SAAT/GÜN

1. GÜN

SAAT/GÜN

2. GÜN

SAAT/GÜN

3. GÜN

09:00 - 09:45
Ders Saati: 1

DERS ADI: Açılış ve Tanıtım

09:00 - 09:45
Ders Saati: 1

DERS ADI: Regresyon Analizleri I

09:00 - 09:45
Ders Saati: 1

DERS ADI: Zaman Serisi Analizine Giriş

DERS VERECEK ÖĞRETİM ÜYESİ:

Doç. Dr. Elvan HAYAT

Doç. Dr. Tuğba AKIN

DERS VERECEK ÖĞRETİM ÜYESİ:

Doç. Dr. Sevcan DEMİR ATALAY

DERS VERECEK ÖĞRETİM ÜYESİ:

Doç. Dr. Tuğba AKIN

DERS KONUSU: Etkinliğin tanıtımı

DERS KONUSU: Lineer ve Polinomial Regresyon

DERS KONUSU: Zaman Serisi Temelleri

DETAYLI DERS İÇERİĞİ:

- Tanışma,

- Düzenleme kurulu, eğitmenler ve yardımcı ekibin tanıtılması,

- Ayrıntılı etkinlik programı tanıtımı,

- Hedef kitlenin katılım sebepleri ve beklentilerinin tartışılması,

DETAYLI DERS İÇERİĞİ:

Lineer regresyon

Polinomial regresyon

Regresyon modellerinin performanslarının ölçülmesi

DETAYLI DERS İÇERİĞİ:

Zaman serisi tanımı, veri yapısı ve bileşenleri

Zaman serisini bileşenlerine ayırma

10:00 - 10:45
Ders Saati: 1

DERS ADI: Sosyal Bilimlerde İstatistiksel  Modelleme-I

10:00 -10:45
Ders Saati: 1

DERS ADI: R Programında Regresyon Analizleri Uygulamaları-I

10:00 -10:45
Ders Saati: 1

DERS ADI: Zaman Serisi Analizleri-I

DERS VERECEK ÖĞRETİM ÜYESİ:

Doç. Dr. Tuğba AKIN

Doç. Dr. Elvan HAYAT

DERS VERECEK ÖĞRETİM ÜYESİ:

Dr. Öğr. Üyesi Aslı KILIÇ

DERS VERECEK ÖĞRETİM ÜYESİ:

Doç. Dr. Tuğba AKIN

Doç. Dr. Sevcan DEMİR ATALAY

DERS KONUSU: Sosyal Bilimlerde İstatistiksel Modellemede Tanım ve Kavramlar

DERS KONUSU: Lineer ve Polinomial regresyon analizlerinin R’da uygulanması

DERS KONUSU: Zaman Serilerinde Durağanlık ve Durağanlık Testleri

DETAYLI DERS İÇERİĞİ:

İstatistiksel modellemenin tanımı ve temel kavramlar

DETAYLI DERS İÇERİĞİ:

R programı ile örnek veri setleri üzerinde bireysel gerçekleştirilecek Lineer ve Polinomial regresyon analizi uygulamaları

DETAYLI DERS İÇERİĞİ:

Durağanlık kavramı

Durağanlık testleri

Otokorelasyon, kısmi otokorelasyon, korelogram

Birim kök testleri

11:00 -11:45
Ders Saati: 1

DERS ADI: Sosyal Bilimlerde İstatistiksel Modelleme II

11:00 -11:45
Ders Saati: 1

DERS ADI: Regresyon Analizleri-II

11:00 -11:45
Ders Saati: 1

DERS ADI: Zaman Serisi Analizleri-II

DERS VERECEK ÖĞRETİM ÜYESİ:

Doç. Dr. Tuğba AKIN

Doç. Dr. Elvan HAYAT

DERS VERECEK ÖĞRETİM ÜYESİ:

Doç. Dr. Özge ELMASTAŞ GÜLTEKİN

Dr. Öğr. Üyesi Aslı KILIÇ

DERS VERECEK ÖĞRETİM ÜYESİ:

Doç. Dr. Tuğba AKIN

Doç. Dr. Sevcan DEMİR ATALAY

DERS KONUSU: Sosyal Bilimlerde İstatistiksel Modellemenin Önemi ve Uygulama Alanları

DERS KONUSU: Lojistik Regresyon Analizleri

DERS KONUSU: Doğrusal Durağan Stokastik Modeller

DETAYLI DERS İÇERİĞİ:

İstatistiksel modellemenin

sosyal bilimlerde önemi

Sosyal bilimlerde kullanım alanları

Örnek uygulamalar

DETAYLI DERS İÇERİĞİ:

Binary Lojistik Regresyon

Ordinal Lojistik Regresyon

Nominal Lojistik Regresyon

DETAYLI DERS İÇERİĞİ:

Doğrusal durağan stokastik modelleri: AR(p) Modeli

Doğrusal durağan stokastik modelleri: MA(q) Modeli

Doğrusal durağan stokastik modelleri: ARMA(p,q) Modeli

12:00 -12:45
Ders Saati: 1

DERS ADI: Makine Öğrenimine Giriş

12:00 -12:45
Ders Saati: 1

DERS ADI: R Programında Regresyon Analizleri Uygulamaları II

12:00 -12:45
Ders Saati: 1

DERS ADI: Yapay Sinir Ağları (YSA)

DERS VERECEK ÖĞRETİM ÜYESİ:

Doç. Dr. Elvan HAYAT

DERS VERECEK ÖĞRETİM ÜYESİ:

Doç. Dr. Özge ELMASTAŞ GÜLTEKİN

Dr. Öğr. Üyesi Aslı KILIÇ

DERS VERECEK ÖĞRETİM ÜYESİ:

Doç. Dr. Elvan HAYAT

Araş. Gör. Dr. Hakan ÖZTÜRK

DERS KONUSU: Makine Öğrenmesi Temelleri

DERS KONUSU: Lojistik regresyon analizlerinin R’da uygulanması

DERS KONUSU: YSA Tanımı ve Temel Kavramlar

DETAYLI DERS İÇERİĞİ: 

Makine Öğrenmesi nedir? Tanımlar ve Temel Kavramlar

Makine öğrenmesi türleri: Denetimli, denetimsiz ve pekiştirmeli öğrenme

DETAYLI DERS İÇERİĞİ:

R programı ile örnek veri setleri üzerinde bireysel gerçekleştirilecek Lojistik regresyon analizi uygulamaları

DETAYLI DERS İÇERİĞİ:

Yapay Sinir Ağlarının (YSA) Temelleri

Katman yapıları ve aktivasyon fonksiyonları

14:00 -14:45
Ders Saati: 1

DERS ADI: R Programına Giriş

14:00 -14:45
Ders Saati: 1

DERS ADI: Makine Öğrenmesi Yöntemleri I

14:00 -14:45
Ders Saati: 1

DERS ADI: YSA ile Zaman Serisi Analizi

DERS VERECEK ÖĞRETİM ÜYESİ:

Doç. Dr. Elvan HAYAT

Araş. Gör. Dr. Hakan ÖZTÜRK

DERS VERECEK ÖĞRETİM ÜYESİ:

Prof. Dr. Gözde ULUTAGAY

DERS VERECEK ÖĞRETİM ÜYESİ:

Doç. Dr. Elvan HAYAT

Doç. Dr. Tuğba AKIN

Araş. Gör. Dr. Hakan ÖZTÜRK

DERS KONUSU: R Programı ve Kütüphaneler

DERS KONUSU: Karar Ağaçları

DERS KONUSU: YSA ile Zaman Serisi Analizi

DETAYLI DERS İÇERİĞİ:

R programlama dili temelleri

Kütüphanelerin yüklenmesi (tidyverse, caret, ggplot2 vb.)

Çalışma alanı yönetimi ve veri yapıları

DETAYLI DERS İÇERİĞİ:

Karar ağaçları tanımı ve temel kavramlar

Sınıflandırma ve regresyon ağaçları

Rastgele orman algoritması

DETAYLI DERS İÇERİĞİ:

Yapay sinir ağları ile zaman serisi tahminleme

R ile YSA uygulamaları

15:00 -15:45
Ders Saati: 1

DERS ADI: R programında Veri Ön İşleme - I

15:00 -15:45
Ders Saati: 1

DERS ADI: R’da Makine Öğrenmesi Uygulamaları-I

15:00 -15:45
Ders Saati: 1

DERS ADI: Proje Çalışması-I

DERS VERECEK ÖĞRETİM ÜYESİ:

Doç. Dr. Elvan HAYAT

Araş. Gör. Dr. Hakan ÖZTÜRK

DERS VERECEK ÖĞRETİM ÜYESİ:

Prof. Dr. Gözde ULUTAGAY

DERS VERECEK ÖĞRETİM ÜYESİ:

Prof. Dr. Gözde ULUTAGAY

Doç. Dr. Elvan HAYAT

Doç. Dr. Tuğba AKIN

Doç. Dr. Sevcan DEMİR ATALAY

Doç. Dr. Özge ELMASTAŞ GÜLTEKİN

Dr. Öğr. Üyesi Aslı KILIÇ

Araş. Gör. Dr. Hakan ÖZTÜRK

DERS KONUSU: Veri Yüklenmesi ve Düzenlenmesi

DERS KONUSU:

Karar ağaçları yöntemlerinin R’da uygulanması

DERS KONUSU: Katılımcılarla birlikte modelleme ve analiz çalışması

DETAYLI DERS İÇERİĞİ:

Veri setlerinin R ortamına yüklenmesi (CSV, Excel, veritabanı bağlantıları)

Eksik verilerin yönetimi ve değiştirilmesi

Aykırı değerlerin tespiti ve temizlenmesi

DETAYLI DERS İÇERİĞİ:

R programı ile örnek veri setleri üzerinde bireysel gerçekleştirilecek karar ağaçları uygulamaları

DETAYLI DERS İÇERİĞİ:

Katılımcılarla birlikte modelleme ve analiz çalışması

16:00 -16:45
Ders Saati: 1

DERS ADI: R programında Veri Ön İşleme - II

16:00 -16:45
Ders Saati: 1

DERS ADI: Makine Öğrenmesi Yöntemleri-II

16:00 -16:45
Ders Saati: 1

DERS ADI:  Proje Çalışması-II

DERS VERECEK ÖĞRETİM ÜYESİ:

Doç. Dr. Elvan HAYAT

Araş. Gör. Dr. Hakan ÖZTÜRK

DERS VERECEK ÖĞRETİM ÜYESİ:

Doç. Dr. Elvan HAYAT

Araş. Gör. Dr. Hakan ÖZTÜRK

DERS VERECEK ÖĞRETİM ÜYESİ:

Prof. Dr. Gözde ULUTAGAY

Doç. Dr. Elvan HAYAT

Doç. Dr. Tuğba AKIN

Doç. Dr. Sevcan DEMİR ATALAY

Doç. Dr. Özge ELMASTAŞ GÜLTEKİN

Dr. Öğr. Üyesi Aslı KILIÇ

Araş. Gör. Dr. Hakan ÖZTÜRK

DERS KONUSU: Veri Dönüştürme ve Bölme
 

DERS KONUSU: Destek Vektör Makineleri (DVM)

DERS KONUSU:

Katılımcılarla birlikte modelleme ve analiz çalışması

DETAYLI DERS İÇERİĞİ:

Değişken türlerinin belirlenmesi ve dönüştürülmesi

Kategorik verilerin dönüştürülmesi (One-hot encoding, Label encoding)

Veri setinin eğitim ve test gruplarına ayrılması

DETAYLI DERS İÇERİĞİ:

Doğrusal ve doğrusal olmayan DVM algoritmasının teorik yapısı

R programı ile örnek veri setleri üzerinde bireysel gerçekleştirilecek DVM uygulamaları

DETAYLI DERS İÇERİĞİ:

Katılımcılarla birlikte modelleme ve analiz çalışması

17:00 -17:45
Ders Saati: 1

DERS ADI:Veri Ön İşleme Uygulama

17:00 -17:45
Ders Saati: 1

DERS ADI: Makine Öğrenmesi Yöntemleri-III

17:00 -17:45
Ders Saati: 1

DERS ADI: Kapanış

DERS VERECEK ÖĞRETİM ÜYESİ:

Doç. Dr. Elvan HAYAT

Araş. Gör. Dr. Hakan ÖZTÜRK

DERS VERECEK ÖĞRETİM ÜYESİ:

Doç. Dr. Elvan HAYAT

Araş. Gör. Dr. Hakan ÖZTÜRK

DERS VERECEK ÖĞRETİM ÜYESİ:

Prof. Dr. Gözde ULUTAGAY

Doç. Dr. Elvan HAYAT

Doç. Dr. Tuğba AKIN

Doç. Dr. Sevcan DEMİR ATALAY

Doç. Dr. Özge ELMASTAŞ GÜLTEKİN

Dr. Öğr. Üyesi Aslı KILIÇ

Araş. Gör. Dr. Hakan ÖZTÜRK

DERS KONUSU: R programında Veri Ön İşleme

DERS KONUSU: K En Yakın Komşu (KNN) Algoritması

DERS KONUSU: Kapanış Soru, Cevap ve Geri Bildirim

DETAYLI DERS İÇERİĞİ:

Örnek veri setleri ile R programında bireysel olarak gerçekleştirilecek veri ön işleme uygulamaları

(Veri setinin r ortamına yüklenmesi, değişken türlerinin tanımlanması, veri setindeki eksik ve aykırı değer tespiti vb. işlemler)

DETAYLI DERS İÇERİĞİ:

KNN algoritmasının teorik yapısı

Uzaklık metrikleri (Öklid, Manhattan, Minkowski vb.)

R programı ile örnek veri setleri üzerinde bireysel gerçekleştirilecek KNN uygulamaları

DETAYLI DERS İÇERİĞİ:

İstatistiksel modelleme ve makine öğrenmesi yöntemlerine genel bakış, ileride yapılacak çalışmalar hakkında beklentiler, soru-cevap ve geri bildirim

Toplam Ders Sayısı=8

Toplam Ders Sayısı=8

Toplam Ders Sayısı=8