| Ders Adı | Kodu | Yerel Kredi | AKTS | Ders (saat/hafta) | Uygulama (saat/hafta) | Laboratuar (saat/hafta) |
|---|---|---|---|---|---|---|
| Programlama ile Veri Bilimi | MTM4702 | 3 | 5 | 3 | 0 | 0 |
| Önkoşullar | Yok |
|---|
| Yarıyıl | Bahar |
|---|
| Dersin Dili | İngilizce, Türkçe |
|---|---|
| Dersin Seviyesi | Lisans |
| Dersin Türü | Seçmeli @ Matematik Mühendisliği Lisans Programı (%30 İngilizce) |
| Ders Kategorisi | Temel Meslek Dersleri |
| Dersin Veriliş Şekli | Yüz yüze |
| Dersi Sunan Akademik Birim | Matematik Mühendisliği Bölümü |
|---|---|
| Dersin Koordinatörü | Birol Aslanyürek |
| Dersi Veren(ler) | Birol Aslanyürek |
| Asistan(lar)ı |
| Dersin Amacı | Öğrencilere veri biliminde kullanılan betimleyici ve çıkarımsal istatistiksel yöntemleri bilgisayar ortamında kullanma becerisi kazandırmak. |
|---|---|
| Dersin İçeriği | İstatiksel programlamaya genel bakış, istatiksel programlama dilleri hakkında genel bilgi, istatiksel programlama dilinin kurulumu ve kullanılması istatistiksel programlama dilinin sentaks yapısı, veriye erişim, verinin keşfi ve doğrulanması verinin hazırlanması, verinin analizi, raporlanması ve sonuçların sunulması, İstatiksel programda SQL kullanımı, veri adımı işleme, verileri özetleme, verileri fonksiyonlarla işleme, özel Biçimler Oluşturma, Tabloları Birleştirme, tekrarlayan Kodu İşleme, Yeniden Yapılandırma Tabloları, tek örneklem için t-testi, iki örneklem için t-testi, grafiksel analiz, tek yönlü ANOVA, Pearson korelasyonu, lineer regresyon, iki yönlü ANOVA, çoklu regresyon, anlamlılık düzeyini kullanarak aşamalı seçim, Bilgi kriterleri ve diğer seçim opsiyonları, çıkarım için (Post-Fitting) Model: rezidülerin incelenmesi, etkili gözlemler, doğrusallık, tahmine dayalı model oluşturma ve tahmin için puanlama, Kategorik verileri tanımlama, Ki-Kare testi, lojistik regresyon |
| Ders Kitabı / Malzemesi / Önerilen Kaynaklar |
|
| Opsiyonel Program Bileşenleri | Yok |
Ders Öğrenim Çıktıları
- İstatiksel bir programlama dili öğrenir.
- Verilerin yönetimini öğrenir.
- Betimleyici istatistik yöntemlerini bilgisayar ortamında kullanma becerisi kazanır.
- Çıkarımsal istatistik yöntemlerini bilgisayar ortamında kullanma becerisi kazanır.
- Gerçek hayat problemlerinin istatiksel analizini bilgisayar ortamında yapma becerisi kazanır.
Ders Öğrenim Çıktısı & Program Çıktısı Matrisi
| DÖÇ-1 | DÖÇ-2 | DÖÇ-3 | DÖÇ-4 | DÖÇ-5 | |
| PÇ-1 | 5 | 4 | 4 | 5 | 5 |
| PÇ-2 | 4 | 5 | 5 | 5 | 4 |
| PÇ-3 | 5 | 5 | 4 | 4 | 4 |
| PÇ-4 | 4 | 4 | 5 | 4 | 5 |
| PÇ-5 | 5 | 4 | 5 | 4 | 4 |
| PÇ-6 | 4 | 5 | 5 | 4 | 5 |
| PÇ-7 | 4 | 5 | 5 | 4 | 4 |
| PÇ-8 | 5 | 1 | 1 | 1 | 1 |
| PÇ-9 | 4 | 5 | 4 | 4 | 5 |
| PÇ-10 | 5 | 5 | 5 | 5 | 5 |
| PÇ-11 | 4 | 4 | 4 | 5 | 4 |
| PÇ-12 | 5 | 4 | 4 | 4 | 5 |
| PÇ-13 | 5 | 4 | 4 | 4 | 4 |
| PÇ-14 | 5 | 4 | 4 | 4 | 4 |
| PÇ-15 | - | - | - | - | - |
| PÇ-16 | - | - | - | - | - |
| PÇ-17 | - | - | - | - | - |
| PÇ-18 | - | - | - | - | - |
| PÇ-19 | - | - | - | - | - |
| PÇ-20 | - | - | - | - | - |
| PÇ-21 | - | - | - | - | - |
| PÇ-22 | - | - | - | - | - |
| PÇ-23 | - | - | - | - | - |
| PÇ-24 | - | - | - | - | - |
| PÇ-25 | - | - | - | - | - |
| PÇ-26 | - | - | - | - | - |
| PÇ-27 | - | - | - | - | - |
| PÇ-28 | - | - | - | - | - |
| PÇ-29 | - | - | - | - | - |
| PÇ-30 | - | - | - | - | - |
Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları
| Hafta | Konular | Ön Hazırlık |
|---|---|---|
| 1 | İstatiksel programlamaya genel bakış, istatiksel programlama dilleri hakkında genel bilgi, istatiksel programlama dilinin kurulumu ve kullanılması | |
| 2 | İstatistiksel programlama dilinin sentaks yapısı, veriye erişim, verinin keşfi ve doğrulanması | |
| 3 | Verinin hazırlanması, verinin analizi, raporlanması ve sonuçların sunulması, İstatiksel programda SQL kullanımı | |
| 4 | Veri adımı işleme, verileri özetleme, verileri fonksiyonlarla işleme | |
| 5 | Özel Biçimler Oluşturma, Tabloları Birleştirme | |
| 6 | Tekrarlayan Kodu İşleme, Yeniden Yapılandırma Tabloları | |
| 7 | Tek örneklem için t-testi, iki örneklem için t-testi, grafiksel analiz | |
| 8 | Ara Sınav 1 | |
| 9 | Tek yönlü ANOVA, Pearson korelasyonu, lineer regresyon | |
| 10 | İki yönlü ANOVA, çoklu regresyon | |
| 11 | Anlamlılık düzeyini kullanarak aşamalı seçim, Bilgi kriterleri ve diğer seçim opsiyonları | |
| 12 | Çıkarım için (Post-Fitting) Model: rezidülerin incelenmesi, etkili gözlemler, doğrusallık | |
| 13 | Tahmine dayalı model oluşturma ve tahmin için puanlama, Kategorik verileri tanımlama | |
| 14 | Ki-Kare testleri | |
| 15 | Lojistik regresyon | |
| 16 | Final |
Değerlendirme Sistemi
| Etkinlikler | Sayı | Katkı Payı |
|---|---|---|
| Devam/Katılım | ||
| Laboratuar | ||
| Uygulama | ||
| Arazi Çalışması | ||
| Derse Özgü Staj | ||
| Küçük Sınavlar/Stüdyo Kritiği | ||
| Ödev | ||
| Sunum/Jüri | ||
| Projeler | 1 | 30 |
| Seminer/Workshop | ||
| Ara Sınavlar | 1 | 30 |
| Final | 1 | 40 |
| Dönem İçi Çalışmaların Başarı Notuna Katkısı | ||
| Final Sınavının Başarı Notuna Katkısı | ||
| TOPLAM | 100 | |
AKTS İşyükü Tablosu
| Etkinlikler | Sayı | Süresi (Saat) | Toplam İşyükü |
|---|---|---|---|
| Ders Saati | 14 | 3 | |
| Laboratuar | |||
| Uygulama | |||
| Arazi Çalışması | |||
| Sınıf Dışı Ders Çalışması | 14 | 4 | |
| Derse Özgü Staj | |||
| Ödev | |||
| Küçük Sınavlar/Stüdyo Kritiği | |||
| Projeler | 1 | 20 | |
| Sunum / Seminer | |||
| Ara Sınavlar (Sınav Süresi + Sınav Hazırlık Süresi) | 1 | 15 | |
| Final (Sınav Süresi + Sınav Hazırlık Süresi) | 1 | 15 | |
| Toplam İşyükü : | |||
| Toplam İşyükü / 30(s) : | |||
| AKTS Kredisi : | |||
| Diğer Notlar | Yok |
|---|
