DERS ADI

: DENETİMLİ İSTATİSTİKSEL ÖĞRENME

Ders Bilgileri

Ders Kodu Ders Adı Ders Türü D U L AKTS
DSM 5007 DENETİMLİ İSTATİSTİKSEL ÖĞRENME SEÇMELİ 3 0 0 8

Dersi Veren Birim

Fen Bilimleri Enstitüsü

Dersin Düzeyi

Yüksek Lisans

Ders Koordinatörü

DOÇ.DR. NESLİHAN DEMİREL

Dersi Alan Birimler

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

Dersin Amacı

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

Dersin Öğrenme Kazanımları

1   Yanıt değişkeninin iki düzeyli, çoklu düzeyli ve sürekli olduğu durumlar için regresyon modeli kurmak ve kestirimler yapmak.
2   Uzaklık tabanlı yöntemler kullanarak veriyi sınıflandırmak.
3   Parçalı modeller kurmak.
4   Girdi değişkenlerinin doğrusal olmayan fonksiyonları için model kurmak.
5   Ağaç tabanlı yöntemler kullanarak veriyi analiz etmek.
6   Model için tanı koymak
7   Modelin performansını değerlendirmek.
8   R yazılımı kullanarak, modeli kurmak, görselleştirmek ve performansını test etmek.

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, model seçimi
3 Tanı Koyma (Uçdeğerler, Etkin Gözlemler, Çoklu Doğrusal Bağlantı, Farklı varyanslılık, Normallik)
4 Lojistik Regresyon, Tahminleme, Tanı koyma
5 Lojistik Regresyon, Model Seçimi, Kestirim (ROC eğrisi)
6 Çoklu düzeyli Lojistik Regresyon
7 Doğrusal Ayırma Analizi
8 İkinci dereceden Ayırma Analizi
9 Ara sınav
10 Splinelar
11 Genelleştirimiş Toplamsal Modeller
12 Regresyon Ağaçları
13 Sınıflandırma Ağaçları
14 Rassal Ormanlar

Ders İçin Önerilen Kaynaklar

Ana kaynak:
Balaban, M.E., Kartal, E. (2015). Veri Madenciliği ve Makine Öğrenmesi. Çağlayan Kitabevi.
James, G., Witten, D., Hastie, T., Tibshirani, R. (2013). An Introduction to Statistical Learning with Applications in R. Springer, New York.

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 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


*** 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

Doç. Dr. Neslihan DEMİREL
Dokuz Eylül Üniveristesi, Fen Fakültesi, İstatistik Bölümü,
Tınaztepe Kampüsü, 35390, Buca-İzmir
Oda numarası: B-005
e-posta: neslihan.ortabas@deu.edu.tr
Tel: 0.232.3018573

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 20 20
Final Sınavına Hazırlık 1 40 40
Ödev Hazırlama 4 10 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
ÖK.6545555
ÖK.7545555
ÖK.85555555