• 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 STA 5112 Makine Öğrenmesinde İstatistiksel Yöntemler SEÇMELİ 3 0 0 8

Dersi Veren Birim

Fen Bilimleri Enstitüsü

Dersin Düzeyi

Yüksek Lisans

Ders Koordinatörü

DOÇ. DR. İDİL YAVUZ

Dersi Alan Birimler

İstatistik Yüksek Lisans (İngilizce) İstatistik Doktora (İngilizce) İstatistik Bütünleşik Doktora (İngilizce)

Dersin Amacı

Dersin Öğrenme Kazanımları

1   Çapraz doğrulama ve bootstrap yardımı ile model tanılama 2   Eldeki yanıt değişkeni için uygun modelleri ve değişkenleri seçme ve istatistiksel yöntemleri kullanarak gerekli parametreleri tahmin edip ve çıkarsama yapma 3   Tahminleme için spline, toplamsal modeller ve GAM, regresyon ağaçları, NN ve KNN uygulama 4   Sınıflandırma için destek vektör makineleri ve rassal ormanlar uygulama 5   Kümeleme gerçekleştirme 6   Derste kapsanan yöntemleri uygulamak için R kullanma

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta Konular Açıklama 1 Makine öğrenmesine karşı istatistik: Büyük örneklem genişliği, yüksek boyut, çok değişkenli yanıtlar 2 Veri bölme, çapraz doğrulama ve bootstrap 3 Model ve değişken seçimi, yanlılık-varyans dengesi 4 Büzülme yöntemleri 5 Tahminleme: K-En Yakın Komşu 6 Tahminleme: Spline'lar 7 Tahminleme: Toplamsal Modeller ve GAM 8 Tahminleme: Regresyon Ağaçları 9 Tahminleme: Yapay Sinir Ağları 10 Sınıflandırma: Destek Vektör Makineleri 11 Sınıflandırma: Rassal Ormanlar 12 Kümeleme: Uzaklık ve benzerlik 13 Kümeleme: K-ortalamalar 14 Kümeleme: Hiyerarşik yöntemler

Ders İçin Önerilen Kaynaklar

İlan Edilecektir.

Öğrenme ve Öğretme Yöntemleri

Ders anlatımı, ödev ve sunumlar.

Değerlendirme Yöntemleri

SIRA NO KISA KOD UZUN ADI FORMUL 1 ARS ARASINAV 2 ODV ÖDEV 3 YSS YIL SONU SINAVI 4 YSBN YIL SONU BAŞARI NOTU ARS *0.35 + ODV *0.25 +YSS *0.4 5 BUT BÜTÜNLEME 6 BUTBN BÜTÜNLEME SONU BAŞARI NOTU ARS *0.35 + ODV *0.25 +BUT *0.40

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

İlan Edilecektir.

Dersin Öğretim Dili

İngilizce

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 14 3 42 Vize Sınavına Hazırlık 1 25 25 Final Sınavına Hazırlık 1 30 30 Ödev Hazırlama 2 25 50 Sunum Hazırlama 1 15 15 Final Sınavı 1 2 2 Vize Sınavı 1 2 2 TOPLAM İŞ YÜKÜ (saat) 208

Program ve Öğrenme Kazanımları İlişkisi

PK/ÖK PK.1 PK.2 PK.3 PK.4 PK.5 PK.6 PK.7 PK.8 PK.9 PK.10 ÖK.1 4 5 ÖK.2 4 5 5 3 5 3 3 ÖK.3 5 5 5 5 3 3 ÖK.4 5 5 5 5 3 3 ÖK.5 5 5 4 3 ÖK.6 5 3 3