| Dersin adı |
Dersin seviyesi |
Dersin kodu |
Dersin tipi |
Dersin dönemi |
Yerel kredi |
AKTS kredisi |
Ders bilgileri |
| İSTATİSTİKSEL ÖĞRENME |
Üçüncü düzey |
BİS 614 |
|
1 |
7.00 |
7.00 |
Yazdır |
|
Ön koşul dersleri
|
R yazılımı ile ilgili ders alan öğrenciler için ön koşul yoktur. R yazılımı dersini almayan öğrencilerin SBE 517 dersini almış olması gerekmektedir.
|
|
Eğitimin dili
|
Türkçe
|
|
Koordinatör
|
PROF. DR. GÖKMEN ZARARSIZ
|
|
Dersi veren öğretim eleman(lar)ı
|
|
|
Yardımcı öğretim eleman(lar)ı
|
|
|
Dersin veriliş şekli
|
Sınıf ortamında yüzyüze anlatım ve tartışma
|
|
Dersin amacı
|
İstatistiksel öğrenme dersinde biyoinformatik alanında elde edilen verilerdeki karmaşık örüntü/yapıların elde edilmesi ve araştırmacıların verecekleri kararlara destek olacak otomatik öğrenen algoritmaların geliştirilmesi; ortak fonksiyona sahip gen ve protein gruplarının bulunmasında, ayrıca hastalıkların alt sınıflarının belirlenmesinde kullanılan kümeleme analizleri ve özellikle biyoinformatik alanında moleküler tanı amaçlı kullanılan diskriminant analizlerinin ve diğer sınıflandırma analizlerinin öğretilmesi, Orange ve R programlarında uygulamalarının gösterilmesi.
|
|
Dersin tanımı
|
|
|
1- |
İstatistiksel öğrenmeye giriş
|
|
2- |
Biyolojik verilerin yapılandırılması ve ön işlemesi
|
|
3- |
Birliktelik kuralları
|
|
4- |
Kümeleme analizlerinin biyoinformatik alanında kullanımı
|
|
5- |
Küme sayısının belirlenmesinde istatistiksel yöntemler
|
|
6- |
Hiyerarşik, k-ortalamalar ve SOM kümeleme yöntemleri
|
|
7- |
Ara Sınav
|
|
8- |
Kümeleme geçerliliği istatistikleri
|
|
9- |
Diskriminant analizleri ve biyoinformatik alanında kullanımı
|
|
10- |
Sınıflandırma analizleri ve değişken seçim yöntemleri
|
|
11- |
Karar ağaçları ve random forest yöntemi
|
|
12- |
Yapay sinir ağları
|
|
13- |
Destek vektör makineleri
|
|
14- |
Boosting, bootstrap, jackknife ve çapraz geçerlilik yöntemleri
Regresyon yöntemlerine dayalı algoritmalar
|
|
15- |
FİNAL SINAVI
|
|
16- |
|
|
17- |
|
|
18- |
|
|
19- |
|
|
20- |
|
|
1- |
Biyolojik verilerin ön işlemesi ve analize hazırlanması
|
|
2- |
Sınıflama/Kümeleme algoritmaları
|
|
3- |
Yapay sinir ağları
|
|
4- |
Regresyon tabanlı teknikler
|
|
5- |
Bootstrap, jackknife, çapraz geçerlilik
|
|
6- |
Model seçimi ve performans ölçüleri
|
|
7- |
|
|
8- |
|
|
9- |
|
|
10- |
|
|
*Dersin program yeterliliklerine katkı seviyesi
|
|
1- |
Beslenme ve Diyetetik alanıyla ilgili kanıta dayalı güncel bilgiler ve teknolojik araç gereçler konusunda bilgi sahibi olma.
|
|
|
2- |
Uzmanlık düzeyinde bireysel veya disiplinler arası yaptığı bilimsel çalışmaların verilerini yorumlama, analiz etme ve raporlama bilgisine sahip olma.
|
|
|
3- |
Beslenme ve Diyetetik alanıyla ilgili edindiği bilgileri kullanarak yeni bilgiler oluşturmak için gereken teknolojik donanımları kullanarak bilimsel araştırmalar yapabilme.
|
|
|
4- |
Bilimsel araştırmaların analizi için doğru istatistiksel yöntemleri kullanabilme.
|
|
|
5- |
Beslenme ve Diyetetik alanıyla ilgili çalışmaları bağımsız ya da ekip olarak gerçekleştirerek bilimsel makaleleri ulusal düzeyde yayınlayabilme ve / veya sunabilme.
|
|
|
6- |
Yaşam boyu öğrenme ilkelerini benimseyerek kendini güncelleyebilme.
|
|
|
7- |
Beslenme ve Diyetetik alanında veya dışındaki birey ya da gruplarla sözlü veya yazılı iletişime geçerek kalite süreçlerine uyarak, güncel bilimsel gelişmeleri tartışabilme, paylaşabilme.
|
|
|
8- |
Etik ilkeler doğrultusunda bilimsel bilgileri toplar, yorumlar, birey ve toplumu gözeterek, ulusal ve uluslararası beslenme plan ve politikalarına yön verecek çalışmalara katkıda bulunabilme, yürütebilme, yönetebilme, değerlendirebilme.
|
|
|
9- |
|
|
|
10- |
|
|
|
11- |
|
|
|
12- |
|
|
|
13- |
|
|
|
14- |
|
|
|
15- |
|
|
|
16- |
|
|
|
17- |
|
|
|
18- |
|
|
|
19- |
|
|
|
20- |
|
|
|
21- |
|
|
|
22- |
|
|
|
23- |
|
|
|
24- |
|
|
|
25- |
|
|
|
26- |
|
|
|
27- |
|
|
|
28- |
|
|
|
29- |
|
|
|
30- |
|
|
|
31- |
|
|
|
32- |
|
|
|
33- |
|
|
|
34- |
|
|
|
35- |
|
|
|
36- |
|
|
|
37- |
|
|
|
38- |
|
|
|
39- |
|
|
|
40- |
|
|
|
41- |
|
|
|
42- |
|
|
|
43- |
|
|
|
44- |
|
|
|
45- |
|
|
|
Yıldızların sayısı 1’den (en az) 5’e (en fazla) kadar katkı seviyesini ifade eder |
|
Planlanan öğretim faaliyetleri, öğretme metodları ve AKTS iş yükü
|
|
|
Sayısı
|
Süresi (saat)
|
Sayı*Süre (saat)
|
|
Yüz yüze eğitim
|
14
|
3
|
42
|
|
Sınıf dışı ders çalışma süresi (ön çalışma, pekiştirme)
|
14
|
5
|
70
|
|
Ödevler
|
2
|
14
|
28
|
|
Sunum / Seminer hazırlama
|
0
|
0
|
0
|
|
Kısa sınavlar
|
0
|
0
|
0
|
|
Ara sınavlara hazırlık
|
1
|
15
|
15
|
|
Ara sınavlar
|
0
|
0
|
0
|
|
Proje (Yarıyıl ödevi)
|
1
|
30
|
30
|
|
Laboratuvar
|
0
|
0
|
0
|
|
Arazi çalışması
|
0
|
0
|
0
|
|
Yarıyıl sonu sınavına hazırlık
|
1
|
25
|
25
|
|
Yarıyıl sonu sınavı
|
0
|
0
|
0
|
|
Araştırma
|
0
|
0
|
0
|
|
Toplam iş yükü
|
|
|
210
|
|
AKTS
|
|
|
8.50
|
|
Değerlendirme yöntemleri ve kriterler
|
|
Yarıyıl içi değerlendirme
|
Sayısı
|
Katkı Yüzdesi
|
|
Ara sınav
|
1
|
30
|
|
Kısa sınav
|
0
|
0
|
|
Ödev
|
2
|
20
|
|
Yarıyıl içi toplam
|
|
50
|
|
Yarıyıl içi değerlendirmelerin başarıya katkı oranı
|
|
60
|
|
Yarıyıl sonu sınavının başarıya katkı oranı
|
|
40
|
|
Genel toplam
|
|
100
|
|
Önerilen veya zorunlu okuma materyalleri
|
|
Ders kitabı
|
Eğitmen notları
|
|
Yardımcı Kaynaklar
|
Friedman, Jerome, Trevor Hastie, and Robert Tibshirani. The elements of statistical learning. Vol. 1. No. 10. New York: Springer series in statistics, 2001.
Ders notları, eğitmen notları, vb.
|
|