VBL5054 - Python ile İstatistik Uygulamaları

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
Python ile İstatistik Uygulamaları	VBL5054	1	3 + 0	7,5	Seçmeli

Birim Bölüm	Veri Bilimi ve Analitiği - YL - Lisansüstü (Yüz yüze)
Amaç	Bu dersin amacı, öğrencilere istatistiksel kavramları Python programlama dili ve ekosistemi (Pandas, Scipy, Statsmodels, Pingouin) kullanarak uygulama becerisi kazandırmaktır. Teorik istatistiksel yöntemlerin modern veri setlerine nasıl aktarılacağı, hipotez testlerinin nasıl kodlanacağı ve sonuçların profesyonel düzeyde nasıl görselleştirileceği hedeflenmektedir.
Ders İçeriği	Ders; Python'da veri yapıları ve betimsel istatistik uygulamalarıyla başlar. Olasılık dağılımlarının simülasyonu, hipotez testlerinin otomatize edilmesi, varyans analizi (ANOVA) modelleri, korelasyon ve regresyonun Python üzerinden yürütülmesi konularını kapsar. Ayrıca modern istatistiksel yaklaşımlar olan resampling teknikleri ve çok değişkenli analizlerin kodlanmasına odaklanılır.
EBS Koordinatörü	Serpil TÜRKYILMAZ

Hafta	Konu
1	Python İstatistik Ekosistemi: Anaconda, Jupyter Notebook kurulumu; Numpy ve Pandas ile veriye giriş.
2	Keşifsel Veri Analizi (EDA): Merkezi eğilim (mean, median) ve yayılım (std, IQR) ölçülerinin Pandas ile hesaplanması.
3	Veri Görselleştirme: Matplotlib ve Seaborn ile dağılım grafikleri (Histogram, Boxplot, KDE).
4	Olasılık Dağılımları ve Simülasyon: scipy.stats ile Normal, Binom ve Poisson dağılımları; Merkezi Limit Teoremi simülasyonu.
5	Güven Aralıkları ve Örnekleme: Standart hata hesabı ve farklı güven düzeyleri için Python uygulamaları.
6	Hipotez Testleri - I (Tek Örneklem): T-testi ve Z-testi; Normallik testleri (Shapiro-Wilk, D'Agostino).
7	Hipotez Testleri - II (İki ve Çoklu Örneklem): Bağımsız ve bağımlı t-testleri; pingouin kütüphanesi ile hızlı raporlama.
8	Ara Sınav / Uygulamalı Veri Analizi Projesi
9	Varyans Analizi (ANOVA): Tek yönlü ve çift yönlü ANOVA; Post-hoc testleri (Tukey, Bonferroni) uygulamaları.
10	Non-Parametrik Testler: Mann-Whitney U, Wilcoxon ve Kruskal-Wallis testlerinin Python ile yürütülmesi.
11	Korelasyon ve Ki-Kare: Pearson, Spearman ve Kendall korelasyonları; Kontenjans tabloları ve bağımsızlık testleri.
12	Regresyon Analizi: OLS (En Küçük Kareler) sonuç raporunun okunması ve katsayı analizi.
13	Yeniden Örnekleme (Resampling): Bootstrap yöntemleri ve Permütasyon testlerinin random modülüyle kodlanması.
14	Sonuçların Raporlanması: Analiz bulgularının bilimsel formatta sunumu 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
Büyük veri setlerini Pandas ile temizler, manipüle eder ve analize hazır hale getirir.	-	-	-	-	-	-	-	-	-	-	-
SciPy ve Statsmodels kütüphanelerini kullanarak parametrik ve parametrik olmayan hipotez testlerini gerçekleştirir.	-	-	-	-	-	-	-	-	-	-	-
Veri setlerindeki karmaşık ilişkileri Seaborn ve Matplotlib ile istatistiksel grafiklere dönüştürür.	-	-	-	-	-	-	-	-	-	-	-
Örnekleme dağılımlarını ve istatistiksel simülasyonları (Bootstrap, Permütasyon testleri) Python ile kodlar.	-	-	-	-	-	-	-	-	-	-	-
Elde edilen istatistiksel sonuçları "P-değeri", "Güven Aralığı" ve "Etki Büyüklüğü" ekseninde bilimsel olarak yorumlar.	-	-	-	-	-	-	-	-	-	-	-
Ortalama Değer	-	-	-	-	-	-	-	-	-	-	-

https://ebs.bilecik.edu.tr/pdf/dersbilgigetir/451280