| Dersin Amacı: |
Bu dersin amacı, öğrencilerin betimsel istatistiğin temel kavramlarını, yöntemlerini ve kullanım alanlarını kavramalarını sağlamak; veri türleri, frekans dağılımları, grafiksel gösterimler, merkezi eğilim ve yayılım ölçüleri ile endeks sayıları aracılığıyla veriyi doğru okuma, özetleme ve yorumlama becerisi kazandırmak; elde edilen istatistiksel bulguları analitik düşünme ve veri temelli karar verme süreçlerinde etkin biçimde kullanabilecek yetkinliklerin geliştirilmesini amaçlamaktadır (SKA 4, SKA 8, SKA 9). |
| Dersin İçeriği: |
Bu ders kapsamında; istatistiğe giriş, veri türleri ve ölçme ölçekleri, verilerin toplanması ve düzenlenmesi, frekans dağılımları ve grafiksel gösterimler ele alınmaktadır. Merkezi eğilim ve yayılım ölçüleri, asimetri ve basıklık kavramları ile standartlaştırma yöntemleri incelenmekte; gerçek veri setleri üzerinden betimsel istatistiklerin uygulanması ve yorumlanması yapılmaktadır. Ayrıca zaman ve mekan endeksleri ile basit ve bileşik endeksler dersin kapsamı içerisindedir. |
| Hafta |
Konu |
Ön Hazırlık |
| 1) |
İstatistiğe giriş, temel kavramlar |
Hazırlık gerekmemektedir. |
| 2) |
Veri Türleri ve Ölçekler |
Farklı veri türleri ve ölçme ölçeklerine (nominal, ordinal, aralık, oran) ilişkin örneklerin incelenmesi önerilir. |
| 3) |
Verilerin Toplanması ve Düzenlenmesi |
Veri toplama yöntemleri ve ham verinin tablo hâline getirilmesine ilişkin örneklerin gözden geçirilmesi önerilir. |
| 4) |
Frekans Dağılımları ve Grafikler |
Frekans tabloları ile temel grafik türlerinin (sütun, histogram, pasta) kullanımına ilişkin örneklerin incelenmesi önerilir. |
| 5) |
Merkezi Eğilim Ölçüleri I |
Aritmetik ortalama, medyan ve mod kavramlarına ilişkin basit örneklerin gözden geçirilmesi önerilir. |
| 6) |
Merkezi Eğilim Ölçüleri II |
Kartiller ve yüzdeliklere ilişkin örneklerin incelenmesi ve yorum farklarının düşünülmesi önerilir. |
| 7) |
Yayılım Ölçüleri |
Varyans, standart sapma ve değişim katsayısının neyi ölçtüğüne dair temel örneklerin incelenmesi önerilir. |
| 8) |
Vize |
Ders yapılmayacaktır. |
| 9) |
Standartlaştırma ve Karşılaştırma |
Z-skoru ve standartlaştırılmış değerlerin neden kullanıldığına ilişkin örneklerin gözden geçirilmesi önerilir. |
| 10) |
Sağa–sola çarpık dağılımlar, Pearson ve Bowley asimetri ölçüleri, yorumlama |
Sağa ve sola çarpık dağılımlara ilişkin grafik örneklerinin incelenmesi önerilir. |
| 11) |
Basıklık kavramı, sivri–basık dağılımlar, çarpıklık ve basıklığın birlikte yorumu |
Sivri ve basık dağılımlara ilişkin örneklerin ve grafiklerin gözden geçirilmesi önerilir. |
| 12) |
Gerçek veri setleri üzerinden özet istatistikler ve karar verme |
Özet istatistiklerin karar vermede nasıl kullanıldığına dair basit uygulama örneklerinin incelenmesi önerilir. |
| 13) |
Endeks Sayıları I: Zaman ve mekan endeksleri, sabit ve değişken esaslı endeksler |
Endeks kavramı ve günlük hayatta kullanılan endekslere (enflasyon, fiyat endeksi vb.) ilişkin örneklerin incelenmesi önerilir. |
| 14) |
Endeks Sayıları II: Basit ve bileşik endeksler, Laspeyres, Paasche, Fisher; fiyat–miktar–gelir ilişkileri |
Farklı endeks türlerinin hangi durumlarda tercih edildiğine ilişkin örneklerin gözden geçirilmesi önerilir. |
| 15) |
Final |
Ders yapılmayacaktır. |
| |
Dersin Program Kazanımlarına Etkisi |
Katkı Payı |
| 1) |
Veri bilimi ve analitiğinin temel kavramlarını, bileşenlerini, tarihsel gelişimini ve güncel uygulama alanlarını açıklar. |
5 |
| 2) |
Veri türleri, veri toplama yöntemleri ve veri kalitesi kavramlarını tanımlar; farklı veri kaynaklarından elde edilen bilgileri analiz ederek anlamlı sonuçlara dönüştürür. |
4 |
| 3) |
İstatistiksel analiz, olasılık ve makine öğrenmesi teorilerinin temel ilkelerini açıklar; bu ilkeleri veri analizi sürecine entegre eder. |
5 |
| 4) |
Büyük veri kavramını, veri madenciliği yaklaşımlarını ve analitik yöntemlerin karar verme süreçlerindeki rolünü açık biçimde ortaya koyar. |
4 |
| 5) |
Analiz sonuçlarını görsel ve yazılı biçimde etkili, anlaşılır ve karar süreçlerine katkı sağlayacak şekilde sunar. |
3 |
| 6) |
Veri ön işleme, keşifsel veri analizi ve veri görselleştirme yöntemlerini etkili biçimde uygular. |
5 |
| 7) |
Veri odaklı problem çözme süreçlerinde uygun istatistiksel ve analitik teknikleri seçer; farklı veri kaynaklarını entegre ederek anlamlı modeller geliştirir. |
2 |
| 8) |
Python, R veya benzeri programlama dillerini kullanarak veri analizi, modelleme süreçlerini yürütür. |
5 |
| 9) |
Makine öğrenmesi, veri madenciliği ve büyük veri teknolojilerini kullanarak uygulamalar geliştirir; gerçek veri setleri üzerinde çalışarak kuramsal bilgisini pratiğe dönüştürür. |
4 |
| 10) |
Veri tabanı sistemlerini, API’leri ve veri yönetim araçlarını kullanarak veri akışını planlar, düzenler ve yönetir. |
5 |
| 11) |
Çok disiplinli ekiplerde etkin biçimde yer alır, iletişim kurar ve ortak hedeflere yönelik iş birliği sağlar. |
4 |
| 12) |
Veri bilimi ve analitiği alanındaki yeni yöntemleri, algoritmaları ve teknolojik gelişmeleri izler; yaşam boyu öğrenme bilinciyle kendini sürekli geliştirir. |
2 |
| 13) |
Kendi öğrenme sürecini değerlendirir, eksik yönlerini belirler ve geliştirmek için strateji oluşturur. |
4 |
| 14) |
Analiz sonuçlarını etik ilkelere bağlı kalarak açık, anlaşılır ve bilimsel biçimde paylaşır; görsel, sözlü ve yazılı iletişim kanallarını etkili biçimde kullanır. |
3 |
| 15) |
Veri gizliliği, güvenliği ve etik ilkeler çerçevesinde veri toplama, analiz etme ve raporlama süreçlerini yürütür; profesyonel sorumluluk bilinciyle hareket eder. |
5 |
| 16) |
Karmaşık veri projelerinde karşılaşılan sorunlara analitik ve yaratıcı çözüm önerileri getirir; karar alma süreçlerinde etkin rol oynar. |
4 |