• ANASAYFA
• ÜNİVERSİTE HAKKINDA
  • İsim - Adres
  • Genel Bilgi
  • Üniversite Yönetimi
  • Akademik Takvim
  • Derece Programları
  • Yabancı Dilde Eğitim Veren Birimler
  • Genel Kabul ve Kayıt Koşulları
  • Kredi Hareketliliği ve Önceki Öğrenmenin Tanınması
  • AKTS Kredilerinin Belirlenmesi
  • Akademik Danışmanlık
  • İletişim
• DERECE PROGRAMLARI
  • Doktora Programları
  • Yüksek Lisans Programları
  • Lisans Programları
  • Önlisans Programları
• ÖĞRENCİ İÇİN GENEL BİLGİLER
  • Yaşam Standardı
  • Barınma
  • Beslenme
  • Sağlık
  • Engelli İçin Olanaklar
  • Sigorta
  • Finansal Destekler
  • Öğrenci İşleri Daire Başkanlığı
  • Uluslararası Öğrenciler için Pratik Bilgiler
  • Dil Kursları
  • Staj Olanakları
  • Sportif, Sosyal ve Kültürel Faaliyetler
  • Öğrenci Toplulukları ve Kulüpler
  • İzmir-Türkiye Hakkında
• ULUSLARARASI İLİŞKİLER
  • Dış İlişkiler Koordinatörlüğü
  • Kayıt İşlemleri
  • Anlaşmalar
  • Koordinatörler
  • Belgeler
  • Yabancı Dilde Eğitim Veren Birimler
  • AKTS/DE Etiketi

Ders Bilgileri

Ders Kodu Ders Adı Ders Türü D U L AKTS VYA 5026 İstatistiksel Öğrenme ZORUNLU 3 0 0 6

Dersi Veren Birim

Veri Yönetimi ve Analizi Yüksek Lisans

Dersin Düzeyi

Yüksek Lisans

Ders Koordinatörü

DOÇ.DR. MURAT TANIK

Dersi Alan Birimler

Veri Yönetimi ve Analizi Yüksek Lisans

Dersin Amacı

Dersin amacı, öğrencilere İstatistiksel Öğrenme teknikleri içerisinde en yaygın olanlarının uygulama tabanlı olarak verilmesidir.

Dersin Öğrenme Kazanımları

1   R programlarında istatistiksel öğrenme tekniklerini uygulayabilme. 2   Büyük boyutlu problemlerde istatistiksel tahminleri yapabilme. 3   Değişkenler arasındaki ilişkilerin yapısına bağlı olarak uygun tahmin yöntemlerini seçebilme. 4   Doğrusal ve doğrusal olmayan (parametrik olmayan) modelleri kurabilme ve gerekli analizleri yapabilme. 5   Analiz için güncel bilişim olanaklarını 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 Model Doğruluğunun Değerlendirilmesi 3 Doğrusal Regresyon 4 Çoklu Doğrusal Regresyon 5 Sınıflandırma: Lojistik Regresyon ve Diskriminant Analizi 6 Regresyon ve Sınıflandırma Problemleri için R Uygulamaları 7 Yeniden Örnekleme Yöntemleri: Çapraz-Doğrulama ve Bootstrap 8 Doğrusal Model Seçimi 9 Sırt Regresyonu ve Lasso 10 Boyut Azaltma Yöntemleri 11 Parametrik Olmayan Regresyon 12 Genelleştirilmiş Eklenebilir Modeller 13 Uygulamalar 14 Uygulamalar

Ders İçin Önerilen Kaynaklar

James, G., Witten, D., Hastie, T. ve Tibshirani R. (2013), An Introduction to Statistical Learning, Springer, London. Hastie, T., Tibshirani, R. ve Friedman, J. (2009) The Elements of Statistical Learning, Second Edition, Springer, London.

Öğrenme ve Öğretme Yöntemleri

Değerlendirme Yöntemleri

SIRA NO KISA KOD UZUN ADI FORMUL 1 ARS ARASINAV 2 YYC YARIYIL İÇİ ÇALIŞMA 3 YYS YARIYIL SONU SINAVI 4 YYBN YARIYIL SONU BAŞARI NOTU ARS * 0.30 + YYC * 0.30 + YYS* 0.40 5 BUT BÜTÜNLEME 6 BUTBN BÜTÜNLEME SONU BAŞARI NOTU ARS * 0.30 + YYC * 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

İlan Edilecektir.

Dersin Öğretim Üyesi İletişim Bilgileri

İlan Edilecektir.

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 10 3 30 Vize Sınavına Hazırlık 1 20 20 Final Sınavına Hazırlık 1 20 20 Ödev Hazırlama 5 5 25 Vize Sınavı 1 3 3 Final Sınavı 1 3 3 TOPLAM İŞ YÜKÜ (saat) 143

Program ve Öğrenme Kazanımları İlişkisi

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