Erciyes University - Info Package

Dersin Adı	Dersin Seviyesi	Dersin Kodu	Dersin Tipi	Dersin Dönemi	Yerel Kredi	AKTS Kredisi	Ders Bilgileri
İSTATİSTİKSEL ÖĞRENME	Üçüncü Düzey	BİS 614	Seçmeli	1	7.00	7.00	Yazdır

Dersin Tanımı

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

Dersin İçeriği

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

Dersin Öğrenme Çıktıları

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
2
3
4
5
6
7
8
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 İş 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.

Ders İle İlgili Dosyalar