Anasayfa » Akademik Birimler » Fen-Edebiyat Fakültesi » İstatistik Bölümü » Dersler » Seyrek İstatistiksel Modelleme
Ders AdıKodu Yerel KrediAKTS Ders (saat/hafta)Uygulama (saat/hafta)Laboratuar (saat/hafta)
Seyrek İstatistiksel ModellemeIST612337.5300
ÖnkoşullarYok
YarıyılGüz, Bahar
Dersin Diliİngilizce, Türkçe
Dersin SeviyesiDoktora
Dersin TürüSeçmeli @ İstatistik ABD İstatistik Doktora Programı
Seçmeli @ İstatistik ABD İstatistik Yüksek Lisans Programı
Ders KategorisiUzmanlık/Alan Dersleri
Dersin Veriliş ŞekliYüz yüze
Dersi Sunan Akademik Birimİstatistik Bölümü
Dersin KoordinatörüFatma Sevinç Kurnaz
Dersi Veren(ler)Fatma Sevinç Kurnaz
Asistan(lar)ı
Dersin AmacıÇok boyutlu veri kümelerinde, yapısı gereği değişken seçimi yaparak değişkenlerin bir alt kümesini kullanan seyrek tahmin ediciler ailesini kavramak ve R ile uygulamasını yapmak
Dersin İçeriğiL1 ve L2 cezalı tahmin edici kavramları, L1 Cezalı Tahmin Edicilerin Değişken Seçimi Özelliği, Lasso, elastik net ve bridge tahmin edicileri üzerine tartışmalar ve teorik özellikleri, Logistik regresyon, Çok Terimli Lojistik Regresyon, Poisson Regresyon için Seyrek Tahmin Edici Ailesi, Seyrek Temel Bileşen Analizi, Seyrek Diskriminant Analizi ve R ile gerçek veri kümeleri ve simüle edilmiş veri kümeleri üzerinde uygulaması
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
  • Statistical Learning with Sparsity The Lasso and Generalizations, Trevor Hastie, Robert Tibshirani, Martin Wainwright
  • An Introduction to Statistical Learning with Applications in R, Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani
Opsiyonel Program BileşenleriYok

Ders Öğrenim Çıktıları

  1. Çok boyutlu veri kümelerinde değişken seçimi yapabilen yöntemleri tanır.
  2. Çok boyutlu veri kümelerinde değişken seçimi yapabilen yöntemleri kullanır.
  3. Çok boyutlu veri kümelerinde değişken seçimi yapabilen yöntemleri teorik özelliklerini öğrenir.
  4. Çok boyutlu veri kümelerinde değişken seçimi yapabilen yöntemleri R programlama dili aracılığı ile gerçek veri kümeleri üzerinde uygular.
  5. Çok boyutlu veri kümelerinde değişken seçimi yapabilen yöntemleri R programlama dili aracılığı ile simüle edilmiş veri kümeleri üzerinde uygular.

Ders Öğrenim Çıktısı & Program Çıktısı Matrisi

DÖÇ-1DÖÇ-2DÖÇ-3DÖÇ-4DÖÇ-5
PÇ-1-----
PÇ-2-----
PÇ-3-----
PÇ-4-----
PÇ-5-----
PÇ-6-----
PÇ-7-----
PÇ-8-----
PÇ-9-----
PÇ-10-----
PÇ-11-----
PÇ-12-----
PÇ-13-----
PÇ-14-----
PÇ-15-----

Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları

HaftaKonularÖn Hazırlık
1L1 ve L2 Cezalı Tahmin Edici KavramlarıKitap 1, Bölüm 2
2L1 Cezalı Tahmin Edicilerin Değişken Seçimi Özelliği ve GeometrisiKitap 1, Bölüm 2,11
3Lasso ve Elastik Net Tahmin Ediciler Üzerine Tartışmalar ve Bazı ÖzellikleriKitap 1, Bölüm 2
4Bridge Tahmin Edici ve ÖzellikleriKitap 1, Bölüm 2
5Lojistik Regresyon için Seyrek Tahmin Edici Ailesi ve Değişken Seçimi ÖzelliğiKitap 1, Bölüm 5
6Çok Terimli Lojistik Regresyon için Seyrek Tahmin Edici Ailesi ve Değişken Seçimi ÖzelliğiKitap 1, Bölüm 5
7R ile Uygulamalar
8Ara Sınav 1
9Poisson Regresyon için Seyrek Tahmin Edici Ailesi ve Değişken Seçimi ÖzelliğiKitap 1, Bölüm 5
10Seyrek Temel Bileşen AnaliziKitap 1, Bölüm 8
11Seyrek Lineer Diskriminant AnaliziKitap 1, Bölüm 8
12Çok Boyutlu Gerçek Veri Kümesi Üzerinde Uygulamalar
13Çok Boyutlu Simülasyon Çalışması
14R ile Uygulamalar
15Final

Değerlendirme Sistemi

EtkinliklerSayıKatkı Payı
Devam/Katılım
Laboratuar
Uygulama
Arazi Çalışması
Derse Özgü Staj
Küçük Sınavlar/Stüdyo Kritiği
Ödev130
Sunum/Jüri
Projeler
Seminer/Workshop
Ara Sınavlar130
Final140
Dönem İçi Çalışmaların Başarı Notuna Katkısı
Final Sınavının Başarı Notuna Katkısı
TOPLAM100

AKTS İşyükü Tablosu

EtkinliklerSayıSüresi (Saat)Toplam İşyükü
Ders Saati133
Laboratuar
Uygulama
Arazi Çalışması
Sınıf Dışı Ders Çalışması139
Derse Özgü Staj
Ödev122
Küçük Sınavlar/Stüdyo Kritiği
Projeler
Sunum / Seminer
Ara Sınavlar (Sınav Süresi + Sınav Hazırlık Süresi)120
Final (Sınav Süresi + Sınav Hazırlık Süresi)126
Toplam İşyükü :
Toplam İşyükü / 30(s) :
AKTS Kredisi :
Diğer NotlarYok