Hoş Geldiniz,
Misafir
.
Oturum Aç
.
English
NİNOVA
DERSLER
YARDIM
HAKKINDA
Neredeyim:
Ninova
/
Dersler
/
Fen Bilimleri Enstitüsü
/
MAT 555E
/
Dersin Bilgileri
Fakülteye dön
Ana Sayfa
Dersin Bilgileri
Dersin Haftalık Planı
Değerlendirme Kriterleri
Dersin Bilgileri
Dersin Adı
Türkçe
Hesaplamalı Bilimler için İstatistiksel Veri Analizi
İngilizce
Statistical Data Analysis for Computational Sciences
Dersin Kodu
MAT 555E
Kredi
Ders
(saat/hafta)
Uygulama
(saat/hafta)
Labratuvar
(saat/hafta)
Dönem
-
3
3
-
-
Dersin Dili
İngilizce
Dersin Koordinatörü
Gül İnan
Gül İnan
Dersin Amaçları
Bu ders istatistiksel teori ve veri analizini örnekler aracılığıyla harmanlayı planlamaktadır. Bu ders şu şekilde tasarlanmıştır:
- Çıkarım ve tahmine yönelik denetimli ve denetimsiz istatistiksel öğrenme yöntemleri ve algoritmalarının ardındaki matematiksel, istatistiksel ve hesaplamalı kavramları sağlamak.
- Bu yöntemlerin yüksek boyutlu verilere genişletilmesini sağlamak.
- Bu yöntemlerin gerçek hayat veri setlerinde uygulamalarını sağlamak.
- Bu yöntemlerin Python'da uygulanmasını sağlamak.
Dersin Tanımı
MAT555E, veri analizinde çıkarım ve tahmin problemleri için yaygın olarak kullanılan istatistiksel yöntemlere giriş sağlamayı amaçlayan lisansüstü düzeyde bir derstir. Ders örnekler aracılığıyla istatistiksel teori ve veri analizini harmanlayacaktır.
Dersin Çıktıları
Bu dersi başarıyla tamamlayan bir öğrencinin:
- Denetimli ve denetimsiz istatistiksel öğrenme yöntemlerinin ardındaki kavram ve ilkelere hakim olması,
- Belirli gerçek hayat veri setleri üzerinde veri analizi yapmak için hangi yöntemin/yöntemlerin uygun olabileceğini belirleyebilmesi,
- Python Scikit-Learn kütüphanesine aşina olmasını,
- Makine öğrenimi ve ilgili alanlarda daha ileri düzey derslere veya bilimsel araştırmalara hazırlıklı olması beklenmektedir.
Önkoşullar
- Lineer cebir, olasılık, istatistik ve optimizasyon bilgisi,
- Python’un Numpy, Pandas, Matplotlib, Seaborn, Statsmodels ve Scikit-Learn kütüphanelerine aşinalık,
- Jupyter Notebook, Google Colab veya Visual Studio Code gibi en az bir hesaplamalı dökümanı kullanmaya aşinalık.
Gereken Olanaklar
Taşınabilir Bilgisayar
Diğer
.
Ders Kitabı
James, G., Witten, D., Hastie, T., and Tibshirani, R. (2021). An Introduction to Statistical Learning: With Applications in R. New York: Springer. [Available online at https://www.statlearning.com/ ]
Diğer Referanslar
Hastie, T., Tibshirani, R., Friedman, J.H., and Friedman, J.H. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. New York: Springer. [Hard copy available at ITU Mustafa Inan Library with CALL #Q325.5 .H37 2009] [Available online at https://hastie.su.domains/ElemStatLearn/]
Fan, J., Li, R., Zhang, C.H., and Zou, H. (2020). Statistical Foundations of Data Science. Chapman and Hall/CRC.
Deisenroth, M.P., Faisal, A.A., and Ong, C. S. (2020). Mathematics for Machine Learning. Cambridge University Press. [Available online at https://mml-book.github.io/].
VanderPlas, J. (2016). Python Data Science Handbook: Essential Tools for Working with Data. O’Reilly Media, Inc. [Available online at https://jakevdp.github.io/PythonDataScienceHandbook/].
Müller, A.C., and Guido, S. (2016). Introduction to Machine Learning with Python: A Guide for Data Scientists. O’Reilly Media, Inc. [Available online at https://github.com/amueller/introduction_to_ml_with_python].
Dersler
.
Yardım
.
Hakkında
Ninova, İTÜ Bilgi İşlem Daire Başkanlığı ürünüdür. © 2024