| Ders Adı | Kodu | Yarıyıl | T+U Saat | AKTS | |
| Denetimli İstatistiksel Öğrenme | VBL5011 | 1 | 3 + 0 | 7,5 |
| Birim Bölüm | VERİ BİLİMİ VE ANALİTİĞİ - YL |
| Derece Seviye | Lisansüstü - Seçmeli - Türkçe |
| Dersin Verilişi | Yüz yüze |
| EBS Koordinatörü | Prof. Dr. Serpil TÜRKYILMAZ (Yıl: 2025 - 2026) |
| Ders Veren | |
| Amaç |
Bu ders, öğrencilere veriye dayalı tahminleme ve karar verme süreçlerinde kullanılan modern istatistiksel yöntemlerin teorik altyapısını ve uygulama becerisini kazandırmayı amaçlar. Temel hedef; karmaşık modellerin doğruluğunu ölçmek, aşırı öğrenme (overfitting) gibi kritik problemleri yönetmek ve farklı algoritma türleri arasından veriye en uygun olanı seçebilme yetkinliği sağlamaktır. |
| Ders İçeriği |
Öğrenciler; regresyon ve sınıflandırma algoritmalarının teorik temellerini kavrayarak, model karmaşıklığı ile tahmin performansı arasındaki varyans-yanlılık (bias-variance) dengesini kurmayı ve gerçek dünya verilerine modern veri bilimi araçlarıyla çözüm üretmeyi öğrenirler |
| Ders Kaynakları |
An Introduction to Statistical Learning (with Applications in R/Python) – James, Witten, Hastie, Tibshirani.
|
| 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
|
|
Yetkinlik Tamamlayıcı Ders
|
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 | 3,0 | |||
| Hafta | Konu | Öğretim Metodu |
|---|---|---|
| 1 | Giriş ve Temel Kavramlar İstatistiksel öğrenme nedir? Denetimli vs. Denetimsiz öğrenme. Yanlılık-Varyans (Bias-Variance) dengesi. | Ders Sınıf Dışı Çalışma Tartışmalı Ders |
| 2 | Doğrusal Regresyon Basit ve çoklu doğrusal regresyon. En küçük kareler yöntemi ve katsayı yorumlama. | Ders Sınıf Dışı Çalışma Tartışmalı Ders |
| 3 | Sınıflandırma: Lojistik Regresyon İkili sınıflandırma, olasılık tahmini ve lojistik fonksiyon. | Ders Sınıf Dışı Çalışma Tartışmalı Ders |
| 4 | Sınıflandırma: LDA, QDA ve k-NN Doğrusal ve İkinci Dereceden Ayrışma Analizi, Naive Bayes ve k-En Yakın Komşu algoritması. | |
| 5 | Yeniden Örnekleme Yöntemleri Çapraz doğrulama (Cross-Validation), LOOCV ve Bootstrap teknikleri. | Ders Sınıf Dışı Çalışma Tartışmalı Ders |
| 6 | Model Seçimi ve Düzenlileştirme Alt küme seçimi, Ridge ve Lasso regresyonu (L1/L2 düzenlileştirme). | Ders Sınıf Dışı Çalışma Tartışmalı Ders |
| 7 | Doğrusallığın Ötesine Geçiş Polinom regresyon, step fonksiyonları, spline'lar ve GAM modelleri. | Ders Sınıf Dışı Çalışma Tartışmalı Ders |
| 8 | Ara Sınav /7 haftalık konuların teorik ve uygulama bazlı sınavı. | Ders Sınıf Dışı Çalışma Tartışmalı Ders |
| 9 | Ağaç Tabanlı Yöntemler Regresyon ve sınıflandırma ağaçları (CART), budama (pruning) işlemleri. | Ders Sınıf Dışı Çalışma Tartışmalı Ders |
| 10 | Torbalama ve Rassal Ormanlar Bagging kavramı ve Random Forests algoritması ile varyans azaltma. | Ders Sınıf Dışı Çalışma Tartışmalı Ders |
| 11 | Artırma (Boosting) Yöntemleri AdaBoost, Gradient Boosting ve XGBoost modellerine giriş. | Ders Sınıf Dışı Çalışma Tartışmalı Ders |
| 12 | Destek Vektör Makineleri (SVM)Maksimal marjinal sınıflandırıcılar ve kernel (çekirdek) hilesi. | Ders Sınıf Dışı Çalışma Tartışmalı Ders |
| 13 | Derin Öğrenmeye Giriş Çok katmanlı algılayıcılar ve temel sinir ağı mimarileri. | Ders Sınıf Dışı Çalışma Tartışmalı Ders |
| 14 | Model Performansı ve Etik ROC/AUC metrikleri, F1 skoru, model seçimi ve algoritmik yanlılık tartışmaları. | Ders Sınıf Dışı Çalışma Tartışmalı Ders |
| Ders Öğrenme Çıktısı | Ölçme Değerlendirme | Öğretim Metodu | Öğrenme Faaliyeti |
| Denetimli öğrenme problemlerini (regresyon vs sınıflandırma) ayırt eder ve formüle eder. | Yazılı Sınav Ödev / Proje | Ders Sınıf Dışı Çalışma Tartışmalı Ders | Dinleme ve anlamlandırma Araştırma – yaşam boyu öğrenme, yazma, okuma, Bilişim Dinleme ve anlamlandırma, gözlem/durumları işleme, eleştirel düşünme, soru geliştirme |
| Tahmin modellerinin performansını MSE, R-kare, Accuracy, F1-score gibi metriklerle değerlendirir. | Yazılı Sınav Ödev / Proje | Ders Sınıf Dışı Çalışma Tartışmalı Ders | Dinleme ve anlamlandırma Araştırma – yaşam boyu öğrenme, yazma, okuma, Bilişim Dinleme ve anlamlandırma, gözlem/durumları işleme, eleştirel düşünme, soru geliştirme |
| Boyut indirgeme ve düzenlileştirme (Regularization) tekniklerini uygulayarak model yorumlanabilirliğini artırır. | Yazılı Sınav Ödev / Proje | Ders Sınıf Dışı Çalışma Tartışmalı Ders | Dinleme ve anlamlandırma Araştırma – yaşam boyu öğrenme, yazma, okuma, Bilişim Dinleme ve anlamlandırma, gözlem/durumları işleme, eleştirel düşünme, soru geliştirme |
| Modern makine öğrenmesi kütüphanelerini kullanarak gerçek veri setleri üzerinde projeler yürütür. | Yazılı Sınav Ödev / Proje | Ders Sınıf Dışı Çalışma Tartışmalı Ders | Dinleme ve anlamlandırma Araştırma – yaşam boyu öğrenme, yazma, okuma, Bilişim Dinleme ve anlamlandırma, gözlem/durumları işleme, eleştirel düşünme, soru geliştirme |
DERS ÖĞRENME ÇIKTISI |
PÇ | PÇ | PÇ | PÇ | PÇ | PÇ | PÇ | PÇ | PÇ | PÇ | PÇ |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Ortalama Değer | - | - | - | - | - | - | - | - | - | - | - |
