TÜRKÇE
ENGLISH
Genel Bilgi
| Kod | ISB008 |
| Ad | Monte Carlo İstatistiksel Yöntemler |
| Dönem | 2024-2025 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 | |
| 2 | Rastgele sayı üretimi | Kaynak okuma | |
| 3 | Algoritmaların yakınsaklık hızını kontrol etme | Kaynak okuma | |
| 4 | Algoritmaların yakınsaklık hızını kontrol etme II | Kaynak okuma | |
| 5 | Monte Carlo integrasyon | Kaynak okuma | |
| 6 | Maksimum olabilirlik tahmin yöntemi | Kaynak okuma | |
| 7 | Olabilirliği maksimize ve diğer optimizasyon konularında Monte Carlo yaklaşımı | Kaynak okuma | |
| 8 | Ara sınav | Konuların tekrar edilmesi | |
| 9 | Karma modeller için EM algoritması | Kaynak okuma | |
| 10 | Gibbs örnekleyicisi | Kaynak okuma | |
| 11 | Bayes tahminciler | Kaynak okuma | |
| 12 | Metropolis Hastings algoritması | Kaynak okuma | |
| 13 | Yoğunluk tahmini | Kaynak okuma | |
| 14 | Parametrik olmayan regresyon | Kaynak okuma | |
| 15 | Parametrik olmayan regresyon II | Kaynak okuma | |
| 16 | Yarıyıl sonu sınavı | Konuların tekrar edilmesi | |
| 17 | Yarıyıl sonu sınavı | Konuların tekrar edilmesi |
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 | ||