ENDÜSTRİ 4.0 (İNGİLİZCE, TEZSİZ) | |||||
Yüksek Lisans | TYYÇ: 7. Düzey | QF-EHEA: 2. Düzey | EQF-LLL: 7. Düzey |
Ders Kodu | Ders Adı | Yarıyıl | Teorik | Pratik | Kredi | AKTS |
MAT5020 | Bioistatistik Yöntemler | Güz | 3 | 0 | 3 | 12 |
Bu dersin açılması ilgili bölüm tarafından yarıyıl başında belirlenir |
Öğretim Dili: | Tr |
Dersin Türü: | Departmental Elective |
Dersin Seviyesi: | LİSANSÜSTÜ |
Dersin Veriliş Şekli: | Yüz yüze |
Dersin Koordinatörü: | Prof. Dr. CANAN ÇELİK KARAASLANLI |
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 |
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. |
Istatistik, ayrık matematik, nümerik analiz ve bilgi kuramıni iceren çeşitli yöntemlerin modern algoritmalar ve uygulamalar ile uygulamari gosterilmistir. |
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 |
Ders Notları: | 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 |
Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
Devam | 14 | % 0 |
Laboratuar | 10 | % 0 |
Uygulama | 0 | % 0 |
Arazi Çalışması | 0 | % 0 |
Derse Özgü Staj | 0 | % 0 |
Küçük Sınavlar | 0 | % 0 |
Ödev | 3 | % 15 |
Sunum | 0 | % 0 |
Projeler | 1 | % 20 |
Seminer | 0 | % 0 |
Ara Sınavlar | 1 | % 25 |
Ara Juri | % 0 | |
Final | 1 | % 40 |
Rapor Teslimi | % 0 | |
Juri | % 0 | |
Bütünleme | % 0 | |
Toplam | % 100 | |
YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 40 | |
YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 60 | |
Toplam | % 100 |
Aktiviteler | Aktivite Sayısı | Süre (Saat) | İş Yükü |
Ders Saati | 14 | 2 | 28 |
Laboratuvar | 14 | 1 | 14 |
Uygulama | 0 | 0 | 0 |
Derse Özgü Staj | 0 | 0 | 0 |
Arazi Çalışması | 0 | 0 | 0 |
Sınıf Dışı Ders Çalışması | 14 | 3 | 42 |
Sunum / Seminer | 1 | 15 | 15 |
Proje | 1 | 25 | 25 |
Ödevler | 3 | 5 | 15 |
Küçük Sınavlar | 0 | 0 | 0 |
Ara Juri | 0 | ||
Ara Sınavlar | 1 | 25 | 25 |
Rapor Teslimi | 0 | ||
Juri | 0 | ||
Final | 1 | 36 | 36 |
Toplam İş Yükü | 200 |
Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
Dersin Program Kazanımlarına Etkisi | Katkı Payı |