GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| İNS552 | PYTHON UYGULAMALI İSTATİKSEL VERİ BİLİMİ VE ANALİZİ | Seçmeli Ders Grubu | 1 | 1 | 6,00 |
Dersin Seviyesi
Yüksek Lisans
Dersin Sunulduğu Dil
Dersin Amacı
Bu dersin amacı, öğrencilere istatistiksel veri biliminin temel kavramlarını ve yöntemlerini öğretmek ve bu yöntemleri Python programlama dili kullanarak uygulama becerisi kazandırmaktır. Ders kapsamında, veri toplama, düzenleme, görselleştirme, tanımlayıcı istatistikler, olasılık dağılımları, hipotez testleri, regresyon analizleri ve makine öğrenmesine giriş gibi konular ele alınacaktır. Öğrencilerin, istatistiksel yöntemleri gerçek veri setleri üzerinde uygulayarak analiz yapabilmeleri, elde edilen sonuçları yorumlayabilmeleri ve karar verme süreçlerinde kullanabilmeleri hedeflenmektedir.
Dersi Veren Öğretim GörevlisiGörevlileri
Öğr. Gör. Dr. Ömer Faruk ÖZTÜRK
Öğrenme Çıktıları
| 1 | Veri biliminin temel kavramlarını ve istatistiksel yöntemlerin rolünü açıklar. |
| 2 | Python kullanarak veri toplama, temizleme ve görselleştirme işlemlerini gerçekleştirir. |
| 3 | Tanımlayıcı istatistikler, olasılık dağılımları ve hipotez testlerini uygular. |
| 4 | Regresyon analizleri ve temel makine öğrenmesi algoritmalarını kullanarak veri analizi yapar. |
| 5 | Gerçek veri setleri üzerinde uygulamalı analizler yaparak elde edilen sonuçları yorumlar ve karar verme süreçlerinde uygular. |
Öğrenim Türü
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Yok
Ders İçin Önerilen Diğer Hususlar
Yok
Dersin İçeriği
Veri bilimine giriş ve Python ortamının tanıtımı / Veri tipleri, veri okuma ve ön işleme yöntemleri / Veri görselleştirme teknikleri (matplotlib, seaborn, plotly) / Tanımlayıcı istatistikler / Olasılık kuramı ve temel dağılımlar / Örnekleme yöntemleri ve merkezi limit teoremi / Hipotez testleri ve güven aralıkları / Ki-kare testleri ve varyans analizi (ANOVA) / Basit doğrusal regresyon / Çoklu regresyon ve model doğrulama / Lojistik regresyon / Boyut indirgeme yöntemleri (PCA vb.) / Kümeleme algoritmalarına giriş / Makine öğrenmesine giriş (denetimli ve denetimsiz yöntemler) / Uygulamalı veri analizi projeleri / Veri biliminin etik ve güncel yönleri.
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Teorik | Uygulama | Laboratuvar |
|---|---|---|---|
| 1 | Veri bilimine giriş ve Python ortamının tanıtımı – Jupyter Notebook, temel Python kütüphaneleri (NumPy, Pandas) | ||
| 2 | Veri tipleri ve veri işleme – Veri okuma, temizleme, dönüştürme | ||
| 3 | Veri görselleştirme I – Matplotlib ve Seaborn ile grafikler | ||
| 4 | Veri görselleştirme II – Plotly ve ileri görselleştirme teknikleri | ||
| 5 | Tanımlayıcı istatistikler – Ortalama, varyans, standart sapma, korelasyon | ||
| 6 | Olasılık kuramı ve temel dağılımlar – Normal, binom, Poisson dağılımları | ||
| 7 | Örnekleme yöntemleri ve merkezi limit teoremi | ||
| 8 | Ara sınav | ||
| 9 | Hipotez testleri ve güven aralıkları – t-testi, z-testi, p-değeri | ||
| 10 | Ki-kare testleri ve ANOVA | ||
| 11 | Basit doğrusal regresyon – Model kurma, R² ve hata ölçütleri | ||
| 12 | Çoklu regresyon ve model doğrulama | ||
| 13 | Lojistik regresyon – Sınıflandırma uygulamaları | ||
| 14 | Boyut indirgeme ve kümeleme – PCA, K-Means | ||
| 15 | Makine öğrenmesine giriş – Denetimli ve denetimsiz yöntemler | ||
| 16 | Final sınavı |
Ders Kitabı Malzemesi Önerilen Kaynaklar
Ana Kaynaklar: Wes McKinney – Python for Data Analysis (O’Reilly) Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani – An Introduction to Statistical Learning with Applications in R & Python (Springer) Yardımcı Kaynaklar: Allen B. Downey – Think Stats: Exploratory Data Analysis in Python Jake VanderPlas – Python Data Science Handbook (O’Reilly) Aurélien Géron – Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (O’Reilly)
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 | 5 | 70 |
| Ara Sınav İçin Bireysel Çalışma | 7 | 5 | 35 |
| Final Sınavı içiin Bireysel Çalışma | 7 | 5 | 35 |
| Toplam İş Yükü (saat) | 186 | ||
Program ve Öğrenme Çıktıları İlişkisi
| PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | |
| ÖÇ 1 | 5 | 2 | 3 | |||
| ÖÇ 2 | 5 | 3 | 3 | |||
| ÖÇ 3 | 5 | 3 | 3 | |||
| ÖÇ 4 | 5 | 3 | 5 | |||
| ÖÇ 5 | 5 | 3 | 5 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek