Ders Adı Kodu Yarıyıl T+U Saat Kredi AKTS
Probabılıty and Computatıonal Statıstıcs CMM 522 0 3 + 0 3 6
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin Dili İngilizce
Dersin Seviyesi YUKSEK_LISANS
Dersin Türü Seçmeli
Dersin Koordinatörü Dr.Öğr.Üyesi UFUK KULA
Dersi Verenler
Dersin Yardımcıları
Dersin Kategorisi Diğer
Dersin Amacı Temel olasılık ve istatistik kavramlarını anlamak ve araştırma alanlarında elde ettikleri verileri sayısal istatistiksel yöntemler kullanarak anaiz etmek anlamlandırmak ve yorumlamak süretiyle çıkarımlarda bulunmak
Dersin İçeriği Rastgele deney, olaylar ve örnek uzay; Olasılık aksiyomları ve önemli olasılık kuralları; Koşullu olasılık, toplam olasılık yasası ve Bayes kuralı; Rastgele değişkenler ve bazı önemli olasılık dağılımları; Örnekleme ve örnekleme dağılımları; Açıklayıcı veri analizi; Verilerde örüntü bulma; Gözetimli öğrenme; Gözetimsiz öğrenme; Regresyon analizi
# Ders Öğrenme Çıktıları Öğretim Yöntemleri Ölçme Yöntemleri
1 Rastegel Deneyin, Olayın ve Örnek uzayın ne olduğunu tanımlar, örnek verir ve Bir deneyde szökonusu bileşenleri listeler. Anlatım, Soru-Cevap, Beyin Fırtınası, Bireysel Çalışma,
2 Olasılık Aksiyomlarını kullanarak temel olasılık kuralalrını kanıtlar. Anlatım, Soru-Cevap, Beyin Fırtınası, Bireysel Çalışma,
3 Koşullu olasılık kavram ve kurallarını kullanarak olaylara ait olasılıkları hesaplar. Anlatım, Soru-Cevap, Beyin Fırtınası, Bireysel Çalışma,
4 Örnekleme dağılımı kavramını verilen bir problemde kullanabilir ve ilgili istatistikle ilgili olasılıkları hesaplar ve yorumlar. Anlatım, Soru-Cevap, Beyin Fırtınası, Bireysel Çalışma,
5 Örüntü bulma yöntemlerini kullanarak bir veri setindeki örüntüleri bulabilir ve yorumlayabilir. Anlatım, Soru-Cevap, Beyin Fırtınası, Bireysel Çalışma,
6 Veri kümelerine Monte Carlo yöntemlerini uygulayarak istatistikse çıkarımlarda bulunabilir Anlatım, Soru-Cevap, Beyin Fırtınası, Bireysel Çalışma,
7 Gözetimli ve gözetimsiz öğrenme yöntemleri ayırdedebilir ve veri kümelerine uygulayabilir. Anlatım, Soru-Cevap, Beyin Fırtınası, Bireysel Çalışma,
8 Regresyon analizinin temel kavramlarını bilir ve yöntemi veri kümelerine uygulayabilir.
Hafta Ders Konuları Ön Hazırlık
1 Rastgele deney, Olaylar ve Örnek uzay
2 Olasılık Aksiyomları ve Önemli Olasılık Kuralları
3 Koşullu Olasılık, Toplam Olasılık Yasası
4 Bayes Kuralı; Rastgele Değişkenler
5 Bazı Önemli Olasılık Dağılımları
6 Örnekleme ve Örnekleme Dağılımları
7 Açıklayıcı Veri Analizi
8 Açıklayıcı Veri Analizi
9 Temel Bileşen Analizi, Bağımsız Bileşen Analizi
10 İstatistiksel Hipotez Testi
11 İstatistiksel Hipotez Testi ve Monte Carlo Yöntemleri
12 Gözetimli Öğrenme
13 Gözetimsiz Öğrenme
14 Regresyon Analizi
Kaynaklar
Ders Notu TR. Ders notu dönem başında Materyal Paylaşımı bölümüne ulaşılabilir.
EN. Lecture notes can be found under "MATERIAL SHARING" section at the start of the semester.
Ders Kaynakları 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
Sıra Program Çıktıları Katkı Düzeyi
1 2 3 4 5
1 Yaşadığı toplumun bilgi toplumu olmasına katkıda bulunmak, toplumsal, bilimsel, kültürel ve etik sorunlara çözüm sunmak amaçlarıyla alanındaki bilimsel, teknolojik, sosyal veya kültürel ilerlemeleri ulusal ve uluslararası bilimsel ortamlarda (toplantılarda) tanıtır.
2 Alanında bilimsel araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşır, alanında güncel teknik ve yöntemler ile bunların kısıtları hakkında kapsamlı bilgiye sahip olup ve elde ettiği bilgiyi değerlendirir, yorumlar ve uygular.
3 Alanı ile ilgili problemleri tanımlar ve formüle eder, yeni ve/veya özgün fikir ve yöntemler geliştirir; karmaşık sistem veya süreçleri tasarlar ve tasarımlarında yenilikçi/alternatif çözümler ile gelişmekte olan yenilikçi yöntemleri kullanır.
4 Kuramsal, deneysel ve modelleme esaslı araştırmaları tasarlar ve uygular, belirsiz, sınırlı ya da eksik verileri bilimsel yöntemlerle tamamlar; verilerin toplanması, yorumlanması, duyurulması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetir.
5 Alanındaki uygulamaların sosyal, çevresel, sağlık, güvenlik, hukuki boyutlarını ve iş hayatı uygulamalarını bilir ve bunların getirdiği kısıtların farkındadır. Disiplin içi ve çok disiplinli takımlarda etkin bir biçimde birlikte ve ya bağımsız çalışabilir ve sorumluluk alır.
# Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı PÇ 1 PÇ 2 PÇ 3 PÇ 4 PÇ 5
1 Rastegel Deneyin, Olayın ve Örnek uzayın ne olduğunu tanımlar, örnek verir ve Bir deneyde szökonusu bileşenleri listeler.
2 Olasılık Aksiyomlarını kullanarak temel olasılık kuralalrını kanıtlar.
3 Koşullu olasılık kavram ve kurallarını kullanarak olaylara ait olasılıkları hesaplar.
4 Örnekleme dağılımı kavramını verilen bir problemde kullanabilir ve ilgili istatistikle ilgili olasılıkları hesaplar ve yorumlar.
5 Örüntü bulma yöntemlerini kullanarak bir veri setindeki örüntüleri bulabilir ve yorumlayabilir.
6 Veri kümelerine Monte Carlo yöntemlerini uygulayarak istatistikse çıkarımlarda bulunabilir
7 Gözetimli ve gözetimsiz öğrenme yöntemleri ayırdedebilir ve veri kümelerine uygulayabilir.
8 Regresyon analizinin temel kavramlarını bilir ve yöntemi veri kümelerine uygulayabilir.
Değerlendirme Sistemi
Yarıyıl Çalışmaları Katkı Oranı
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
Toplam 100
1. Yıl İçinin Başarıya 60
1. Final 40
Toplam 100
AKTS - İş Yükü Etkinlik Sayı Süre (Saat) Toplam İş Yükü (Saat)
Ders Süresi (Sınav haftası dahildir: 16x toplam ders saati) 16 3 48
Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme) 16 3 48
Ara Sınav 1 12 12
Kısa Sınav 1 3 3
Ödev 6 3 18
Final 1 12 12
Toplam İş Yükü 141
Toplam İş Yükü / 25 (Saat) 5,64
Dersin AKTS Kredisi 6