| Ders Adı | Kodu | Yarıyıl | T+U Saat | AKTS | |
| Bayesci İstatistiğe Giriş | İST310 | 7 | 2 + 1 | 5,0 |
| Birim Bölüm | İSTATİSTİK VE BİLGİSAYAR BİLİMLERİ |
| Derece Seviye | Lisans - Seçmeli - Türkçe |
| Dersin Verilişi | Yüz Yüze |
| EBS Koordinatörü | Arş. Gör. Kadriye Nurdanay ÖZTÜRK |
| Ders Veren | |
| Amaç |
Bu dersin amacı öğrencilere Bayes istatistiksel modelleme ve çıkarımı ile ilgili hesaplama stratejileri ve algoritmalarını tanıtmaktır. Ders, Normal ve Binom dağılımlarına dayanan basit modellerin seçimi ile başlar. Tek ve çok parametreli modeller için eşlenik ve bilgilendirici olmayan önsel kavramlar gösterilmektedir. Daha sonra hiyerarşik modeller, doğrusal ve doğrusal olmayan regresyon modelleri de katmak üzere daha gelişmiş modeller incelenecektir. Gibbs örnekleyici ve Metropolis-Hastings algoritmaları dahil olmak üzere Bayes hesaplama yöntemleri (MCMC), bunların uygulanması ve yakınsamasının izlenmesiyle ilgili konulara vurgu yaparak sunulmaktadır. Ders, gerçek veri problemlerine yönelik uygulamalarla oldukça matematiksel olacaktır. |
| Ders İçeriği |
1) Ders hakkında bilgi- Bayes istatistiğe giriş 2) Tek parametreli modeller 3) Normal model 4) MCMC. 5) Çok parametreli modeller 6) Hiyerarşik Modeller 7) Doğrusal modeller 8) Doğrusal modeller için değişken seçimi 9) Hiyerarşik doğrusal modeller 10) Genelleştirilmiş doğrusal modeller 11) Karışık modeller 12) Doğrusal olmayan modeller |
| Ders Kaynakları |
1) Daniela Calvetti Erkki Somersalo, “Introduction to Bayesian Scientific Computing”, springer, 2007. 2) Jon Wakefield, “Bayesian and Frequentist Regression Methods,” Springer New York Heidelberg Dordrecht London, 2013. 3) Per Christian Hansen, Víctor Pereyra , Godela Scherer, “Least Squares Data Fitting with Applications”, 2012. 4) Baris M. Kazar • Mete Celik, “Spatial AutoRegression (SAR) Model: Parameter Estimation Techniques”, Springer New York Dordrecht Heidelberg London, 2012.
|
| Yarıyıl İçi Çalışmalar | Katkı Yüzdesi (%) |
| Bu bilgi girilmemiştir. | |
| Toplam | 0 |
| Yarıyıl Sonu Çalışmalar | Katkı Yüzdesi (%) |
| Bu bilgi girilmemiştir. | |
| Toplam | %0 |
| Yarıyıl İçinin Başarıya Oranı | %0 |
| Yarıyıl Sonu Çalışmalar | %0 |
| Toplam | %0 |
| Kategori | Ders İlişki Yüzdeleri (%) |
|
Aktarılabilir Beceri Dersleri
|
0
|
|
Beşeri, İletişim ve Yönetim Becerileri Dersleri
|
0
|
|
Destek Dersleri
|
0
|
|
Ek Dersler
|
0
|
|
Kategori
|
0
|
|
Mesleki Seçmeli Dersler
|
0
|
|
Temel Meslek Dersleri
|
0
|
|
Uygulama Dersleri
|
0
|
|
Uzmanlık / Alan Dersleri
|
0
|
| Ders İş Yükü | Öğretim Metotlar / Öğretim Metodu | Süresi (Saat) | Sayısı | Toplam İş Yükü (Saat) |
| Toplam İş Yükü (Saat) | 0 | |||
| AKTS = Toplam İş Yükü (Saat) / 25.5 (s) | 0 | |||
| AKTS | ||||
| Hafta | Konu | Öğretim Metodu |
|---|---|---|
| 1 | Ders hakkında bilgi- Bayes istatistiğe giriş | Ders Tartışmalı Ders |
| 2 | Tek parametreli modeller | Ders Tartışmalı Ders |
| 3 | Tek parametreli modeller ve uygulamaları | Ders Tartışmalı Ders |
| 4 | Normal model | Ders Tartışmalı Ders |
| 5 | Normal model ve uygulamaları | Ders Tartışmalı Ders |
| 6 | MCMC | Ders Tartışmalı Ders |
| 7 | Çok paramametrik modeller | Ders Tartışmalı Ders |
| 8 | Çok paramametrik modeller ve uygulamalar | Ders Tartışmalı Ders |
| 9 | Hiyeraşık modeller | Ders Tartışmalı Ders |
| 10 | Hiyeraşık modeller ve uygulamalar | Ders Tartışmalı Ders |
| 11 | Doğrusal modeller | Ders Tartışmalı Ders |
| 12 | Genel modeller | Ders Tartışmalı Ders |
| 13 | Doğrusal olmayan modeller | Ders Tartışmalı Ders |
| 14 | Örnek Uygulamalar | Ders Tartışmalı Ders |
| Ders Öğrenme Çıktısı | Ölçme Değerlendirme | Öğretim Metodu | Öğrenme Faaliyeti |
| Bir dizi standart istatistiksel problem için Bayes analizi yapma | Yazılı Sınav Ödev / Proje | Sınıf Dışı Çalışma Tartışmalı Ders | Araştırma – yaşam boyu öğrenme, yazma, okuma, Bilişim Dinleme ve anlamlandırma, gözlem/durumları işleme, eleştirel düşünme, soru geliştirme |
| Bayes yaklaşımını doğrudan yeni durumlara uygulama | Yazılı Sınav Ödev / Proje | Sınıf Dışı Çalışma Tartışmalı Ders | Araştırma – yaşam boyu öğrenme, yazma, okuma, Bilişim Dinleme ve anlamlandırma, gözlem/durumları işleme, eleştirel düşünme, soru geliştirme |
| Bayesci modellemenin sağlamlığını değerlendirmek için görsel ve sayısal teşhis kullanmayı öğrenme | Yazılı Sınav Ödev / Proje | Sınıf Dışı Çalışma Tartışmalı Ders | Araştırma – yaşam boyu öğrenme, yazma, okuma, Bilişim Dinleme ve anlamlandırma, gözlem/durumları işleme, eleştirel düşünme, soru geliştirme |
| Mathematica' da bu sayısal yöntemlerin nasıl uygulanacağını ve kullanılacağını öğrenme | Yazılı Sınav Ödev / Proje | Sınıf Dışı Çalışma Tartışmalı Ders | Araştırma – yaşam boyu öğrenme, yazma, okuma, Bilişim Dinleme ve anlamlandırma, gözlem/durumları işleme, eleştirel düşünme, soru geliştirme |
| Hesaplama gereksinimlerine aşina hale gelme | Yazılı Sınav Ödev / Proje | Sınıf Dışı Çalışma Tartışmalı Ders | Araştırma – yaşam boyu öğrenme, yazma, okuma, Bilişim Dinleme ve anlamlandırma, gözlem/durumları işleme, eleştirel düşünme, soru geliştirme |
DERS ÖĞRENME ÇIKTISI |
PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 | PÇ 10 | PÇ 11 | PÇ 12 | PÇ 13 | PÇ 14 | PÇ 15 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Bir dizi standart istatistiksel problem için Bayes analizi yapma | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| Bayes yaklaşımını doğrudan yeni durumlara uygulama | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| Bayesci modellemenin sağlamlığını değerlendirmek için görsel ve sayısal teşhis kullanmayı öğrenme | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| Mathematica' da bu sayısal yöntemlerin nasıl uygulanacağını ve kullanılacağını öğrenme | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
| Hesaplama gereksinimlerine aşina hale gelme | - | - | - | - | - | - | - | - | - | - | - | - | - | - | - |
