TÜRKÇE
ENGLISH
Genel Bilgi
| Birim | FEN-EDEBİYAT FAKÜLTESİ |
| YAPAY ZEKA VE MAKİNE ÖĞRENMESİ PR. (İNGİLİZCE) | |
| Kod | YZZ205 |
| Ad | Probability and Statistics |
| Dönem | 2026-2027 Eğitim-Öğretim Yılı |
| Yarıyıl | 3. Yarıyıl |
| Süre (T+U) | 3-1 (T-U) (17 Hafta) |
| AKTS | 6 AKTS |
| Yerel Kredi | 3.5 Yerel Kredi |
| Eğitim Dil | İngilizce |
| Seviye | Lisans Dersi |
| Tür | Normal |
| Etiket | Z Zorunlu |
| Öğretim Şekli | Yüz Yüze Öğretim |
| Bilgi Paketi Koordinatörü | Dr. Öğr. Üyesi Kasım ZOR |
| Dersin Öğretim Elemanı |
Dr. Öğr. Üyesi Kasım ZOR
(Güz)
(A Grubu)
(Sor. Öğr. Ele.)
|
Dersin Amacı / Hedefi
Bu ders, öğrencilere olasılık kuramı ve istatistiksel çıkarım alanlarında sağlam bir temel kazandırmayı ve bu alanların yapay zekâ ile makine öğrenmesi problemlerindeki uygulamalarına odaklanmayı amaçlamaktadır. Öğrenciler belirsizliği modellemek, verileri analiz etmek ve istatistiksel iddiaları değerlendirmek için gerekli olan matematiksel ve hesaplamalı becerileri geliştirecek; böylece makine öğrenmesi, veri mühendisliği ve ilgili disiplinlerdeki devam derslerine hazırlanacaklardır.
Dersin İçeriği
Giriş, Rastgele Deneyler ve Olasılık, Olasılık Dağılımları, Örnekleme ve Kestirim, Hipotez Testi, Çok Değişkenli Modeller, Regresyon, Sınıflandırma ve Kümeleme.
Dersin Ön Koşulu
Dersin ön koşulu bulunmamaktadır.
Kaynaklar
Ethem Alpaydın, Fundamentals of Probability and Statistics for Machine Learning, 1st Ed., MIT Press, 2025.
Notlar
Charu C. Aggarwal, Probability and Statistics for Machine Learning: A Textbook, 1st Ed., Springer, 2024. Jose Unpingco, Python for Probability, Statistics, and Machine Learning, 1st Ed., Springer, 2016. Michael Akritas, Probability & Statistics with R for Engineers and Scientists, 1st Ed., Pearson, 2016. Sujit K. Sahu, Introduction to Probability, Statistics & R: Foundations for Data-Based Sciences, 1st Ed., Springer, 2024. Ronald E. Walpole, Raymond H. Myers, Sharon L. Myers, and Keying Ye, Probability & Statistics for Engineers & Scientists, 9th Ed., Pearson, 2016. Richard A. Johnson, Miller & Freund's Probability and Statistics for Engineers, 9th Ed., Pearson, 2018. Murray R. Spiegel, John Schiller, and R. Alu Srinavasan, Schaum's Outlines Probability and Statistics, 4th Ed., McGraw-Hill, 2013.
Dersin Öğrenme Çıktıları
| Sıra | Dersin Öğrenme Çıktıları |
|---|---|
| ÖÇ01 | Rastgele deneyler ve olayları içeren problemleri çözmek için olasılığın temel belitlerini ve kombinatorik sayma tekniklerini uygular. |
| ÖÇ02 | Yaygın kesikli ve sürekli olasılık dağılımlarını belirler, bu dağılımlarla çalışır; beklenen değerlerini, varyanslarını ve ilgili momentlerini hesaplar. |
| ÖÇ03 | Örneklem verilerinden anakütle parametrelerini kestirmek amacıyla, en büyük olabilirlik kestirimi de dâhil olmak üzere istatistiksel kestirim yöntemlerini formüle eder ve uygular. |
| ÖÇ04 | Verilerden istatistiksel açıdan güvenilir sonuçlar çıkarmak amacıyla güven aralıkları oluşturur, bunları yorumlar ve hipotez testleri yürütür. |
| ÖÇ05 | Kovaryans yapılarını ve temel bileşenler analizi gibi boyut indirgeme tekniklerini kullanarak çok değişkenli verileri analiz eder. |
| ÖÇ06 | Doğrusal regresyon problemlerini formüle edip çözer; model uyumunu ve varsayımlarını eleştirel bir yaklaşımla değerlendirir. |
| ÖÇ07 | Sınıflandırma problemlerini formüle etmek için Bayes karar kuramını ve olasılıksal üretici modelleri uygular, kümeleme problemlerini formüle etmek için ise karışım modellerini kullanır. |
| ÖÇ08 | Olasılıksal ve istatistiksel kavramlar ile bunların model değerlendirme ve nitelik seçimi gibi makine öğrenmesi bağlamlarındaki uygulamaları arasındaki bağlantıları kurar. |
Program Öğrenme Çıktıları ile İlişkisi
| Sıra | Tür | Program Öğrenme Çıktıları | Duzey |
|---|---|---|---|
| PÖÇ01 | Bilgi - Kuramsal, Olgusal | Bilgisayar Bilimleri temel kavramları, algoritmalar ve veri yapıları hakkında geniş bir bilgi yelpazesi kazandırır. | 4 |
| PÖÇ02 | Bilgi - Kuramsal, Olgusal | Yazılım geliştirme, programlama dilleri ve veritabanı yönetimi gibi temel bilgisayar konularını öğrenir. | 3 |
| PÖÇ03 | Bilgi - Kuramsal, Olgusal | Veri bilimi, yapay zeka ve makine öğrenimi gibi ileri düzey bilgisayar alanlarını anlar. | 5 |
| PÖÇ04 | - | Bilgisayar ağları, siber güvenlik ve veritabanı tasarımı gibi konularda bilgi edinir. | |
| PÖÇ05 | Beceriler - Bilişsel, Uygulamalı | Algoritmaları tasarlama, uygulama ve analiz etme becerilerini geliştirir. | 4 |
| PÖÇ06 | Beceriler - Bilişsel, Uygulamalı | Farklı programlama dillerini etkili bir şekilde kullanabilme yeteneği kazanır | 3 |
| PÖÇ07 | Beceriler - Bilişsel, Uygulamalı | Veri analizi, veritabanı yönetimi ve büyük veri işleme becerilerini öğrenir. | 5 |
| PÖÇ08 | Beceriler - Bilişsel, Uygulamalı | Yazılım geliştirme projelerinde çalışarak pratik deneyim kazanır. | |
| PÖÇ09 | Yetkinlikler - Bağımsız Çalışabilme ve Sorumluluk Alabilme Yetkinliği | Ekip içinde işbirliği yapma ve iletişim becerilerini güçlendirir. | |
| PÖÇ10 | Yetkinlikler - Alana Özgü Yetkinlik | Teknolojik yeniliklere açık bir zihniyet kazandırır. | |
| PÖÇ11 | Yetkinlikler - Öğrenme Yetkinliği | Sürekli öğrenme ve kendini geliştirme yetkinliğini teşvik eder. | |
| PÖÇ12 | Yetkinlikler - İletişim ve Sosyal Yetkinlik | Karmaşık sorunları çözme yeteneği geliştirir. | 5 |
Haftalık Akış
| Hafta | Konu | Ön Hazırlık | Yöntemler |
|---|---|---|---|
| 1 | Ders Tanıtımı ve Kapsamı, Makine Öğrenmesi İçin Olasılık ve İstatistiğe Giriş | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Tartışma, Alıştırma ve Uygulama, Deney / Laboratuvar |
| 2 | Rastgele Deneyler ve Olasılıklar | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Tartışma, Alıştırma ve Uygulama, Deney / Laboratuvar |
| 3 | Rastgele Deneyler ve Olaylar - 2 | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Tartışma, Alıştırma ve Uygulama, Deney / Laboratuvar |
| 4 | Olasılık Dağılımları | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Tartışma, Alıştırma ve Uygulama, Deney / Laboratuvar |
| 5 | Olasılık Dağılımları - 2 | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Tartışma, Alıştırma ve Uygulama, Deney / Laboratuvar |
| 6 | Örnekleme ve Kestirim | Ders notlarının. okunması | Öğretim Yöntemleri: Anlatım, Tartışma, Alıştırma ve Uygulama, Deney / Laboratuvar |
| 7 | Örnekleme ve Kestirim - 2 | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Tartışma, Alıştırma ve Uygulama, Deney / Laboratuvar |
| 8 | Ara Sınav | Geçmiş konuların tekrarı | Ölçme Yöntemleri: Yazılı Sınav |
| 9 | Hipotez Testi | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Tartışma, Alıştırma ve Uygulama, Deney / Laboratuvar |
| 10 | Hipotez Testi - 2 | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Tartışma, Alıştırma ve Uygulama, Deney / Laboratuvar |
| 11 | Çok Değişkenli Modeller | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Tartışma, Alıştırma ve Uygulama, Deney / Laboratuvar |
| 12 | Regresyon | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Tartışma, Alıştırma ve Uygulama, Deney / Laboratuvar |
| 13 | Regresyon - 2 | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Tartışma, Alıştırma ve Uygulama, Deney / Laboratuvar |
| 14 | Sınıflandırma | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Tartışma, Alıştırma ve Uygulama, Deney / Laboratuvar |
| 15 | Kümeleme | Ders notlarının okunması | Öğretim Yöntemleri: Anlatım, Tartışma, Alıştırma ve Uygulama, Deney / Laboratuvar |
| 16 | Final Sınavı | Geçmiş konuların tekrarı | Ölçme Yöntemleri: Yazılı Sınav |
| 17 | Final Sınavı | Geçmiş konuların tekrarı | Ölçme Yöntemleri: Yazılı Sınav |
Öğrenci İş Yükü - AKTS
| Çalışmalar | Sayısı | Süresi (Saat) | İş Yükü (Saat) |
|---|---|---|---|
| Ders ile İlgili Çalışmalar | |||
| Ders (Sınav haftaları dahil değildir) | 14 | 4 | 56 |
| Sınıf Dışı Ders Çalışma (Ön çalışma, pekiştirme) | 14 | 5 | 70 |
| Değerlendirmeler ile İlgili Çalışmalar | |||
| Ödev, Proje, Diğer | 10 | 2 | 20 |
| Ara Sınavlar (Yazılı, Sözlü, vs.) | 1 | 2 | 2 |
| Yarıyıl/Yıl Sonu/Final Sınavı | 1 | 2 | 2 |
| Toplam İş Yükü (Saat) | 150 | ||
| Toplam İş Yükü / 25 (s) | 6,00 | ||
| AKTS | 6 AKTS | ||