VBL5012 - Denetimsiz 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
Denetimsiz İstatistiksel Öğrenme	VBL5012	1	3 + 0	7,5	Seçmeli

Birim Bölüm	Veri Bilimi ve Analitiği - YL - Lisansüstü (Yüz yüze)
Amaç	Bu dersin amacı, yüksek lisans düzeyindeki öğrencilere etiketlenmemiş (çıktı değişkeni olmayan) veri kümelerindeki gizli yapıları, desenleri ve gruplamaları keşfetmek için kullanılan ileri düzey istatistiksel teknikleri öğretmektir. Ders, veri madenciliği, boyut indirgeme ve yoğunluk tahmini gibi yöntemlerin matematiksel temellerini ve modern veri bilimi uygulamalarını bir araya getirir.
Ders İçeriği	Ders; temel bileşenler analizi (PCA), kümeleme yöntemleri (K-means, Hierarchical), model tabanlı kümeleme, birliktelik kuralları, ağ modelleri ve modern denetimsiz derin öğrenme tekniklerini kapsar. Özellikle veri görselleştirme ve yüksek boyutluluğun laneti (curse of dimensionality) üzerine odaklanılır.
EBS Koordinatörü	Serpil TÜRKYILMAZ

Hafta	Konu
1	Giriş ve Veri Keşfi Denetimsiz öğrenmenin felsefesi ve veri ön işleme.
2	Boyut İndirgeme I: PCATemel Bileşenler Analizi, özdeğerler ve varyans koruma.
3	Boyut İndirgeme II: İleri Tekniklert-SNE, UMAP ve Çok Boyutlu Ölçekleme (MDS).
4	Kümeleme I: Bölümlemeli Yöntemler K-Ortalamalar (K-Means) ve K-Medoids algoritmaları.
5	Kümeleme II: Hiyerarşik Yöntemler Dendrogramlar, birleştirici ve bölücü kümeleme.
6	Model Tabanlı Kümeleme Karma Modeller (Gaussian Mixture Models) ve EM Algoritması.
7	Yoğunluk Tabanlı Kümeleme DBSCAN ve OPTICS algoritmaları ile gürültü yönetimi.
8	Ara Sınav 7 haftanın değerlendirilmesi.
9	Birliktelik Kuralları (Association) Apriori algoritması, Destek (Support) ve Güven (Confidence).
10	Anomali ve Aykırı Değer Tespiti Isolation Forest ve Local Outlier Factor (LOF).
11	Öz-Düzenleyici Haritalar (SOM)Kohonen ağları ve topolojik veri analizi.
12	Ağ Analizi ve Topluluk Tespiti Graf teorisi temelli gruplandırma teknikleri.
13	Denetimsiz Derin Öğrenme Otomatik Kodlayıcılar (Autoencoders) ve Boyut Sıkıştırma.
14	Vaka Çalışmaları ve SunumlarGerçek dünya verileriyle denetimsiz öğrenme projeleri

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
Büyük ve karmaşık veri kümelerini anlamlandırmak için uygun denetimsiz öğrenme stratejisini belirler.	-	-	-	-	-	-	-	-	-	-	-
Yüksek boyutlu verileri görselleştirmek ve bilgi kaybını minimize etmek için boyut indirgeme tekniklerini uygular.	-	-	-	-	-	-	-	-	-	-	-
Veri noktaları arasındaki benzerlikleri ölçerek kümeleme algoritmalarını (Hiyerarşik, K-Ortalamalar vb.) yürütür.	-	-	-	-	-	-	-	-	-	-	-
Pazar sepeti analizi gibi birliktelik kuralı çıkarımlarını gerçekleştirebilir.	-	-	-	-	-	-	-	-	-	-	-
Anomali tespiti ve yoğunluk tahmini yöntemlerini kullanarak veri setindeki aykırı durumları raporlar.	-	-	-	-	-	-	-	-	-	-	-
Ortalama Değer	-	-	-	-	-	-	-	-	-	-	-

https://ebs.bilecik.edu.tr/pdf/dersbilgigetir/451238