Dokuz Eylül Üniversitesi Ders Katoloğu / Bilgi Paketi

Ders Bilgileri

Ders Kodu	Ders Adı	Ders Türü	D	U	L	AKTS
DSM 5008	Denetimsiz 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

Dersin Amacı:
Öğrencilere denetimsiz öğrenme yöntemlerini derinlemesine tanıtmaktır. Kümeleme için bazı temel model ve algoritmalar ele alınacaktır. Konular Temel Bileşenler Analizi, k-ortalama ve k-medoid kümeleme, hiyerarşik kümeleme, modele dayalı ve dağılıma dayalı kümeleme yöntemlerini içerecektir. R programlama dili kullanılacaktır ve doğrusal cebir ile olasılık konularında bilgi sahibi olunması gerekmektedir.

Dersin Öğrenme Kazanımları

1	1. Veriden öğrenmeye dair bir anlayış geliştirebilme
2	2. Veri boyutunu indirgeyebilme
3	3. Veriye çeşitli kümeleme yöntemlerini uygulama
4	4. Kümeleme algoritmalarının değerlendirilmesinin ve model seçiminin nasıl yapılacağını anlama
5	5. Kümelenmiş veriyi görselleştirebilme
6	6. Kümeleme yöntemlerini uygulamak için R programlamayı kullanabilme

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta	Konular	Açıklama
1	İstatistiksel Öğrenmeye Giriş
2	Temel Bileşenler Analizi TBA
3	Temel Bileşenler Analizi TBA
4	Kümelemede Uzaklık Ölçütleri- uzaklık ölçme yöntemleri, Ne tür bir uzaklık ölçütü seçmeliyiz
5	Kümelemede Uzaklık Ölçütleri- Veri standartlaştırma, uzaklık matrisi oluşturma, uzaklık matrislerini görselleştirme
6	Bölümlemeye dayalı kümeleme : K-ortalama
7	Bölümlemeye dayalı kümeleme : K-medoid
8	Ödev Sunumları
9	Arasınav
10	Hiyerarşik kümeleme
11	Modele dayalı kümeleme
12	Dağılıma dayalı kümeleme (DBSCAN)
13	Küme Geçerliliği
14	Ödev Sunumları

Ders İçin Önerilen Kaynaklar

James G., Witten D., T. Hastie, R. Tibshirani,. An Introduction to Statistical Learning with Applications in R, 2017.
Kassambara A. Practical Guide To Cluster Analysis in R: Unsupervised Machine Learning, 2017.
Alpar R. Uygulamalı Çok değişkenli İstatistiksel Yöntemler, 2017.

Yardımcı kaynak:
T. Hastie, R. Tibshirani, and J. Friedman. The Elements of Statistical Learning. New York: Springer, 2009.

Öğrenme ve Öğretme Yöntemleri

Dersler, sınıf içi tartışmalar, 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

Ödevlerin, sunumların ve sınavların değerlendirilmesi.

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.

Dersin Öğretim Üyesi İletişim Bilgileri

Doç. Dr. Neslihan DEMİREL
Dokuz Eylül Üniveristesi, Fen Fakültesi, İstatistik Bölümü,
Tınaztepe Kampüsü, 35390, Buca-İzmir
Oda numarası: B-231
e-posta: neslihan.ortabas@deu.edu.tr
Tel: 0.232.3018600

Ders Öğretim Üyesi Görüşme Gün ve Saatleri

Görüşme talebiniz için neslihan.ortabas@deu.edu.tr adresine e-posta gönderiniz.

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	3	42
Vize Sınavına Hazırlık	1	30	30
Final Sınavına Hazırlık	1	30	30
Ödev Hazırlama	2	20	40
Vize Sınavı	1	3	3
Final Sınavı	1	3	3
TOPLAM İŞ YÜKÜ (saat)			190

Program ve Öğrenme Kazanımları İlişkisi

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

DERS ADI

DERECE PROGRAMLARI