DERS ADI

: Denetimli İstatistiksel Öğrenme

Ders Bilgileri

Ders Kodu Ders Adı Ders Türü D U L AKTS
DSM 5007 Denetimli 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

Denetimli istatistiksel öğrenme (Supervised statsitical learning -SSL) bir çıktı değişkeninin, bir veya birden çok girdi ile kestirimi veya tahminlenmesi için istatistiksel model kurulmasını içerir. SSL, regresyon ve sınıflama olarak kategorize edilebilir. Bu ders çoklu doğrusal regresyon modeli, lojistik regresyon modeli, doğrusal ve ikinci dereceden ayırma analizi, regresyon ve sınıflandırma ağaçları ve rassal orman gibi bir çok popüler regresyon ve sınıflandırma yöntemlerini kapsayacaktır. Öğrenciler bu yöntemlerin performanslarını nasıl değerlendireceklerini öğreneceklerdir. Yöntemleri uygulamak için R yazılımı kullanacaklardır.

Dersin Öğrenme Kazanımları

1   Yanıt değişkeninin iki düzeyli ve sürekli olduğu durumlar için regresyon modeli kurmak ve kestirimler yapmak.
2   Ağaç tabanlı yöntemler kullanarak veriyi analiz etmek.
3   Model için tanı koymak
4   Modelin performansını değerlendirmek.
5   R yazılımı kullanarak, modeli kurmak ve görselleştirmek

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

Yok

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta Konular Açıklama
1 Giriş, Basit Doğrusal Regresyon
2 Çoklu Doğrusal Regresyon
3 Model seçimi
4 Tanı Koyma (Uçdeğerler, Etkin Gözlemler, Çoklu Doğrusal Bağlantı, Farklı varyanslılık, Normallik)
5 Lojistik Regresyon, Tahminleme, Tanı koyma
6 Lojistik Regresyon, Model Seçimi, Kestirim (ROC eğrisi)
7 Ödev sunumları
8 Doğrusal Ayırma Analizi
9 İkinci dereceden Ayırma Analizi
10 Regresyon Ağaçları
11 Sınıflandırma Ağaçları
12 Rassal Ormanlar
13 Model Değerlendirme
14 Ödev sunumları

Ders İçin Önerilen Kaynaklar

Ana kaynak:
James, G., Witten, D., Hastie, T., Tibshirani, R. (2021). An Introduction to Statistical Learning with Applications in R. Second Ed., Springer, New York.
Balaban, M.E., Kartal, E. (2015). Veri Madenciliği ve Makine Öğrenmesi. Çağlayan Kitabevi.


Yardımcı Kitaplar:
Albalate, A. & Minker, W. (2011). Semi-Supervised and Unsupervised Machine Learning. John Wiley & Sons, Inc., London.
Alpar R. (2017). Uygulamalı Çok değişkenli İstatistiksel Yöntemler. Detay Yayıncılık.
Apaydın, E. (2011). Yapay Öğrenme. Boğaziçi Üniversitesi Yayınevi.
Friedman J., Hastie, T., Tibshirani, R. (2013). The Elements of Statistical Learning Data Mining, Inference and Prediction Preface to the Second Edition.

Öğrenme ve Öğretme Yöntemleri

Ders, sınıf içi tartışma, ödevler

Değerlendirme Yöntemleri

SIRA NO KISA KOD UZUN ADI FORMUL
1 ASG ASSIGNMENT
2 MTE MIDTERM EXAM
3 FIN FINAL EXAM
4 FCG FINAL COURSE GRADE MARKASG * 0.30 + MARKMTE * 0.30 + MARKFIN * 0.40
5 RST RESIT
6 FCGR FINAL COURSE GRADE (RESIT) MARKASG * 0.30 + MARKMTE * 0.30 + MARKRST * 0.40


Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

Ödevler, sunum, rapor, sınav

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. D.E.Ü. Fen Bilimleri Enstitüsü öğretim ve sınav uygulama esasları yönetmeliğini http://www.fbe.deu.edu.tr adresinden temin edebilirsiniz.

Dersin Öğretim Üyesi İletişim Bilgileri

Prof. 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: 0.232.3018560

Ders Öğretim Üyesi Görüşme Gün ve Saatleri

Görüşme talebiniz için 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 20 20
Final Sınavına Hazırlık 1 40 40
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.1545555
ÖK.2545555
ÖK.3545555
ÖK.4545555
ÖK.5545555