Dokuz Eylül Üniversitesi Ders Katoloğu / Bilgi Paketi

Ders Bilgileri

Ders Kodu	Ders Adı	Ders Türü	D	U	L	AKTS
DSM 5007	Denetimli İstatistiksel Öğrenme	SEÇMELİ	3	0	0	8

Dersi Veren Birim

Fen Bilimleri Enstitüsü

Dersin Düzeyi

Yüksek Lisans

Ders Koordinatörü

DOÇ.DR. NESLİHAN DEMİREL

Dersi Alan Birimler

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

Dersin Amacı

Gözetimli istatistiksel öğrenme (Supervised statsitical leraning -SSL) bir çıktı değişkeninin, bir veya birden çok girdi ile kestirimi veya tahminlenmesi için istatistiksel model kurulmasını içerir. SSL araçları regresyon ve sınıflama olarak kategorize edilebilir. Bu ders doğrusal regresyon modeli, lojistik regresyon modeli, doğrusal ve ikinci dereceden ayırma analizi, splinelar, genelleştirilmiş toplanabilir modeller, regresyon ve sınıflamam ağaçları ve rassal orman gibi bir çok popüler regresyon ve sınıflama metotlarını kapsayacaktır. Öğrenciler bu yöntemlerin performanslarını nasıl değerlendireceklerini öğreneceklerdir. Yöntemleri uygulamak için R yazılımı kullanacaklardır.

Dersin Öğrenme Kazanımları

1	Yanıt değişkeninin iki düzeyli ve sürekli olduğu durumlar için regresyon modeli kurmak ve kestirimler yapmak.
2	Uzaklık tabanlı yöntemler kullanarak veriyi sınıflandırmak.
3	Parçalı modeller kurmak.
4	Girdi değişkenlerinin doğrusal olmayan fonksiyonları için model kurmak.
5	Ağaç tabanlı yöntemler kullanarak veriyi analiz etmek.
6	Model için tanı koymak
7	Modelin performansını değerlendirmek.
8	R yazılımı kullanarak, modeli kurmak, görselleştirmek ve performansını test etmek.

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta	Konular	Açıklama
1	Giriş, Basit Doğrusal Regresyon
2	Çoklu Doğrusal Regresyon
3	Model seçimi
4	Tanı Koyma (Uçdeğerler, Etkin Gözlemler, Çoklu Doğrusal Bağlantı, Farklı varyanslılık, Normallik)
5	Lojistik Regresyon, Tahminleme, Tanı koyma
6	Lojistik Regresyon, Model Seçimi, Kestirim (ROC eğrisi)
7	Ödev sunumları
8	Ara sınav
9	Doğrusal Ayırma Analizi
10	İkinci dereceden Ayırma Analizi
11	Regresyon Ağaçları
12	Sınıflandırma Ağaçları
13	Rassal Ormanlar
14	Ödev sunumları

Ders İçin Önerilen Kaynaklar

Ana kaynak:
Balaban, M.E., Kartal, E. (2015). Veri Madenciliği ve Makine Öğrenmesi. Çağlayan Kitabevi.
James, G., Witten, D., Hastie, T., Tibshirani, R. (2013). An Introduction to Statistical Learning with Applications in R. Springer, New York.

Yardımcı Kitaplar:
Albalate, A. & Minker, W. (2011). Semi-Supervised and Unsupervised Machine Learning. John Wiley & Sons, Inc., London.
Alpar R. (2017). Uygulamalı Çok değişkenli İstatistiksel Yöntemler. Detay Yayıncılık.
Apaydın, E. (2011). Yapay Öğrenme. Boğaziçi Üniversitesi Yayınevi.
Friedman J., Hastie, T., Tibshirani, R. (2013). The Elements of Statistical Learning Data Mining, Inference and Prediction Preface to the Second Edition.

Öğrenme ve Öğretme Yöntemleri

Ders, sınıf içi tartışma, ödevler

Değerlendirme Yöntemleri

SIRA NO	KISA KOD	UZUN ADI	FORMUL
1	ODV	ÖDEV
2	ARS	ARASINAV
3	YSS	YIL SONU SINAVI
4	YSBN	YIL SONU BAŞARI NOTU	ODV * 0.30 + ARS * 0.30 + YSS * 0.40
5	BUT	BÜTÜNLEME
6	BUTBN	BÜTÜNLEME SONU BAŞARI NOTU	ODV * 0.30 + ARS * 0.30 + BUT * 0.40

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

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

İlan Edilecektir.

Dersin Öğretim Dili

Türkçe

Derse İlişkin Politika ve Kurallar