GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| İST-551 | R İLE İSTATİSTİKSEL HESAPLAMA | Seçmeli Ders Grubu | 1 | 2 | 6,00 |
Dersin Seviyesi
Yüksek Lisans
Dersin Sunulduğu Dil
Türkçe
Dersin Amacı
R ile İstatistiksel Hesaplama dersinin amacı, öğrencilere R programlama dilini kullanarak istatistiksel yöntemler ve veri analizi teknikleri hakkında kapsamlı bir anlayış sağlamaktır. Ders, öğrencileri güçlü bir açık kaynak istatistik yazılımı olan R kullanarak verileri etkin bir şekilde analiz etmek, yorumlamak ve görselleştirmek için gerekli becerilerle donatmayı amaçlamaktadır..
Dersi Veren Öğretim GörevlisiGörevlileri
Dr.Öğr.Üyesi Murat GÜL
Öğrenme Çıktıları
| 1 | R programında içe ve dışa veri aktarımı yapar. |
| 2 | R’da verileri temizler ve ön işlemeye tabi tutar. |
| 3 | R da regresyon modellerini oluşturup model seçimini yapar |
| 4 | R da parametrik olmayan regresyon modellerini uygular |
| 5 | R da zaman serisi analizi ile modelleme ve tahmin yapar. |
Öğrenim Türü
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Yok
Ders İçin Önerilen Diğer Hususlar
Yok
Dersin İçeriği
R base ve R studio ortamlarına giriş, veri içe ve dışa aktarma, veri temizleme ve önişleme, temel veri görselleştirme grafikleri, eksik ve aykırı değerleri işleme, Çoklu ve parametrik olmayan regresyon, Zaman serileri ile modelleme ve tahmin
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Teorik | Uygulama | Laboratuvar |
|---|---|---|---|
| 1 | R ve R studio ortamına giriş | Yok | yok |
| 2 | R'da temel veri türleri ve veri yapıları | Yok | Yok |
| 3 | Verileri içe ve dışa aktarma | Yok | Yok |
| 4 | R'da veri temizleme ve ön işleme teknikleri | Yok | Yok |
| 5 | R kullanarak verileri özetleme ve görselleştirme | Yok | Yok |
| 6 | R'da tanımlayıcı istatistikler ve grafik teknikler | Yok | Yok |
| 7 | Eksik verileri ve aykırı değerleri işleme | Yok | Yok |
| 8 | R'da olasılık dağılımları ve hipotez testi | Yok | Yok |
| 9 | R’da Doğrusal regresyon modellerine giriş | Yok | Yok |
| 10 | R kullanarak model uydurma, tanılama ve yorumlama | Yok | Yok |
| 11 | R'da çoklu regresyon ve model seçim teknikleri | Yok | Yok |
| 12 | R'da zaman serisi ayrıştırma ve tahmin | Yok | Yok |
| 13 | R'da ARIMA ve mevsimsel modeller | Yok | Yok |
| 14 | R'da parametrik olmayan regresyon | Yok | Yok |
Ders Kitabı Malzemesi Önerilen Kaynaklar
[1] Matloff, N. S. (2011). Art of R programming , No Starch Press , San Francisco, Calif. [2] Chang, Winston. R. (2018). Graphics Cookbook : Practical Recipes for Visualizing Data, Second edition. Sebastopol, CA: O’Reilly. [3] Kuhn, M., Johnson, K. (2013). Applied Predictive Modeling. Almanya: Springer [4] Sheather, S.(2009). A Modern Approach to Regression with R, Springer New York [5] Wickham, H., Grolemund, G. (2016). R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. Amerika Birleşik Devletleri: O'Reilly Media.
Planlanan Öğrenme Aktiviteleri ve Metodları
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 40 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 60 | |
Staj Durumu
Yok
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 2 | 2 |
| Final Sınavı | 1 | 2 | 2 |
| Derse Katılım | 14 | 3 | 42 |
| Bireysel Çalışma | 14 | 8 | 112 |
| Ara Sınav İçin Bireysel Çalışma | 1 | 20 | 20 |
| Final Sınavı içiin Bireysel Çalışma | 1 | 2 | 2 |
| Toplam İş Yükü (saat) | 180 | ||
Program ve Öğrenme Çıktıları İlişkisi
| ÖÇ 1 |
| ÖÇ 2 |
| ÖÇ 3 |
| ÖÇ 4 |
| ÖÇ 5 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek