DERS ADI

: Denetimsiz İstatistiksel Öğrenme

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

PROF. 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 Hiyerarşik kümeleme
10 Hiyerarşik kümeleme-Görselleştirme
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


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/ÖKPK.1PK.2PK.3PK.4PK.5PK.6PK.7
ÖK.15355545
ÖK.23555
ÖK.3555555
ÖK.435555
ÖK.53555
ÖK.635555