4. Yarıyıl Ders İçerikleri

4. YARIYIL DERS İÇERIKLERI

Veri Bilimi ve Analitiği Lisans Programı 4. yarıyıl ders içerikleri.

Amaç: Bu dersin amacı, olasılıksal ve çıkarımsal istatistiğin temel araçlarını; tek ve çok örneklemli hipotez testleri, varyans analizi, ki-kare testleri ve doğrusal regresyon çıkarımı aracılığıyla hem kuramsal hem uygulamalı düzeyde kazandırmaktır.

İçerik: Ders kapsamında örnekleme dağılımları ve Merkezi Limit Teoremi, tek ve iki örneklemli t-testleri, tek yönlü ve iki yönlü ANOVA, ANCOVA ve tekrarlı ölçüm ANOVA, ki-kare bağımsızlık ve uyum iyiliği testleri, doğrusal regresyon: çıkarım, güven aralıkları ve tahmin, çoklu regresyon ve ANOVA ile regresyon arasındaki bağlantı ve R ile istatistiksel analiz uygulamaları konuları işlenmektedir.

Amaç: Bu dersin amacı, analitik çözümü güç ya da olanaksız istatistiksel ve matematiksel problemlerin yaklaşık çözümünü rassal örnekleme ve simülasyon yöntemleriyle elde etmeyi; Monte Carlo yöntemi, Markov zinciri simülasyonu ve önyükleme (bootstrap) tekniklerini hem kuramsal hem uygulamalı düzeyde öğretmektir.

İçerik: Ders kapsamında rassal sayı üretimi ve testleri, dağılım dönüşüm yöntemleri, Monte Carlo ile integral hesabı, istatistikte Monte Carlo yöntemi, bootstrap ve jackknife yöntemleri işlenmektedir.

Amaç: İlk dönem kazanılan C programlama becerilerini temel alarak, verilerin bellekte organize edilme yöntemlerini (Veri Yapıları) uygulamalı olarak öğretmektir. Öğrencilere algoritmaların zaman ve alan karmaşıklıklarını analiz etme yetisi kazandırmayı, optimizasyon problem çözümlerinde en doğru veri yapısını seçme ve sıfırdan kodlama becerisini aşılamayı amaçlar.

İçerik: Algoritma analizi ve Asimptotik Notasyon, özyineleme, dinamik veri yapıları, bağlı listeler, yığınlar, kuyruklar, ağaç yapıları, grafikller, arama ve sıralama algoritmalarının C dili ile implementasyonu. konuları işlenmektedir.

Amaç: Bu dersin amacı, Python’ın veri bilimi ekosisteminin ileri düzey kütüphane ve araçlarını — scikit-learn, XGBoost, LightGBM, MLflow, Optuna ve Streamlit — gerçek veri setleri üzerinde uygulama odaklı olarak öğretmek; tam bir veri bilimi projesini baştan sona Python ile yürütme yetkinliğini kazandırmaktır.

İçerik: Ders kapsamında ileri Pandas: çok indeksli yapılar, performans ve büyük dosyalar, ileri görselleştirme: Plotly, Altair ve etkileşimli grafikler, scikit-learn boru hattı ve özellik mühendisliği, XGBoost ve LightGBM: güçlendirme (boosting) modelleri, hiperparametre optimizasyonu (Optuna, Bayesian), SHAP ile model açıklanabilirliği, MLflow ile deney izleme ve Streamlit ile prototip uygulama geliştirilmesi işlenmektedir.

Amaç: Öğrencilere karmaşık veri setlerini analitik ve estetik kurallara uygun olarak görselleştirme becerisi kazandırmaktır. Veri türüne uygun grafik seçimi, algısal tasarım ilkeleri, etkileşimli raporlama ve hikayeleştirme teknikleri kullanılarak veriden stratejik anlam çıkarma ve sonuçları paydaşlara etkili bir şekilde sunma yeteneğini geliştirmeyi amaçlar.

İçerik: Veri görselleştirmenin temel ilkeleri, insan algısı ve tasarım teorisi, veri türlerine göre grafik seçimi (dağılım, trend, ilişki, mekansal veri), statik ve dinamik görselleştirme kütüphaneleri, etkileşimli gösterge panelleri ve veri hikayeleştirme .