Veri Bağlama, Yönlendirme, Korumalar ve Güzergah Koruması, HTTP istemcisi, JWT JSON Web Token Authentication.

(4 birimleri)

Tüm yeni bilgisayarların standart işlemcisi, artık programları daha hızlı yürütme potansiyeline sahip olan çok çekirdekli bir işlemciydi. Bununla birlikte, bu potansiyeli kullanmak için, bir programcının paralel programlama teknikleri hakkında biraz bilgisi olması gerekir. Bu kurs sırasında, öğrenciler zamanlarının çoğunu paralel programlar yazmak ve hata ayıklamak için harcarlar. Beklenen sonuç, yeni bir düzeyde pratik programlama becerisi geliştirmek olacak. Bu beceri sadece çok çekirdekli işlemcilerin programlanması için değil, işletim sistemleri programlaması ve dağıtık veritabanı programlaması için de faydalı olacaktır. Bu kursta kullanılan yazılım araçları arasında Microsoft Visual C / C ++, Java okuyuculu kitaplık ve OpenMP thread standardı bulunur. (4 birimleri) Önkoşul: Java, C veya C ++ kullanarak bilgisayar programlama bilgisi.

Bu derste, mikro hizmetleri kullanarak esnek, ölçeklenebilir, test edilebilir ve esnek yazılım sistemlerinin nasıl tasarlandığına ilişkin teknik, ilke ve kalıplara bakacağız. Büyük uygulamaları, monolitik kurumsal uygulamalara kıyasla daha kolay kurulabilen daha küçük mikro hizmetlere ve diğer avantajlara nasıl ayırabileceğimizi çalışacağız. Dağıtılmış bir mikro servis mimarisi de birçok zorluk yaratır. Bu zorlukları ve bunların nasıl ele alınacağını inceleyeceğiz. Bu dersin konuları mimari tarzlar, entegrasyon teknikleri ve kalıpları, alan odaklı tasarım, olay odaklı mimari ve reaktif programlamadır. (4 kredisi). (Önkoşul yok)