| 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 |