VBL5023 - İleri Çok Değişkenli İstatistik Yöntemler

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
İleri Çok Değişkenli İstatistik Yöntemler	VBL5023	1	3 + 0	7,5	Seçmeli

Birim Bölüm	Veri Bilimi ve Analitiği - YL - Lisansüstü (Yüz Yüze)
Amaç	Çok değişkenli dağılımlar ve temel yöntemlerin gözden geçirilmesi, ileri çok değişkenli yöntemlerin analizi ve bunların çok boyutlu verilere uygulanması.
Ders İçeriği	İleri çok değişkenli istatistik yöntemlerin klasik yöntemlere göre avantaj veya eksikliklerinin tartışılması, Güvenirlilik teorisi, Çok değişkenli parametrik olmayan modeller, Semi-parametrik diskriminant analizi, -Q teknik ve iki modlu değişkenlerde faktör analizi, Tekrarlı ölçme analizi (MANOVA,HLM) gibi ileri çok değişkenli yöntemler.
EBS Koordinatörü	Kadriye Nurdanay ÖZTÜRK

Hafta	Konu
1	Güvenirlilik teorisi
2	Çok değişkenli istatistik testler
3	Çok değişkenli parametrik olmayan modeller
4	Semi-parametrik diskriminant analizi
5	Semi-parametrik diskriminant analizi(uygulama)
6	Q teknik ve iki modlu değişkenlerde faktör analizi
7	Q teknik ve iki modlu değişkenlerde faktör analizi(uygulama)
8	Path analizi, latent değişken modelleri
9	Grafiksel modelleme
10	Büyüme eğri modelleri
11	Sağkalım analizi
12	Çok değişkenli yöntemlerin bilgisayar ortamında çözümlenmesi, dönem ödevlerinin sunumu
13	Çok değişkenli yöntemlerin bilgisayar ortamında çözümlenmesi, dönem ödevlerinin sunumu
14	Çok değişkenli yöntemlerin bilgisayar ortamında çözümlenmesi, dönem ödevlerinin sunumu

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
Öğrenciler çok değişkenli istatistik yöntemlerin Tıp ,Ziraat, Ekonomi, Biyoloji, Sosyoloji, Eğitim vb. pek çok uygulamalı bilim dallarında sıklıkla kullanılan komleks çok değişkenli yöntemlerin daha teorik altyapılarının analizini öğreneceklerdir	-	-	-	-	-	-	-	-	-	-	-
Öğrenciler çok değişkenli istatistik yöntemlerin çeşitli veri setleri kullanılarak SAS, SPSS, Statistica,Systat, Minitab gibi istatistik paket programlarından, Mathlab, Mathcad gibi matematik paket programlarından yararlanılarak çözümlenmesini öğreneceklerdir	-	-	-	-	-	-	-	-	-	-	-
Öğrenciler çok değişkenli dağılımlar ve temel yöntemlerin değerlendirilmesi yapabileceklerdir	-	-	-	-	-	-	-	-	-	-	-
Öğrenciler güvenirlilik teorisi, çok değişkenli parametrik olmayan modeller, semi-parametrik diskriminant analizi, Q teknik ve iki modlu değişkenlerde faktör analizi, tekrarlı ölçme analizi (MANOVA,HLM) gibi ileri çok değişkenli yöntemleri öğreneceklerdir	-	-	-	-	-	-	-	-	-	-	-
Ortalama Değer	-	-	-	-	-	-	-	-	-	-	-

https://ebs.bilecik.edu.tr/pdf/dersbilgigetir/451249