MAT5020 Bioistatistik YöntemlerBahçeşehir ÜniversitesiAkademik Programlar UYGULAMALI MATEMATİK (TÜRKÇE, TEZSİZ)Öğrenciler için Genel BilgiDiploma EkiErasmus BeyanıUlusal YeterliliklerBologna Komisyonu
UYGULAMALI MATEMATİK (TÜRKÇE, TEZSİZ)
Yüksek Lisans TYYÇ: 7. Düzey QF-EHEA: 2. Düzey EQF-LLL: 7. Düzey

Ders Tanıtım Bilgileri

Ders Kodu Ders Adı Yarıyıl Teorik Pratik Kredi AKTS
MAT5020 Bioistatistik Yöntemler Güz 3 0 3 12
Bu katalog bilgi amaçlıdır, dersin açılma durumu, ilgili bölüm tarafından yarıyıl başında belirlenir.

Temel Bilgiler

Öğretim Dili: Turkish
Dersin Türü: Departmental Elective
Dersin Seviyesi: LİSANSÜSTÜ
Dersin Veriliş Şekli: Yüz yüze
Dersin Koordinatörü: Prof. Dr. CANAN ÇELİK KARAASLANLI
Opsiyonel Program Bileşenleri: Matlab
Dersin Amacı: Bu dersin amacı, veri madenciliği, çıkarım, tahmin ve bilgi kuramı, yöntem ve uygulamalarini hesaplamalı biyoloji, tıp, biyoinformatik, biyoteknoloji alanlarindaki problemleri modelleyebilmek ve veri analizini yapabilir seviyeye gelmektir

Öğrenme Kazanımları

Bu dersi başarıyla tamamlayabilen öğrenciler;
Bu dersin sonunda öğrencilerin istatistiksel öğrenme modern yöntemleri hakkinda iyi bir bakış acilari olmalıdır. Ayrıca biyolji ve tip alanindaki problemleri hesaplama ve simülasyon ile, uygulamalarıni yapabilir duruma geleceklerdir.

Dersin İçeriği

Istatistik, ayrık matematik, nümerik analiz ve bilgi kuramıni iceren çeşitli yöntemlerin modern algoritmalar ve uygulamalar ile uygulamari gosterilmistir.

Haftalık Ayrıntılı Ders İçeriği

Hafta Konu Ön Hazırlık
1) Istatistiksel Ogrenmeye Giris
2) Eğiticili Öğrenmeye Giriş
3) Dogrusal Regresyon ve Matlab Uygulamaları
4) Dogrusal Regresyon
5) Dogrusal Sınıflandırma
6) Doğrusal Sınıflandırma ile Model Değerlendirme ve Seçme
7) Model Değerlendirme ve Seçme
8) Model Çıkarımı be Ortalama
9) Model Çıkarımı, Ortalama, Toplamsal Modeller ve Ağaçlar
10) Toplamsal Modeller ve Ağaçlar
11) Prototip Yöntemler be En Yakın Komşuluk
12) Prototip Yöntemlerö En Yakın Komsulukö Öbekleme Algoritmaları ve Destek Vektör Makineleri
13) Eğiticisiz Öğrenme ve dönem projeleri
14) Dönem Projelerinin Sunumu

Kaynaklar

Ders Notları / Kitaplar: D.T. Hastie, R. Tibshirani and J. Friedman, “The Elemenents of Statistical Learning”, Springer Series in Statistics, 2001
Diğer Kaynaklar: N. Christianini and J. Shawe-Taylor, “An Introduction to Support Vector
Machines”, Cambridge University Press, 2000.
E. Alpaydin, Introduction to Machine Learning, 2e, The MIT Press, February 2010,
ISBN-10: 0-262-01243-X ISBN-13: 978-0-262-01243-0
E. Alpaydin, Yapay Öğrenme, Boğaziçi Üniversitesi Yayınevi, April 2011, ISBN: 978-6-054-23849-1

Değerlendirme Sistemi

Yarıyıl İçi Çalışmaları Aktivite Sayısı Katkı Payı
Devam 14 % 0
Laboratuar 10 % 0
Ödev 3 % 15
Projeler 1 % 20
Ara Sınavlar 1 % 25
Final 1 % 40
Toplam % 100
YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI % 40
YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI % 60
Toplam % 100

AKTS / İş Yükü Tablosu

Aktiviteler Aktivite Sayısı Süre (Saat) İş Yükü
Ders Saati 14 2 28
Laboratuvar 14 1 14
Sınıf Dışı Ders Çalışması 14 3 42
Sunum / Seminer 1 15 15
Proje 1 25 25
Ödevler 3 5 15
Ara Sınavlar 1 25 25
Final 1 36 36
Toplam İş Yükü 200

Program ve Öğrenme Kazanımları İlişkisi

Etkisi Yok 1 En Düşük 2 Düşük 3 Orta 4 Yüksek 5 En Yüksek
           
Dersin Program Kazanımlarına Etkisi Katkı Payı
1) Matematik ile ilgili kavramları özümseyebilme ve bu kavramları ilişkilendirebilme.
2) Temel matematiksel beceriler (problem çözme, akıl yürütme, ilişkilendirme, genelleme) ve bu becerilere dayalı yetenekler edinebilme. (Rasyonel düşünme tekniği kazandırabilme)
3) Eleştirel ve yaratıcı düşünmenin ve problem çözme becerilerinin gelişimi için uygun yöntem ve tekniklerle etkinlikler düzenleyebilme.
4) Çalışma hayatı ve sosyal yaşam ile ilgili konularda bireysel ve takım çalışmaları yapabilme.
5) Alanı ile ilgili konularda düşüncelerini ve konulara ilişkin çözüm önerilerini yazılı ve sözlü olarak aktarabilme.
6) Matematiksel bilgi birikimlerini teknolojide kullanabilme.
7) Gerçek dünya problemlerinde Matematiksel prensipleri uygulayabilme.
8) Farklı disiplinlerin yaklaşım ve bilgilerini Matematikte kullanabilme.
9) Matematik alanındaki bir problemi, bağımsız olarak kurgulayabilme, çözüm yöntemi geliştirebilme, çözebilme, sonuçları değerlendirebilme ve gerektiğinde uygulayabilme.
10) Gerçek dünya problemlerinde Matematiksel prensipleri uygulayabilme.
11) Yalnız veya bir ekibin elemanı olarak araştırma yapmak, bir projenin ilgili her adımında etkili olmak, karar verme süreçlerine katılmak, zamanı etkili kullanarak proje planlamak ve yürütmek.
12) Kendisini geliştirmek ve matematiğin kullanıldığı alanlarda modelleme yapabilecek seviyede gerekli bilgi birikimini elde etmek.