|
|
| IST7061 | Çok Değiş.İstatistiksel Sonuç Çıkarma | 3+0+0 | AKTS:7.5 | | Yıl / Yarıyıl | Bahar Dönemi | | Ders Duzeyi | Doktora | | Yazılım Şekli | Seçmeli | | Bölümü | İSTATİSTİK ve BİLGİSAYAR BİLİMLERİ ANABİLİM DALI | | Ön Koşul | Yok | | Eğitim Sistemi | Yüz yüze | | Dersin Süresi | 14 hafta - haftada 3 saat teorik | | Öğretim Üyesi | -- | | Diğer Öğretim Üyesi | | | Öğretim Dili | Türkçe | | Staj | Yok | | | | Dersin Amacı: | | Çok değişkenli verilerin temel özelliklerini anlamak. Tanımlayıcı ve doğrulayıcı çok değişkenli istatistiksel yöntemleri kurallarına uygun kullanabilmek. Çok değişkenli istatistiksel teknik ve yöntemleri etkin ve verimli kullanabilmek. |
| Öğrenim Kazanımları | PÖKK | ÖY | | Bu dersi başarı ile tamamlayan öğrenciler : | | | | ÖK - 1 : | Grafiksel ve sayısal yöntemleri kullanarak çok değişkenli veri setlerindeki saklı bilgi ve kalıpları ortaya çıkarabilir ve özetleyebilir. | | | | ÖK - 2 : | Çok değişkenli dağılımların özelliklerini tanımlayabilir. | | | | ÖK - 3 : | Temel bileşenler analizini etkin kullanarak veri setini anlayabilir ve boyutunu azaltabilir. | | | | ÖK - 4 : | Tanımlayıcı ve doğrulayıcı faktör analizi yapabilir. | | | | ÖK - 5 : | Gruplar arası farklılıkları tanımlayabilir ve yeni gözlemleri gruplandırabilir. | | | | ÖK - 6 : | Kümeleme ve uyumluluk analizi ile verileri gruplandırabilir. | | | | PÖKK :Program öğrenim kazanımlarına katkı, ÖY : Ölçme ve değerlendirme yöntemi (1: Yazılı Sınav, 2: Sözlü Sınav, 3: Ev Ödevi, 4: Laboratuvar Çalışması/Sınavı, 5: Seminer / Sunum, 6: Dönem Ödevi / Proje),ÖK : Öğrenim Kazanımı | | |
| Vektör uzayları, rasgele vektörler, çok değişkenli dağılımlar, MANOVA, Wishart dağılımı, çoklu lineer regresyon modeli, kanonik korelasyon, kovaryans analizi, temel bileşenler analizi, faktör analizi, gruplama ve kümeleme teknikleri, çok değişkenli hipotez testleri. |
| |
| Haftalık Detaylı Ders Planı | | Hafta | Detaylı İçerik | Önerilen Kaynak | | Hafta 1 | Temel Çok Değişkenli Matematik ve İstatistik | | | Hafta 2 | Çok Değişkenli Dağılımlar | | | Hafta 3 | Temel Bileşenler Analizi | | | Hafta 4 | Tanımlayıcı Faktör Analizi | | | Hafta 5 | Doğrulayıcı Faktör Analizi | | | Hafta 6 | MANAVO | | | Hafta 7 | Ayrıştırma Analizi | | | Hafta 8 | Kesikli Bağımlı Değişkenlerle Regresyon Modelleri | | | Hafta 9 | Sınav Haftası | | | Hafta 10 | Kesikli Bağımlı Değişkenlerle Regresyon Modelleri | | | Hafta 11 | Kümeleme Analizi | | | Hafta 12 | Kanonik Korelasyon | | | Hafta 13 | Conjoınt Analizi | | | Hafta 14 | Çokboyutlu Ölçeklendirme | | | Hafta 15 | Çok Değişkenli Hipotez Testleri | | | Hafta 16 | Final Haftası | | | |
| 1 | Johnson R.A , Wıchern D.W. (2007) Applied Multivariate Statistical Analysis, Prentice Hall | | | |
| 1 | Dugard, Pat, John B. Todman, and Harry Staines, (2010) Approaching multivariate analysis: A practical introduction. Routledge. | | | |
| Ölçme Yöntemi | | Yöntem | Hafta | Tarih | Süre (Saat) | Katkı (%) | | Arasınav | 9 | 01/01/2016 | 2 | 50 | | Dönem sonu sınavı | 16 | 01/01/2016 | 2 | 50 | | |
| Öğrenci Çalışma Yükü | | İşlem adı | Haftalık süre (saat) | Hafta sayısı | Dönem toplamı | | Yüz yüze eğitim | 3 | 14 | 42 | | Sınıf dışı çalışma | 8 | 14 | 112 | | Laboratuar çalışması | 0 | 0 | 0 | | Arasınav için hazırlık | 6 | 1 | 6 | | Arasınav | 2 | 1 | 2 | | Uygulama | 0 | 0 | 0 | | Klinik Uygulama | 0 | 0 | 0 | | Ödev | 5 | 6 | 30 | | Proje | 0 | 0 | 0 | | Kısa sınav | 0 | 0 | 0 | | Dönem sonu sınavı için hazırlık | 20 | 1 | 20 | | Dönem sonu sınavı | 0 | 0 | 0 | | Diğer 1 | 0 | 0 | 0 | | Diğer 2 | 0 | 0 | 0 | | Toplam Çalışma Yükü | | | 212 |
|