VBL5024 - İleri Regresyon Analizi

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 Regresyon Analizi	VBL5024	1	3 + 0	7,5	Seçmeli

Birim Bölüm	Veri Bilimi ve Analitiği - YL - Lisansüstü (Yüz yüze)
Amaç	Bu dersin amacı, öğrencilere doğrusal ve doğrusal olmayan regresyon modellerinin teorik temellerini ve modern veri analitiği uygulamalarını öğretmektir. Standart regresyon varsayımlarının ihlal edildiği durumlarda (heteroskedastisite, otokorelasyon vb.) alternatif çözüm yollarını, değişken seçimi yöntemlerini ve büyük veri setlerinde tahmin performansını artıran düzenlileştirme (regularization) tekniklerini kazandırmak hedeflenmektedir.
Ders İçeriği	Ders; En Küçük Kareler (EKK) yönteminin matris formunda incelenmesiyle başlar. Ardından tanısal testler, çoklu bağlantı (multicollinearity) sorunu, ağırlıklı regresyon, genelleştirilmiş doğrusal modeller (GLM), düzenlileştirme yöntemleri ve modern regresyon ağaçlarına giriş konularını kapsar.
EBS Koordinatörü	Kadriye Nurdanay ÖZTÜRK Serpil TÜRKYILMAZ

Hafta	Konu
1	Regresyonun Matris Cebiri ile İfadesi: Çoklu regresyonun matematiksel türetimi ve parametre tahmini.
2	İleri Tanısal Analizler: Kalıntı (residual) analizi, etki analizi (Cook's D, DFBETAS) ve kaldıraç değerleri.
3	Varsayım İhlalleri ve Çözümleri: Değişen varyans (Heteroskedastisite) ve Otokorelasyon testleri/düzeltmeleri.
4	Çoklu Bağlantı (Multicollinearity): VIF analizi, temel bileşenler regresyonu (PCR) ve kısmi en küçük kareler (PLS).
5	Değişken Seçimi ve Model Küçültme: Akaike (AIC) ve Bayesian (BIC) bilgi kriterleri, Stepwise yöntemler.
6	Düzenlileştirme (Regularization) - II: Lasso ve Elastic Net; seyrek (sparse) modeller üretme.
7	Ara Sınav / Uygulamalı Proje Raporu
8	Genelleştirilmiş Doğrusal Modeller (GLM) - I: Lojistik regresyon, oranlar (odds) analizi ve sınıflandırma metrikleri.
9	GLM - II: Poisson regresyonu ve Negatif Binom regresyonu (Sayma verileri analizi).
10	Doğrusal Olmayan Modeller: Polinom regresyon, parçalı (piecewise) regresyon ve Spline analizi.
11	Robust (Dayanıklı) Regresyon: Aykırı değerlere (outliers) karşı dirençli modelleme teknikleri ve M-tahmincileri.
12	Panel Veri ve Karışık Etkili (Mixed-Effects) Modeller: Sabit ve rastgele etkilerin modellenmesi.
13	Büyük Veri Setlerinde Regresyon: Regresyon ağaçları (CART) ve final proje sunumları.
14	Büyük Veri Setlerinde Regresyon: Regresyon ağaçları (CART) ve final proje sunumları.

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
Çoklu regresyon modellerinde varsayım denetimlerini (normallik, eş varyanslılık vb.) ileri düzey testlerle yapar.	-	-	-	-	-	-	-	-	-	-	-
Değişken seçimi ve model sadeleştirme için Stepwise, Lasso ve Ridge tekniklerini uygular.	-	-	-	-	-	-	-	-	-	-	-
Kategorik veya sayılabilir bağımlı değişkenler için Lojistik ve Poisson regresyon modellerini kurgular.	-	-	-	-	-	-	-	-	-	-	-
Doğrusal olmayan ilişkileri modellemek için Spline ve Polinom regresyon yöntemlerini kullanır.	-	-	-	-	-	-	-	-	-	-	-
Panel veri veya hiyerarşik yapılı veriler için karma etkili (mixed-effects) modeller geliştirir.	-	-	-	-	-	-	-	-	-	-	-
Ortalama Değer	-	-	-	-	-	-	-	-	-	-	-

https://ebs.bilecik.edu.tr/pdf/dersbilgigetir/451250