| Ders Adı | Kodu | Verildiği Yıl | Verildiği Yarıyıl | Süresi (T+U) | Yerel Kredisi | AKTS Kredisi |
| R ile Olasılık ve İstatistik | İVA 528 | | | 3 + 0 | 3 | 7,50 |
| |
| Ders Bilgileri |
| Dersin Öğretim Dili | Türkçe |
| Dersin Seviyesi | Yüksek Lisans |
| Dersin Türü | |
| Dersin Veriliş Biçimi | Yüz Yüze |
| |
Dersin Öğrenme Kazanımları:
Bu dersi başarı ile tamamlayan öğrenciler: |
| 1. Temel Düzeyde R Programı Kullanmak |
| 2. R kullanarak istatistiksel hesaplamalar yapmak |
| 3. Olasılık kuramının temel kavramlarını açıklayabilmek ve uygulamalı örneklerde kullanmak |
| 4. İstatistiksel testleri R ortamında uygulayabimek |
| |
| Dersin Önkoşulları ve Birlikte Alınması Gereken Dersler | Yok |
| Daha Önce Alınmış Olması Önerilen Dersler | Yok |
| |
Dersin Tanımı:
Bu ders, öğrencilere olasılık kuramının temel kavramlarını tanıtmayı ve istatistiksel analizleri bilgisayar destekli olarak gerçekleştirebilmeleri için R programlama dili kullanma becerisi kazandırmayı amaçlamaktadır. Ders kapsamında, veri türleri, temel istatistiksel ölçüler, olasılık hesaplamaları, istatistiksel dağılımlar ve hipotez testleri gibi temel konular işlenmektedir. Öğrenciler, hem teorik bilgileri edinecek hem de R ortamında uygulamalar yaparak bu bilgileri pekiştireceklerdir. Ders, istatistiksel düşünme yeteneğini geliştirmeyi ve veri odaklı problem çözme becerisi kazandırmayı hedefler. |
| |
Üretken Yapay Zeka Kullanımı:
Öğrencilerin, ChatGPT ve Copilot gibi üretken yapay zeka araçlarını, problem çözme konusunda rehberlik almak, kendi çözümlerini yapay zeka tarafından üretilen yanıtlarla karşılaştırmak ve hatalarını tespit etmek için çözümleri adım adım analiz etmek amacıyla kullanmaları teşvik edilecektir. Bu uygulama öğrencilerin eleştirel düşünme ve problem çözme becerilerini geliştirecektir. Yapay zeka öğrenme sürecinde değerli bir destek aracı olarak hizmet etse de, öğrencilerin üretilen çıktıları eleştirel bir bakış açısıyla değerlendirmeleri ve bağımsız analitik düşünme yetilerini güçlendirmeleri teşvik edilecektir. |
| |
| Dersin İçeriği (Haftalık Konu Dağılımı): |
| |
| Hafta | Konu |
| 1 | Ders tanıtımı, R kurulumu ve temel kullanım |
| 2 | R and RStudio Installation and Basic Usage |
| 3 | Veri tipleri, vektörler, listeler ve veri çerçeveleri |
| 4 | Temel istatistiksel kavramlar |
| 5 | Olasılık Teorisine Giriş |
| 6 | Olasılık Hesaplamaları |
| 7 | Koşullu olasılık ve bağımsızlık ve Bayes Kuramı |
| 8 | Ara Sınav |
| 9 | R ile rassal değişkenler ve olasılık dağılımları |
| 10 | Örneklem ve Örneklem Dağılımları |
| 11 | Chisquare and Student's t-distribution |
| 12 | Normal and F Distributions |
| 13 | Hipotez testlerine giriş |
| 14 | Ödev Sunumları |
| |
| Kaynaklar: |
| Rafael A. Irizarry (2019) Introduction to Data Science, Statistics and Prediction Algorithms Through Case Studies, Chapman and Hall/CRC Data Science Series, 0367357984
Hadley Wickham and Garrett Grolemund, R for Data Science |
| |
| Diğer Kaynaklar: |
| - |
| |
| Öğretim Yöntem ve Teknikleri: |
| Bu derste öğrencilerin aktif katılımını ve derinlemesine öğrenmeyi teşvik eden çeşitli öğretim yöntemleri kullanılmaktadır. Bunlar arasında teorik ders anlatımları, sınıf içi uygulamalar, ödevler, örnek olay analizleri, güncel konulara ilişkin sınıf tartışmaları ve öğrenci sunumları yer almaktadır. |
| |
| Değerlendirme Sistemi: |
| Yöntem | Adet | Katkı (%) |
| Ara Sınav | 1 | %30 |
| Ders Katılımı | 1 | %10 |
| Dönem Ödevi (Sunumu) | 1 | %30 |
| Final Sınavı | 1 | %30 |
| |
| Ders İşbaşı Eğitimi (iş yerinde eğitim) Gerektiriyor mu? |
| Gerektirmiyor |
| |
Dersin Program Yeterlilikleri vs. Öğrenme Kazanımları:
|
| # | Program Yeterlilikleri | Katkı |
| 1 | Veri analitiği yöntem ve tekniklerinin kavramsal temellerine hâkim olmak | 0 |
| 2 | Temel programlama becerilerini geliştirmek ve istatistiksel problemleri çözmeye yardımcı yazılımları kullanacak teorik ve uygulama yetileri kazanmış olmak | 0 |
| 3 | Verileri kullanılabilir formata dönüştürebilmek ve probleme bağlı olarak veri analizi araçlarını kullanarak probleme uygun modelleme yapabilmek ve karar mekanizmasına destek verebilmek | 0 |
| 4 | Verilerden üretilen bilgileri problemlerin çözümünde kullanabilmek, sonuçları veri görselleştirme araçları yardımıyla sunabilmek ve uygulamaların çıktılarını yorumlamayabilmek ve raporlayabilmek | 0 |
| 5 | Veri analitiği ile ilgili problem çözme ve uygulama becerilerini, disiplinler arası çalışmalarda kullanabilmek | 0 |