BİLGİ TEKNOLOJİLERİ (İNGİLİZCE, TEZLİ)
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
INE6103	Çok Değişkenli Veri Analizi	Güz Bahar	3	0	3	9

Bu katalog bilgi amaçlıdır, dersin açılma durumu, ilgili bölüm tarafından yarıyıl başında belirlenir.

Temel Bilgiler

Öğretim Dili:	English
Dersin Türü:	Departmental Elective
Dersin Seviyesi:	LİSANSÜSTÜ
Dersin Veriliş Şekli:	Yüz yüze
Dersin Koordinatörü:
Dersi Veren(ler):	Prof. Dr. SELİM ZAİM Dr. Öğr. Üyesi YÜCEL BATU SALMAN
Opsiyonel Program Bileşenleri:	Yok
Dersin Amacı:	Bu doktora dersinin amacı, öğrencilerin çok değişkenli veri analizine ilişkin değişik konuları anlama becerilerini geliştirmek, bilgilerini arttırmak ve konunun uygulamaları ile yorumlanması hakkında pratik deneyim kazanmalarını sağlamaktır. Dersin odak noktası, doğru analizin seçimi, verinin analize hazır hale getirilmesi, çıktının yorumlanması ve karmaşık bulguların sunumu gibi pratik konuları kapsamaktadır.

Öğrenme Kazanımları

Bu dersi başarıyla tamamlayabilen öğrenciler;
1. Çok değişkenli veri analizi için gereken prosedürleri ve programları kullanabilme becerisi geliştirmek.
2. Belirli bir araştırma problemi için uygun çok değişkenli veri analizi tekniğini belirleyebilmek.

Dersin İçeriği

Bu ders kapsamında işlenecek konular: Doğrusal ve çoklu regresyon modelleri, kukla değişkenli regresyon modelleri, çoklu doğrusal bağlantı problemi ve çözüm yöntemleri, çok değişkenli veri analiz teknikleri (Yapısal eşitlik modeli, faktör analizi, kovaryans analizi, ayırma analizi).

Haftalık Ayrıntılı Ders İçeriği

Hafta	Konu	Ön Hazırlık
1)	Giriş
2)	Verinin değerlendirilmesi ve temel veri manupulasyonları
3)	Çoklu regresyon analizi
4)	Açıklayıcı faktör analizi
5)	Covaryans temelli Yapısal eşitlik modeli
6)	Doğrulayıcı Faktör analizi
7)	Değerlendirme, Arasınav
8)	Yol analizi: Kovaryans temelli yapısal eşitlik modelinde
9)	Varyans temelli yapısal eşitlik modeli
10)	Yol analizi: Varyans temelli yapısal eşitlik modeli altında
11)	Sinir ağları analizi
12)	Ayırma (Diskriminant) analizi
13)	Kümeleme analizi
14)	Problemler, gözden geçirme

Kaynaklar

Ders Notları / Kitaplar:	• Multivariate Data Analysis by Joseph F. Hair, Jr,, William C. Black, Barry J. Babin, Rolph E. Anderson, 7/E, Pearson, 2010. • Applied Multivariate Techniques by Subhash Sharma. John Wiley & Sons, Inc. 1996. • Regression Analysis by Example by Samprit Chatterjee and Ali S. Hadi. John Wiley & Sons, Inc. 2006.
Diğer Kaynaklar:	Various

Değerlendirme Sistemi

Yarıyıl İçi Çalışmaları	Aktivite Sayısı	Katkı Payı
Ara Sınavlar	1	% 40
Final	1	% 60
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	13	3	39
Sınıf Dışı Ders Çalışması	14	6	84
Ödevler	5	5	25
Ara Sınavlar	1	15	15
Final	1	25	25
Toplam İş Yükü			188

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)	Temel yazılım mühendisliği bilgisini ve becerilerini kullanır
2)	Yazılım Mühendisliği uygulamaları için gerekli olan program geliştirme becerisini uygular.
3)	Veri yapılarını kullanır ve algoritma geliştirme bilgilerini uygular.
4)	İşletim sistemleri üzerinde sistem programları geliştirir.
5)	Bilgisayar organizasyonu, tasarımı ve mimarilerini tanımlar.
6)	Bilgisayar ağları ve ağ güvenliği yapılarını oluşturur.
7)	İş zekası, veri madenciliği ve veri analizi araçlarını kullanır, tekniklerini uygular.
8)	Veritabanı uygulamaları ve WEB tabanlı programlar geliştirir.
9)	Bilgi teknolojileri projelerini tanımlar, analiz eder, tasarlar ve yönetir.
10)	Eğitimde teknoloji tabanlı ortamları ve araçları kullanır ve geliştirir.
11)	İş ortamındaki bilişim teknolojileri ihtiyaçlarını saptar, tanımlar ve çözer.
12)	Bilişim teknolojileri yetkinliklerini mesleki sorumluluklar ve etik kuralları çerçevesinde kullanır.