DERS ADI

: Uygulamalı Zaman Serisi Analizi

Ders Bilgileri

Ders Kodu Ders Adı Ders Türü D U L AKTS
DSM 5012 Uygulamalı Zaman Serisi Analizi SEÇMELİ 3 0 0 8

Dersi Veren Birim

Fen Bilimleri Enstitüsü

Dersin Düzeyi

Yüksek Lisans

Ders Koordinatörü

PROF. DR. BURCU HÜDAVERDİ AKTAŞ

Dersi Alan Birimler

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

Dersin Amacı

Ders, modern zaman serileri analizine temel bir giriş sağlayacaktır. Dersin temel amacı, zaman serisi verilerine konu olan temel alanlarda deneysel araştırma yapmak için gerekli becerileri geliştirmektir. Ders kapsamında zaman serisi çözümlemelerindeki son gelişmeler takip edilecek ve devam eden araştırma alanları sunulacaktır. Öğrenciler, bu derste öğrendikleri yaklaşımları tahmin ve uzun vadeli planlar için uygulayabileceklerdir. Ders süresince, zaman serileri verilerinin incelenmesi, model oluşturulması, görselleştirilmesi ve analizi için R-Project kullanılacaktır.

Dersin Öğrenme Kazanımları

1   Zaman serisi verilerinin karakteristiklerini öğrenmek
2   Durağan ve durağan olmayan zaman serisi modellerini öğrenmek
3   Otokorelasyon ve kısmi otokorelasyon fonksiyonunu kullanabilmek
4   Zaman serilerini modellemek (tanımlama, parametre tahmini ve model seçimi)
5   Mevsimsel zaman serilerini modellemek (tanımlama, parametre tahmini ve model seçimi)
6   Zaman serisi modelinin anlamlılığını ve yeterliliğini test etmek
7   Yeterli zaman serileri modelini kullanarak ileriye yönelik öngörülerde bulunmak

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta Konular Açıklama
1 Zaman Serileri Verilerinin Karakteristikleri,durağanlık
2 Zaman serisinin bileşenleri
3 Düzleştirme teknikleri: Üssel, Çift Üssel Yöntemler,Winter Yöntemi
4 Korelogram, Otokorelasyon Fonksiyonu, Kısmi Otokorelasyon Fonksiyonu
5 Mevsimsel olmayan Otoregresif-Hareketli Ortalama Modelini ARMA (p, q) /ARIMA(p,d,q) tanımlama
6 Tahmin, Model Teşhisi, Öngörü ARMA (p, q)/ ARIMA(p,d,q)Modelleri
7 Proje Sunumu 1
8 Mevsimsel Otoregresif Hareketli Ortalama Modeli tanımlama SARIMA(p,d,q)(P,D,Q)
9 Tahmin, Model teşhisi, Öngörü / Mevsimsel SARIMA(p,d,q)(P,D,Q)Modelleri
10 ARCH-GARCH Modeller ile oynaklığın modellenmesi
11 Yapay sinir ağları ve zaman serisi modellemesi
12 Yapay sinir ağlarında Uzun-Kısa Süreli Hafıza Modelleri (LSTM)
13 Destek Vektör Makinalarında Zaman serisi tahmini (SVM)
14 Proje Sunumu 2

Ders İçin Önerilen Kaynaklar

Paul S.P. Cowpertwait · Andrew V. Metcalfe (2009), Introductory Time Series with R, Springer
Jonathan D. Cryer  Kung-Sik Chan (2008), Time Series Analysis with Application in R (SEcond Edition), Springer
L. B. Bowerman, R.T. O'Connell (1993) Forecasting and Time Series, 3rd Edition, Duxbury
Ders Notları

Öğrenme ve Öğretme Yöntemleri

Ders anlatımı, ders kitabı ve R uygulamaları

Değerlendirme Yöntemleri

SIRA NO KISA KOD UZUN ADI FORMUL
1 ODV ÖDEV
2 ARS ARASINAV
3 PRJ PROJE
4 YSBN YIL SONU BAŞARI NOTU ODV * 0.30 + ARS * 0.40 + PRJ * 0.30


Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

Proje ve sınavların değerlendirilmesi

Dersin Öğretim Dili

Türkçe

Derse İlişkin Politika ve Kurallar

Derslerin en az % 70'ine katılım gereklidir ve öğrencinin sorumluluğundadır. Derse katılım ve ödev teslimi zamanında yapılmalıdır. Sunumlarda veya sınavlarda gerçekleşen etik olmayan davranışlar, okul politikasında belirtildiği gibi ele alınacaktır.

Dersin Öğretim Üyesi İletişim Bilgileri

Prof. Dr. Burcu Hüdaverdi
e-mail: burcu.hudaverdi@deu.edu.tr
tel: +90-232-3018603

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 13 2 26
Uygulama 13 1 13
Haftalık Ders öncesi/sonrası hazırlıklar 13 3 39
Final Sınavına Hazırlık 1 30 30
Sunum Hazırlama 2 40 80
Final Sınavı 1 2 2
TOPLAM İŞ YÜKÜ (saat) 190

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖKPK.1PK.2PK.3PK.4PK.5PK.6PK.7
ÖK.155
ÖK.2555
ÖK.3555
ÖK.4544
ÖK.55445
ÖK.655
ÖK.755