VBL5032 - Uygulamalı Zaman Serileri 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
Uygulamalı Zaman Serileri Analizi	VBL5032	1	3 + 0	7,5	Seçmeli

Birim Bölüm	Veri Bilimi ve Analitiği - YL - Lisansüstü (Yüz yüze)
Amaç	Bu dersin temel amacı; öğrencilere zaman serisi verilerinin karakteristik özelliklerini tanıtmak, veriyi analiz edilebilir hale getirmek için gerekli istatistiksel dönüşümleri öğretmek ve güncel ekonometrik/istatistiksel yöntemleri kullanarak gerçek dünya verileri üzerinden öngörü yapma yetkinliği kazandırmaktır.
Ders İçeriği	Zaman serisi bileşenleri, durağanlık ve birim kök testleri, Box-Jenkins metodolojisi (ARIMA), mevsimsel modeller, varyans modellemesi (ARCH/GARCH), çok değişkenli zaman serisi modelleri (VAR), eşbütünleşme analizi ve modern makine öğrenmesi yaklaşımları.
EBS Koordinatörü	Serpil TÜRKYILMAZ

Hafta	Konu
1	Giriş ve Temel Kavramlar Veri tipleri, frekans, trend ve otokorelasyon.
2	Durağanlık ve Birim Kök Zayıf/Güçlü durağanlık, Rassal Yürüyüş (Random Walk).
3	Veri Dönüşümleri Fark alma, Box-Cox dönüşümü, mevsimsel düzeltme.
4	Box-Jenkins Metodolojisi - I AR ve MA süreçlerinin teorik yapısı.
5	Box-Jenkins Metodolojisi - II ARMA ve ARIMA modellerinin tahmini ve seçimi (AIC/BIC/HQ/LogL).
6	Tanısal Kontroller, Mevsimsellik ve SARIMA Mevsimsel birim kök ve SARIMA modellemesi.
7	Ara Sınav / Proje Önerisi Uygulama sınavı veya veri seti sunumu.
8	Yapısal Kırılmalar Perron, Zivot-Andrews ve Bai-Perron testleri.
9	Volatilite Modelleri - I Koşullu değişen varyans kavramı ve ARCH modelleri.
10	Volatilite Modelleri - IIGARCH, EGARCH ve TGARCH uygulamaları.
11	Çok Değişkenli Analiz VAR modelleri, Etki-Tepki fonksiyonları (Impulse Response).
12	Eşbütünleşme Analizi Engle-Granger ve Johansen yaklaşımları, VECM.
13	Genel Uygulamalar
14	Genel Uygulamalar

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
Zaman serisi verilerini görselleştirebilir ve temel bileşenlerine ayırabilir.	-	-	-	-	-	-	-	-	-	-	-
Verinin durağanlığını test edebilir ve uygun arındırma yöntemlerini seçer.	-	-	-	-	-	-	-	-	-	-	-
Karmaşık veri setleri için en uygun doğrusal veya doğrusal olmayan modeli kurabilir.	-	-	-	-	-	-	-	-	-	-	-
Elde edilen modellerin tanısal kontrollerini yaparak öngörü performansını değerlendirir.	-	-	-	-	-	-	-	-	-	-	-
İstatistiki yazılımları kullanarak bağımsız bir araştırma projesi yürütebilir.	-	-	-	-	-	-	-	-	-	-	-
Ortalama Değer	-	-	-	-	-	-	-	-	-	-	-

https://ebs.bilecik.edu.tr/pdf/dersbilgigetir/451258