VBL5011 - Denetimli İstatistiksel Öğrenme

BİLECİK ŞEYH EDEBALİ ÜNİVERSİTESİ

LİSANSÜSTÜ EĞİTİM ENSTİTÜSÜ

VERİ BİLİMİ VE ANALİTİĞİ - YL

(2025 - 2026) Ders Bilgi Formu

Ders Adı	Kodu	Yarıyıl	T+U Saat	AKTS	Z / S
Denetimli İstatistiksel Öğrenme	VBL5011	1	3 + 0	7,5	Seçmeli

Birim Bölüm	Veri Bilimi ve Analitiği - YL - Lisansüstü (Yüz yüze)
Amaç	Bu ders, öğrencilere veriye dayalı tahminleme ve karar verme süreçlerinde kullanılan modern istatistiksel yöntemlerin teorik altyapısını ve uygulama becerisini kazandırmayı amaçlar. Temel hedef; karmaşık modellerin doğruluğunu ölçmek, aşırı öğrenme (overfitting) gibi kritik problemleri yönetmek ve farklı algoritma türleri arasından veriye en uygun olanı seçebilme yetkinliği sağlamaktır.
Ders İçeriği	Öğrenciler; regresyon ve sınıflandırma algoritmalarının teorik temellerini kavrayarak, model karmaşıklığı ile tahmin performansı arasındaki varyans-yanlılık (bias-variance) dengesini kurmayı ve gerçek dünya verilerine modern veri bilimi araçlarıyla çözüm üretmeyi öğrenirler
EBS Koordinatörü	Serpil TÜRKYILMAZ

Hafta	Konu
1	Giriş ve Temel Kavramlar İstatistiksel öğrenme nedir? Denetimli vs. Denetimsiz öğrenme. Yanlılık-Varyans (Bias-Variance) dengesi.
2	Doğrusal Regresyon Basit ve çoklu doğrusal regresyon. En küçük kareler yöntemi ve katsayı yorumlama.
3	Sınıflandırma: Lojistik Regresyon İkili sınıflandırma, olasılık tahmini ve lojistik fonksiyon.
4	Sınıflandırma: LDA, QDA ve k-NN Doğrusal ve İkinci Dereceden Ayrışma Analizi, Naive Bayes ve k-En Yakın Komşu algoritması.
5	Yeniden Örnekleme Yöntemleri Çapraz doğrulama (Cross-Validation), LOOCV ve Bootstrap teknikleri.
6	Model Seçimi ve Düzenlileştirme Alt küme seçimi, Ridge ve Lasso regresyonu (L1/L2 düzenlileştirme).
7	Doğrusallığın Ötesine Geçiş Polinom regresyon, step fonksiyonları, spline'lar ve GAM modelleri.
8	Ara Sınav /7 haftalık konuların teorik ve uygulama bazlı sınavı.
9	Ağaç Tabanlı Yöntemler Regresyon ve sınıflandırma ağaçları (CART), budama (pruning) işlemleri.
10	Torbalama ve Rassal Ormanlar Bagging kavramı ve Random Forests algoritması ile varyans azaltma.
11	Artırma (Boosting) Yöntemleri AdaBoost, Gradient Boosting ve XGBoost modellerine giriş.
12	Destek Vektör Makineleri (SVM)Maksimal marjinal sınıflandırıcılar ve kernel (çekirdek) hilesi.
13	Derin Öğrenmeye Giriş Çok katmanlı algılayıcılar ve temel sinir ağı mimarileri.
14	Model Performansı ve Etik ROC/AUC metrikleri, F1 skoru, model seçimi ve algoritmik yanlılık tartışmaları.

Program Çıktıları
1	Veri bilimi ve analitiğinin temel bileşenlerine hâkim olma; istatistiksel analiz, veri madenciliği ve makine öğrenmesine ilişkin yöntemleri uygulamalı olarak kullanabilme
2	Yapılandırılmış ve yapılandırılmamış veri tiplerini analiz etme becerisine sahip olma; büyük veri kümeleri üzerinden anlamlı çıkarımlar yaparak analitik yöntemleri etkili biçimde kullanabilme
3	Veri analizi ve modelleme süreçlerinde Python, R, SQL gibi programlama dillerinden yararlanabilme; veri işleme ve otomasyon adımlarını etkin biçimde yönetebilme
4	Veri görselleştirme ve sonuç raporlama tekniklerini kullanarak analiz bulgularını açık, etkili ve karar verme süreçlerine katkı sunacak biçimde ifade edebilme
5	Karmaşık veri odaklı problemleri analiz edebilme, uygun çözüm yolları geliştirebilme ve bilimsel araştırma yöntemleri aracılığıyla yaratıcı, veri temelli kararlar alabilme
6	Veri bilimi ve analitiği kapsamında karşılaşılan problemleri analiz edebilme, uygun veri analizi tekniklerini seçerek çözüm yolları geliştirebilme; istatistiksel, algoritmik ve yapay zekâ temelli yöntemleri eleştirel düşünme yeteneğiyle değerlendirebilme
7	Veri bilimi ve analitiği uygulamalarında Python, R, SQL gibi programlama dillerini etkin biçimde kullanabilme; veri madenciliği, makine öğrenmesi, büyük veri işleme, veri görselleştirme ve modelleme araçlarıyla pratik çözümler geliştirebilme, gerçek veri setleri üzerinde uygulamalar gerçekleştirebilme
8	Veri bilimi ve analitiği ile ilgili bireysel veya ekip çalışmalarında sorumluluk üstlenebilme, karmaşık veri projelerini bağımsız olarak planlayıp yürütebilme; karşılaştığı sorunlara analitik ve yaratıcı çözümler geliştirerek karar alma süreçlerinde etkin rol oynayabilme
9	Veri bilimi ve analitiği alanındaki güncel gelişmeleri, teknolojileri ve yöntemleri izleyerek yaşam boyu öğrenme bilinciyle kendini sürekli geliştirme yetkinliğine sahip olma; yeni bilgi ve becerileri hızla edinip uygulamaya aktarabilme
10	Veri bilimi ve analitiği alanındaki çalışmalarını yazılı, sözlü ve görsel yollarla açık ve etkili bir biçimde ifade edebilme; çok disiplinli takımlarda etkin biçimde çalışabilme, iletişim kurabilme ve iş birliğine dayalı çözümler geliştirebilme
11	Veri bilimi ve analitiği alanına özgü kavramlara, yöntemlere, algoritmalara ve araçlara hâkim olma; etik ilkelere uygun biçimde veri toplama, işleme, analiz etme ve yorumlama süreçlerini yürütebilme, veri gizliliği ve güvenliği konularında sorumluluk bilinciyle hareket edebilme

Ders Öğrenme Çıktısı - Program Çıktıları (1 -5 Puan Aralığı)

Ders Öğrenme Çıktısı	PÇ 1	PÇ 2	PÇ 3	PÇ 4	PÇ 5	PÇ 6	PÇ 7	PÇ 8	PÇ 9	PÇ 10	PÇ 11
Denetimli öğrenme problemlerini (regresyon vs sınıflandırma) ayırt eder ve formüle eder.	-	-	-	-	-	-	-	-	-	-	-
Tahmin modellerinin performansını MSE, R-kare, Accuracy, F1-score gibi metriklerle değerlendirir.	-	-	-	-	-	-	-	-	-	-	-
Boyut indirgeme ve düzenlileştirme (Regularization) tekniklerini uygulayarak model yorumlanabilirliğini artırır.	-	-	-	-	-	-	-	-	-	-	-
Modern makine öğrenmesi kütüphanelerini kullanarak gerçek veri setleri üzerinde projeler yürütür.	-	-	-	-	-	-	-	-	-	-	-
Ortalama Değer	-	-	-	-	-	-	-	-	-	-	-

https://ebs.bilecik.edu.tr/pdf/dersbilgigetir/451237