Veri Analizine Giriş(INF356)
| Ders Kodu | Dersin Adı | Yarıyıl | Teori | Uygulama | Lab | Kredisi | AKTS |
|---|---|---|---|---|---|---|---|
| INF356 | Veri Analizine Giriş | 5 | 3 | 0 | 0 | 3 | 4 |
| Ön Koşul | IND211 VEYA INF211 |
| Derse Kabul Koşulları | IND211 VEYA INF211 |
| 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, R Diline Giriş 3. Hafta Sayısal Veri Tanımlama - R Dilinde Uygulama ve Görselleme 4. Hafta Parametreli İstatistik - İstatistiksel Çıkarım - R Dilinde Veri Oluşturma ve Veriden Çıkarım 5. Hafta 2 Örneklemin Karşılaştırılması - t-test - Sonuçları Yorumlama - R Dilinde Uygulama 6. Hafta Varyans Analizi - R Dilinde AOV ve ANOVA fonksiyonları 7. Hafta Doğrusal ve Çoklu Regresyon -R Dilinde lm fonksiyonu 8. Hafta Ara Sınav 9. Hafta Kovaryans Analizi - R Dilinde Uygulama 10. Hafta Doğrusal Regresyon Çeşitlemeleri: Mantıksal Regresyon, Genel Doğrusal Model, Hiyerarşik Doğrusal Model 11. Hafta Zaman Serisi Analizi - Dönem Projesi Açıklaması 12. Hafta Parametresiz İstatistik; Anlamlılık Testi 13. Hafta Parametresiz İstatistik; Birleştirme Ölçütleri 14. Hafta İleri Parametresiz İstatistik Modelleri ve Proje Sunumları |
| 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 |
|---|
Uygulama Konu Başlıkları
| Hafta | Konu Başlıkları |
|---|
Başarı Notuna Etki Oranları
| Sayı | Katkı Payı | |
|---|---|---|
| Toplam | 0 | 0 |
Yarıyıl İçi Çalışmaları
| Sayı | Katkı Payı | |
|---|---|---|
| Toplam | 0 | 0 |
| Numara | Program Yeterlilikleri | Puan | ||||
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | ||
| Etkinlikler | Sayı | Süre | Toplam İş Yükü |
|---|---|---|---|
| Toplam İş Yükü | 0 | ||
| Toplam İş Yükü / 25 | 0,00 | ||
| Dersin AKTS Kredisi | 0 | ||