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