Coğrafi Bilgi Sistemleri Yüksek Lisans Programı

Zorunlu Dersler:

Scientific Research Methods and Publication Ethics: Dersin amacı öğrencilere bilimsel araştırma yöntemleri ve yayın etiği konusunda temel bilgiler kazandırmak, öğrencileri etik kurallarına uygun yayın yapmaya hazırlamak, öğrencilerin bilimsel yayın hazırlama becerilerine sahip olmalarını sağlamaktır.

Advanced Algorithms: Derste algoritma tasarımı ve analizine yönelik teknikler aşağıdaki konu çerçevesinde incelenecektir; NP-Zor Problemler için Yaklaşık Algoritma Tasarımı, Çevrim İçi Algoritma Tasarımı, Öğrenme Algoritma Tasarımı, Akış Algoritması Tasarımı. Lisans seviyesindeki algoritmalar derslerinde genellikle doğru, verimli (polinom zamanlı) algoritmaların tasarlanması üzerine teknikler ele alınır. Ancak bu dersin odak noktası farklıdır. Polinom zamanında doğru algoritmaların bilinmediği, çok sıkı kaynak kısıtlamalarının olduğu ve optimalite kavramının net bir şekilde tanımlanmadığı problemler ele alınacaktır. Algoritma tasarımında odak noktası, performansları üzerinde kanıtlanabilir garantiler sağlayarak verimli algoritmalar tasarlamak olacaktır.

Machine Learning: Ders, Makine Öğrenmesi (ML) alanına kapsamlı ve erişilebilir bir giriş sağlar. Makine Öğrenmesi, sistemlerin verilerden öğrenmesini ve desenler ile eğilimler doğrultusunda tahminler veya kararlar almasını sağlayan bir yapay zeka dalıdır. Bu ders, öğrencilere ML kavramları, teknikleri ve uygulamaları hakkında sağlam bir anlayış kazandırmayı hedefler, böylece veri odaklı problem çözme ve yapay zeka uygulamalarına ilgi duyan herkes için ideal bir derstir. Ders, aşağıdaki başlıkları kapsamaktadır: Makine Öğrenmesinin Temelleri, Denetimli Öğrenme (Supervised Learning), Denetimsiz Öğrenme (Unsupervised Learning), Model Değerlendirme ve Doğrulama, Derin Öğrenme ve Yapay, Sinir Ağları, Gerçek Dünya Uygulamaları

Computer Networks: OSI ve TCP/IP Modelleri ve İnternet Mimarisi Genel Bakışı. Paket anahtarlama ve devre anahtarlama ağ teknolojileri. Paket anahtarlamalı ağlarda gecikme, kayıp ve throughput (bant genişliği). Ağ paketlerini bir ağ analizörü programı kullanarak analiz etme ve ağ modelleme ile simülasyon ortamında ağ tasarımları. Uygulama Katmanı: soket programlamasına giriş, uygulama katmanı protokolleri: DNS, HTTP, FTP, SMTP, POP3 ve eşler arası (peer-to-peer) ağlar. Taşıma Katmanı: güvenilir veri aktarımının prensipleri, TCP ve UDP protokolleri, akış kontrolü ve tıkanıklık kontrolü. Ağ Katmanı: IP protokolü ve adresleme. Yönlendirme Algoritmaları: Link State (Bağlantı Durumu), Distance Vector (Mesafe Vektörü), Hiyerarşik Yönlendirme, İnternette Yönlendirme: RIP, OSPF, BGP protokolleri. Yayın ve çoklu yayın yönlendirmesi. Veri Bağlantı Katmanı Protokolleri ve Yerel Alan Ağları (LAN): Ethernet ve IEEE 802.11.

Big Data Systems and Analytics: Ders, Büyük Veri Sistemleri ve Analitiği dersi, karmaşık Büyük Veri sistemlerini anlamak, analiz etmek ve optimize etmek için gereken temel kavramların ve ileri düzey tekniklerin kapsamlı bir incelemesini sunar. Veri odaklı karar verme döneminde, öğrenciler ölçeklenebilir veri depolama, verimli işleme ve güçlü analiz iletişim hatları gibi konuların ayrıntılarına gireceklerdir. Teorik bilgi ve pratik egzersizlerin bir kombinasyonu aracılığıyla, katılımcılar sistem performansını değerlendirme, veri bütünlüğünü sağlama ve dağıtık hesaplama teknolojilerinin gücünden yararlanma konusunda uzmanlık kazanacaklardır. Bu ders, aşağıdaki konuları kapsamaktadır: Büyük Veri sistemlerinin mimarisi, Dağıtık dosya sistemleri ve veri tabanlarının temel ilkeleri, Akış ve toplu işleme, Veri kökeni (data lineage), Hata toleransı, Sistem optimizasyon stratejileri. Gerçek dünya vaka çalışmalarını inceleyerek ve uygulamalı projelerde yer alarak, öğrenciler Büyük Veri sistemi tasarımının zorluklarını yönetme, veri erişilebilirliğini sağlama ve büyük ölçekli veri setlerinden anlamlı içgörüler elde etmek için kaynakları etkili bir şekilde kullanma konusunda güçlü bir temel oluşturacaklardır.

Seçmeli Dersler:

Web Technologies: Ders, öğrencilere internet sektöründe kullanılacak olan istemci tarafı dillerinin temellerini ve gerekli sunucu tarafı programlama becerilerini kazandırmaktır. HTML, CSS ve JavaScript dillerinin tanıtımı ve kullanımı ile başlayan dersin ilerleyen bölümlerinde, sunucu tarafı dillerinin ve teknolojilerinin kullanımı ele alınacaktır. Sunucu tarafında, Node.js, Python ve Java dillerinin sunucu betikleme dilleri olarak kullanımı projelerle desteklenecektir. Object-Oriented Programming: Ders, öğrencilere Nesne Yönelimli Programlama (NYP) kavramlarını ve ilkelerini derinlemesine öğretmeyi hedeflemektedir. Öğrenciler, bu sayede verimli, ölçeklenebilir ve sürdürülebilir yazılım sistemleri tasarlayabilecek bilgi ve beceriler kazanacaklardır.  Ders,  NYP’nin  temel  kavramlarının  yanı  sıra  yazılım  mühendisliği uygulamalarında kullanılan ileri düzey teknikleri de kapsamaktadır. Teorik tartışmalar, pratik ödevler ve vaka incelemeleri ile desteklenen bu ders, öğrencilere nesne yönelimli düşünmeyi, tasarım ilkelerini ve yazılım geliştirme süreçlerini verimli bir şekilde kullanma becerisi kazandıracaktır. Ayrıca, öğrencilere güçlü yazılım sistemleri tasarlarken karşılaşılan karmaşık problemleri analiz edebilme yeteneği kazandırılacaktır.

Deep Learning: Ders, Derin Öğrenme konusunda Yüksek Lisans düzeyinde bir giriş dersidir. Derin Öğrenme alanındaki pek çok kavram ve algoritmaya, teori ve pratik çalışmalara geniş bir giriş sunmaktadır. Temel kavramlar ve seçilen derin öğrenme algoritmaları ile uygulamaları tanıtılmaktadır. İleri Düzey Veri Analizi İçin Derin Öğrenme dersi, yüksek lisans öğrencilerini derin öğrenmenin teorik temelleri, en son teknikleri ve veri analizi alanındaki pratik uygulamaları konusunda derinlemesine bir anlayışla donatmayı amaçlamaktadır. Bu ders, yapay sinir ağı mimarileri, optimizasyon algoritmaları, konvolüsyonel ve geri beslemeli ağlar, üretici modeller ve transfer öğrenmesi gibi temel konuları kapsamaktadır. Derin öğrenmenin matematiksel temellerine derinlemesine inilmekte ve TensorFlow ve PyTorch gibi popüler çerçeveler kullanılarak pratik uygulamalara odaklanılmaktadır. Katılımcılar, gerçek dünya veri setleri ve projeleri ile etkileşimde bulunacak, derin öğrenme tekniklerini görüntü analizi, doğal dil işleme, öneri sistemleri ve daha birçok alandaki problemlerin çözülmesinde uygulayacaklardır.

Geographic Database Management Systems: Ders, coğrafi bilgi sistemlerinde bilginin temsili için teorik bir temel sunmaktadır. Birleşik Modelleme Dilini (UML) ve Yapılandırılmış Sorgulama Dilini (SQL) öğretilir. Der kapsamında ele alınan konular; coğrafi nesnelerin etkileşimlerini resmileştirme yöntemleri; ilişkisel ve nesne yönelimli dahil olmak üzere çeşitli bilgi modellerinin özellikleri; veri tabanı yönetim sistemlerine genel bakış ve bunların mekansal veriler için uygunluğu; işlem kavramı ve veri güvenilirliği yöntemleri; coğrafi uygulamalar için veri tabanı şemasının tasarımı.

Projections and Coordinate Systems: Ders, harita projeksiyonlarını ve koordinat sistemlerini ele almaktadır. ArcGIS ve GeoCart yazılım ortamlarında, yaygın olarak kullanılan çeşitli harita projeksiyon ailelerinin ilkelerini ve özelliklerini, küresel/coğrafi koordinat sistemlerini ve SPC ile UTM düzlemsel koordinat sistemlerini anlatılmaktadır.

Geographic Information, Techniques and Applications: Ders, mekansal problem çözme becerilerini geliştirmek için CBS veri toplama, düzenleme, analiz, çıktı ve sunumuna içermektedir. Öğrencilerin CBS bilimi ve teknolojisinde teorik ve uygulamalı becerilerinin temellerini sağlar. Öğrenciler coğrafi prensipleri anlamak ve mekansal problem çözme becerilerini geliştirmek için çeşitli görevler üzerinde çalışırlar.

Programming for GIS: Ders, CBS için gerekli programlama kavramlarına giriş: basit ifadeler yazma, kod düzenleme, kullanıcı etkileşimini yönetme ve karar alma mantığını koda dahil etme. Ders, nesne yönelimli programlama kavramlarına giriş: yöntemler, özellikler ve olay odaklı programlamayı kapsamaktadır.

Remote Sensing and Image Analysis: Ders uzaktan algılamanın temelleri, elektromanyetik radyasyon, sensör özellikleri, görüntü veri yapısı ve görüntü analizi konularını kapsamaktadır. Öğrenciler Python veya diğer dilleri kullanarak kendi bilgisayar programlarını yazar, veri değerlendirmesi, görüntü spektral ve geometrik dönüşümü ve görüntü işleme üzerine odaklanan bir dizi ödev üzerinde çalışırlar.

GIS for the Web: Ders, Web ve diğer ağlar için GIS uygulamaları oluşturmak için gereken becerileri kazandırır. Uygulamalı projeler aracılığıyla kendi Web GIS uygulamalarını oluşturur; ağ ve güvenlik endişelerinden odaklanmış ve etkili Web uygulamaları için tasarıma kadar Web GIS’i etkileyen sorunların derinlemesine hakim olurlar.