ISB008 Monte Carlo İstatistiksel Yöntemler

6 AKTS - 3-0 Süre (T+U)- . Yarıyıl- 3 Yerel Kredi

Genel Bilgi

Kod ISB008
Ad Monte Carlo İstatistiksel Yöntemler
Dönem 2023-2024 Eğitim-Öğretim Yılı
Dönem Bahar
Süre (T+U) 3-0 (T-U) (17 Hafta)
AKTS 6 AKTS
Yerel Kredi 3 Yerel Kredi
Eğitim Dil Türkçe
Seviye Doktora Dersi
Tür Normal
Öğretim Şekli Yüz Yüze Öğretim
Bilgi Paketi Koordinatörü Prof. Dr. ALİ İHSAN GENÇ
Dersin Öğretim Elemanı
Güncel dönem ders programı henüz yapılmamıştır.


Dersin Amacı / Hedefi

Bu dersin amacı öğrencilere programlama temelli Monte Carlo tahminlemesine dayalı istatistiksel hesaplama yöntemlerini kazandırmaktır.

Dersin İçeriği

Rastgele sayı üretimi, Monte Carlo İntegrali, Bootstrap, Monte Carlo optimizasyonu, EM algoritmesi, Metropolis Hastings algoritması Gibbs örnekleyicisi, yoğunluk tahmini, parametrik olmayan regresyon

Dersin Ön Koşulu

Yok

Kaynaklar

Introducing Monte Carlo Methods with R, Christian Robert, George Casella, Springer, 2010.

Notlar

Statistical Computing with R, Maria L. Rizzo, First Edition (Chapman and Hall/CRC The R Series), 2007.


Dersin Öğrenme Çıktıları

Sıra Dersin Öğrenme Çıktıları
ÖÇ01 Verilen bir dağılımdan bir rastgele sayı üretir.
ÖÇ02 İntegralleri Monte Carlo yöntemleriyle yaklaşık hesaplar.
ÖÇ03 Algoritmaların yakınsaklığını kontrol edip hızlandırır.
ÖÇ04 Optimizasyonda Monte Carlo yöntemlerini kullanır.
ÖÇ05 Bayes istatistik analizinde Monte Carlo yöntemlerini kullanır.


Program Öğrenme Çıktıları ile İlişkisi

Sıra Tür Program Öğrenme Çıktıları Duzey
PÖÇ01 Bilgi - Kuramsal, Olgusal İstatistiksel problemlerin modellenmesinde ve probleme özgü çözümlerin üretilmesinde yeni yöntem ve stratejiler geliştirir. 5
PÖÇ02 Bilgi - Kuramsal, Olgusal İstatistik alanında belirli bir konu hakkında detaylı araştırma yapabilir. 3
PÖÇ03 Bilgi - Kuramsal, Olgusal İstatistik literatürüne katkı yapabilecek düzeyde istatistik teorisine hakimdir. 4
PÖÇ04 Bilgi - Kuramsal, Olgusal İstatistik alanında edindiği bilgiyi disiplinler arası çalışmalarda kullanabilir. 4
PÖÇ05 Yetkinlikler - Öğrenme Yetkinliği İstatistik alanında proje ve etkinlikler düzenleyebilir.
PÖÇ06 Yetkinlikler - Öğrenme Yetkinliği Bir projenin oluşturulması, yürütülmesi ve sonuçların raporlanması aşamalarını gerçekleştirebilir. 3
PÖÇ07 Beceriler - Bilişsel, Uygulamalı Bilimsel irdeleme yetisine sahip olur. 2
PÖÇ08 Bilgi - Kuramsal, Olgusal İstatistik alanında bilimsel yayın üretebilir. 2
PÖÇ09 Bilgi - Kuramsal, Olgusal Analitik düşünme becerisine sahip olur.
PÖÇ10 Yetkinlikler - Öğrenme Yetkinliği Mesleki yenilik ve gelişmeleri hem ulusal hem de uluslar arası düzeyde takip edebilir.
PÖÇ11 Yetkinlikler - Öğrenme Yetkinliği İstatistik literatürünü takip edebilir.
PÖÇ12 Beceriler - Bilişsel, Uygulamalı Yabancı dil bilgisini, alanında yabancı dilde yayın ve sunum yapabilecek düzeyde geliştirebilir.
PÖÇ13 Bilgi - Kuramsal, Olgusal Bilişim teknolojilerini ileri düzeyde kullanabilir.
PÖÇ14 Bilgi - Kuramsal, Olgusal Bireysel çalışma becerisi ve bağımsız karar verebilme yetisine sahip olur.
PÖÇ15 Yetkinlikler - Bağımsız Çalışabilme ve Sorumluluk Alabilme Yetkinliği Takım çalışmalarında gerekli olan niteliklere sahiptir.
PÖÇ16 Bilgi - Kuramsal, Olgusal Mesleki ve etik sorumluluk bilincine sahip olur. 4
PÖÇ17 Bilgi - Kuramsal, Olgusal Bilimsel etik kurallara uygun davranır. 5


Haftalık Akış

Hafta Konu Ön Hazırlık Yöntemler
1 R programına giriş Kaynak okuma Öğretim Yöntemleri:
Anlatım, Alıştırma ve Uygulama
2 Rastgele sayı üretimi Kaynak okuma Öğretim Yöntemleri:
Anlatım, Alıştırma ve Uygulama
3 Algoritmaların yakınsaklık hızını kontrol etme Kaynak okuma Öğretim Yöntemleri:
Anlatım, Alıştırma ve Uygulama
4 Algoritmaların yakınsaklık hızını kontrol etme II Kaynak okuma Öğretim Yöntemleri:
Anlatım, Alıştırma ve Uygulama
5 Monte Carlo integrasyon Kaynak okuma Öğretim Yöntemleri:
Anlatım, Alıştırma ve Uygulama
6 Maksimum olabilirlik tahmin yöntemi Kaynak okuma Öğretim Yöntemleri:
Anlatım, Alıştırma ve Uygulama
7 Olabilirliği maksimize ve diğer optimizasyon konularında Monte Carlo yaklaşımı Kaynak okuma Öğretim Yöntemleri:
Anlatım, Alıştırma ve Uygulama
8 Ara sınav Konuların tekrar edilmesi Ölçme Yöntemleri:
Ödev
9 Karma modeller için EM algoritması Kaynak okuma Öğretim Yöntemleri:
Anlatım, Alıştırma ve Uygulama
10 Gibbs örnekleyicisi Kaynak okuma Öğretim Yöntemleri:
Anlatım, Alıştırma ve Uygulama
11 Bayes tahminciler Kaynak okuma Öğretim Yöntemleri:
Anlatım, Alıştırma ve Uygulama
12 Metropolis Hastings algoritması Kaynak okuma Öğretim Yöntemleri:
Anlatım, Alıştırma ve Uygulama
13 Yoğunluk tahmini Kaynak okuma Öğretim Yöntemleri:
Anlatım, Alıştırma ve Uygulama
14 Parametrik olmayan regresyon Kaynak okuma Öğretim Yöntemleri:
Anlatım, Alıştırma ve Uygulama
15 Parametrik olmayan regresyon II Kaynak okuma Öğretim Yöntemleri:
Anlatım, Alıştırma ve Uygulama
16 Yarıyıl sonu sınavı Konuların tekrar edilmesi Ölçme Yöntemleri:
Ödev
17 Yarıyıl sonu sınavı Konuların tekrar edilmesi Ölçme Yöntemleri:
Ödev


Öğrenci İş Yükü - AKTS

Çalışmalar Sayısı Süresi (Saat) İş Yükü (Saat)
Ders ile İlgili Çalışmalar
Ders (Sınav haftaları dahil değildir) 14 3 42
Sınıf Dışı Ders Çalışma (Ön çalışma, pekiştirme) 14 5 70
Değerlendirmeler ile İlgili Çalışmalar
Ödev, Proje, Diğer 0 0 0
Ara Sınavlar (Yazılı, Sözlü, vs.) 1 15 15
Yarıyıl/Yıl Sonu/Final Sınavı 1 30 30
Toplam İş Yükü (Saat) 157
Toplam İş Yükü / 25 (s) 6,28
AKTS 6 AKTS

Güncelleme Zamanı: 08.05.2023 02:20