| Ders Adı | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| Çıkarımsal İstatistik | ISE 518 | 0 | 3 + 0 | 3 | 6 |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler | |
| Dersin Dili | Türkçe |
| Dersin Seviyesi | YUKSEK_LISANS |
| Dersin Türü | Seçmeli |
| Dersin Koordinatörü | Dr.Öğr.Üyesi SUNUSİ BALA ABDULLAHİ |
| Dersi Verenler | Dr.Öğr.Üyesi SUNUSİ BALA ABDULLAHİ, |
| Dersin Yardımcıları | |
| Dersin Kategorisi | Alanına Uygun Öğretim |
| Dersin Amacı | This course equips Master's degree students with a deep understanding of inferential statistical concepts and methodologies, enabling them to analyze, interpret, and draw conclusions from data using Python-based practical implementations, including sampling, estimation, hypothesis testing, regression, and real-world data-driven projects.
|
| Dersin İçeriği | Course Introduction and Instructional Guidelines: Introduction to Inferential Statistics, Data and Its Types, Sampling Distributions and the Bootstrap, Maximum Likelihood Estimation, Bayesian Inference Fundamentals, Estimation and Confidence Intervals, Hypothesis Testing, Comparing Two Groups, Regression Analysis, Logistic Regression and Classification, Categorical Data Analysis, Non-Parametric Methods, Robust Inference, Mixed Models and Correlated Data. Capstone Project.
|
| Kalkınma Amaçları |
|---|
|
| # | Ders Öğrenme Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
|---|---|---|---|
| 1 | The students will be able to analyze, interpret, and draw conclusions from data using Python-based practical implementations including sampling, estimation, hypothesis testing, regression, and real-world data-driven projects. | Problem Çözme, | Ödev / Evde-Çöz Sınavlar, Performans Değerlendirme, |
| Hafta | Ders Konuları | Ön Hazırlık |
|---|---|---|
| 1 | Course Introduction and Instructional Guidelines | |
| 2 | Introduction to Inferential Statistics | |
| 3 | Data and Its Types | |
| 4 | Sampling Distributions and the Bootstrap | |
| 5 | Maximum Likelihood Estimation | |
| 6 | Bayesian Inference Fundamentals | |
| 7 | Estimation and Confidence Intervals | |
| 8 | Hypothesis Testing, Comparing Two Groups | |
| 9 | Regression Analysis | |
| 10 | Logistic Regression and Classification | |
| 11 | Categorical Data Analysis | |
| 12 | Non-Parametric Methods | |
| 13 | Robust Inference, Mixed Models and Correlated Data | |
| 14 | Capstone Project. |
| Kaynaklar | |
|---|---|
| Ders Notu | - Minimize theoretical proofs; maximize practical application
- Real-world datasets: healthcare outcomes, wearable sensors
- Modern computational approaches over classical assumptions
- Python-first implementation (NumPy, SciPy, scikit-learn, statsmodels)
- Emphasis on reproducible research and statistical communication
|
| Ders Kaynakları | |
| Hafta | Dokümanlar | Açıklama | Boyut |
|---|---|---|---|
| 1 | SLIDE1.pdf | 0 MB |
| Sıra | Program Çıktıları | Katkı Düzeyi | |||||
|---|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Yaşadığı toplumun bilgi toplumu olmasına katkıda bulunmak, toplumsal, bilimsel, kültürel ve etik sorunlara çözüm sunmak amaçlarıyla alanındaki bilimsel, teknolojik, sosyal veya kültürel ilerlemeleri ulusal ve uluslararası bilimsel ortamlarda (toplantılarda) tanıtır. | X | |||||
| 2 | Alanında bilimsel araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşır, alanında güncel teknik ve yöntemler ile bunların kısıtları hakkında kapsamlı bilgiye sahip olup ve elde ettiği bilgiyi değerlendirir, yorumlar ve uygular. | X | |||||
| 3 | Alanı ile ilgili problemleri tanımlar ve formüle eder, yeni ve/veya özgün fikir ve yöntemler geliştirir; karmaşık sistem veya süreçleri tasarlar ve tasarımlarında yenilikçi/alternatif çözümler ile gelişmekte olan yenilikçi yöntemleri kullanır. | X | |||||
| 4 | Kuramsal, deneysel ve modelleme esaslı araştırmaları tasarlar ve uygular, belirsiz, sınırlı ya da eksik verileri bilimsel yöntemlerle tamamlar; verilerin toplanması, yorumlanması, duyurulması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetir. | X | |||||
| 5 | Alanındaki uygulamaların sosyal, çevresel, sağlık, güvenlik, hukuki boyutlarını ve iş hayatı uygulamalarını bilir ve bunların getirdiği kısıtların farkındadır. Disiplin içi ve çok disiplinli takımlarda etkin bir biçimde birlikte ve ya bağımsız çalışabilir ve sorumluluk alır. | X | |||||
| 6 | Bilişim sistemlerinin işleyişinde verinin önemini ortaya koyarak veri hazırlama, veri analizi ve veri görselleştirme uygulamaları ile sistem verimliliğine katı sağlayıcı yetkinlikler kazanır. | ||||||
| 7 | İlgili alanlarda kitap, makale ve benzeri bilimsel yayın üretmek ve uygulama yapabilmek için gerekli yetkinlikleri kazanır. | ||||||
| # | Ders Öğrenme Çıktılarının Program Çıktılarına Katkısı | PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 |
|---|---|---|---|---|---|---|---|---|
| 1 | The students will be able to analyze, interpret, and draw conclusions from data using Python-based practical implementations including sampling, estimation, hypothesis testing, regression, and real-world data-driven projects. | 5 | 4 | 4 | 4 | 4 | 4 | 4 |
| Değerlendirme Sistemi | |
|---|---|
| Yarıyıl Çalışmaları | Katkı Oranı |
| Toplam | 0 |
| Toplam | 0 |
| AKTS - İş Yükü Etkinlik | Sayı | Süre (Saat) | Toplam İş Yükü (Saat) |
|---|---|---|---|
| Ders Süresi (Sınav haftası dahildir: 16x toplam ders saati) | 16 | 3 | 48 |
| Ödev | 1 | 16 | 16 |
| Performans Görevi (Uygulama) | 1 | 48 | 48 |
| Proje / Tasarım | 1 | 48 | 48 |
| Toplam İş Yükü | 160 | ||
| Toplam İş Yükü / 25 (Saat) | 6,4 | ||
| dersAKTSKredisi | 6 | ||