Anasayfa » Akademik Birimler » Fen-Edebiyat Fakültesi » İstatistik Bölümü » Dersler » Bayesgil İstatistik
Ders AdıKodu Yerel KrediAKTS Ders (saat/hafta)Uygulama (saat/hafta)Laboratuar (saat/hafta)
Bayesgil İstatistikIST306035300
ÖnkoşullarYok
YarıyılGüz
Dersin Diliİngilizce, Türkçe
Dersin SeviyesiLisans
Dersin TürüSeçmeli @ İstatistik Lisans Programı (%30 İngilizce)
Seçmeli @ Matematik Lisans Programı
Seçmeli @ Moleküler Biyoloji ve Genetik Lisans Programı
Ders KategorisiTemel Meslek Dersleri
Dersin Veriliş ŞekliYüz yüze
Dersi Sunan Akademik Birimİstatistik Bölümü
Dersin KoordinatörüFiliz Karaman
Dersi Veren(ler)Hülya Yürekli, Erhan Çene, Filiz Karaman
Asistan(lar)ı
Dersin AmacıBu dersin amacı, öğrencilere Bayesgil istatistik yaklaşımını tanıtmak, klasik istatistikle olan farklarını açıklamak ve önsel (prior) – sonsal (posterior) dağılımlar çerçevesinde tahmin ve çıkarım yapabilme becerisi kazandırmaktır. Ayrıca öğrencilerin R programlama dili kullanarak basit Bayesgil modelleri kurabilmeleri, posterior dağılım tahmini yapabilmeleri ve gerçek hayat verileri üzerinde uygulama deneyimi kazanmaları hedeflenmektedir.
Dersin İçeriğiOlasılık tanımları ve temel kavramlar; Bayes teoremi ve Bayesgil yaklaşımın tarihsel gelişimi; önsel dağılım türleri; sonsal dağılım tahmini; Bayesgil tahmin; R yazılımında Bayesgil yöntemlerin uygulanması;Gerçek yaşam uygulamaları; Naïve Bayes algoritması.
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
  • Gelman Andrew, Carlin John, Stern Hal, Dunson David, Vehtari Aki & Rubin Donald. Bayesian Data Analysis, 3rd. ed., online, 2013.
  • Kruschke, John K. Doing Bayesian Data Analysis: A Tutorial with R, JAGS, and Stan. 2nd. ed., Academic Press, 2015.
  • Koduvely, Hari M. Learning Bayesian Models with R: Become an expert in Bayesian Machine Learning methods using R and apply them to solve real-world big data problems, Packt Publishing, 2015.
Opsiyonel Program BileşenleriYok

Ders Öğrenim Çıktıları

  1. Bayesgil istatistik yaklaşımının temel kavramlarını tanımlayabileceklerdir.
  2. Önsel ve sonsal dağılımlar arasındaki ilişkiyi açıklayabileceklerdir.
  3. Farklı önsel dağılımların analiz sonuçlarını nasıl etkilediğini yorumlayabileceklerdir.
  4. Sonsal dağılımın tahmin yöntemlerini uygulayabileceklerdir.
  5. R yazılımında temel Bayesgil analizleri gerçekleştirebileceklerdir.
  6. Bayesgil yöntemleri kullanarak gerçek hayattan örnekleri çözümleyebileceklerdir.
  7. Klasik ve Bayesgil yaklaşımı karşılaştırarak uygun yöntemi seçebileceklerdir.

Ders Öğrenim Çıktısı & Program Çıktısı Matrisi

DÖÇ-1DÖÇ-2DÖÇ-3DÖÇ-4DÖÇ-5DÖÇ-6DÖÇ-7

Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları

HaftaKonularÖn Hazırlık
1Konu Anlatımı: Olasılık kavramlarının gözden geçirilmesi Sınıf-içi Uygulama (60 dk.): Basit ve koşullu olasılık hesaplamaları yaptırılması Sınıf-içi Tartışma (60 dk.): Olasılık kavramına ve hesaplamalarına ilişkin tartışmanın yapılması Kısa Sınav 1 (10 dk.): Ders sonunda, derste işlenen konuları içeren bir kısa sınavın yapılmasıOlasılık kavramlarına ilişkin ön bilgilerin hatırlanması ve etkinleştirilmesi. Kaynak: Ders Kitabı, 11-24; 29-32; Kruschke, 71-97; 123-141; Koduvely, 1-7. Kısa Sınav 1: (Olasılık, koşullu olasılık hesaplamaları) Kaynak: Ders Kitabı, 11-24; 29-32; Kruschke, 71-97; 123-141; Koduvely, 1-7.
2Konu Anlatımı: Bayes teoreminin temelleri, Klasik ve Bayesci yaklaşımların farkları Sınıf-içi Uygulama (60 dk.): Bayesci yaklaşıma ilişkin örneklerin yaptırılması Sınıf-içi Tartışma (60 dk.): Klasik ve Bayesci yaklaşımların farklarıyla ilgili tartışmanın yapılması Kısa Sınav 2 (10 dk.): Ders sonunda, derste işlenen konuları içeren bir kısa sınavın yapılmasıBayes teoreminin temellerine ilişkin ön bilginin edinilmesi. Kaynak: Ders Kitabı, 3-8; 24-25; Kruschke, 99-120; Koduvely, 7-8; 37-42. Kısa Sınav 2: (Bayes teoremi ve Klasik ve Bayesci yaklaşımların farkları) Kaynak: Ders Kitabı, 3-8; 24-25; Kruschke, 99-120; Koduvely, 7-8; 37-42
3Konu Anlatımı: Önsel dağılımlar Sınıf-içi Uygulama (60 dk): Önsel dağılım türlerine ilişkin örneklerinin gösterilmesi Sınıf-içi Tartışma (60 dk.): Önsel dağılım seçimine ilişkin tartışmanın yapılması Kısa Sınav 3 (10 dk.): Ders sonunda, derste işlenen konuları içeren bir kısa sınavın yapılmasıÖnsel dağılımlara ilişkin ön bilginin edinilmesi. Kaynak: Ders Kitabı, 34-39; 46-56; Koduvely, 42-48. Kısa Sınav 3: (Önsel dağıılım türleri) Kaynak: Ders Kitabı, 34-39; 46-56; Koduvely, 42-48.
4Konu Anlatımı: Sonsal dağılımın elde edilmesi Sınıf-içi Uygulama (60 dk): R programlama dilinde uygulamaların yaptırılması Sınıf-içi Tartışma (60 dk.): Bayesci yaklaşıma ilişkin tartışmanın yapılmasıSonsal dağılımın elde edinilmesine ilişkin ön bilginin edinilmesi. Kaynak: Ders Kitabı, 32-34; Koduvely, 48-59.
5Konu Anlatımı: Tahmin edicilerin özellikleri; Bayesgil tahmin Sınıf-içi Uygulama (60 dk.): R programlama dilinde uygulamaların yaptırılması Sınıf-içi Tartışma (60 dk.): Bayesgil tahmine ilişkin tartışmanın yapılmasıBayesgil tahmine ilişkin ön bilginin edinilmesi. Kaynak: Ders Kitabı, 6-8; 24-25; Koduvely, 37-61.
6Konu Anlatımı: R programı ile Bayes teoremi uygulamaları Sınıf-içi Uygulama (90 dk.): R programı kullanılarak uygulama yaptırılması Sınıf-içi Tartışma (90 dk.): Uygulama sonuçlarının tartışılmasıKoşullu olasılık ve Bayes teoremi. Kaynak: Ders Notları
7Konu Anlatımı: R programı ile gerçek veri uygulamaları (tıp, sosyal bilimler, eğitim) Sınıf-içi Uygulama (90 dk.): R programlama dili kullanılarak gerçek veriler ile uygulamanın yaptırılması Sınıf-içi Tartışma (90 dk.): Uygulama sonuçlarının tartışılması Kısa Sınav 4 (10 dk.): Ders sonunda, derste işlenen konuları içeren bir kısa sınavın yapılmasıKoşullu olasılık ve Bayes teoremi. Kaynak: Ders Notları Kısa Sınav 4: (Koşullu olasılık ve Bayes teoremi) Kaynak: Ders Notları
8Ara Sınav 1
9Konu Anlatımı: Naïve Bayes Algoritması Sınıf-içi Uygulama (60 dk.): Naïve Bayes Algoritması ile ilgili örnek uygulamanın yaptırılması Sınıf-içi Tartışma (5 dk.): Uygulama sonuçlarının tartışılmasıNaïve Bayes Algoritması konusuna ilişkin ön bilginin edinilmesi. Kaynak: Koduvely; 83-91.
10Konu Anlatımı: R programı ile Naïve Bayes Algoritması Sınıf-içi Uygulama (60 dk.): R programı kullanılarak Naïve Bayes Algoritması ile ilgili örnek uygulamalar yaptırılması Sınıf-içi Tartışma (60 dk.): Uygulama sonuçlarının tartışılmasıNaïve Bayes Algoritması konusuna ilişkin ön bilginin edinilmesi. Kaynak: Koduvely; 83-91.
11Konu Anlatımı: Öğrenci proje konularının belirlenmesi Sınıf-içi Uygulama: (90 dk) Örnek proje uygulamalarının gösterilmesi Sınıf-içi Tartışma: (90 dk.) Proje konularının tartışılmasıKaynak: Ders Notları
12Konu Anlatımı: Proje hazırlanması Sınıf-içi Uygulama: (90 dk) Proje hazırlama aşamalarının uygulamalı olarak gösterilmesi Sınıf-içi Tartışma: (90 dk.) Proje hazırlama süreçlerinin tartışılmasıKaynak: Ders Notları
13Konu Anlatımı: Proje hazırlanması Sınıf-içi Uygulama: (90 dk) Proje hazırlama aşamalarının uygulamalı olarak gösterilmesi Sınıf-içi Tartışma: (90 dk.) Proje hazırlama süreçlerinin tartışılmasıKaynak: Ders Notları
14Öğrenci sunumlarının dinlenmesi Sınıf-içi Uygulama (90 dk.): Projelerde yapılan analizlerin uygulamalı olarak gösterilmesi Sınıf-içi Tartışma (90 dk.): Proje sonuçlarının tartışılmasıKaynak: Ders Notları
15Öğrenci sunumlarının dinlenmesi Sınıf-içi Uygulama (90 dk.): Projelerde yapılan analizlerin uygulamalı olarak gösterilmesi Sınıf-içi Tartışma (90 dk.): Proje sonuçlarının tartışılmasıKaynak: Ders Notları
16Final

Değerlendirme Sistemi

EtkinliklerSayıKatkı Payı
Devam/Katılım145
Laboratuar
Uygulama
Arazi Çalışması
Derse Özgü Staj
Küçük Sınavlar/Stüdyo Kritiği420
Ödev
Sunum/Jüri15
Projeler110
Seminer/Workshop
Ara Sınavlar120
Final140
Dönem İçi Çalışmaların Başarı Notuna Katkısı
Final Sınavının Başarı Notuna Katkısı
TOPLAM100

AKTS İşyükü Tablosu

EtkinliklerSayıSüresi (Saat)Toplam İşyükü
Ders Saati143
Laboratuar
Uygulama
Arazi Çalışması
Sınıf Dışı Ders Çalışması143
Derse Özgü Staj
Ödev
Küçük Sınavlar/Stüdyo Kritiği44
Projeler120
Sunum / Seminer110
Ara Sınavlar (Sınav Süresi + Sınav Hazırlık Süresi)110
Final (Sınav Süresi + Sınav Hazırlık Süresi)115
Toplam İşyükü :
Toplam İşyükü / 30(s) :
AKTS Kredisi :
Diğer NotlarYok