VBL5049 - İleri Deney Tasarımı

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 Deney Tasarımı	VBL5049	1	3 + 0	7,5	Seçmeli

Birim Bölüm	Veri Bilimi ve Analitiği - YL - Lisansüstü (Yüz yüze)
Amaç	Bu dersin amacı, öğrencilere değişkenler arasındaki karmaşık ilişkileri ve etkileşimleri en az veri/deney sayısıyla en yüksek verimi alacak şekilde kurgulama yetkinliği kazandırmaktır. Veri bilimi süreçlerinde model parametrelerinin optimizasyonu, algoritma performanslarının karşılaştırılması ve süreç geliştirme aşamalarında kullanılan ileri düzey istatistiksel tasarım tekniklerinin öğretilmesi hedeflenmektedir.
Ders İçeriği	Ders; tek ve çok faktörlü deneylerin sistematik tasarımı, bloklama ve varyans analizi (ANOVA) tekniklerini derinlemesine ele alarak başlar. İleri aşamalarda, optimizasyon için kullanılan Yanıt Yüzey Yöntemleri (RSM), karmaşık sistemler için Karışım Tasarımları ve Taguchi yöntemleri ile veri bilimi modellerinin (hiper-parametre optimizasyonu gibi) deneysel tasarımı ve analizi konularına odaklanılır.
EBS Koordinatörü	Serpil TÜRKYILMAZ

Hafta	Konu
1	Deney tasarımının (DOE) veri bilimindeki rolü, kontrol, rastgeleştirme ve tekrarlama prensipleri.
2	Tek Faktörlü Deneyler: Varyans Analizi (ANOVA) temelleri, varsayımların kontrolü ve kalıntı (residual) analizi.
3	Çoklu Karşılaştırma Testleri: Post-hoc analizler (Tukey, Scheffe, Bonferroni) ve deneylerde hata payı yönetimi.
4	Rastgele Blok Tasarımları: Bloklama teknikleri, Latin Kareleri ve gürültü (noise) faktörlerinin kontrol altına alınması.
5	Tam Faktöriyel Tasarımlar: Ana etkiler, etkileşim (interaction) terimleri ve sonuçların geometrik yorumu.
6	Kesirli (Fractional) Faktöriyel Tasarımlar: Karmaşıklığı azaltma, "Aliasing" (örtüşme) kavramı ve yüksek dereceli etkileşimlerin ihmali.
7	Bloklama ve Karıştırma (Confounding): Faktöriyel tasarımlarda bloklama yöntemleri ve bilgi kaybının yönetimi.
8	Ara Sınav / Dönem Projesi Ön Sunumu
9	Yanıt Yüzey Yöntemleri (RSM) - I: En dik çıkış (steepest ascent) yöntemi ve birinci derece modeller.
10	Yanıt Yüzey Yöntemleri (RSM) - II: Merkezi Kompozit Tasarımlar (CCD), Box-Behnken tasarımları ve süreç optimizasyonu.
11	Karışım Deneyleri ve Taguchi Yöntemleri: Bileşen oranlarının analizi ve varyansı minimize eden dayanıklı (robust) tasarımlar.
12	Veri Biliminde DOE: A/B Testleri, Çok Değişkenli Testler (MVT) ve dijital platformlarda deney kurguları.
13	Algoritma ve Hiper-parametre Optimizasyonu: Makine öğrenmesi modellerinin performansını artırmak için deneysel tasarım yaklaşımları.
14	Vaka Çalışmaları ve Final Proje Sunumları: Gerçek dünya veri setleri üzerinde uygulama sonuçlarının analizi.

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
Karmaşık veri setleri ve süreçler için uygun deneysel tasarım (faktöriyel, bloklu vb.) stratejisini belirler.	-	-	-	-	-	-	-	-	-	-	-
Deney sonuçlarını ileri istatistiksel yöntemlerle analiz ederek anlamlı korelasyonlar kurar.	-	-	-	-	-	-	-	-	-	-	-
En az kaynakla en yüksek model doğruluğuna ulaşmak için optimizasyon tekniklerini uygular.	-	-	-	-	-	-	-	-	-	-	-
Veri bilimi projelerinde A/B testleri ve çok değişkenli test senaryoları kurgular ve yönetir.	-	-	-	-	-	-	-	-	-	-	-
Ortalama Değer	-	-	-	-	-	-	-	-	-	-	-

https://ebs.bilecik.edu.tr/pdf/dersbilgigetir/451275