VBL5068 - İstatistikte Simülasyon

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
İstatistikte Simülasyon	VBL5068	1	3 + 0	7,5	Seçmeli

Birim Bölüm	Veri Bilimi ve Analitiği - YL - Lisansüstü (Yüz yüze)
Amaç	Veri bilimi problemlerinde karşılaşılan karmaşık sistemleri ve belirsizlikleri bilgisayar ortamında modelleme, rastgele veri üretme tekniklerini kullanarak istatistiksel çıkarımlar yapma ve algoritmik çözümler geliştirme yetkinliği kazandırmaktır.
Ders İçeriği	Olasılık dağılımlarından örneklem üretme yöntemleri, Monte Carlo simülasyonu, Markov Zinciri Monte Carlo (MCMC) algoritmaları, varyans azaltma teknikleri ve bootstrap gibi yeniden örnekleme metotlarının veri analitiği uygulamalarını kapsar.
EBS Koordinatörü	Serpil TÜRKYILMAZ

Hafta	Konu
1	Simülasyonun Temelleri
2	Rastgele Sayı Üretimi
3	Rastgele Değişken Üretimi-I
4	Rastgele Değişken Üretimi-II
5	Monte Carlo Entegrasyonu
6	Varyans Azaltma Teknikleri
7	Ara Sınav / Proje Önerisi
8	Yeniden Örnekleme (Bootstrap)
9	Markov Zinciri Monte Carlo (MCMC)
10	Gibbs Örneklemesi
11	Kesikli Olay Simülasyonu
12	Simülasyonda Optimizasyon
13	Model Doğrulama ve Geçerlilik
14	Veri Bilimi Vaka Çalışmaları

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 olasılıksal sistemleri tanımlayabilir ve uygun simülasyon modelini kurabilir.	-	-	-	-	-	-	-	-	-	-	-
R veya Python gibi dilleri kullanarak farklı olasılık dağılımlarından rastgele veri üretebilir.	-	-	-	-	-	-	-	-	-	-	-
Monte Carlo ve MCMC yöntemlerini kullanarak istatistiksel çıkarımlar yapabilir.	-	-	-	-	-	-	-	-	-	-	-
Bootstrap ve yeniden örnekleme tekniklerini veri setlerindeki belirsizliği ölçmek için uygulayabilir.	-	-	-	-	-	-	-	-	-	-	-
Simülasyon çıktılarını analiz ederek modellerin performansını ve doğruluğunu değerlendirebilir.	-	-	-	-	-	-	-	-	-	-	-
Ortalama Değer	-	-	-	-	-	-	-	-	-	-	-

https://ebs.bilecik.edu.tr/pdf/dersbilgigetir/451294