Course Name Code Semester T+U Hours Credit ECTS
Probability and Computational Statistics CMM 522 0 3 + 0 3 6
Precondition Courses
Recommended Optional Courses
Course Language Turkish
Course Level yuksek_lisans
Course Type Optional
Course Coordinator Dr.Öğr.Üyesi UFUK KULA
Course Lecturers
Course Assistants
Course Category
Course Objective This objective of the course is to understand the basic concepts of probability and statistics and to apply these concepts into data obtained in the relevant research areas in order to analyze, extract useful information from these data and make statistical inferences.
Course Content Random Experiment, Events, Sample Space; Probability Axioms, Some important rules of Probability; Conditional Probability, Total Probability Formula, Bayes? Theorem; Random variables and some important Probability Distributions; Sampling and some Sampling Distributions; Explanatory Data Analysis, Pattern Recognition Techniques; Supervised and Unsupervised Learning; Regression Analysis
# Course Learning Outcomes Teaching Methods Assessment Methods
1 Define a Random Experiment, Event, Sample Space and List these concept in a given Random Experiment. Lecture, Question-Answer, Discussion, Demonstration, Testing, Oral Exam, Homework,
2 Prove basic probability theorems by using the probability axioms. Lecture, Question-Answer, Discussion, Demonstration, Testing, Homework,
3 Compute the event probabilities by using the concepts and rules of conditional probability. Lecture, Question-Answer, Discussion, Demonstration, Testing, Homework,
4 Use the concept of sampling distribution in a given problem, compute and interpret the probabilities of the related statistics. Lecture, Question-Answer, Discussion, Demonstration, Testing, Oral Exam, Homework,
5 Find and interpret the existing patterns in a given data set by using pattern recognition techniques. Lecture, Question-Answer, Discussion, Demonstration, Testing, Oral Exam, Homework,
6 Make statistical inferences by applying Monte Carlo techniques. Lecture, Question-Answer, Discussion, Demonstration, Testing, Oral Exam, Homework,
7 Distinguish between Supervised and Unsupervised Learning, Apply these techniques to a given data set. Lecture, Question-Answer, Discussion, Demonstration, Testing, Oral Exam, Homework,
8 Apply the basic concepts of regression in a given data set.
Week Course Topics Preliminary Preparation
1 Random Experiment, Events, Sample Space and Probability Measure, Probability Axioms
2 Important Rules of of Probability and Conditional Probability
3 Total Probability Formula and Bayes? Formula
4 Random Variables, and Probability Distributions
5 Expectation and Variance of a Random Variable
6 Sampling and Sampling Distributions
7 Exploratory Data Analysis
8 Exploratory Data Analysis
9 Finding Structures in Data: Principal Component Analysis, Independent Component Analysis
10 Statistical Hypothesis Testing
11 Statistical Hypothesis Testing and Monte Carlo Methods in Inferential Statistics
12 Supervised Learning
13 Unsuprevised Learning
14 Regression Analysis
Resources
Course Notes Lecture notes can be found under "MATERIAL SHARING" section at the start of the semester.
Course Resources 1. Computational Statistics Handbook with MATLAB, (2008), Martinez W. L. Martinez A.R., Springer
2. Elements of Computational Statistics, 2005, Gentle J., Chapman and Hall
Order Program Outcomes Level of Contribution
1 2 3 4 5
1 Mühendislik alanında bilimsel araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşabilme, bilgiyi değerlendirme, yorumlama ve uygulama becerisi
2 Sınırlı ya da eksik verileri kullanarak bilimsel yöntemlerle bilgiyi tamamlayabilme ve uygulama becerisi; değişik disiplinlere ait bilgileri bütünleştirebilme becerisi
3 Mühendislik problemlerini kurgulayabilme, çözmek için yöntem geliştirme ve çözümlerde yenilikçi yöntemler uygulama becerisi
4 Yeni ve orijinal fikir ve yöntemler geliştirme becerisi; sistem, parça veya süreç tasarımlarında yenilikçi çözümler geliştirebilme becerisi
5 Mühendislikte uygulanan modern teknik ve yöntemler ile bunların sınırları hakkında kapsamlı bilgi
6 Analitik, modelleme ve deneysel esaslı araştırmaları tasarlama ve uygulama becerisi; bu süreçte karşılaşılan karmaşık durumları analiz etme ve yorumlama becerisi
7 Gereksinim duyulan bilgi ve verileri tanımlama, bunlara ulaşma ve değerlendirmede ileri düzeyde beceri
8 Çok disiplinli takımlarda liderlik yapma, karmaşık durumlarda çözüm yaklaşımları geliştirebilme ve sorumluluk alma becerisi
9 Çalışmalarının süreç ve sonuçlarını, o alandaki veya dışındaki ulusal ve uluslar arası ortamlarda sistematik ve açık bir şekilde yazılı ya da sözlü olarak aktarabilme becerisi
10 Verilerin toplanması, yorumlanması, duyurulması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetme yeterliliği
11 Mesleğinin yeni ve gelişmekte olan uygulamaları hakkında farkındalık; gerektiğinde bunları inceleme ve öğrenebilme becerisi
12 Mühendislik uygulamalarının sosyal ve çevresel boyutlarını anlama ve sosyal çevreye uyum becerisi
Evaluation System
Semester Studies Contribution Rate
1. Ara Sınav 60
1. Kısa Sınav 10
1. Ödev 5
2. Ödev 5
3. Ödev 5
4. Ödev 5
5. Ödev 5
6. Ödev 5
Total 100
1. Yıl İçinin Başarıya 60
1. Final 40
Total 100
ECTS - Workload Activity Quantity Time (Hours) Total Workload (Hours)
Course Duration (Including the exam week: 16x Total course hours) 16 3 48
Hours for off-the-classroom study (Pre-study, practice) 16 3 48
Mid-terms 1 12 12
Quiz 1 3 3
Assignment 6 3 18
Final examination 1 12 12
Total Workload 141
Total Workload / 25 (Hours) 5.64
dersAKTSKredisi 6