İstatistik ve Veri Analizi(INF257)
| Ders Kodu | Dersin Adı | Yarıyıl | Teori | Uygulama | Lab | Kredisi | AKTS |
|---|---|---|---|---|---|---|---|
| INF257 | İstatistik ve Veri Analizi | 4 | 3 | 0 | 0 | 3 | 5 |
| Ön Koşul | |
| Derse Kabul Koşulları |
| Dersin Dili | Fransızca |
| Türü | Zorunlu |
| Dersin Düzeyi | Lisans |
| Dersi Veren(ler) | Günce Keziban ORMAN korman@gsu.edu.tr (Email) |
| Dersin Yardımcıları | |
| Dersin Amacı | Bu ders temel istatistik kavramlarını öğrenmiş öğrencilerin, bu kavramların gerçek dünyadaki yansımalarını algılayıp, gerçek veriler üzerinde veri analizi yapabilmek için farklı kavramları harmanlayarak uygun modeller geliştirmelerini ve geliştirdikleri modelleri programlayabilmelerini amaçlamaktadır. Böylelikle öğrenciler sayısal veri içeren mühendislik problemleriyle karşılaştıklarında öncelikle teorik bir bakış açısıyla bu problemlere yaklaşacak, sonrasında teorik çözümler üretecek ve en nihayetinde ürettikleri çözümleri programlama yoluyla somut sonuçlara ulaşacak ve pratik cevapları bulabilecektir. |
| İçerik |
1. Hafta Veri - Bilgi - Kullanılabilir Bilgi Kavramları, Veri Analizine Genel Bakış 2. Hafta Genel İstatistik Kavramları, Değişken Tipleri, Veri Tanımlama - Dönem Projesi Açıklaması 3. Hafta Tek değişkenli Tanımlayıcı Analiz: Nitel Veri Tanımlama - Veri Görselleme 4. Hafta Tek değişkenli Tanımlayıcı Analiz: Nicel Veri Tanımlama - Veri Görselleme 5. Hafta Parametreli İstatistik - İstatistiksel Çıkarım 6. Hafta z-test 7. Hafta 2 Örneklemin Karşılaştırılması - t-test - Sonuçları Yorumlama 8. Hafta Ara Sınav 9. Hafta Varyans Analizi (ANOVA) 10. Hafta Doğrusal ve Çoklu Regresyon, İstatistiksel Regresyon Analizi 11. Hafta Doğrusal Regresyon Çeşitlemeleri: Mantıksal Regresyon, Genel Doğrusal Model, Hiyerarşik Doğrusal Model 12. Hafta Zaman Serisi Analizi 13. Hafta Proje Sunumları 1 14. Hafta Proje Sunumları 2 |
| Dersin Öğrenme Çıktıları |
Bu dersi başarıyla tamamlayan öğrenci aşağıdaki konularda yeterliliğe sahip olacaktır: 1. Veri Analizinde İstatistiksel Yöntemler Kullanmak 2. İstatistiksel Programlama Yapabilmek 3. Gerçek Veri Analizi için İstatistiksel Model Tasarlayabilmek 4. Sayısal Veriyi Anlamlandırmak için gerekli Teorik ve Pratik altyapıyı oluşturmak 5. Zaman Serisi Analizleri yapabilmek ve trend saptamak |
| Öğretim Yöntemleri |
1. Anlatım 2. Tartışma 3. Gösterip Yaptırma 4. Örnek Olay 5. Sorun (Problem) Çözme 6. İşbirlikli Öğrenme 7. Soru-Cevap 8. Kavram Haritaları 9. Proje 10. Beyin Fırtınası |
| Kaynaklar |
1. PDQ Statistics, Geoffrey R. Norman, David L. Streiner, 2003 2. The Art of R Programming, A tour of Statistical Software Design, Norman Matloff, 2011 3. Data Mining Concepts and Techniques, Jiawei Han, Micheline Kamber, 2006 4. An Introduction to Statistical Learning, Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani, 2013 5. Software for Data Analysis: Programming with R (Statistics and Computing), John M. Chambers, 2008 6. Modern Applied Statistics with S (Statistics and Computing), W.N. Venables, B.D. Ripley, 2002 |
Teori Konu Başlıkları
| Hafta | Konu Başlıkları |
|---|---|
| 1 | Veri - Bilgi - Kullanılabilir Bilgi Kavramları, Veri Analizine Genel Bakış |
| 2 | Genel İstatistik Kavramları, Değişken Tipleri, Veri Tanımlama |
| 3 | Tek değişkenli Tanımlayıcı Analiz: Nitel Veri Tanımlama - Veri Görselleme |
| 4 | Tek değişkenli Tanımlayıcı Analiz: Nicel Veri Tanımlama - Veri Görselleme |
| 5 | Parametreli İstatistik - İstatistiksel Çıkarım |
| 6 | Hipotez testleri, z-test |
| 7 | 2 Örneklemin Karşılaştırılması - t-test - Sonuçları Yorumlama |
| 8 | Ara Sınav |
| 9 | Varyans Analizi (ANOVA) |
| 10 | Doğrusal ve Çoklu Regresyon, İstatistiksel Regresyon Analizi |
| 11 | Doğrusal Regresyon Çeşitlemeleri: Mantıksal Regresyon, Genel Doğrusal Model, Hiyerarşik Doğrusal Model |
| 12 | Zaman Serisi Analizi |
| 13 | Proje Sunumları 1 |
| 14 | Proje Sunumları 2 |
Uygulama Konu Başlıkları
| Hafta | Konu Başlıkları |
|---|
Başarı Notuna Etki Oranları
| Sayı | Katkı Payı | |
|---|---|---|
| Yarıyıl içi çalışmaların başarı notuna katkısı | 2 | 60 |
| Yarıyıl sonu çalışmaların başarı notuna katkısı | 1 | 40 |
| Toplam | 3 | 100 |
Yarıyıl İçi Çalışmaları
| Sayı | Katkı Payı | |
|---|---|---|
| Ödevler | 0 | 0 |
| Sunum | 0 | 0 |
| Arasınavlar (Hazırlık Süresi Dahil) | 1 | 25 |
| Proje | 1 | 35 |
| Laboratuar | 0 | 0 |
| Diğer Uygulamalar | 0 | 0 |
| Kısa Sınavlar | 0 | 0 |
| Dönem Ödevi / Projesi | 0 | 0 |
| Portfolyo Çalışmaları | 0 | 0 |
| Raporlar | 0 | 0 |
| Öğrenme Günlükleri | 0 | 0 |
| Bitirme Tezi/Projesi | 0 | 0 |
| Seminer | 0 | 0 |
| Diğer | 0 | 0 |
| Bütünleme | 0 | 0 |
| Toplam | 2 | 60 |
| Numara | Program Yeterlilikleri | Puan | ||||
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | ||
| 1 | Matematik, fizik ve mühendislik bilimlerine özgü konularda yeterli bilgi birikimi; bu alanlardaki kuramsal ve uygulamalı bilgileri, mühendislik problemlerinin modellenmesi ve çözümünde kullanabilme becerisi. | X | ||||
| 2 | Karmaşık bilgisayar mühendisliği problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi. | X | ||||
| 3 | Yazılımsal veya donanımsal karmaşık bir sistemi, süreci veya donanımı gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlama becerisi; bu amaçla modern tasarım yöntemlerini uygulama becerisi. | |||||
| 4 | Mühendislik uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları geliştirme, seçme ve kullanma becerisi; bilişim teknolojilerini etkin bir şekilde kullanma becerisi. | X | ||||
| 5 | Analitik düşünce ile bir sistemi, sistem bileşenini ya da süreci analiz etme, modelleme, deney tasarlama ve yapma, veri toplama, çözüm algoritmaları üretebilme, uygulamaya alma ve geliştirme becerileri. | X | ||||
| 6 | Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi; bireysel çalışma becerisi. | X | ||||
| 7 | Türkçe sözlü ve yazılı etkin iletişim kurma becerisi; en az iki yabancı dil bilgisi; etkin rapor yazma ve yazılı raporları anlama, yazılım ve donanım tasarımını, gerekirse teknik resim metotları kullanarak raporlayabilme, etkin sunum yapabilme becerisi. | X | ||||
| 8 | Bilgiye erişebilme ve bu amaçla kaynak araştırması yapabilme, veri tabanları ve diğer bilgi kaynaklarını kullanabilme becerisi | X | ||||
| 9 | Yaşam boyu öğrenmenin gerekliliği bilinci; kendini sürekli yenileme becerisi. | |||||
| 10 | Mesleki etik ilkelerine uygun davranma, mesleki sorumluluk bilinci; mühendislik uygulamalarında kullanılan standartlar hakkında bilgi. | |||||
| 11 | Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi. | X | ||||
| 12 | Mühendislik uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın mühendislik alanına yansıyan sorunları hakkında bilgi. | |||||
| 13 | Bilgisayar mühendisliği uygulamalarının hukuki ve etik boyutları konusunda farkındalık. | |||||
| Etkinlikler | Sayı | Süre | Toplam İş Yükü |
|---|---|---|---|
| Ders Süresi | 14 | 2 | 28 |
| Sınıf Dışı Çalışma Süresi | 11 | 2 | 22 |
| Ödevler | 0 | 0 | 0 |
| Sunum | 0 | 0 | 0 |
| Arasınavlar (Hazırlık Süresi Dahil) | 1 | 12 | 12 |
| Proje | 1 | 40 | 40 |
| Laboratuar | 0 | 0 | 0 |
| Diğer Uygulamalar | 0 | 0 | 0 |
| Yarıyıl Sonu Sınavı (Hazırlık Süresi Dahil) | 1 | 20 | 20 |
| Kısa Sınavlar | 0 | 0 | 0 |
| Dönem Ödevi / Projesi | 0 | 0 | 0 |
| Portfolyo Çalışmaları | 0 | 0 | 0 |
| Raporlar | 0 | 0 | 0 |
| Öğrenme Günlükleri | 0 | 0 | 0 |
| Bitirme Tezi/Projesi | 0 | 0 | 0 |
| Seminer | 0 | 0 | 0 |
| Diğer | 0 | 0 | 0 |
| Bütünleme | 0 | 0 | 0 |
| Ts Yıl Sonu | 0 | 0 | 0 |
| Hazırlık Yıl Sonu | 0 | 0 | 0 |
| Hazırlık Bütünleme | 0 | 0 | 0 |
| Toplam İş Yükü | 122 | ||
| Toplam İş Yükü / 25 | 4.88 | ||
| Dersin AKTS Kredisi | 5 | ||