Dokuz Eylül Üniversitesi Ders Katoloğu / Bilgi Paketi

Ders Bilgileri

Ders Kodu	Ders Adı	Ders Türü	D	U	L	AKTS
DSM 5003	İstatistiksel Hesaplama ve Programlama için R	SEÇMELİ	3	0	0	8

Dersi Veren Birim

Fen Bilimleri Enstitüsü

Dersin Düzeyi

Yüksek Lisans

Ders Koordinatörü

DR.ÖĞR.ÜYESİ ENGİN YILDIZTEPE

Dersi Alan Birimler

Veri Bilimi Yüksek Lisans
Veri Bilimi Tezsiz Yüksek Lisans (İ.Ö)

Dersin Amacı

Bu dersin amacı, R istatistiksel programlama dilinin temel ve ileri düzey konularını, veri bilimi için gerekli R paketlerini ve fonksiyonlarını öğretmektir.

Dersin Öğrenme Kazanımları

1	İstatiksel yöntemler için R fonksiyonu yazabilme
2	R fonksiyonlarını kullanarak istatistiksel analizleri yapabilme
3	Veri bilimi uygulamaları için R paketlerini kullanabilme
4	Veri görselleştirme ve grafikler için R fonksiyonlarını kullanabilme
5	rmarkdown ile yeniden üretilebilen raporlar oluşurabilme

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta	Konular	Açıklama
1	R kurulumu, R ortamı, Editörler, R-project, CRAN
2	R sözdizimi: değişkenler, operatörler, ifadeler, atama. Veri tipleri, vektör. Koşullu ifadeler
3	Veri tipleri, matris, veri çerçevesi , liste.
4	Veri tipleri, matris, veri çerçevesi , liste. Veri alış/verişi
5	Matematik ve istatistik fonksiyonları, Metin manipülasyon fonksiyonları
6	Kontrol yapıları, koşullu ifadeler, döngüler, apply ailesi
7	Temel grafik fonksiyonları, low level fonksiyonlar
8	Temel grafik fonksiyonları, high level fonksiyonlar
9	İleri grafikler; ggplot2 paketi
10	Fonksiyonlar, yerel değişkenler, değişkenlerin kapsamı
11	Fonksiyonlar, yerel değişkenler, değişkenlerin kapsamı
12	Veri bilimi uygulamaları için R paketleri
13	Yeniden üretilebilen raporlar, rmarkdown paketi
14	Öğrenci sunumları.

Ders İçin Önerilen Kaynaklar

Ana kaynak:
1. Braun, W. J., & Murdoch, D. J. (2016). A first course in statistical programming with R. Cambridge University Press.
2. Matloff, N. (2011). The art of R programming: A tour of statistical software design. No Starch Press.
Yardımcı kaynaklar:
1. Rizzo, M. L. (2007). Statistical computing with R. Chapman and Hall/CRC.
2. Wickham, H., & Grolemund, G. (2016). R for data science: import, tidy, transform, visualize, and model data. O'Reilly.
Diğer ders materyalleri: Ders sunumları, R kılavuzları

Öğrenme ve Öğretme Yöntemleri

Ders anlatımı, uygulamalar

Değerlendirme Yöntemleri

SIRA NO	KISA KOD	UZUN ADI	FORMUL
1	HW	Hmwrk/rsch.
2	FN	Final
3	BNS	BNS	HW * 0.50 + FN * 0.50
4	BUT	Bütünleme Notu
5	BBN	Bütünleme Sonu Başarı Notu	HW * 0.50 + BUT * 0.50

*** Bütünleme Sınavı Yapılmayan Birimlerde Bütünleme Kriteri Dikkate Alınmaz.

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

Ödevler, sunumlar ve rapor, sınav

Dersin Öğretim Dili

Türkçe

Derse İlişkin Politika ve Kurallar

Dönem boyunca derslerin %70'ine devam etme sorumluluğu öğrenciye aittir. Ders saatine ve ödev teslimi ile ilgili belirtilen zamana uyulmalıdır. Derslerde ve sınavlarda meydana gelebilecek etik-dışı davranışlar konusunda ilgili yönetmelik çerçevesinde hareket edilecektir. D.E.Ü. Fen Bilimleri Enstitüsü öğretim ve sınav uygulama esasları yönetmeliğini http://www.fbe.deu.edu.tr adresinden temin edebilirsiniz.

Dersin Öğretim Üyesi İletişim Bilgileri

DEU Fen Fakültesi İstatistik Bölümü
e-posta: engin.yildiztepe@deu.edu.tr
Tel: 0232 301 86 04

Ders Öğretim Üyesi Görüşme Gün ve Saatleri

İlan Edilecektir.

Staj Durumu

YOK

İş Yükü Hesaplaması

Etkinlikler	Sayısı	Süresi (saat)	Toplam İş Yükü (saat)
Ders Anlatımı	14	3	42
Haftalık Ders öncesi/sonrası hazırlıklar	14	1	14
Vize Sınavına Hazırlık	1	40	40
Final Sınavına Hazırlık	1	45	45
Ödev Hazırlama	1	25	25
Sunum Hazırlama	1	25	25
Final Sınavı	1	2	2
Vize Sınavı	1	2	2
TOPLAM İŞ YÜKÜ (saat)			195

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖK	PK.1	PK.3	PK.4	PK.5	PK.6	PK.7
ÖK.1	5			5		5
ÖK.2	5	5	5	5	4	5
ÖK.3	5	5	5	5	4	5
ÖK.4	5			5	4	5
ÖK.5	5	5	5	5		5

DERS ADI

DERECE PROGRAMLARI