Genel Bilgi
Kod | ISB008 |
Ad | Monte Carlo İstatistiksel Yöntemler |
Dönem | 2024-2025 Eğitim-Öğretim Yılı |
Yarıyıl | . Yarıyıl |
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 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 |