VBL5062 - Güvenilirlik ve Yaşam 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
Güvenilirlik ve Yaşam Analizi	VBL5062	1	3 + 0	7,5	Seçmeli

Birim Bölüm	Veri Bilimi ve Analitiği - YL - Lisansüstü (Yüz yüze)
Amaç	Öğrencilere zaman odaklı veri setlerini analiz etme, yaşam fonksiyonlarını tahmin etme ve sistemlerin güvenilirlik performanslarını matematiksel modellerle değerlendirme yeteneği kazandırmaktır.
Ders İçeriği	Temel güvenilirlik kavramları, sansürlü veri türleri, yaşam dağılımları, parametrik ve parametrik olmayan modeller (Kaplan-Meier, Cox Regresyon) ve hızlandırılmış yaşam testlerini içermektedir.
EBS Koordinatörü	Kadriye Nurdanay ÖZTÜRK Serpil TÜRKYILMAZ

Hafta	Konu
1	Güvenilirlik ile ilgili Giriş ve Temel Kavramlar (Arıza hızı, MTBF, MTTF)
2	Yaşam Verilerinin Özellikleri: Tam veri, sağdan, soldan ve aralıklı sansürleme türleri.
3	Yaşam Fonksiyonları: Güvenilirlik fonksiyonu , Arıza yoğunluk fonksiyonu ve Tehlike oranı
4	Parametrik Yaşam Dağılımları I: Üstel ve Normal dağılımlar.
5	Parametrik Yaşam Dağılımları II: Weibull, Lognormal ve Gamma dağılımları.
6	Parametrik Olmayan Yöntemler I: Kaplan-Meier (Ürün Limiti) Tahmincisi.
7	Parametrik Olmayan Yöntemler II: Nelson-Aalen Tahmincisi ve Yaşam Eğrilerinin Karşılaştırılması (Log-Rank Testi).
8	Parametre Tahmin Yöntemleri: En Çok Olabilirlik (MLE) ve En Küçük Kareler Yöntemleri.
9	Yarı-Parametrik Modeller: Cox Orantılı Tehlikeler (Proportional Hazards) Modeli
10	Model Teşhisleri: Residual (artık) analizi ve orantılılık varsayımının kontrolü
11	Hızlandırılmış Yaşam Testleri (Accelerated Life Testing): Arrhenius ve Power-Law modelleri
12	Sistem Güvenilirliği: Seri, paralel, k-out-of-n yapılı sistemler ve yedekleme (redundancy).
13	MATLAB/R Uygulamaları: Gerçek veri setleri üzerinden vaka analizleri ve proje sunumları.
14	MATLAB/R Uygulamaları: Gerçek veri setleri üzerinden vaka analizleri ve 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
Sansürlü verilerin istatistiksel doğasını kavrar ve analize hazırlar.	-	-	-	-	-	-	-	-	-	-	-
Veri setine en uygun yaşam dağılımını belirleyebilir ve parametrelerini tahmin edebilir.	-	-	-	-	-	-	-	-	-	-	-
Sistem güvenilirliğini hesaplayarak kritik bileşenleri tespit edebilir.	-	-	-	-	-	-	-	-	-	-	-
Cox regresyonu kullanarak risk faktörlerinin yaşam süresi üzerindeki etkisini modelleyebili	-	-	-	-	-	-	-	-	-	-	-
Ortalama Değer	-	-	-	-	-	-	-	-	-	-	-

https://ebs.bilecik.edu.tr/pdf/dersbilgigetir/451288