GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| MAT-592 | R İLE VERİ ANALİZİ | Seçmeli Ders Grubu | 1 | 2 | 6,00 |
Dersin Seviyesi
Yüksek Lisans
Dersin Sunulduğu Dil
Türkçe
Dersin Amacı
Big Data ile çalışmak, belirli veri analizi araçları, paketleri ve makine öğrenimi gibi gelişmiş teknikler gerektirir. Bu çalışma, büyük verileri keşfetmek, görselleştirmek, ve modellemek için R içerisinde bulunan araçların ve makine öğrenimi yöntemlerinin kullanımına ilişkin uygulamalı bir ders olacaktır.
Dersi Veren Öğretim GörevlisiGörevlileri
Dr. Öğr. Üyesi Mahir DEMİR
Öğrenme Çıktıları
| 1 | R ile temel işlemleri (vektörler, matrisler, listeler, fonksiyonlar, döngüler) gerçekleştirir |
| 2 | R programlama dilini temel düzeyde kullanır |
| 3 | R ile veri setleri üzerinde düzenleme/temizleme işlemlerini yapar |
| 4 | R ile veri görselleştirme/grafik oluşturma işlemlerini yapar |
| 5 | R ile çok değişkenli istatistik uygulamalarını gerçekleştirir |
| 6 | Verilerin Sınıflandırması ve Regresyon Analizi yapabilir |
Öğrenim Türü
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
YOK
Ders İçin Önerilen Diğer Hususlar
Yok
Dersin İçeriği
Veri Analizi, Verilerin Görselleştirilmesi, İstatistik modellerin veriler ile uygulamaları. Verilerin sınıflandırılması, Regresyon Modelleri. Makine öğrenimi
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Teorik | Uygulama | Laboratuvar |
|---|---|---|---|
| 1 | R'a Giriş : R ve RStudio Kurulumu, Temel Paketlerin Yüklenmesi, Temel İşlemler | ||
| 2 | R'a Giriş: Temel Matematiksel İşlemler | ||
| 3 | R'a Giriş: Vektörler, matrisler, listeler, fonksiyonlar, döngüler | ||
| 4 | R ile veri setleri ve veri setleri üzerinde düzenleme/temizleme işlemleri | ||
| 5 | R ile veri görselleştirme/grafik oluşturma işlemleri | ||
| 6 | Dağılımlar | ||
| 7 | Normal Dağılım ve Veri Setlerinide ki Değişkenlerin Normalliklerinin İncelenmesi | ||
| 8 | Ara Sınav | ||
| 9 | Histogram, Box Plots, Korelasyon Grafiği | ||
| 10 | Pasta Grafiği, Bubble Charts, 3D Plot, World Map | ||
| 11 | Regresyon Modelleri: Doğrusal/Linear Regresyon | ||
| 12 | Linear olmayan (Polinomsal) Regresyonlar | ||
| 13 | Sınıflandırma Modelleri: Lojistik Regresyon | ||
| 14 | Sınıflandırma Modelleri: SVM (Destek Vektör Makineleri ) | ||
| 15 | Sınıflandırma Modelleri: Temel Bileşen Analizi (PCA) | ||
| 16 | Final Sınavı |
Ders Kitabı Malzemesi Önerilen Kaynaklar
-https://www.veribilimiokulu.com/r-ile-basit-dogrusal-regresyonbaglanim/ -https://www.datasciencearth.com/r-uygulamalari-bolum-2-coklu-dogrusal-regresyon-analizi/ -https://www.datasciencearth.com/r-uygulamalari-bolum-1-basit-dogrusal-regresyon-analizi/ -https://tevfikbulut.com/2020/07/15/rda-coklu-dogrusal-regresyon-uzerine-bir-vaka-calismasi-a-case-study-on-multiple-linear-regression-mlr-in-r/ -https://bookdown.org/burak2358/SARP-TR/coklu-dogrusal-regresyon-ksa-tantm.html -https://www.veribilimiokulu.com/r-ile-makine-ogrenmesi-uygulamalari-dogrusal-regresyon/ -https://www.veribilimiokulu.com/r-ile-coklu-dogrusal-regresyonbaglanim-cozumlemesi/ -https://towardsdatascience.com/random-forest-in-r-f66adf80ec9 -https://towardsdatascience.com/understanding-confusion-matrix-a9ad42dcfd62 -https://ggplot2.tidyverse.org -https://www.r-graph-gallery.com/ggplot2-package.html -https://plotly.com -https://tr.wikipedia.org/wiki/Otokorelasyon -https://esatis.tubitak.gov.tr/ekitap.htm -https://veribilimcisi.com/2017/07/18/lojistik-regresyon/ -https://medium.com/data-science-tr/makine-öğrenmesi-dersleri-4-lojistik-regresyon-304fefab0a49 -https://www.veribilimiokulu.com/siniflandirma-notlari/2/ -https://www.veribilimiokulu.com/kategorik-veri-analizi-ve-shiny-web-uygulamalari-4/ -https://www.veribilimiokulu.com/kategorik-veri-analizi-ve-shiny-web-uygulamalari-6/ -https://veribilimcisi.com/2017/07/19/destek-vektor-makineleri-support-vector-machine/ -https://medium.com/@k.ulgen90/makine-öğrenimi-bölüm-4-destek-vektör-makineleri-2f8010824054 -https://medium.com/deep-learning-turkiye/nedir-bu-destek-vektör-makineleri-makine-öğrenmesi-serisi-2-94e576e4223e -https://en.wikipedia.org/wiki/Support-vector_machine -https://www.datasciencearth.com/algorithmdestek-vektor-makinelerisupport-vector-machinesr-kod-ornekli/ -https://jakevdp.github.io/PythonDataScienceHandbook/05.07-support-vector-machines.html -https://medium.com/deep-learning-turkiye/karar-ağaçları-makine-öğrenmesi-serisi-3-a03f3ff00ba5 -https://erdincuzun.com/makine_ogrenmesi/decision-tree-karar-agaci-id3-algoritmasi-classification-siniflama/ -https://tr.wikipedia.org/wiki/Karar_ağacı -https://www.matematiksel.org/karar-agaci-algoritmalari-nelerdir/ -https://www.section.io/engineering-education/introduction-to-random-forest-in-machine-learning/#:~:text=A%20random%20forest%20is%20a%20machine%20learning%20technique%20that%27s%20used,consists%20of%20many%20decision%20trees. -https://devhunteryz.wordpress.com/2018/09/20/rastgele-ormanrandom-forest-algoritmasi/ -https://medium.com/cem-berke-cebis-blog/rastgele-orman-algoritması-1600ca4f4784 -https://dzone.com/articles/10-interesting-use-cases-for-the-k-means-algorithm -https://medium.com/deep-learning-turkiye/k-means-algoritması-b460620dd02a -https://www.veribilimiokulu.com/kumeleme-notlari-3-k-ortalamalar-kume-sayisini-belirleme/ -https://www.veribilimiokulu.com/hiyerarsik-kumeleme/ -http://serracelik.com/r-ile-hiyerarsik-kumeleme/ -Spss Uygulamalı Temel İstatistik Yöntemler 8. Baskı (Prof. Dr. Özkan Ünver - Prof. Dr. Hamza Gamgam - Doç. Dr. Bülent Altunkaynak/Ocak 2016) -Doğrusal Regresyon Analizine Giriş 5. başkıdan çeviri (Douglas C. Montgoemery - Elizabeth A. Peck - G. Geoffrey Vining/2013) -https://www.kaggle.com/huhao05133/carseats -https://worldhappiness.report/ed/2021/#appendices-and-data
Planlanan Öğrenme Aktiviteleri ve Metodları
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Proje Hazırlama | 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 | 3 | 3 |
| Derse Katılım | 15 | 3 | 45 |
| Ara Sınav İçin Bireysel Çalışma | 3 | 10 | 30 |
| Final Sınavı içiin Bireysel Çalışma | 4 | 10 | 40 |
| Ev Ödevi | 6 | 10 | 60 |
| Toplam İş Yükü (saat) | 180 | ||
Program ve Öğrenme Çıktıları İlişkisi
| PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 | PÇ 10 | PÇ 11 | PÇ 12 | |
| ÖÇ 1 | 5 | 3 | 3 | 5 | 4 | 4 | 3 | 5 | 4 | 4 | 4 | 4 |
| ÖÇ 2 | 5 | 3 | 3 | 4 | 4 | 4 | 4 | 5 | 3 | 4 | 4 | 4 |
| ÖÇ 3 | 5 | 4 | 3 | 4 | 4 | 4 | 4 | 5 | 3 | 4 | 3 | 3 |
| ÖÇ 4 | 4 | 4 | 3 | 4 | 4 | 3 | 4 | 4 | 4 | 4 | 3 | 3 |
| ÖÇ 5 | 4 | 3 | 3 | 4 | 3 | 3 | 4 | 4 | 3 | 4 | 3 | 4 |
| ÖÇ 6 | 4 | 4 | 3 | 5 | 4 | 3 | 4 | 4 | 4 | 4 | 3 | 5 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek